CN113593017A - 露天矿地表三维模型构建方法、装置、设备及存储介质 - Google Patents
露天矿地表三维模型构建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113593017A CN113593017A CN202110879529.5A CN202110879529A CN113593017A CN 113593017 A CN113593017 A CN 113593017A CN 202110879529 A CN202110879529 A CN 202110879529A CN 113593017 A CN113593017 A CN 113593017A
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- dimensional model
- fusion
- fusion processing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000007499 fusion processing Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 abstract description 20
- 238000004364 calculation method Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种露天矿地表三维模型构建方法、装置、设备及存储介质。该方法包括：基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理；基于空间维度对局部点云数据进行第二融合处理；基于第一融合处理后的数据和第二融合处理后的数据进行目标分割处理；基于目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到露天矿地表更新后的三维模型。可以分离非物理对象并还原被遮挡的局部采场模型，从而实现多时空下的局部点云融合，还原真实地理空间，快速构建露天矿开采场景三维模型；此外，该方法可以快速、精确的构建露天开采场景的三维模型，可以满足场景更新频繁的露天智能开采场景需求。
Description
技术领域
本发明涉及露天矿开采领域，尤其涉及一种露天矿地表三维模型构建方法、装置、设备及存储介质。
背景技术
露天采场三维自动建模是露天智能开采的重要前提。现有的建模方法包括：①基于传统测量手段建模，使用全站仪等测量设备对露天矿开采场景进行测量，通过对测量数据进行处理获得坡顶底、坑道边界等线上各个空间离散点，进而基于约束Delaunay产生坑内三维数字模型(TIN)，再与采场周围的数字高程模型(DEM)进行空间布尔运算产生最终的露天矿三维数字模型，该方法数据采集困难，建模时效性低；②基于无人机倾斜摄影测量建模，利用低成本便携式航拍摄相机方便快捷地获取露天矿照片序列，基于图像序列的运动与结构重建方法进行采场三维特征点自动提取，基于光束平差法将生成的露天矿各区域点云数据自动融合成为完整的三维模型，但后期建模计算量巨大，建模时间长，同时剔除场景中装备等非地理对象较为困难，其鲁棒性有待进一步提升；③基于激光扫描仪建模，在静止状态下进行数据采集，通过扫描仪获取三维激光点云数据，并结合RTK-GNSS的绝对坐标信息，通过将多种数据联合解算获取空间坐标基准下的高精度地表三维测量数据，但数据采集周期较长，对一些遮挡严重的特殊地形处理较差，且后期数据处理费时，时效性低。
综上所述，现有的建模方法无法适用于环境更新频繁的露天智能开采场景，无法满足智能矿山运行所需的高精度三维地形模型，且存在数据采集成本高、分辨率低、未将模型中地理与非地理对象分离等问题。
发明内容
有鉴于此，本发明实施例提供了一种露天矿地表三维模型构建方法、装置、设备及存储介质，旨在分离非物理对象并还原被遮挡的局部采场模型，快速构建露天矿开采场景三维模型，满足露天矿开采需求。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了露天矿地表三维模型构建方法，包括：
基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理；
基于空间维度对所述局部点云数据进行第二融合处理；
基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理；
基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型。
上述方案中，所述第一融合处理和所述第二融合处理之前，所述方法还包括：
获取采集设备针对目标区域采集的局部点云数据；
对所述局部点云数据进行数据预处理，所述数据预处理包括：点云分组、时序序列化及数据删减处理；
相应地，基于所述数据预处理后的局部点云数据进行所述第一融合处理和所述第二融合处理。
上述方案中，所述基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理，包括：
获取相邻帧点云之间的姿态变换矩阵；
基于所述姿态变换矩阵对所述局部点云数据进行帧间匹配，得到所述第一融合处理后的数据。
上述方案中，所述方法还包括：
对所述局部点云数据中不同时刻的点云数据基于线性插值变换确定所述姿态变换矩阵；或者，
基于惯性测量单元的检测数据确定所述姿态变换矩阵。
上述方案中，所述基于空间维度对所述局部点云数据进行第二融合处理，包括：
基于所述采集设备的定位信息对所述局部点云数据中的点云数据进行粗匹配；
基于特征识别对所述粗匹配后的局部点云数据进行空间融合，得到所述第二融合处理后的数据。
上述方案中，所述基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理，包括：
对所述第一融合处理后的数据和所述第二融合处理后的数据进行地理对象和非地理对象的分割处理，得到删除所述非地理对象后的数据；
其中，所述地理对象包括以下至少之一：坡面及台阶面；所述非地理对象包括以下至少之一：运输卡车、挖掘机及推土机。
上述方案中，所述基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型，包括：
