基于三维激光点云数据的电力电缆绝缘缺陷识别

针对电力电缆绝缘缺陷识别精准度较低的问题,提出一种基于三维激光点云数据的电力电缆绝缘缺陷识别方法。利用剪裁法增强原始三维激光点云数据,通过区域生长法与最小二乘法完整获取电缆绝缘材料的三维结构面信息。借助Canny边缘检测方法求解电缆绝缘表面缺陷与内部缺陷边缘信息,自动识别出电力电缆绝缘的缺陷位置及缺陷类别。结果表明,所提方法可以精准识别电缆绝缘表面的划痕缺陷、电缆外屏蔽表面起泡和孔洞缺陷,识别耗时短,鲁棒性较优,具有较高实际应用价值。

基于激光雷达点云数据的虚拟室内场景搭建研究

通过搭建虚拟室内场景实现室内视景重构,提出基于激光雷达点云数据的虚拟室内场景搭建技术,采用三维光学面扫描设备采集激光雷达点云数据,采用融合卡尔曼滤波方法实现对虚拟室内场景激光雷达点云数据滤波处理,减少点云数据干扰,提取虚拟室内场景的空间分布域特征量,获取虚拟室内场景中被测量物体的全局标志点,通过逆向设计和三维边界轮廓特征点重构的方法实现对虚拟室内场景散乱点云重组和稀疏性特征点拟合,在拟合曲面采用纹理渲染方法实现对虚拟室内场景重构。仿真结果表明,采用该方法进行虚拟室内场景搭建的激光雷达点云数据重建能力较好,保留原始点云的特征信息较为饱满,能满足较好地重建几何精度场合,重建精度达到了0.98,并且重建时间仅为4.5 h。

一种基于激光点云数据的微距栅格体积算法

针对规则格网算法难以满足激光点云模型高精度体积计算的问题,提出了一种基于激光雷达点云数据的微距栅格体积算法。该方法首先运用葛立恒凸包算法提取凸包点集,然后运用微距格网划分、高程插值和网格体积累加的方法计算体积。与规则格网法不同,这种算法充分利用激光雷达数据高密度点云特征,采用格网微分和增大插值半径的方法改善模型表面的连续性,进而提高计算精度。实验结果表明,微距栅格体积算法具有较好的时间复杂度和较高的计算精度,适宜于激光点云模型高精度体积计算。

基于点云数据的大曲率工件表面法向计算方法研究

航空航天构件装配制孔时对垂直度有严格要求,采用机器人等自动设备制孔时,为保证垂直度需要对每一个制孔位置的法向进行在位测量。现有的工件表面法向测量方式难以适应大曲率工件表面的测量需求。通过线激光扫描,可以获得反映工件局部表面详细信息的点云数据,在此基础上提出一种大曲率工件表面法向计算方法。首先研究了通过主成分分析(PCA)对局部点云数据进行平面拟合获得曲面法向的方法,然后选取了若干典型曲率,通过仿真生成点云数据,并分析了法向拟合误差的变化规律。通过试验验证了上述方法的有效性,结果表明,当点云选择范围在12mm以下时,直径为50mm的圆柱试验件的法向拟合误差可以保证在0.219°以下。

基于点云数据的大型复杂钢结构智能化施工方法

大型复杂钢结构施工过程中,常面临施工尺寸质量难以把控、构件提升变形监测困难和合拢段现场配切效率低等问题。三维激光扫描技术可全覆盖地、快速精准地获取复杂构部件在施工过程中的点云数据,这为解决上述问题提供了新方法。为此,该文以重庆两江新区寨子路钢拱桥为工程背景,开展基于点云数据的大型复杂钢拱桥智能化施工方法的全流程研究。基于标靶球检测算法、快速四点一致集算法、迭代最近邻算法等实现标靶球点云数据的自动检测及多站点云数据之间的自动配准;通过BIM点云化技术、kNN算法等完成目标点云数据的半自动化提取,实现拱肋尺寸的智能化检测;基于八叉树算法、区域增长算法等实现拱肋提升变形的智能检测;为缩短拱肋的合拢工期,基于BIM模型焊缝信息提取技术、主成分分析算法、Canny边界检测算法、霍夫变换算法等提出数字化预拼装算法,得到合拢段的配切量。工程应用表明,该文所提出的智能施工方法效率高、自动化程度好,研究成果可为大型复杂钢结构的施工质量和安装效率的提升提供理论和算法支撑。

