基于3D点云的电缆自适应多尺度去噪算法研究

针对所采集的原始3D点云电缆数据存在大尺度离群点和小尺度起伏噪点的问题,设计出一种基于3D点云的电缆自适应多尺度去噪算法。首先,对于原始3D点云电缆数据应用统计离群消除滤波算法滤波,去除大尺度空间孤立离群点;其次,对于传统双边滤波的两个参数σc以及σs应用了基于半径和标准差的自适应改进;最后,采用提出的基于半径和标准差的自适应双边滤波算法去除3D点云电缆数据中的小尺度起伏噪点。实验结果表明,提出算法对3D点云电缆数据能多尺度去除噪点,且无需人工调整参数,明确了电缆边界,实现了理想的点云去噪效果,为后续电缆分割、识别等可视化巡检奠定了良好基础。     

基于边缘卷积的交通锥筒点云数据分割方法

本研究以用于构建临时道路中的交通锥筒为研究目标,以多线激光雷达采集的临时道路三维点云数据为输入,提出一种基于图理论的图神经网络模型,该模型可实现点云数据分割,并提升模型对无序性点云数据学习效果。以无人驾驶方程式赛车为实验平台,针对交通锥筒进行网络训练与测试,实验结果表明,图神经网络模型对交通锥筒的分割准确率达到88.6%,比PointNet模型提升了约10%,此外,该模型在稀疏雷达点云数据下还具有一定泛化能力,有较好的适用性。     

基于三维重建数据的双向点云去噪方法研究

逆向工程中,三维点云数据的重构是最终获取物体形貌的关键一环,如何从复杂的点云中去除噪声干扰是人们一直研究的重点。根据测量环境中产生的不同类型噪声数据进行分析,对于物体轮廓外的噪声点,采用人机交互的方式直接去除噪声点,对于物体轮廓内单个明显的噪声点采用相邻点加权平均的方法去除,而对轮廓内连续错误的噪声点,采用了双向去噪的方法,即在点云的垂直方向通过相邻点夹角的大小去除起伏明显的噪声点,在点云的水平方向通过相邻点云水平距离的加权平均来调整水平方向其余点的距离,最后应用最小二乘法拟合得到去除噪声点处的三维坐标。结果表明该种方法不仅有效去除了点云数据中夹杂的噪声,还对物体表面失真的数据进行了有效地调整和修改,获得了连续光滑的测量表面,具有良好的效果。     

基于数学形态学去噪的光伏发电限电异常数据识别算法

光伏发电领域特有的限电异常数据,由于其来源于不确定的、突发的强制弃风弃光操作,完全无规律可循,使得依赖数据分布假设或经验模型的传统异常数据识别算法无法对其进行有效识别。为提高光伏限电异常数据的识别率,提出一种基于数学形态学去噪的限电异常数据识别算法。该算法将限电异常数据作为原始数据的噪声信号,对原始数据本身的分布特性没有任何要求,只需将原始数据转换为二值图像,通过膨胀腐蚀等数学形态学去噪的基本运算即可对限电异常数据进行自适应识别。通过实际采集数据进行仿真,结果表明,与传统异常数据识别算法相比,该算法可显著提高限电异常数据的识别率,从而验证了其在限电异常数据识别领域的适用性。     

点云数据的补全与精简算法研究

随着三维点云技术的不断成熟,目前许多企业将其应用到了货物管理中。但在点云获取中设备会因为外界原因(光照、温度等)导致数据不完全(点云空洞),而且获取初始点云数巨多,降低了后期点云处理效率。提出了对点云的一种预处理,既要获取完整目标物的曲面特征,也要对点云进行高效地压缩。首先对原始点云进行条件滤波和统计分析滤波去噪,然后提出了一种由统计分析和三角格化结合的点云补全算法,最后将补全的点云使用改进的曲率精简法对点云进行处理,并将方法与其他方法做了对比实验。实验结果表明,方法可以将孔洞点云补全,保留货物平面特征和边缘细节信息,降低点云存储空间,为后期对点云处理提高效率有着重要意义。其中,补全算法使补全后的点云与补全之前的点云的最近点平均距离小于0.000 4 m,点云精简算法的精简率可达到90%。     

基于改进PointNet++的室内点云语义分割模型

针对点云语义分割过程中存在的大量点云数据的相邻关系丢失以及无法捕获部分点云特征的关键信息等问题,提出了一种基于改进PointNet++的室内点云语义分割模型。首先利用中垂线通道采样获取到更具代表性的采样点,从而提高采样结果的信息丰富度;在此基础上使用采样点邻域特征自适应分组,使组内采样点的分布特征和邻域内的点云特征更加接近,然后引入注意力机制,以实现对点云数据的多层次、多维度的建模和表达;最后通过实验进行性能对比分析。实验结果表明,模型对室内点云进行语义分割相较于PointNet++模型的整体准确率提高了5.6%,因此语义分割网络改进模块能够帮助神经网络提取到更优的点云特征信息,从而提高语义分割网络模型的性能。     