将所述删除所述非地理对象后的数据与露天矿地表的历史三维模型对应的全局点云数据进行融合，基于融合后新的全局点云数据确定更新后的三维模型。
第二方面，本发明实施例还提供了一种露天矿地表三维模型构建装置，包括：
第一融合处理模块，用于基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理；
第二融合处理模块，用于基于空间维度对所述局部点云数据进行第二融合处理；
分割处理模块，用于基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理；
模型更新模块，用于基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型。
第三方面，本发明实施例还提供了一种露天矿地表三维模型构建设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述方法的步骤。
第四方面，本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明实施例所述方法的步骤。
本发明实施例提供的技术方案，基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理；基于空间维度对局部点云数据进行第二融合处理；基于第一融合处理后的数据和第二融合处理后的数据进行目标分割处理；基于目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到露天矿地表更新后的三维模型。可以分离非物理对象并还原被遮挡的局部采场模型，从而实现多时空下的局部点云的融合，还原真实地理空间，快速构建露天矿开采场景三维模型；此外，该方法可以快速、精确的构建露天开采场景的三维模型，解决传统建模技术建模周期长，步骤复杂，建模时效性低等问题，可以满足场景更新频繁的露天智能开采场景需求。
附图说明
图1为本发明实施例露天矿地表三维模型构建方法的流程示意图；
图2为本发明一应用示例中采集设备的结构示意图；
图3为图2的俯视示意图；
图4为本发明一应用示例中露天矿山场景示意图；
图5为本发明一应用示例中匹配融合后生成的全局点云示意图；
图6为本发明一应用示例中激光雷达生成的局部点云图；
图7为本发明实施例露天矿地表三维模型构建装置的结构示意图；
图8为本发明实施例露天矿地表三维模型构建设备的结构示意图；
图9为本发明实施例露天矿地表三维模型构建系统的结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释：
相关技术中，由于传统数据测量设备工作周期长，建模过程复杂，无法满足露天矿工作场景动态变化的需求；而无人机倾斜摄影建模，计算量巨大，几乎无法清除场景中的非地理对象，鲁棒性有待进一步提升；单采集点车载激光雷达建模，数据采集周期较长，对遮挡严重的地形恢复困难，也很难胜任露天开采场景高效精准建模的任务。
基于此，在本发明的各种实施例中，开展对局部点云在空间和时间两个维度进行深度融合，同时，结合矿山开采场景中装备及构筑物分布特点对装备和构筑物对象进行目标分割，通过运动补偿解决由于移动载体及移动目标造成的点云畸变，对分割、融合后的局部点云进一步进行置信度计算，最后将本建模周期所形成的局部点云与历史所建立的全局点云进行匹配、融合形成本周期的全局点云，对全局点云进行三维重建，形成非地理对象分离但几何无缝的露天开采场景三维矢量模型，使得建模的时效性和精确度上均得到有效改善。
如图1所示，本发明实施例提供了露天矿地表三维模型构建方法，包括：
步骤101，基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理；
步骤102，基于空间维度对所述局部点云数据进行第二融合处理；
步骤103，基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理；
步骤104，基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型。
可以理解的是，本发明实施例基于上述的时间维度对应的第一融合处理、空间维度对应的第二融合处理，并对第一融合处理后的数据和第二融合处理后的数据进行目标分割处理，可以分离非物理对象并还原被遮挡的局部采场模型，从而实现多时空下的局部点云的融合，还原真实地理空间，快速构建露天矿开采场景三维模型；此外，该方法可以快速、精确的构建露天开采场景的三维模型，解决传统建模技术建模周期长，步骤复杂，建模时效性低等问题，可以满足场景更新频繁的露天智能开采场景需求。
可以理解的是，对于露天矿地表进行三维模型构建，由于露天矿体和采场以及周遭的其他构筑物是相互关联的，上述的目标区域可以为露天矿地表的至少一个相关的区域，本申请实施例对此不做限定。
示例性地，所述第一融合处理和所述第二融合处理之前，所述方法还包括：
获取采集设备针对目标区域采集的局部点云数据；
对所述局部点云数据进行数据预处理，所述数据预处理包括：点云分组、时序序列化及数据删减处理；
相应地，基于所述数据预处理后的局部点云数据进行所述第一融合处理和所述第二融合处理。
示例性地，采集设备可以为安装有各种采集传感器的露天矿的移动设备，例如，电铲或者矿卡。如图2及图3所示，矿卡上可以设置三个激光雷达(LIDAR)1、两个高精度实时定位系统(RTK-GNSS)2及一个惯性测量单元(IMU)3。需要说明的是，上述采集传感器的类型和数量仅为举例说明。本领域技术人员可以根据需要进行合理的设置和调整，本申请实施例对此不做限定。
实际应用中，可以对各采集设备上的激光雷达等传感器进行标定，使得各激光雷达进行时间同步，以便数据融合降低误差，并开发数据接口以实时获取点云数据；当各采集设备运行时，对不同采集设备、不同空间位置采集的点云数据进行点云分组，并按时间先后进行序列化。
示例性地，采集的点云数据可能超过建模所需的数据量，可以根据点云数据的不同来源，例如有的激光雷达采集的点云质量更高，大雨或大雾天气下采集的点云往往误差很大，由于粉尘原因铲运机采集的点云质量也不如矿卡，将这些点云通过先验约束(例如确定一个不同条件下的点云最终选用多少的标准)或与高质量点云对比分析，通过下采样或直接舍弃部分低质量点云，从而实现对点云数据的数据删减处理。