基于点云数据的预制叠合板尺寸质量智能检测方法

为保证预制叠合板在施工现场能顺利安装,在出厂前通常需要对其进行尺寸质量检测,现有预制叠合板的尺寸质量检测方法难以全面准确地测量叠合板的实际三维尺寸。提出一种基于预制叠合板点云数据的多尺寸质量智能检测方法。对采集的点云数据进行预处理后,利用机器学习算法完成预制叠合板点云的自动定位与分割;依据不同的检测任务,将目标点云沿不同方向降维,映射为二维灰度图像;利用图像特征检测算法,分别实现叠合板底板的长宽、预留胡子筋的出筋长度与间距及桁架钢筋高度的自动检测;在验证试验中,对3块预制叠合板的点云数据进行尺寸质量检测。结果表明,提出的智能检测方法能全面准确地完成预制叠合板出厂尺寸质量检测,能进一步提高预制叠合板非接触质量检测结果的科学性与精准性。

面向磁浮轨道的多源点云数据的混合滤波方法

在磁浮轨道的仿真数据处理过程中,磁浮轨道点云数据的滤波提取是重要环节之一,实际应用应根据待提取的磁浮数据特性,采用高效的滤波方法。磁浮轨道的点云数据对象主要包括由无人机(UAV)倾斜摄影获取的磁浮轨道的图像数据并经过三维重建后形成的稠密点云数据、由手持式激光雷达扫描磁浮轨道获取的激光点云数据。根据这两种点云的数据特性,考虑磁浮轨道四周复杂场景的点云环境,分别对两种点云进行混合滤波。首先,对激光点云数据采用八叉树下采样方法,有效降低了点云数据的数量级,节省了运行时间。然后,分别对激光点云与稠密点云数据采用布料模拟滤波(CSF)方法,过滤了地平面点云数据,保留了非地面点云数据;采用统计离群点去除(SOR)滤波方法,筛除了大量离群点;根据磁浮轨道特征,采用直通滤波过滤了坐标范围外的点云数据。实验结果表明,在不影响磁浮轨道结构的前提下,对于采用八叉树下采样方法的激光点云数据和没有采用八叉树下采样的稠密点云数据,该方法的滤波率分别为86.15%和64.76%,经混合滤波后的两种点云数据的结构近似,点云数量处于同一数量级,为磁浮轨道点云特征提取等后续任务提供了有效保障。

乡土景观树冠空隙度点云数据提取再生算法

树冠空隙度点提取的过程中,会产生大量噪声点,导致树冠空隙度点云数据细节特征大量丢失。为了保证点云数据的完整度和精确度,提出乡土景观树冠空隙度点云数据提取再生算法。利用三维激光扫描技术,获取乡土景观树冠点云数据,计算树冠空隙度,并参照树冠空隙度分割点云数据,组建树冠空隙度点云数据再生样本。利用改进小波阈值函数和RBF神经网络,消除点云数据噪声、填补点云数据空洞,实现乡土景观树冠空隙度点云数据提取再生。实验结果证明,所提方法提取再生效果好,且所需时间仅为1.002s,表明所提方法的效率高。

基于点云数据配准的输电线路异常检测方法

异常检测是输电线路运维中的重要环节,可为输电线路故障维修提供可靠依据。但现有检测方法命中率较低,且检测结果与实际运行线路的斯皮尔曼相关系数较低。针对现有方法的不足,提出了一种基于点云数据配准的输电线路异常检测方法。首先,利用三维激光扫描仪采集输电线路点云数据;其次,对采集点云数据中离散点进行降噪处理,并通过点云数据配准方法模拟输电线路状态;最后,通过与正常输电线路对比识别线路异常状态,以完成输电线路异常检测。实验表明,异常检测方法命中率高达96%以上,检测结果与实际运行线路的斯皮尔曼相关系数达0.9以上,同时,该方法在输电线路异常检测方面具有良好的应用前景。

