[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115620278B - 一种识别和测量物料的方法 - Google Patents

一种识别和测量物料的方法 Download PDF

Info

Publication number
CN115620278B
CN115620278B CN202211425446.XA CN202211425446A CN115620278B CN 115620278 B CN115620278 B CN 115620278B CN 202211425446 A CN202211425446 A CN 202211425446A CN 115620278 B CN115620278 B CN 115620278B
Authority
CN
China
Prior art keywords
point cloud
data
model
materials
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211425446.XA
Other languages
English (en)
Other versions
CN115620278A (zh
Inventor
李秉骏
龙智恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Qizhi Information Technology Co ltd
Original Assignee
Guangzhou Qizhi Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Qizhi Information Technology Co ltd filed Critical Guangzhou Qizhi Information Technology Co ltd
Priority to CN202211425446.XA priority Critical patent/CN115620278B/zh
Publication of CN115620278A publication Critical patent/CN115620278A/zh
Application granted granted Critical
Publication of CN115620278B publication Critical patent/CN115620278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及数据识别和数据测量技术领域，提供一种识别和测量物料的方法，至少包括以下步骤：步骤一，物料信息提取及建模，根据物料设计方案分别提取各时间节点物料的空间位置信息及颜色信息，将空间位置信息转换为三维坐标模型，将颜色信息转换为RGB颜色区间模型，以三维坐标模型和RGB颜色区间模型作为物料特征比对模型；步骤二，采集数据，利用点云采集硬件对物料进行现场采集，将采集信息上传点云平台并生成物料点云数据；步骤三，点云特征分析，将物料点云数据进行数据处理，基于点云特征分析得到物料点云，并与物料特征比对模型进行比对后自动识别出物料，根据物料特征对物料点云进行三角网构建，自动获取物料测量数据。

