买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中建八局第三建设有限公司

摘要：本发明提供一种基于激光点云数据的双曲线型冷却塔倾斜状态识别方法，识别方法包括：冷却塔点云数据采集；对采集到的点云数据进行数据配准；使用滤波器对点云数据进行去噪处理；利用均匀采样技术进行抽稀精简处理；对冷却塔点云数据进行分层处理；应用粒子群优化算法计算每层点云数据中心点，并将各层中心点拟合为一条直线；计算拟合直线与Z轴夹角，从而确定冷却塔相对于垂直方向的偏离程度。本发明利用无人机和地面激光扫描的组合能够提升数据采集效率及点云模型精度，本发明能够详细捕捉冷却塔结构的微小变化，提供更精确的检测结果，确保评估结果可靠性；非接触式的检测方式降低了操作风险，保护了工作人员和设备的安全。

主权项：1.一种基于激光点云数据的双曲线型冷却塔倾斜状态识别方法，其特征在于，包括如下过程：步骤1：基于综合应用无人机、地面激光扫描仪进行冷却塔点云数据采集；步骤2：对采集到的点云数据进行数据配准；步骤3：使用滤波器去除点云数据中的噪声和异常值；步骤4：对点云数据进行抽稀精简处理；步骤5：调整点云数据姿态，对点云数据进行分层处理；步骤6：应用粒子群优化算法计算每层点云数据中心点，并将各层中心点拟合为一条直线；步骤7：计算拟合直线与空间直角坐标系Z轴之间的夹角，根据夹角确定冷却塔相对于垂直方向的偏离程度；所述步骤2的具体过程如下：首先针对地面激光扫描仪采集的点云数据进行配准，配准后导出记作地面点云P；接着针对综合应用无人机采集的影像进行照片对准处理，识别影像间共同特征点并生成稀疏点云，并从对准的照片中提取三维信息，最终形成高分辨率的目标点云，记作Q；然后采用迭代最近点算法进行精确配准，具体过程如下：S1：选择一个初始变换矩阵R为一个3×3的旋转矩阵，t是一个3×1的列向量，T0设置为单位矩阵；S2：对于地面点云P中的每一个点pi，在目标点云Q中找到最近的点qi，通过KD树实现：qπi＝argminq∈Q∥Tkpi-qi∥，πi表示与pi最近的点在Q中的索引，k为迭代次数，Tk表示第k次迭代变换矩阵；S3：计算一个包括旋转和平移的变换，最小化从P到Q的配准误差:S4：采用奇异值分解求解最优的旋转矩阵R和平移变量t：S4.1：对于地面点云P和目标点云Q，首先计算各自的质心分别为和然后将点集中心化到原点： 其中，pi′、qi′分别表示地面点云P、目标点云Q中的原始点pi、qi去中心化后的坐标，1≤i≤n；S4.2：构造互协方差矩阵H：T表示转置操作；S4.3：应用奇异值分解：H＝UΣVT，U和V是正交矩阵，Σ是对角矩阵；S4.4：计算旋转矩阵R和平移变量t：R＝VUT，进而得到相应的变换矩阵；S5：基于变换矩阵Tk+1更新点云以实现配准：P←Tk+1P；S6：设置迭代次数、相对误差、绝对误差，并在每次迭代后计算平均误差和方差，用于对整个配准过程进行质量控制；所述步骤4的具体过程如下：首先将整个点云空间划分为三维立方体网格，依据点云数据量大小定义网格大小；接着遍历每一个点，计算点坐标与网格边界的关系以确定该坐标属于哪一个网格；在网格中，计算所有点的中心Pcenter作为代表点：m是网格内所有点的数量，xi、yi、zi是网格内每个点的坐标；所述步骤6的具体过程如下：步骤6.1：初始化粒子群：每个粒子代表三维空间中的一个点Xi，其位置为Xi＝xi,yi,zi，其初始位置和速度都在该层点云数据边界内随机生成，且服从均匀分布： 其中，Uboundsmin,boundsmax表示在boundsmin、boundsmax之间均匀随机分布；boundsmin和boundsmax分别是搜索空间的最小和最大边界；U-|boundsmax-boundsmin|,|boundsmax-boundsmin|表示在-|boundsmax-boundsmin|、|boundsmax-boundsmin|之间均匀随机分布；步骤6.2：评价函数fxi为粒子Xi到点云中所有点的欧氏距离之和: 其中，Pj是点云中第j个点的位置，M是点云中点的总数，∥.∥2表示欧氏距离。步骤6.3：粒子更新：每次迭代t下，粒子i的速度更新如下： 其中，w是惯性权重；c1和c2是加速系数；r1和r2是[0,1]之间随机数；pbest,i是第i个粒子经历的最佳位置；gbest是全局最佳位置；每次迭代t下，粒子i的位置更新如下：步骤6.4：个体最优和全局最优更新：若则更新若对任何i，则更新步骤6.5：设置粒子数和最大迭代次数，重复更新操作，直至达到最大迭代次数，最终返回全局最优解gbest，将其作为点云层的代表性中心点。

全文数据：

权利要求：

百度查询： 中建八局第三建设有限公司 一种双曲线型冷却塔倾斜状态识别方法