示例性地，该数据删减处理可以基于误差分析，对较差条件下的点云数据与相对较好条件下的点云数据对比，得到较差条件下点云的偏差值(即误差)，以历史误差分析得到的偏差值为依据，或根据大量点云处理经验确定的标准，舍弃或通过下采样减少低质量点云数据。
示例性地，所述基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理，包括：
获取相邻帧点云之间的姿态变换矩阵；
基于所述姿态变换矩阵对所述局部点云数据进行帧间匹配，得到所述第一融合处理后的数据。
示例性地，所述方法还包括：
对所述局部点云数据中不同时刻的点云数据基于线性插值变换确定所述姿态变换矩阵；或者，
基于惯性测量单元的检测数据确定所述姿态变换矩阵。
可以理解的是，在时间维度上，可以基于帧间匹配的方法，激光雷达每次扫描的相邻帧之间存在时间联系，这也是构建局部点云地图的基础，为了将相邻帧之间的点云进行匹配融合，首先要找到相邻帧点云之间的姿态变换矩阵，从而获得当前帧中某一点和上一帧中点集的对应关系，并对激光雷达运动进行估计以消除运动畸变。
需要注意的是，姿态变换矩阵既可以通过线性插值变换从不同时刻的点云关系中获得，也可以通过IMU(惯性测量单元)测量获得，前者适用于雷达低速且匀速的状态，后者适用的范围较广且精度较高，但也存在成本增加的问题，应用中可以考虑实际情况采取不同的方法。
下面将介绍基于线性插值变换的局部点云融合方法。
基于线性插值变换的局部点云融合方法，该方法可以分为特征点提取、特征匹配两步。第一步特征点提取的目的是，减少计算的时间消耗，避免使用全部点云进行处理，并使用特征点来代替完整的数据帧，预期使用曲率计算的方法提取特征点，引入新的特征评价标准——局部平面光滑度c，来描述扫描点的曲率情况，如公式(1)：
公式(1)中，
为定义在雷达坐标系L中的点，集合S为在一次激光扫描中，包含于其中点的集合。通过该公式(1)计算一次激光扫描集合S中所有点的曲率c，并与设定阈值相比较，大于设定阈值的点归为边缘点，小于或等于设定阈值的点归为平面点，这样就实现了将一个原始点云集合分为边缘点集和平面点集，提取出一帧中的特征点；第二步特征匹配的目的是，将提取完的单帧的特征点进行帧与帧的匹配，之后进行帧间运动估计以完成雷达里程计的计算，做如下定义：
tk为第k次扫描开始时的时间戳，扫描获得的原始点云为Pk，扫描结束时对应的时间戳为tk+1，并将Pk重投影为tk+1时刻下的
中提取出的边缘点集合记为
平面点集合记为
tk+1和Pk+1以此类推。
帧间匹配，既是使用
中的边线与Pk+1中的边缘点进行匹配和使用
中的平面点与Pk+1中的平面点进行匹配，因此帧间匹配问题就转换为边缘点匹配和平面点匹配的问题，首先说明边缘点的匹配问题，因为边缘点是三维结构中线所构成的点，因此该问题就是求点到线的最短距离，使用KD-Tree的最邻搜索法从
中取出一个点，记为点i，坐标记为
在
中取出一个与点i最接近的边角特征点，记为点j，坐标记为
并且，为防止出现共线情况，我们还需从不同于点j的扫描线中，取出一个与点i最近的另一个边角特征点，记为点l，坐标记为
在找出了特征点j、l间的对应关系后，可以采用公式(2)计算点i到线lj的最短距离dE，用于进行后续的运动估计。
同样的，对于点与平面的匹配，从
中取出一个点，记为点i，坐标记为
由于平面由三个点表示，因此需要从
中取出三个不共线的特征点进行特征平面表述。在
中取一个与点i最邻近平面特征点，记为点j，坐标记为
在点j的同一扫描线中，取另一与点i最邻近平面特征点，记为点l，坐标记为
最后，在另一扫描线中，取出一个与点i最邻近平面特征点，记为点m，坐标记为
使用公式(3)进行计算点i与平面ljm的最短距离dH，用于后续的运动估计。
下一步进行运动估计，由于该方法要求雷达处于一个低速且匀速的运动状态，因此可以通过线性插值变换得到不同时刻接收到点的姿态变换矩阵，从而获得当前帧中某一点和上一帧中点集的对应关系，以对雷达运动进行估计，进而去除运动畸变，由上一步得到了Pk+1中某边缘点和平面点i与Pk中边缘线和平面的几何关系，由此可以得到点i与Pk中点集的坐标变换矩阵
再根据插值公式(4)求得区间[tk+1,t]上雷达点云的姿态变换信息
由此就完成了帧与帧之间的点云匹配和融合。
示例性地，所述基于空间维度对所述局部点云数据进行第二融合处理，包括：
基于所述采集设备的定位信息对所述局部点云数据中的点云数据进行粗匹配；
基于特征识别对所述粗匹配后的局部点云数据进行空间融合，得到所述第二融合处理后的数据。
可以理解的是，在空间维度上，进行点云的融合和匹配主要通过两步进行，首先靠各设备采集点云信息时的定位情况进行粗匹配，然后根据特征识别对生成的点云地图中的标识物进行匹配，进而实现空间维度上的点云融合。
考虑到空间点云融合方法和技术还不成熟，可以将第二融合处理后的数据作为第一融合处理后的数据的补充，其主要目的是尽可能还原被遮挡的露天矿场景，并提高建模的效率，通过多源点云空间融合还原露天场景的示意图如图4所示。融合方式可以分为两步，首先由于多视角下采集的点云数据过于庞大和杂乱，考虑先将点云数据在点云库PCL(Point Cloud Library)中初处理，而后对海量的点云数据采用概率论分析或滤波的方法，剔除掉冗余和错乱的点云信息，确保露天开采场景的完整性，其次对露天矿中的一些典型结构、装备和构筑物建立点云模型数据库，在已有模型约束的条件下进行匹配，可以大大提高成功率。
示例性地，所述基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理，包括：
对所述第一融合处理后的数据和所述第二融合处理后的数据进行地理对象和非地理对象的分割处理，得到删除所述非地理对象后的数据；
其中，所述地理对象包括以下至少之一：坡面及台阶面；所述非地理对象包括以下至少之一：运输卡车、挖掘机及推土机。