Description

一种识别和测量物料的方法
技术领域
本发明涉及数据识别和数据测量技术领域，更具体地，涉及一种识别和测量物料的方法。
背景技术
随着社会和经济的发展，生产建造的数量和规模越来越大，对于物料的种类识别和数据测量的要求也越来越高。目前，很多生产建造工地已经采用机器代替人工来对生产建造过程中的物料进行种类识别和数据测量，节省人工成本以及提高效率。
现有技术中，在生产建造过程中，采用点云采集硬件可以对物料的状态进行采集和存储。但目前的点云技术只能针对物料的状态进行客观记录，无法针对生产建造过程中各个时间节点的物料种类、施工数据、生产进度、测量精确度等状态进行自动识别和测量，很大程度上仍然需要人工分析计算。
CN111968172A公开了一种料场物料的体积测量方法及系统，以实时高效的获取大型料场物料的体积。该方案简单归纳为：获取点云数据-提取点云数据-数据拟合配准-计算测量，一定程度上提高了物料测量的精确度，也实现了物料体积的自动化测量，降低了人工成本。然而，根据说明书可知，其只能用于单一的目标料场物料的体积测量，无法针对生产建造过程中各个时间节点的物料进行自动识别和测量。此外，其应用场景无物料的终态模拟作为参考比对，并且颜色识别采取的是对单一物料的粗切割，其误差和精准度仅满足其“单一料场物料体积测量”的误差要求，也无法同时适用于多种物料的识别。
发明内容
本发明旨在至少在一定程度上解决上述技术问题。
本发明的目的是提供一种能够适用于生产建造过程中各个时间节点、应用场景更广泛、精确度更高的识别和测量物料的方法。
本发明解决其技术问题所采用的技术方案是：一种识别和测量物料的方法，至少包括以下步骤：
步骤一，物料信息提取及建模，根据物料设计方案分别提取各时间节点物料的空间位置信息及颜色信息，将空间位置信息转换为三维坐标模型，将颜色信息转换为RGB颜色区间模型，以三维坐标模型和RGB颜色区间模型作为物料特征比对模型；
步骤二，采集数据，利用点云采集硬件对物料进行现场采集，将采集信息上传点云平台并生成物料点云数据；
步骤三，点云特征分析，将物料点云数据进行数据处理，基于点云特征分析得到物料点云，并与物料特征比对模型进行比对后自动识别出物料，根据物料特征对物料点云进行三角网构建，自动获取物料测量数据。
物料设计方案包括生产建造过程中各个时间节点设计图纸、物料样板等资料，提取各时间节点物料的空间位置信息及颜色信息。以应用场景基准点作为参考点，建立xyz坐标系，将物料的空间位置信息统一到坐标系内，从而将空间位置信息转换为三维坐标模型。采集物料在常态照度下产生漫反射所呈现的颜色信息，将所有采集到的颜色RGB信息，统一到以RGB为坐标系的空间，将呈现出空间聚类分布状态，从而将颜色信息转换为RGB颜色区间模型。
三维坐标模型和RGB颜色区间模型同时作为物料特征比对模型，也就是作为原始参照或者终态模拟，其中三维坐标模型能够实现对物料的准确定位，RGB颜色区间模型能够实现以计算机语言有效对不同颜色的多种物料进行识别归类。生产建造过程中各个时间节点的物料信息均可被实时采集并输出为点云数据，基于点云特征分析，最终实现计算机的自动识别和测量。
因此，相比现有技术，本发明识别种类更广，测量精确度更高，可以用于物料生产、运输、储存、施工等全过程，应用场景更广泛。此外，各个时间节点都可以实现自动识别和测量，大大提高了生产建造的效率，有效降低了人工成本，在全球各种基建工程中可以大规模推广。
在一个优选实施方式中，所述步骤三至少包括以下子步骤：
S1，利用坐标转换，将物料点云数据的坐标与物料所在场景的坐标系统一；
S2，根据物料所在场景中物料分布的规则，在点云数据中进行初步切割，得到物料在点云中表达以及分布位置，切割得到的点云作为样本数据φ保留；
S3，构建一个256³的三维笛卡尔坐标系α，来表达完整的RGB 颜色区间，并针对S2获取的样本数据φ提取点云中的RGB值，得到样本数据φ在坐标系α中的空间分布模型θ；
S4，利用聚类算法，对空间分布模型θ进行分析处理，得到物料的颜色特征表达模型μ；
S5，利用过滤算法，以颜色特征表达模型μ作为特征样本，对物料所在场景内的点云进行过滤筛查，得到物料点云，与物料特征比对模型进行比对后自动识别出物料；
S6，根据识别出的物料的特征以及工作需求，对得到的物料点云进行三角网构建，并根据算量需求，获取得到的物料点云的测量数据。
