-
公开(公告)号：CN112308961A
公开(公告)日：2021-02-02
申请号：CN202011222532.1
申请日：2020-11-05
Applicant: 湖南大学
Abstract: 本发明公开了基于分层高斯混合模型的机器人快速鲁棒三维重建方法。该方法包含以下步骤：机器人获取测量对象点云数据，GPU加速生成分层高斯混合模型和测试集，构建及更新配准网络，全局优化配准网络，更新重建的高斯混合模型，重复上述步骤直到机器人在所有测量点完成测量，重建测量对象的三维点云模型，分析和评估重建结果。该方法通过GPU并行计算加速点云数据生成分层高斯混合模型，同时能有效处理噪声和测量的不确定性，提高三维重建的速度和效率，通过构建配准网络和更新配准网络，以及全局优化配准网络来减少联合配准误差，保证三维重建的精度。本发明自动化程度高、重建速度快、鲁棒性强，特别适用于工业场景大型测量对象的稠密点云三维重建。
-
公开(公告)号：CN113989242B
公开(公告)日：2024-09-10
申请号：CN202111272107.8
申请日：2021-10-29
Applicant: 湖南大学
IPC: G06T7/00 , G06F17/16 , G06N3/0464 , G06N3/09 , G06T7/33 , G06T7/73 , G06T17/20 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于高斯混合模型隐变量监督学习的多点云配准方法，构建标准点云和待配准点云集合；将标准点云和待配准点云集合建模为同样的高斯混合模型，设置高斯混合模型的超参数为K；设标准点云为高斯混合模型生成的一个样本，使用神经网络求得隐变量，求解最优高斯混合模型参数；设待配准点云集合经刚性变换后配准完成的点云集合为高斯混合模型生成的一个样本，使用神经网络求得隐变量，使用上一步所求最优高斯混合模型参数，求解最优变换参数，使得变换后点云的高斯混合模型与标准点云的高斯混合模型一致；根据上一步所求最优变换参数完成多点云的配准，同时也完成了与标准点云的对齐。其点云配准速度快、配准步骤简单，对噪声鲁棒性好。
-
Patent Agency Ranking
公开(公告)号：CN114565629B
公开(公告)日：2024-09-06
申请号：CN202210189810.0
申请日：2022-02-28
Applicant: 湖南大学
IPC: G06T7/13
Abstract: 本发明公开了一种基于多尺度邻域的大型蒙皮边缘缺陷检测方法。该方法通过构建一种多尺度空间搜索方法，更好的判断对应关键点的空间信息，并以此为依据优化搜索方向以及识别三维点云边缘点，极大的提升了三维图像边缘识别的运行效率，提高了识别成功率；同时，对提取的边界点有序化，并用遮罩特征值变化检测缺陷。该方法能够在更短的时间内更加精确地实现点云图像的边缘缺陷检测，具有极高的算法鲁棒性，能够应用于大尺度、结构复杂且效率要求高的精密检测领域。
-
公开(公告)号：CN117454672A
公开(公告)日：2024-01-26
申请号：CN202311776355.5
申请日：2023-12-22
IPC: G06F30/20 , G06T7/30 , G06T17/20 , G06F30/17 , G06F111/04
Abstract: 本发明公开了一种基于曲面装配约束的机器人作业余量计算方法，获得机身点云X与蒙皮点云Y；基于装配飞机机身点云X提取待装配边界序列点云E；将待装配边界序列点云E与待装配蒙皮点云Y进行最小余量匹配，搜索最近邻匹配对，建立最小余量方差约束的优化误差方程；根据机身点云X建立蒙皮微形变方程，在局部形变上限约束下，联合优化可微点云匹配方程；利用可微匹配方程的梯度方程和海瑟矩阵计算下一步优化方向的旋转矩阵及平移向量；计算优化后的误差，若小于预设误差阈值或者迭代次数大于预设迭代次数总数则输出结果，得到当前匹配后的边界，供给铣削作业机器人去除加工余量，得到最终装配曲面。改善了装配工序，计算高效，具有极高的可用性。
-
公开(公告)号：CN116433493B
公开(公告)日：2023-09-22
申请号：CN202310664984.2
申请日：2023-06-07
Applicant: 湖南大学
IPC: G06T3/40 , G06T7/33 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于度量学习的工件点云集合拼接方法，包括：训练阶段：用于训练数据准备；采用有监督度量学习方式对训练数据进行训练，构建点云特征提取网络模型；拼接阶段：对采集到的点云集合进行预处理；通过训练好的点云特征提取网络模型提取点云的点特征，并估计同名点及其平均特征距离；根据同名点平均特征距离求解拼接成功置信度，对点特征进行离群值去除后求解相对变换参数，根据相对变换参数和拼接成功置信度构建最小生成树，将全部点云变换到最小生成树的中心节点下，实现点云集合的拼接。解决了现有技术依赖于外部高精度设备的问题，降低了拼接成本，使用数据驱动的方法实现点云集合的拼接，提高了拼接的准确度和速度。
-
公开(公告)号：CN116433493A
公开(公告)日：2023-07-14
申请号：CN202310664984.2
申请日：2023-06-07
Applicant: 湖南大学
IPC: G06T3/40 , G06T7/33 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于度量学习的工件点云集合拼接方法，包括：训练阶段：用于训练数据准备；采用有监督度量学习方式对训练数据进行训练，构建点云特征提取网络模型；拼接阶段：对采集到的点云集合进行预处理；通过训练好的点云特征提取网络模型提取点云的点特征，并估计同名点及其平均特征距离；根据同名点平均特征距离求解拼接成功置信度，对点特征进行离群值去除后求解相对变换参数，根据相对变换参数和拼接成功置信度构建最小生成树，将全部点云变换到最小生成树的中心节点下，实现点云集合的拼接。解决了现有技术依赖于外部高精度设备的问题，降低了拼接成本，使用数据驱动的方法实现点云集合的拼接，提高了拼接的准确度和速度。
-
公开(公告)号：CN113989242A
公开(公告)日：2022-01-28
申请号：CN202111272107.8
申请日：2021-10-29
Applicant: 湖南大学
IPC: G06T7/00 , G06F17/16 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/33 , G06T7/73 , G06T17/20 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于高斯混合模型隐变量监督学习的多点云配准方法，构建标准点云和待配准点云集合；将标准点云和待配准点云集合建模为同样的高斯混合模型，设置高斯混合模型的超参数为K；设标准点云为高斯混合模型生成的一个样本，使用神经网络求得隐变量，求解最优高斯混合模型参数；设待配准点云集合经刚性变换后配准完成的点云集合为高斯混合模型生成的一个样本，使用神经网络求得隐变量，使用上一步所求最优高斯混合模型参数，求解最优变换参数，使得变换后点云的高斯混合模型与标准点云的高斯混合模型一致；根据上一步所求最优变换参数完成多点云的配准，同时也完成了与标准点云的对齐。其点云配准速度快、配准步骤简单，对噪声鲁棒性好。
-
-
-
-
-
-
Search Results
17
records
(took 0.018 seconds)