可以理解的是，在时间维度和空间维度两个维度上对点云数据进行融合处理后，下一步即为目标分割处理。首先通过将一帧点云(即前述第一融合处理和第二融合处理后的点云数据)投影到图像中的方法，进行地理对象和非地理对象的粗分割，例如，设定在t时刻获取的点云Pt，pi是t时刻的点云Pt中的一个点，将该点云投影到一个距离图像中，根据激光雷达的扫描方式、点云密度和竖直方向的扫描线可以得到投影图像的分辨率，这时每个三维空间的点就变成二维空间的像素点了，获取pi对应的像素点到传感器的欧几里得距离ri，接下来对距离图像进行列示评估，进行地理对象的粗提取，由于距离图像的竖直方向也代表了原始三维空间中的竖直维度的特性，所以可通过判断竖直维度的特性，标记出场景中的部分地理对象，比如地面、台阶、工作平台等等。被标记的地理对象不再进行后续的分割。然后，使用基于图像的分割方法将距离图像分割为很多聚类，同一个聚类的点被标记上唯一的标识，这一步可将一些微小的非地理对象(树叶、草等)当作噪音点去除，减少相邻帧之间微小物体不重复出现造成的干扰，可以统筹考虑速度和精度的要求，人为设定作为噪点处理的类别的数据点数量，将低于该值的数据类别当作噪点去除，这样保存下来的就是相对明显的地理和非地理对象。整个距离图像就被分成若干个比较大的类别，而且每个图像中的点都可以得到以下信息：分割标签、距离图像中行和列的索引，以及传感器的距离值ri，将分割处理后剩余的点传入特征提取模块，进行后续的特征提取处理，通过对于竖直角度的计算和阈值的判定，判断是否属于地理对象，进一步分离地理对象和非地理对象，对于分离后的非地理对象进行聚类处理，设定判定条件后，保留相应的聚类，也可以通过深度学习语义分割，采用“目标检测-目标识别-目标分割”分而治之的方式，对非地理对象进行分割，结合不同视角对物体点云进行特征提取，再进行特征融合，在非地理对象类型确定的先验约束下结合深度学习进行对象识别，结合露天矿特定场景，根据矿山已有装备及构筑物建立模型库及特征库，采用“目标分割”的方式实现非地理对象的分离。在这个过程中，还可以考虑语义分割指标IOU(交并比)或像素准确率(pixel-accuracy)进行第二次置信度计算和误差分析。
可以理解的是，前述过程中已经进行局部点云融合与误差分析与置信度计算，并分离了非地理对象，最后一步即为将形成的局部点云与已经建立的全局点云匹配、融合形成新的全局点云。
示例性地，所述基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型，包括：
将所述删除所述非地理对象后的数据与所述露天矿地表的历史三维模型对应的全局点云数据进行融合，基于融合后新的全局点云数据确定更新后的三维模型。
下面具体介绍两种获取全局点云地图的方法，有基于传感器视域和基于图优化两种。
基于传感器视域包括图到图(map to map)融合和帧到图(scan to map)两种模式，首先使用和前文局部点云融合相似的算法(雷达里程计算法)对特征点进行提取和匹配，区别在于该算法(地图测绘算法)将使用10倍的特征点进行匹配，这保证了建图的一致性，在这个过程中不断将前文融合得到的局部未失真点云匹配到已有的全局地图上，从而完成整个地图的建立，首先做如下定义：
{W}是与雷达坐标系，初始位姿重合的全局坐标系，其中点i的坐标表述形式为
第k+1次扫描结束时，由里程计算法所生成的未失真点云为
以及相应的在区间[tk+1,tk+2]上的点云姿态变换信息
定义Qk为k帧之前所有累积点云在世界坐标系中的投影；
区间[tk,tk+1]上的点云姿态变换信息。
随着雷达里程计算法的输出，地图测绘算法将
从tk+1推延至tk+2，获得对应的姿态矩阵
通过
可以将
投影至全局坐标系{W}下，记为
最后通过对
的不断优化，即可将
匹配至Qk上。需要注意的是，在特征点提取的过程中，虽然提取方法同里程计算法一样，但使用了10倍的点云特征点，并且为了提高运算效率，使用边长10m的立方体空间内的点云Qk代替了整个地图点云；在特征点匹配的过程中，设S'为Qk选取的立方体范围内的特征点集，把S'中的边缘特征点和平面特征点区分开，计算S'的协方差矩阵M，特征值和特征向量分别记为V和E，使用和前文里程计算法中同样的最短距离计算方法，优化求解
将
匹配到Qk上，最终实现了将建图过程中点云地图每个点的坐标处在雷达当前位姿坐标系之下，转换为建图完毕后每个点坐标处于雷达最初位姿坐标系之下，也就是全局坐标系之下。
基于图优化，首先获取每个节点的观测数据
其次由于激光点云建图的位置估计误差较低，所以假设在一个较短的周期内几乎没有误差，因此选择一组相近的特征集合来构建对应的全局特征点云Qt-1。
其中，k表示的是Qt-1的大小，接着通过LM优化方法，构建
和Qt-1之间的姿态约束，最后使用回环检测的方法，利用gtsam优化得到最终的全局地图，如图5所示，其中方框部分为前述所建的局部点云地图，如图6所示。再结合点云三维重建技术，即可构建完整的露天矿三维地理模型。需要注意的是，该三维模型只是几何上无缝，在边缘处可能存在不真实等现象，使用矿山设计数据(如台阶设计参数等)在点云融合时进一步对三维模型进行语义分割，可以提高建模精度，使得模型更加贴合真实情况。
为了实现本发明实施例的方法，本发明实施例还提供一种露天矿地表三维模型构建装置，设置在露天矿地表三维模型构建设备，如图7所示，该露天矿地表三维模型构建装置包括：第一融合处理模块701、第二融合处理模块702、分割处理模块703及模型更新模块704。
第一融合处理模块701用于基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理；第二融合处理模块702用于基于空间维度对所述局部点云数据进行第二融合处理；分割处理模块703用于基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理；模型更新模块704用于基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型。
示例性地，该露天矿地表三维模型构建装置还包括：获取模块705，用于获取采集设备针对目标区域采集的局部点云数据，并对所述局部点云数据进行数据预处理，所述数据预处理包括：点云分组、时序序列化及数据删减处理；相应地，第一融合处理模块701基于所述数据预处理后的局部点云数据进行所述第一融合处理及第二融合处理模块702基于所述数据预处理后的局部点云数据进行所述第二融合处理。
示例性地，第一融合处理模块701具体用于：
获取相邻帧点云之间的姿态变换矩阵；
基于所述姿态变换矩阵对所述局部点云数据进行帧间匹配，得到所述第一融合处理后的数据。