在生产、运输、储存、施工等各个环节中，物料均可能受到外部因素的影响而参杂或附着一些其他杂物或材料，影响识别和测量物料的精确度。利用聚类算法和过滤算法，可以有效降低其他杂物或材料对于识别和测量结果的影响，提高精确度。
优选地，步骤S1中坐标转换采用四参数法进行坐标转换。本发明识别范围一般为1平方公里以内，因此采用四参数法更能够在范围较小平面坐标内进行变换。四参数计算需要两个以上的参考原点，在进行四参数转换时，采用最小二乘法求解转换参数，最终可完成所有点云的坐标转换。最小二乘法的转换公式如下：
Figure DEST_PATH_IMAGE001
。
优选地，所述聚类算法采用k-均值算法对不同材料颜色特征进行归类。k-均值算法（英文：k-means clustering）源于信号处理中的一种向量量化方法。k-均值聚类的目的是：把n个点（可以是样本的一次观察或一个实例）划分到k个聚类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类，以之作为聚类的标准。其解决的问题可以归结为一个把数据空间划分为Voronoi 单元（Voronoi cells），每一个向量都落在其中一个单元（cell）中。因为材料有一定的颜色特征分布，因此利用此算法能够有效地对不同材料颜色特征进行归类。
算法实现：基于已知观测集
Figure 783601DEST_PATH_IMAGE002
，其中每个观测都是一个
Figure DEST_PATH_IMAGE003
-维实向量，k-均值聚类要把这
Figure 613016DEST_PATH_IMAGE004
个观测划分到k个集合中(k≤n),使得组内平方和（WCSS within-cluster sum of squares）最小。换句话说，它的目标是找到使得下式满足的聚类
Figure DEST_PATH_IMAGE005
：
Figure 859190DEST_PATH_IMAGE006
，其中
Figure DEST_PATH_IMAGE007
是
Figure 697833DEST_PATH_IMAGE005
中所有点的均值。
优选地，所述过滤算法基于三维空间分析，比对和识别点云的颜色数据和空间分布模型θ的空间关系，利用向量微积分的向量分析法，进行向量、矩阵对标量求导，以明确空间关系，确定材料所属类型。
以下为向量对标量求导的表达式：向量
Figure 322849DEST_PATH_IMAGE008
关于标量 x的导数可以（用分子记法）写成
Figure DEST_PATH_IMAGE009
。
在向量微积分中，向量
Figure 713379DEST_PATH_IMAGE010
关于标量
Figure DEST_PATH_IMAGE011
的导数也被称为
Figure 56636DEST_PATH_IMAGE010
向量的切向量
Figure 964549DEST_PATH_IMAGE012
，其中
Figure DEST_PATH_IMAGE013
。
在一个优选实施方式中，所述步骤三后还包括：输出物料测量数据，与物料设计方案数据进行比对，得出进度完成比例。测量数据可以是物料面积或者体积。例如，测量出物料的总面积后，即可得知采集时间和场景的可见施工完成面积，与设计图纸的总面积进行比对后，得出施工进度完成比例。因此，可以实现进度动态管理和风险预警，能够实时监控进度，降低各个环节的风险。
在一个优选实施方式中，所述步骤三后还包括：精确率校验，将自动测量数据与人工测量数据进行校验，如精确率满足预期值，则无需调整；如精确率低于预期值，则调整物料特征比对模型的识别因素。增加精确率校验以及识别因素调整，可以减少干扰因素的影响，不断提高各个时间节点识别和测量的精确度。
在一个优选实施方式中，所述步骤一还包括：根据应用场景的人机料法环五要素的特征，为物料特征比对模型增加辅助AI逻辑判断。其中，人的要素包括典型施工人员行为，机的要素包括典型施工机械设备行为，料的要素包括各阶段可视的建筑物料样板，法的要素包括各阶段工程的工艺工法特征，环的要素包括天气、地理信息等。根据上述要素的特征增加辅助AI逻辑判断，能够进一步提高识别和测量的精确度。
优选地，所述点云采集硬件包括接触式扫描仪、激光雷达、结构光装置、三角测距装置、立体视觉装置。基于不同的应用场景以及精度要求，选取不同的点云采集硬件。
