共查询到20条相似文献,搜索用时 125 毫秒
1.
逆向工程(ReverseEngineering)是一种产品的再设计和创新过程。点云注册合并技术是逆向工程设计中的一种常用技术方法。针对小熊造型储蓄罐的特点,使用EXAscan激光扫描仪将分区扫描的点云数据用Geomagic软件的注册合并技术进行处理,以得到完整的可视化的多边形模型。实现了储蓄罐由实物到点云、再由点云到三维模型的快速逆向设计。 相似文献
2.
3.
4.
5.
6.
《机械设计与制造》2017,(9)
针对逆向工程中大量三维点云数据的跨平台可视化交互难以实时渲染的问题,提出一种多层次动态调度绘制方法。对传统八叉树改进后对点云数据建立邻域空间索引编码,实现空间整体对点云分层划分,使用"分区-子块-点云"预加载调度策略提高海量点云交互效率,结合细节层次(level-of-detail,LOD)控制技术和浏览器Ajax异步调度点云数据控制策略,算法提高了空间查询效率,加快了点云绘制速度,并有效的降低视点移动时的过渡走样现象。实验结果表明:使用算法在高层次细节渲染帧率最终维持在25fps左右,浏览器内存消耗比未处理数据完全加载降低48.5%,实验结果验证了该方法的可行性并取得良好的网络交互三维可视化体验。 相似文献
7.
8.
9.
10.
《机电产品开发与创新》2016,(3)
分析和研究了逆向工程在零件曲面复杂的情况下重建模型的关键技术问题。将整个逆向工程分为数据点云扫描、点云数据封装处理和参数化曲面重构三个模块,针对各模块不同的功能和特性加以论述和分析。以某音响结构件为例,着重论述了复杂曲面重建中的一些重要步骤并给出了解决方案,最后得到了逆向工程的整体参数化曲面模型。 相似文献
11.
针对无人驾驶系统环境感知中的三维车辆检测精度低的问题,提出了一种基于激光雷达的三维车辆检测算法.通过统计滤波与随机抽样一致算法(Random Sample Consensus,RANSAC)实现地面点云分割,剔除激光雷达数据冗余点及离群点;改进3DSSD深度神经网络,利用融合采样提取点云中车辆语义信息与距离信息;根据特... 相似文献
12.
正确的人体点云数据分析不仅是人体3D测量的必要手段,更是未来服装数字化设计的基础,也是服装定制化智能生产的数据来源。人体散乱点云数据相比规整数据拥有更多的噪声及不规则性,这使得提取轮廓以及提取分割特征点更加困难。为了解决人体散乱点云数据分割难题,提出了基于移动最小二乘的切割算法。首先使用主成分分析法进行点云数据的调整,并使用夹角分析法提取投影到特定平面的二维轮廓。在此基础上,采用移动最小二乘法对部分二维数据点进行局部拟合并根据导数信息提取分割特征点。最后,利用VT K作为点云显示平台,对不同人体点云数据进行算法验证。实验结果表明,该分割方法实用可靠。 相似文献
13.
针对现有曲面重建算法不能很好地重建出点云模型尖锐特征的缺陷,提出了一种凸显点云尖锐特征的点-线-面递进式曲面重建算法。首先,根据近邻点的欧氏距离、法向偏差和曲面变分,采用主成分分析算法和k-近邻点迭代加权法获取点云准确法向;接着,依据特征点位于多个平面交线上的原则,利用法向聚类和平面拟合从候选特征点中筛选特征点;然后,依据特征点生长方向和主方向的相互关系重建特征线,并按照最小二乘原理采用矩阵法修复角点;最后,以特征线为约束重建尖锐特征点云曲面。实验结果表明:本文算法计算的点云准确法向与理论法向偏差接近于0,特征重建效果优于其他算法,算法耗时短且与点云数量呈线性关系。算法不仅能够准确计算尖锐特征区域的点云法向,还能准确提取出点云模型的特征点并凸显模型的尖锐特征。 相似文献
14.
15.
为保证在去除点云数据噪声的同时不损失模型的细节特征,提出了一种基于特征信息的加权模糊C均值聚类去噪算法。首先,构建点云K-D树拓扑结构,根据点的r半径球邻域点统计特性去除大尺度离群噪声点。然后,利用主元分析法估算点云的曲率和法向量,根据曲率特征标识点云数据的特征区域,并采用特征加权模糊C均值聚类算法对特征区域去噪,采用加权模糊C均值聚类算法对非特征区域去噪。最后,使用双边滤波器对点云模型进行平滑。对提出的算法进行了验证实验,结果显示:去噪后点云模型的最大偏差保持在模型尺寸的0.15%以内;标准偏差保持在模型尺寸的0.03%以内。本文算法能够在有效去除不同尺度和强度的噪声的同时不损失点云模型的细节特征,去噪精度高,且对不同的噪声模型具有较强的鲁棒性。 相似文献
16.
17.
为了有效去除获取三维点云数据时的噪声,同时又不损失模型的特征信息,提出了一种基于三维点云特征信息分类的去噪算法。首先采用主成分分析法和二次曲面拟合法估算三维点云的微分几何信息;然后根据点云平均曲率的局部特征权值,将点云数据划分为特征信息较少的平坦区域和特征信息丰富的区域,针对不同特征区域分别采用邻域距离平均滤波算法和自适应双边滤波算法进行去噪滤波。实验结果表明:滤波后点云数据的最大误差为0.144 7mm,标准偏差为0.021 0mm。在不同噪声强度下,该去噪算法均能够达到较好的去噪效果,并保留点云的高频特征信息。 相似文献
18.
三维激光扫描设备可以提供航空发动机外形实测点云,但其中包含的噪声会直接影响后期外形几何模型的重建精度。为保证在去除噪声的同时不模糊或破坏掉发动机复杂的外形几何特征,提出了一种基于深度学习的点云保特征去噪方法。将航空发动机外形噪声点云分割成特征数据和非特征数据之后,分别设计了特征去噪网络和非特征去噪网络,用于预测特征噪声点和非特征噪声点的位置修正向量,噪声点沿预测向量移动后被投影回模型真实的底层表面上,实现去噪。构建了用于特征去噪学习和非特征去噪学习的数据集。验证结果表明,在将该方法应用于各种噪声尺度的发动机外形点云时,相比现有的学习基方法,去噪效果得到提高,且有更好的几何特征保护能力,可以为后续重建提供高质量点云。 相似文献
19.
由于三维扫描设备采集的点云数据庞大,本文提出了一种特征保持的点云精简方法以在减少冗余数据的同时更好地保持原始曲面的几何特征。首先,利用K均值聚类法在空间域对点云全局聚类,对点云构建K-d树并以K-d树的部分节点作为初始化聚类中心。然后,用主成分分析法估计点云法矢和候选特征点,遍历每个聚类,若类中包含特征点则将该类细分为多个子类,细分时将聚类映射到高斯球。最后,基于自适应均值漂移法对高斯球上的数据进行分类,高斯球上的聚类结果对应为空间聚类细分结果,各聚类中心的集合为精简结果。以多个实物模型为例验证了算法的有效性。结果表明,本文方法精简的点云在平坦区域保留少数点,在高曲率区域保留更多的点。相比于非均匀网格、层次聚类、K均值点云精简法,该方法对包含尖锐特征的曲面精简误差最小,更好地保留了原始曲面的几何特征。 相似文献
20.