示例性地，第一融合处理模块701还用于：
对所述局部点云数据中不同时刻的点云数据基于线性插值变换确定所述姿态变换矩阵；或者，
基于惯性测量单元的检测数据确定所述姿态变换矩阵。
示例性地，第二融合处理模块702具体用于：
基于所述采集设备的定位信息对所述局部点云数据中的点云数据进行粗匹配；
基于特征识别对所述粗匹配后的局部点云数据进行空间融合，得到所述第二融合处理后的数据。
示例性地，分割处理模块703具体用于：
对所述第一融合处理后的数据和所述第二融合处理后的数据进行地理对象和非地理对象的分割处理，得到删除所述非地理对象后的数据；
其中，所述地理对象包括以下至少之一：坡面及台阶面；所述非地理对象包括以下至少之一：运输卡车、挖掘机及推土机。
示例性地，模型更新模块704具体用于：
将所述删除所述非地理对象后的数据与露天矿地表的历史三维模型对应的全局点云数据进行融合，基于融合后新的全局点云数据确定更新后的三维模型。
实际应用时，第一融合处理模块701、第二融合处理模块702、分割处理模块703、模型更新模块704及获取模块705，可以由露天矿地表三维模型构建装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的露天矿地表三维模型构建装置在进行露天矿地表三维模型构建时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的露天矿地表三维模型构建装置与露天矿地表三维模型构建方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种露天矿地表三维模型构建设备。图8仅仅示出了该设备的示例性结构而非全部结构，根据需要可以实施图8示出的部分结构或全部结构。
如图8所示，本发明实施例提供的露天矿地表三维模型构建设备800包括：至少一个处理器801、存储器802、用户接口803和至少一个网络接口804。露天矿地表三维模型构建设备800中的各个组件通过总线系统805耦合在一起。可以理解，总线系统805用于实现这些组件之间的连接通信。总线系统805除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统805。
其中，用户接口803可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
本发明实施例中的存储器802用于存储各种类型的数据以支持露天矿地表三维模型构建设备的操作。这些数据的示例包括：用于在露天矿地表三维模型构建设备上操作的任何计算机程序。
本发明实施例揭示的露天矿地表三维模型构建方法可以应用于处理器801中，或者由处理器801实现。处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，露天矿地表三维模型构建方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器801可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器802，处理器801读取存储器802中的信息，结合其硬件完成本发明实施例提供的露天矿地表三维模型构建方法的步骤。
在示例性实施例中，露天矿地表三维模型构建设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
可以理解，存储器802可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
为了实现本发明实施例的方法，本发明实施例还提供一种露天场景的露天矿地表三维模型构建系统。图9仅示出了该系统的示例性结构而非全部结构，根据需要可以实施图9示出的部分结构或全部结构。
如图9所示，本发明实施例提供的9露天矿地表三维模型构建系统900包括：雷达装载设备901、矿山管理调度中心902、云端计算中心903(相当于前述的三维模型构建设备800)。露天矿地表三维模型构建系统900中雷达装载设备901、矿山管理调度中心902、云端计算中心903的各个组件通过总线耦合在一起，总线也用于实现这些组件之间的连接通信。总线除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。在矿山建立5G基站或Wi-Fi9局域网，平均传输速率可达10Gbps，可支持同时接收上百台设备传回的点云数据，能够满足中露天开采场景三维自动建模技术的数据传输需求。
雷达装载设备901包括：数据采集接口9011、第一数据收发接口9012和用户接口9013。其中，数据采集接口9011是通过各传感器或扫描设备收集本发明实施例中露天场景下对应的数据信息。第一数据收发接口9012通过总线与矿山管理调度中心902进行通信交互。第一数据收发接口9012可以包含通信天线。用户接口9013可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等，用以实现用户同系统的交互。
矿山管理调度中心902包括：第二数据收发接口9021、第一数据处理接口9022。其中，第二数据收发接口9022是通过总线向云端计算中心903发送数据信息和接收来自第一数据收发接口9012的数据信息。第一数据处理接口9022用于处理来自雷达装载设备901和云端计算中心903的数据信息，对安装在露天矿设备上传感器采集到的数据进行误差分析和置信度计算的预处理。第一数据处理接口9022包括处理器和存储计算机程序的存储介质，所述处理器运行所述存储介质中的计算机程序，从而对传感器采集到的数据进行预处理。
云端计算中心903包括：第三数据收发接口9031、第二数据处理接口9032。其中，第三数据收发接口9031通过总线接收来自第二数据收发接口9021发送的数据信息并将处理后的结果和指令传递给第二数据收发接口9021。第二数据处理接口9032接收来自第三数据收发接口9031的数据信息，通过在功能区运行点云融合、非地理对象分离和三维建模等程序，生成几何无缝、属性分离的露天矿三维模型。第二数据处理接口9032包括大规模处理器和存储计算机程序的存储介质，所述处理器运行所述存储介质中的计算机程序，从而实现露天开采场景三维自动建模。