在一个优选实施方式中，所述步骤二采用单镜头无人机配置点云采集硬件，以五向飞行倾斜摄影的方式对物料进行现场采集。通过航空摄影可以实现大范围无差别采集，精确度能够达到±5cm。
优选地，所述三维坐标模型包括BIM和工业三维模型。BIM是针对建筑行业建造过程的应用，工业三维模型是针对工业生产过程的应用，便于将实物利用计算机进行可视化模拟。
本发明的有益效果是：相比现有技术，
1、识别种类更广，测量精确度更高；
2、可以用于物料生产、运输、储存、施工等全过程，应用场景更广泛；
3、各个时间节点都可以实现自动识别和测量，大大提高了生产建造的效率，有效降低了人工成本，在全球各种基建工程中可以大规模推广；
4、利用聚类算法和过滤算法，可以有效降低其他杂物或材料对于识别和测量结果的影响，提高精确度；
5、可以实现进度动态管理和风险预警，能够实时监控进度，降低各个环节的风险；
6、可以实现大范围无差别采集，分辨率能够达到厘米级；
7、高效数据采集、处理、分析，自动化输出数据，可视化程度高，便于使用，提高管理效率。
具体实施方式
下面结合具体实施例，对本发明做进一步详细说明。
实施例1
本发明的一种识别和测量物料的方法，至少包括以下步骤：
步骤一，物料信息提取及建模，根据物料设计方案分别提取各时间节点物料的空间位置信息及颜色信息，将空间位置信息转换为三维坐标模型，将颜色信息转换为RGB颜色区间模型，以三维坐标模型和RGB颜色区间模型作为物料特征比对模型；
步骤二，采集数据，利用点云采集硬件对物料进行现场采集，将采集信息上传点云平台并生成物料点云数据；
步骤三，点云特征分析，将物料点云数据进行数据处理，基于点云特征分析得到物料点云，并与物料特征比对模型进行比对后自动识别出物料，根据物料特征对物料点云进行三角网构建，自动获取物料测量数据。
常见的建筑工程物料包括结构混凝土、防水卷材、保温板、涂料等。在工程前都会提前做好物料设计方案。
物料设计方案包括生产建造过程中各个时间节点设计图纸、物料样板等资料，提取各时间节点物料的空间位置信息及颜色信息。以应用场景基准点作为参考点，建立xyz坐标系，将物料的空间位置信息统一到坐标系内，从而将空间位置信息转换为三维坐标模型。采集物料在常态照度下产生漫反射所呈现的颜色信息，将所有采集到的颜色RGB信息，统一到以RGB为坐标系的空间，将呈现出空间聚类分布状态，从而将颜色信息转换为RGB颜色区间模型。
三维坐标模型和RGB颜色区间模型同时作为物料特征比对模型，也就是作为原始参照或者终态模拟，其中三维坐标模型能够实现对物料的准确定位，RGB颜色区间模型能够实现以计算机语言有效对不同颜色的多种物料进行识别归类。生产建造过程中各个时间节点的物料信息均可被实时采集并输出为点云数据，基于点云特征分析，最终实现计算机的自动识别和测量。
因此，相比现有技术，本发明识别种类更广，测量精确度更高，可以用于物料生产、运输、储存、施工等全过程，应用场景更广泛。此外，各个时间节点都可以实现自动识别和测量，大大提高了生产建造的效率，有效降低了人工成本，在全球各种基建工程中可以大规模推广。
本实施例中，所述步骤三至少包括以下子步骤：
S1，利用坐标转换，将物料点云数据的坐标与物料所在场景的坐标系统一；
S2，根据物料所在场景中物料分布的规则，在点云数据中进行初步切割，得到物料在点云中表达以及分布位置，切割得到的点云作为样本数据φ保留；
S3，构建一个256³的三维笛卡尔坐标系α，来表达完整的RGB 颜色区间，并针对S2获取的样本数据φ提取点云中的RGB值，得到样本数据φ在坐标系α中的空间分布模型θ；
S4，利用聚类算法，对空间分布模型θ进行分析处理，得到物料的颜色特征表达模型μ；
S5，利用过滤算法，以颜色特征表达模型μ作为特征样本，对物料所在场景内的点云进行过滤筛查，得到物料点云，与物料特征比对模型进行比对后自动识别出物料；
S6，根据识别出的物料的特征以及工作需求，对得到的物料点云进行三角网构建，并根据算量需求，获取得到的物料点云的测量数据。
在生产、运输、储存、施工等各个环节中，物料均可能受到外部因素的影响而参杂或附着一些其他杂物或材料，影响识别和测量物料的精确度。利用聚类算法和过滤算法，可以有效降低其他杂物或材料对于识别和测量结果的影响，提高精确度。