基于深度学习与点云数据的3D检测系统应用研究

为了解决高低差场景中平坦度高的2D视觉检测乏力的问题,基于深度学习和点云数据处理平台,融合3D点云格式图像和深度学习技术,建立微米精度、在线检测、成本可控的3D检测架构机制。采用相移和光栅投影结构光技术的硬件方案获取3D点云原始数据,基于强大的CPU和GPU处理芯片,对经过被测物体调制的光栅图案进行重新编码,并结合标定参数解算3D点云数据。对2D深度学习模型进行升级开发,可对点云数据进行标注、学习训练和检测,并将3D硬件、3D软件和3D算法进行整合。实验结果表明,所提系统有利于3D缺陷检测系统的落地,为智能3D检测设备奠定算法和软件基础。

基于点云数据的竖井井筒变形监测方法研究——以金川矿山新2号副井为例

竖井井筒的变形监测对于矿山安全生产具有重要的意义。以金川矿山新2号副井为例,基于2020年、2023年GeoSLAM(移动式三维激光扫描仪)获取的两期点云数据,采用模型切片的方法,分析了新2号副井1280~<1340、1340~<1400、1400~<1460m三个分段的竖井井壁变形情况,结果表明:1280~<1340m水平井筒断面尺寸整体上呈现缩小的状态,变形原因主要为后期返修导致断面规格发生变化;1340~<1400m水平在局部呈现断面尺寸增大的情况,且在三维模型上呈明显带状分布,但整体上井筒断面尺寸呈现缩小的状态,且分布于该中段各处位置,主要为地压原因导致的局部变形。从1400~<1460m水平井筒整体上看,断面规格上大于2020年模型断面,主要原因是施工断面设计存在不同,但在1437~1450m水平井筒断面尺寸表现出明显的断面缩小变形,变形原因为地压过大导致的局部凸出。

基于倾斜影像与点云数据的古建筑三维模型构建

针对古建筑三维建模中使用单一技术手段测量导致的结构缺失、精度低、图像拉花和破洞等问题,研究基于倾斜影像与点云数据的古建筑三维模型构建方法。使用无人机和激光扫描仪采集古建筑的倾斜影像数据和激光点云数据,并预处理上述数据,通过新特征点配准算法实现两种数据融合,得出准确完整的古建筑三维数据。提取古建筑的轮廓线,使用Revit软件构建古建筑BIM三维模型,对所得模型纹理贴图,实现古建筑的三维模型构建。实验结果表明:该方法可以获取完整的、高精度的古建筑三维数据,以此构建的古建筑BIM三维模型的精准度和完整度都很高,而且结构清晰、纹理清楚、效果逼真,具有优秀的建模性能。

基于无人机点云数据的露天采场道路的三维建模技术研究

露天采场道路存在地形复杂、环境恶劣、变化频繁等问题,传统的道路测量方法难以满足露天采场道路的三维建模需求。文章以露天采场三维激光点云数据为研究对象,开展基于无人机点云数据的露天采场道路三维建模技术研究。结果表明,该研究能快速、准确地获取露天采场道路的三维信息,为采场提供精细化道路三维模型,进而为露天采场控制室进行决断提供数据支撑,并保障了露天采场的无人化、智能化建设。

点云数据在道岔关键节点几何检测应用

道岔服役状态检测工序复杂,传统方法需要结合轨检车、轨距尺、支距尺和降低值测量仪进行测量,设备类型繁杂,测量工序多,对天窗时间要求较高。为提高检测效率,本文提出了一种基于点云的单开道岔关键节点测量方法。该方法利用CAD图元信息及图卷积神经网络,实现对道岔结构三维点云数据的精确化、自动化识别、分割与提取,准确度为99.68%。同时,结合道岔结构几何先验信息,完成了对道岔结构轨距、导曲线支距、尖轨降低值等关键几何形位参数快速化精确提取。实例验证表明,本文提出的基于点云的道岔关键几何形位检测方法的测量结果与真实值误差为亚毫米级,满足实际工程检测要求,省去了多种检测设备,节约了大量天窗时间,具有较高的实用性,是未来道岔测量的发展趋势。

基于激光点云数据的管道破损定量检测技术

采用管道激光扫描技术可获取管道内表面的点云三维信息,解决了传统管道视频检测方法难以定量化检测的问题。本文针对管道破损缺陷的点云数据特点,利用统计滤波和半径滤波等点云滤波算法,实现了管道破裂处点云删除;基于随机一致性采样(RANSAC)算法实现了管道点云圆柱面投影和管道点云数据二维平面展开;通过网格化筛选和区域生长算法实现了管道点云数据破损缺陷检测及自动化分析。实测数据验证了该方法的可靠性和有效性,可以准确识别管道破损位置,并计算破损面积、纵向长度、环向长度等参数。