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器802，上述计算机程序可由露天矿地表三维模型构建设备的处理器801执行，以完成本发明实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种露天矿地表三维模型构建方法，其特征在于，包括：
基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理；
基于空间维度对所述局部点云数据进行第二融合处理；
基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理；
基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型。
2.根据权利要求1所述的方法，其特征在于，所述第一融合处理和所述第二融合处理之前，所述方法还包括：
获取采集设备针对目标区域采集的局部点云数据；
对所述局部点云数据进行数据预处理，所述数据预处理包括：点云分组、时序序列化及数据删减处理；
相应地，基于所述数据预处理后的局部点云数据进行所述第一融合处理和所述第二融合处理。
3.根据权利要求1所述的方法，其特征在于，所述基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理，包括：
获取相邻帧点云之间的姿态变换矩阵；
基于所述姿态变换矩阵对所述局部点云数据进行帧间匹配，得到所述第一融合处理后的数据。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对所述局部点云数据中不同时刻的点云数据基于线性插值变换确定所述姿态变换矩阵；或者，
基于惯性测量单元的检测数据确定所述姿态变换矩阵。
5.根据权利要求1所述的方法，其特征在于，所述基于空间维度对所述局部点云数据进行第二融合处理，包括：
基于所述采集设备的定位信息对所述局部点云数据中的点云数据进行粗匹配；
基于特征识别对所述粗匹配后的局部点云数据进行空间融合，得到所述第二融合处理后的数据。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理，包括：
对所述第一融合处理后的数据和所述第二融合处理后的数据进行地理对象和非地理对象的分割处理，得到删除所述非地理对象后的数据；
其中，所述地理对象包括以下至少之一：坡面及台阶面；所述非地理对象包括以下至少之一：运输卡车、挖掘机及推土机。
7.根据权利要求6所述的方法，其特征在于，所述基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型，包括：
将所述删除所述非地理对象后的数据与露天矿地表的历史三维模型对应的全局点云数据进行融合，基于融合后新的全局点云数据确定更新后的三维模型。
8.一种露天矿地表三维模型构建装置，其特征在于，包括：
第一融合处理模块，用于基于时间维度对采集设备针对目标区域采集的局部点云数据进行第一融合处理；
第二融合处理模块，用于基于空间维度对所述局部点云数据进行第二融合处理；
分割处理模块，用于基于所述第一融合处理后的数据和所述第二融合处理后的数据进行目标分割处理；
模型更新模块，用于基于所述目标分割处理后的数据对露天矿地表的历史三维模型进行更新，得到所述露天矿地表更新后的三维模型。
9.一种露天矿地表三维模型构建设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求1至7任一项所述方法的步骤。
10.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879529.5A CN113593017B (zh) | 2021-08-02 | 2021-08-02 | 露天矿地表三维模型构建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879529.5A CN113593017B (zh) | 2021-08-02 | 2021-08-02 | 露天矿地表三维模型构建方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113593017A true CN113593017A (zh) | 2021-11-02 |
| CN113593017B CN113593017B (zh) | 2024-07-19 |
Family
ID=78253571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110879529.5A Active CN113593017B (zh) | 2021-08-02 | 2021-08-02 | 露天矿地表三维模型构建方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113593017B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067073A (zh) * | 2021-11-16 | 2022-02-18 | 安徽理工大学 | 一种基于tls点云的矿区建筑物变形自动提取方法 |
| CN114584571A (zh) * | 2021-12-24 | 2022-06-03 | 北京中电飞华通信有限公司 | 基于空间计算技术的电网场站数字孪生同步通信方法 |
| CN114609591A (zh) * | 2022-03-18 | 2022-06-10 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
| CN114913352A (zh) * | 2022-05-05 | 2022-08-16 | 山东高速建设管理集团有限公司 | 基于联合相似度匹配的多源信息时空配准方法及系统 |
| CN115375866A (zh) * | 2022-10-20 | 2022-11-22 | 国家电投集团科学技术研究院有限公司 | 矿区三维地质模型的更新方法、装置、设备和介质 |
| CN115409941A (zh) * | 2022-08-31 | 2022-11-29 | 中南大学 | 一种三维道路场景中三维地物模型融合方法及其系统 |