本实施例中，步骤S1中坐标转换采用四参数法进行坐标转换。本发明识别范围一般为1平方公里以内，因此采用四参数法更能够在范围较小平面坐标内进行变换。四参数计算需要两个以上的参考原点，在进行四参数转换时，采用最小二乘法求解转换参数，最终可完成所有点云的坐标转换。最小二乘法的转换公式如下：
Figure 568706DEST_PATH_IMAGE001
。
本实施例中，所述聚类算法采用k-均值算法对不同材料颜色特征进行归类。k-均值算法（英文：k-means clustering）源于信号处理中的一种向量量化方法。k-均值聚类的目的是：把n个点（可以是样本的一次观察或一个实例）划分到k个聚类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类，以之作为聚类的标准。其解决的问题可以归结为一个把数据空间划分为Voronoi 单元（Voronoi cells），每一个向量都落在其中一个单元（cell）中。因为材料有一定的颜色特征分布，因此利用此算法能够有效地对不同材料颜色特征进行归类。
算法实现：基于已知观测集
Figure 271083DEST_PATH_IMAGE002
，其中每个观测都是一个
Figure 367215DEST_PATH_IMAGE003
-维实向量，k-均值聚类要把这
Figure 813239DEST_PATH_IMAGE004
个观测划分到k个集合中(k≤n),使得组内平方和（WCSS within-cluster sum of squares）最小。换句话说，它的目标是找到使得下式满足的聚类
Figure 537482DEST_PATH_IMAGE005
：
Figure 676339DEST_PATH_IMAGE006
，其中
Figure 994188DEST_PATH_IMAGE007
是
Figure 978324DEST_PATH_IMAGE005
中所有点的均值。
本实施例中，所述过滤算法采用基于三维空间分析，比对和识别点云的颜色数据和空间分布模型θ的空间关系，利用向量微积分的向量分析法，进行向量、矩阵对标量求导，以明确空间关系，确定材料所属类型。
以下为向量对标量求导的表达式：向量
Figure 698019DEST_PATH_IMAGE008
关于标量 x的导数可以（用分子记法）写成
Figure 866832DEST_PATH_IMAGE009
。
在向量微积分中，向量
Figure 671977DEST_PATH_IMAGE010
关于标量
Figure 459804DEST_PATH_IMAGE011
的导数也被称为
Figure 299584DEST_PATH_IMAGE010
向量的切向量
Figure 514665DEST_PATH_IMAGE012
，其中
Figure 666161DEST_PATH_IMAGE013
。
所述点云采集硬件包括接触式扫描仪、激光雷达、结构光装置、三角测距装置、立体视觉装置。基于不同的应用场景以及精度要求，选取不同的点云采集硬件。
本实施例中，所述步骤二采用单镜头无人机配置点云采集硬件，以五向飞行倾斜摄影的方式对物料进行现场采集。通过航空摄影可以实现大范围无差别采集，精确度能够达到±5cm。
所述三维坐标模型包括BIM和工业三维模型。BIM是针对建筑行业建造过程的应用，工业三维模型是针对工业生产过程的应用，便于将实物利用计算机进行可视化模拟。
实施例2
本实施例与实施例1的不同之处在于：
本实施例中，所述步骤三后还包括：输出物料测量数据，与物料设计方案数据进行比对，得出进度完成比例。测量数据可以是物料面积或者体积。例如，测量出物料的总面积后，即可得知采集时间和场景的可见施工完成面积，与设计图纸的总面积进行比对后，得出施工进度完成比例。因此，可以实现进度动态管理和风险预警，能够实时监控进度，降低各个环节的风险。
实施例3
本实施例与实施例1的不同之处在于：
本实施例中，所述步骤三后还包括：精确率校验，将自动测量数据与人工测量数据进行校验，如精确率满足预期值，则无需调整；如精确率低于预期值，则调整物料特征比对模型的识别因素。增加精确率校验以及识别因素调整，可以减少干扰因素的影响，不断提高各个时间节点识别和测量的精确度。
实施例4
本实施例与实施例1的不同之处在于：