基于双通道残差网络的机载LiDAR点云数据分类

为改善传统残差网络在机载LiDAR点云数据分类中信息流通不充分的问题,提出一种基于双通道残差网络的机载LiDAR点云数据分类模型(DP-ResNet)。DP-ResNet采用编码-解码结构。编码阶段主要采用两种不同形式的双通道残差结构和无参的聚合算子相结合,不仅能加强网络信息的流通,还能减少网络参数。解码阶段采用传统的逆距离加权和1×1卷积完成。为了验证DP-ResNet模型的分类性能,在GML_DataSetA数据集上进行分类实验。结果表明:与基准网络Closerlook相比,DP-ResNet模型的OA和AvgF1分别提高6.25%和15.45%,具有更好的分类性能;与其他模型相比,DP-ResNet具有极强的竞争力。

基于融合点云数据的马尾松林地单木分割算法研究

激光雷达技术在森林资源调查中具有较大优势,但单平台采集的数据往往存在扫描盲区,难以获取完整的森林结构信息。为此,以马尾松林作为研究对象,探究基于融合点云数据的马尾松林单木分割适宜性算法。首先提出一种针对森林样地点云数据融合的方法,然后采用标记控制分水岭算法、距离判别聚类算法和层堆叠算法对马尾松林进行单木分割,并对3种算法的关键参数的选取进行分析,最后提取树高验证融合点云估测森林结构参数的适用性。得出实验结果如下:1)提出的点云融合方法可以有效融合机载和手持激光雷达点云,配准误差为0.054 m;2)3种单木分割算法中,标记控制分水岭算法分割精度最高,总体精度为0.88,高于距离判别聚类算法和层堆叠算法;3)利用标记控制分水岭算法分割的单木提取树高,基于融合点云数据的R2值为0.983 7,RMSE为0.759 6 m,相较于单一点云数据,精度明显提高。研究结果可为多源激光雷达在林业领域的应用以及马尾松林地森林资源管理提供技术支持。

基于点云数据实时配准算法的桥梁结构复杂缺陷形态识别

桥梁结构损伤检测过程中,大多依托于二维图像完成结构复杂缺陷的形态识别,只考虑表面的灰度和纹理等信息,使得识别结果的平均精度均值(mAP)较低。因此,提出基于点云数据实时配准算法的桥梁结构复杂缺陷形态识别方法。首先采用激光扫描仪和传感器设备,采集桥梁结构三维点云数据,并运用基于密度的聚类算法进行点云数据聚类分割,实现点云数据去噪处理;然后利用柔性动作-评价(SAC)配准算法、改进迭代最近点(ICP)配准算法进行点云数据实时配准,考虑深度、高度等第三维属性完成复杂缺陷区域检测;最后针对缺陷区域的测量点分别计算结构位移函数,基于此识别出缺陷的具体形态。试验结果表明,所提方法得出的复杂缺陷形态识别结果的mAP值大于0.92,基本满足了桥梁检测要求。

机载LiDAR点云数据滤波以及建筑物提取技术研究

当对机载激光雷达(LiDAR)点云数据进行滤波和提取建筑物时,当前技术有误差大、提取结果展示模糊等问题,本文针对这些问题进行相关研究,处理机载Li DAR点云数据,对坡度点云数据进行自适应滤波,提取机载Li DAR点云数据建筑物。分析提取结果可知,本文方法可以有效降低误差,清晰展现结果,为城市规划、土地资源调查和建筑物监测等领域提供更精准、高效的服务。

基于实测点云数据的隧道分割及形变检测方法

随着现代测绘技术的进步,点云数据成为了隧道健康监测中不可或缺的工具。针对西气东输这类的大型能源输送隧道,提出了一种基于实测点云数据的隧道分割与形变检测方法。首先,通过结合几何和密度的分割策略,准确地从原始点云数据中提取隧道结构。其次,采用时间序列和特征检测策略,实现了对隧道微小形变的准确识别。此外,引入机器学习方法进一步提高了形变检测的准确性和自动化程度。实验结果表明:此方法在实际工程应用中具有很高的准确性和稳定性,为隧道的安全运营提供了有力的技术支撑。