| CN115509406A (zh) * | 2022-11-23 | 2022-12-23 | 煤炭科学研究总院有限公司 | 煤矿多场景融合方法、装置、存储介质及电子设备 |
| CN116067379A (zh) * | 2023-03-07 | 2023-05-05 | 青岛慧拓智能机器有限公司 | 一种基于动态点云的长隧道场景下多传感器融合定位方法 |
| CN117806336A (zh) * | 2023-12-26 | 2024-04-02 | 珠海翔翼航空技术有限公司 | 基于二维和三维标识的飞机自动泊位方法、系统及设备 |
| CN117952823A (zh) * | 2024-03-26 | 2024-04-30 | 青岛慧拓智能机器有限公司 | 一种露天矿区坡面顶底线自动提取、分类和更新方法 |
| CN118430150A (zh) * | 2024-07-04 | 2024-08-02 | 深圳市马博士网络科技有限公司 | 带有拆卸报警功能的安防监控方法及易于检修的装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107037496A (zh) * | 2017-04-01 | 2017-08-11 | 重庆地质矿产研究院 | 一种露天矿山的实地动态检测方法 |
| CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
| CN110412616A (zh) * | 2019-08-07 | 2019-11-05 | 山东金软科技股份有限公司 | 一种矿区地下采场验收方法与装置 |
| US20200043186A1 (en) * | 2017-01-27 | 2020-02-06 | Ucl Business Plc | Apparatus, method, and system for alignment of 3d datasets |
| CN111739163A (zh) * | 2020-06-15 | 2020-10-02 | 鞍钢集团矿业有限公司 | 用于露天采场智能验收的无人机影像数据建模方法 |
-
2021
- 2021-08-02 CN CN202110879529.5A patent/CN113593017B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200043186A1 (en) * | 2017-01-27 | 2020-02-06 | Ucl Business Plc | Apparatus, method, and system for alignment of 3d datasets |
| CN107037496A (zh) * | 2017-04-01 | 2017-08-11 | 重庆地质矿产研究院 | 一种露天矿山的实地动态检测方法 |
| CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
| CN110412616A (zh) * | 2019-08-07 | 2019-11-05 | 山东金软科技股份有限公司 | 一种矿区地下采场验收方法与装置 |
| CN111739163A (zh) * | 2020-06-15 | 2020-10-02 | 鞍钢集团矿业有限公司 | 用于露天采场智能验收的无人机影像数据建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| JIAHENG WANG等: "Construction and optimization method of the open-pit mine DEM based on the oblique photogrammetry generated DSM", MEASUREMENT, vol. 152, 28 November 2019 (2019-11-28), pages 1 - 11, XP086004421, DOI: 10.1016/j.measurement.2019.107322 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067073B (zh) * | 2021-11-16 | 2022-09-06 | 安徽理工大学 | 一种基于tls点云的矿区建筑物变形自动提取方法 |
| CN114067073A (zh) * | 2021-11-16 | 2022-02-18 | 安徽理工大学 | 一种基于tls点云的矿区建筑物变形自动提取方法 |
| CN114584571A (zh) * | 2021-12-24 | 2022-06-03 | 北京中电飞华通信有限公司 | 基于空间计算技术的电网场站数字孪生同步通信方法 |
| CN114584571B (zh) * | 2021-12-24 | 2024-02-27 | 北京中电飞华通信有限公司 | 基于空间计算技术的电网场站数字孪生同步通信方法 |
| CN114609591B (zh) * | 2022-03-18 | 2022-12-20 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
| CN114609591A (zh) * | 2022-03-18 | 2022-06-10 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
| CN114913352B (zh) * | 2022-05-05 | 2023-05-26 | 山东高速建设管理集团有限公司 | 基于联合相似度匹配的多源信息时空配准方法及系统 |
| CN114913352A (zh) * | 2022-05-05 | 2022-08-16 | 山东高速建设管理集团有限公司 | 基于联合相似度匹配的多源信息时空配准方法及系统 |
| CN115409941A (zh) * | 2022-08-31 | 2022-11-29 | 中南大学 | 一种三维道路场景中三维地物模型融合方法及其系统 |