本实施例中，所述步骤一还包括：根据应用场景的人机料法环五要素的特征，为物料特征比对模型增加辅助AI逻辑判断。其中，人的要素包括典型施工人员行为，机的要素包括典型施工机械设备行为，料的要素包括各阶段可视的建筑物料样板，法的要素包括各阶段工程的工艺工法特征，环的要素包括天气、地理信息等。根据上述要素的特征增加辅助AI逻辑判断，能够进一步提高识别和测量的精确度。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种识别和测量物料的方法，其特征在于，至少包括以下步骤：
步骤一，物料信息提取及建模，根据物料设计方案分别提取各时间节点物料的空间位置信息及颜色信息，将空间位置信息转换为三维坐标模型，将颜色信息转换为RGB颜色区间模型，以三维坐标模型和RGB颜色区间模型作为物料特征比对模型；
步骤二，采集数据，利用点云采集硬件对物料进行现场采集，将采集信息上传点云平台并生成物料点云数据；
步骤三，点云特征分析，将物料点云数据进行数据处理，基于点云特征分析得到物料点云，并与物料特征比对模型进行比对后自动识别出物料，根据物料特征对物料点云进行三角网构建，自动获取物料测量数据；
所述步骤三至少包括以下子步骤：
S1，利用坐标转换，将物料点云数据的坐标与物料所在场景的坐标系统一；
S2，根据物料所在场景中物料分布的规则，在点云数据中进行初步切割，得到物料在点云中表达以及分布位置，切割得到的点云作为样本数据φ保留；
S3，构建一个 256³的三维笛卡尔坐标系α，来表达完整的RGB 颜色区间，并针对S2获取的样本数据φ提取点云中的 RGB值，得到样本数据φ在坐标系α中的空间分布模型θ；
S4，利用聚类算法，对空间分布模型θ进行分析处理，得到物料的颜色特征表达模型μ；
S5，利用过滤算法，以颜色特征表达模型μ作为特征样本，对物料所在场景内的点云进行过滤筛查，得到物料点云，与物料特征比对模型进行比对后自动识别出物料；
S6，根据识别出的物料的特征以及工作需求，对得到的物料点云进行三角网构建，并根据算量需求，获取得到的物料点云的测量数据。
2.根据权利要求1所述的方法，其特征在于，所述聚类算法采用k-均值算法对不同材料颜色特征进行归类。
3.根据权利要求1所述的方法，其特征在于，所述过滤算法基于三维空间分析，比对和识别点云的颜色数据和空间分布模型θ的空间关系，利用向量微积分的向量分析法，进行向量、矩阵对标量求导，以明确空间关系，确定材料所属类型。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述步骤三后还包括：
输出物料测量数据，与物料设计方案数据进行比对，得出进度完成比例。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述步骤三后还包括：
精确率校验，将自动测量数据与人工测量数据进行校验，如精确率满足预期值，则无需调整；如精确率低于预期值，则调整物料特征比对模型的识别因素。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述步骤一还包括：
根据应用场景的人机料法环五要素的特征，为物料特征比对模型增加辅助AI逻辑判断。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述点云采集硬件包括接触式扫描仪、激光雷达、结构光装置、三角测距装置。
8.根据权利要求7所述的方法，其特征在于，所述步骤二采用单镜头无人机配置点云采集硬件，以五向飞行倾斜摄影的方式对物料进行现场采集。
9.根据权利要求1至3任一项所述的方法，其特征在于，所述三维坐标模型包括BIM和工业三维模型。
CN202211425446.XA 2022-11-15 2022-11-15 一种识别和测量物料的方法 Active CN115620278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211425446.XA CN115620278B (zh) 2022-11-15 2022-11-15 一种识别和测量物料的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211425446.XA CN115620278B (zh) 2022-11-15 2022-11-15 一种识别和测量物料的方法