一种基于类比的去噪算法研究

类比值进行去噪是基于灰色系统理论的方法。根据图像中噪声像素的强度值与周围的非噪声像素比较起来有非常大的变化,而非噪声像素的强度值与周围像素值几乎近似的特点,依照类比的定义,根据噪声点对应的类比值较大,而非噪声点对应的类比值较小的特点,利用阈值方法可以准确的识别出图像的噪声点。     

BP神经网络和SVD算法联合的地震数据去噪方法

传统的地震数据去噪方法,由于过多依赖数据的先验信息而使得去噪效果不佳。为了更有效地压制地震数据噪声,结合BP网络和奇异值分解(SVD)算法的各自特点,提出了联合去噪方法。该方法分别对BP网络的拓扑结构和实验方案的选取进行了深入探讨,最终确定实验方法为:首先将含噪地震数据经过BP网络分离,然后将输出的噪声经过SVD算法重构,得到联合算法输出的噪声,最后将含噪地震数据与输出噪声相减,即可得去噪后数据。叠前和叠后地震数据实验均表明该方法的可行性与有效性。通过与传统去噪算法对比,该方法去噪后的均方误差更低,信噪比更高,表明其对实际地震数据去噪效果更佳。     

基于2D预处理的点云分割和测量研究

针对传统 3D 工业相机获取的点云数据进行工件检测时因工件粘连和噪声干扰导致边缘分割问题,考虑点云数据量大 影响检测实时性和 3D 特征点选取不准确导致测量误差大的因素,提出一种基于 2D 边缘检测的预处理方法,实现点云快速分 割和测量。 首先,采用改进的 Canny 算法对有序点云的纹理图像进行边缘检测,将检测后的图像进行数学形态学操作和轮廓检 测完成纹理图像分割,规避了在 3D 空间中进行分割处理,有效减少了点云数量;其次,结合工件的形状特征和放置方式,利用 掩膜操作提取出有序点云数据,使用基于 RANSAC 和条件滤波结合的方法对分割后的点云进行自适应阈值滤波处理,有效去 除了噪声点云;最后,对经过预处理后的目标点云基于 PCA 的包围盒去计算工件尺寸以及表面法向量。 实验结果表面,和传统 的 3D 分割算法相比,能够更准确的提取出目标点云,有效减少了待处理点云数量,整体分割效率提高了约 20%;工件尺寸的平 均相对误差约 1. 24%,可以满足测量的需求。     

基于二分K-means聚类的曲率分级点云数据精简优化算法研究

针对单一精简算法无法精确保留模型特征信息、易造成点云表面孔洞等问题,提出了一种基于二分K-means聚类的曲率分级优化精简算法。首先采用最小二乘法对邻域进行曲面拟合,计算曲率值,依据曲率值划分显著特征区与非显著特征区,其次采用二分K-means聚类划分非显著特征区,依据子簇的曲率阈值筛选保留具有特征重要性的亚特征点,最后合并更新显著特征区的数据集和亚特征点,得到简化结果。通过仿真实验,从算法运行速度和信息熵两方面与空间包围盒法、曲率精简算法进行对比分析,结果表明,该算法在精简质量上优于其他两种算法,在点云数据重建方面具有一定的应用价值。     

激光点云孤岛数据高精度滤波算法研究

针对车载激光雷达线性测量数据中由于遮挡造成的远离主体点云且成簇状分布的孤岛数据滤除困难问题,提出一种与数字信号处理技术相结合的点云滤波方法.通过对点云数据帧中相邻数据点构造高差序列,采用离散傅里叶变换求解高差序列的幅频响应.经过频域信号的低通滤波与反傅里叶变换,还原出孤岛数据被极大修正的比较信号.通过比较信号对点云数据...     

基于激光点云数据的地形地貌测量研究

针对在实际测量地形地貌时激光数据过滤误差较大的问题,设计了基于激光电云数据的地形地貌测量及处理方法。采集激光点云数据,结合公共标靶法与最小二乘法补全点云数据且自动过滤非地面数据,对激光点云数据的平面坐标与高程实施转换,生成待测区域的地形地貌等高线,实现该区域的地形地貌测量。通过实验验证设计方法性能,结果表明,该方法可实现分散站点激光点云数据的拼接与过滤处理,过滤性能稳定且过滤误差较低,平均为2.1%,可精准测量实验地区的地形地貌,坐标值误差平均为0.187,满足实际应用中的地形地貌高精度测量需求。     

基于高斯过程模型的多源点云数据融合方法

多传感器测量技术被认为是表面计量学中一个很有效的解决方案。 针对多源数据的融合问题,本文提出了一种基于高斯过程模型的多源点云数据融合框架。 首先,提出一种自适应距离的鲁棒点云配准方法统一不同测量数据集的坐标系;然后,通过引入平差理论,对来自不同传感器的多个独立数据集之间的残差进行近似,构建基于 Matern 核函数的高斯过程模型;最后,通过仿真模拟和实际应用,与现有方法进行了一系列对比实验,验证了该方法的有效性。 实验结果表明,该方法能以更高的融合精度和更快的计算效率融合多传感器数据集。     

基于点云的复杂环境下楼梯区域识别

自主移动机器人已经在国防军事、灾区救援等领域有了广泛应用,楼梯区域作为一种典型的环境目标,需要机器人能够对其做出准确识别。放置于楼梯区域的障碍物会破坏传统楼梯识别算法需要提取的楼梯平面及边缘特征,导致楼梯区域无法被准确识别。针对该问题,提出了一种复杂环境下,基于点云的楼梯区域检测识别算法。该算法首先使用区域生长方法对目标区域进行分割并通过各区域拟合平面法线方向来选取疑似为楼梯各级竖直阶面的区域;进而对各级楼梯区域进行处理,分割障碍物并获取各级楼梯竖直面上边界;最终根据各级边界位置得到楼梯模型以及障碍物位置。实验结果表明,该算法具有较好的鲁棒性,能在各种复杂环境下识别出楼梯并得到无障碍楼梯区域,构建的楼梯三维模型尺寸误差均小于7%,有较高的准确性,相较于传统楼梯识别算法,能达到更好的检测识别效果。     

基于表面粗糙度聚类的机载雷达点云数据地物分类方法研究

在机载激光雷达的发展与应用下,获取地物的空间分布情况变得更加快速便捷.为了实现面向机载激光雷达点云数据的地物分类,首先利用高程直方图去除原始点云的离群点;其次利用VoxelGrid滤波器采样,在确保形状的前提下,大量降低点云数量;然后改进K-means聚类方法,结合三维点云数据携带的高程信息对原始聚类中心和K值进行确定...     

基于三维激光扫描点云配准的目标位姿测量

地外天体着陆探测是我国深空探测的重要形式和方法,针对地面探测模拟训练系统中探测车位姿提取的需求,提出了一种利用激光扫描仪和标靶球结合的方法进行特征识别,拟合出探测车的位姿数据,并建立地面模拟训练系统。首先对激光扫描数据进行滤波预处理去除点云中离群点,然后选择适当的参数对数据进行重采样。通过基于分类改进的区域增长法对点云进行分割,筛选出指定数量范围的点集并拟合多个标靶球位置信息以建立局部坐标系。通过实验数据分析,标靶球拟合精度满足3mm最大允许误差,点云处理速度得到有效提升,验证了特征识别方法的准确性和高效性。最后通过坐标系转换估计出探测车的位姿矩阵信息。     

基于点云处理的小型工业零件高度精密测量

针对很多小型工业零件存在微米级测量的需求,提出了一种点云多次滤波与平面拟合相结合的测量方法。以上下平面平行的规则直三棱柱体工件作为测量对象,使用3D线激光传感器获取工件的点云模型并传输到计算机中进行处理,将点云数据首先通过统计滤波剔除噪声和离群值;其次利用体素滤波降采样精简点云数量;然后采用直通滤波分离出工件点云的上下表面;再分别对上下表面的点云通过随机抽样一致性（RANSAC）算法拟合出平面方程;最后计算上下平面之间的间距即为被测工件的高度信息。将该方法测得的高度与激光三角法原理测得的高度数据进行对比,结果表明,该方法测量精度提高了72.33%;同时对于不同的点云密度,利用所提出的方法进行测量,测得当降采样中体素立方体的边长为15cm时（点云数量精简了98.3%时）测量的误差最小,最小能达到5.1。该方法大大提高了工件的测量精度,可以广泛应用于工业测量中。     

点云数据温度变化环境下输电线形态模拟

气温是影响架空输电线路电气间距和机械强度的主要气象参数之一.针对当前输电线路实时工况运营状态安全监测的需求,基于机载激光点云数据,提出了一种线路环境温度变化下架空输电线空间形态模拟及精度验证方法.首先利用点云数据重建输电线空间模型并提取初始温度下输电线水平应力,然后根据状态方程求解模拟温度下输电线水平应力.最后根据静力...