| CN115375866B (zh) * | 2022-10-20 | 2023-02-03 | 国家电投集团科学技术研究院有限公司 | 矿区三维地质模型的更新方法、装置、设备和介质 |
| CN115375866A (zh) * | 2022-10-20 | 2022-11-22 | 国家电投集团科学技术研究院有限公司 | 矿区三维地质模型的更新方法、装置、设备和介质 |
| CN115509406A (zh) * | 2022-11-23 | 2022-12-23 | 煤炭科学研究总院有限公司 | 煤矿多场景融合方法、装置、存储介质及电子设备 |
| CN115509406B (zh) * | 2022-11-23 | 2023-03-14 | 煤炭科学研究总院有限公司 | 煤矿多场景融合方法、装置、存储介质及电子设备 |
| CN116067379A (zh) * | 2023-03-07 | 2023-05-05 | 青岛慧拓智能机器有限公司 | 一种基于动态点云的长隧道场景下多传感器融合定位方法 |
| CN117806336A (zh) * | 2023-12-26 | 2024-04-02 | 珠海翔翼航空技术有限公司 | 基于二维和三维标识的飞机自动泊位方法、系统及设备 |
| CN117952823A (zh) * | 2024-03-26 | 2024-04-30 | 青岛慧拓智能机器有限公司 | 一种露天矿区坡面顶底线自动提取、分类和更新方法 |
| CN117952823B (zh) * | 2024-03-26 | 2024-06-14 | 青岛慧拓智能机器有限公司 | 一种露天矿区坡面顶底线自动提取、分类和更新方法 |
| CN118430150A (zh) * | 2024-07-04 | 2024-08-02 | 深圳市马博士网络科技有限公司 | 带有拆卸报警功能的安防监控方法及易于检修的装置 |
| CN118430150B (zh) * | 2024-07-04 | 2024-09-03 | 深圳市马博士网络科技有限公司 | 带有拆卸报警功能的安防监控方法及易于检修的装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113593017B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113593017B (zh) | 露天矿地表三维模型构建方法、装置、设备及存储介质 | |
| CN113168717B (zh) | 一种点云匹配方法及装置、导航方法及设备、定位方法、激光雷达 | |
| CN108763287B (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
| Mühlfellner et al. | Summary maps for lifelong visual localization | |
| Majdik et al. | Air‐ground matching: Appearance‐based GPS‐denied urban localization of micro aerial vehicles | |
| CN112380312B (zh) | 基于栅格检测的激光地图更新方法、终端及计算机设备 | |
| CN113516664A (zh) | 一种基于语义分割动态点的视觉slam方法 | |
| CN114842438A (zh) | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 | |
| KR102200299B1 (ko) | 3d-vr 멀티센서 시스템 기반의 도로 시설물 관리 솔루션을 구현하는 시스템 및 그 방법 | |
| CN111710040B (zh) | 一种高精度地图的构建方法、系统、终端和存储介质 | |
| JP2020153956A (ja) | 移動体位置推定システムおよび移動体位置推定方法 | |
| CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
| US20240087145A1 (en) | System and Method for Aerial to Ground Registration | |
| CN111652241A (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
| Guo et al. | Extraction of dense urban buildings from photogrammetric and LiDAR point clouds | |
| CN115638787A (zh) | 一种数字地图生成方法、计算机可读存储介质及电子设备 | |
| CN114022760B (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
| CN113838129B (zh) | 一种获得位姿信息的方法、装置以及系统 | |
| CN113096181A (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
| CN111612829B (zh) | 一种高精度地图的构建方法、系统、终端和存储介质 | |
| CN114563000A (zh) | 一种基于改进型激光雷达里程计的室内外slam方法 | |
| CN114115231B (zh) | 移动机器人空间位姿点云校正方法及系统 | |
| CN113763468B (zh) | 一种定位方法、装置、系统及存储介质 | |
| CN113551678B (zh) | 构建地图的方法、构建高精度地图的方法及移动设备 | |
| Ahmed et al. | High-quality building information models (BIMs) using geospatial datasets |
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 |