Publications (2)

Publication Number Publication Date
CN115620278A CN115620278A (zh) 2023-01-17
CN115620278B true CN115620278B (zh) 2023-03-10

Family

ID=84878611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211425446.XA Active CN115620278B (zh) 2022-11-15 2022-11-15 一种识别和测量物料的方法

Country Status (1)

Country Link
CN (1) CN115620278B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1709396A1 (en) * 2004-01-16 2006-10-11 Geotango International, Corp. System,computer program and method for 3d object measurement, modeling and mapping from single imagery
CN114460909A (zh) * 2021-12-19 2022-05-10 安捷睿（厦门）机器人有限公司 一种连续物料的全信息追溯系统、方法及检测系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6030549B2 (ja) * 2011-04-13 2016-11-24 株式会社トプコン 三次元点群位置データ処理装置、三次元点群位置データ処理システム、三次元点群位置データ処理方法およびプログラム
CN106382917B (zh) * 2015-08-07 2019-05-17 武汉海达数云技术有限公司 一种室内环境下三维空间信息连续精确采集方法
CN105225040A (zh) * 2015-09-25 2016-01-06 中铁建电气化局集团南方工程有限公司 基于物联网的施工设备材料全过程追踪方法
US20190026400A1 (en) * 2017-07-18 2019-01-24 Fuscoe Engineering, Inc. Three-dimensional modeling from point cloud data migration
US11288412B2 (en) * 2018-04-18 2022-03-29 The Board Of Trustees Of The University Of Illinois Computation of point clouds and joint display of point clouds and building information models with project schedules for monitoring construction progress, productivity, and risk for delays
CN111429504B (zh) * 2020-03-02 2022-02-01 武汉大学 基于三维点云的物料堆自动提取和体积测量方法及系统
KR20230019121A (ko) * 2020-05-30 2023-02-07 크라운 이큅먼트 코포레이션 물류 차량의 모니터링
CN111968172B (zh) * 2020-07-16 2024-06-04 中冶华天工程技术有限公司 料场物料的体积测量方法及系统
CN113128405B (zh) * 2021-04-20 2022-11-22 北京航空航天大学 一种结合语义分割与点云处理的植物识别与模型构建方法
CN113819844A (zh) * 2021-10-15 2021-12-21 南京中远通科技有限公司 一种识别行车物料的方法、装置、设备及可读存储介质
CN114419130A (zh) * 2021-12-22 2022-04-29 中国水利水电第七工程局有限公司 一种基于图像特征和三维点云技术的散料体积测量方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1709396A1 (en) * 2004-01-16 2006-10-11 Geotango International, Corp. System,computer program and method for 3d object measurement, modeling and mapping from single imagery
CN114460909A (zh) * 2021-12-19 2022-05-10 安捷睿（厦门）机器人有限公司 一种连续物料的全信息追溯系统、方法及检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡玉祥，等.基于三维激光点云的古建筑BIM建模方法研究.2020,(第03期),第100-104、109页. *

Also Published As

Publication number Publication date
CN115620278A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
KR102125959B1 (ko) 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치
CN110111414B (zh) 一种基于三维激光点云的正射影像生成方法
CN116310192B (zh) 一种基于点云的城市级建筑物三维模型单体重建方法
CN107808133B (zh) 基于无人机巡线的油气管道安全监测方法、系统及软件存储器
CN113034689A (zh) 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质
CN116167668B (zh) 基于bim的绿色节能建筑施工质量评价方法及系统
CN102708587A (zh) 一种快速获取三维建筑信息的方法及系统
CN107944383A (zh) 基于三维Voronoi图的建筑物屋顶面片分割方法
CN111458721A (zh) 一种暴露垃圾的识别定位方法、装置及系统
CN117876874B (zh) 基于高点监控视频的森林火灾检测和定位方法及系统
CN115858940A (zh) 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法
CN117609774A (zh) 一种基于配电网的三维场景点云数据提取与识别系统
CN111458691B (zh) 建筑物信息的提取方法、装置及计算机设备
CN112991300B (zh) 一种基于邻域特征的单木骨架提取及可视化方法
CN115620278B (zh) 一种识别和测量物料的方法
CN111146866A (zh) 一种输电通道控制方法
CN117371949B (zh) 基于三维可视化模型的输电线路施工安全监测方法及系统
CN111982077B (zh) 电子地图绘制方法、系统和电子设备
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
Deng et al. A method for forest vegetation height modeling based on aerial digital orthophoto map and digital surface model
CN112907567B (zh) 基于空间推理方法的sar图像有序人造构筑物提取方法
CN115049998A (zh) 点云数据提取方法、装置、电子设备及存储介质
CN115392137A (zh) 一种基于岩溶塌陷水土耦合作用的三维模拟系统
CN115761265A (zh) 一种用于提取激光雷达点云中变电站设备的方法及装置
CN109948682B (zh) 基于正态随机抽样分布的激光雷达点云电力线分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant