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！

龙图腾网获悉安徽大学申请的专利一种基于深度学习的点云预制墙体尺寸检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120612359B 。

龙图腾网通过国家知识产权局官网在2026-03-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510639514.X，技术领域涉及：G06T7/60；该发明授权一种基于深度学习的点云预制墙体尺寸检测方法是由张洋;周思宇;徐佳;王华彬;李学俊设计研发完成，并于2025-05-19向国家知识产权局提交的专利申请。

本一种基于深度学习的点云预制墙体尺寸检测方法在说明书摘要公布了：本发明公开了一种基于深度学习的点云预制墙体尺寸检测方法，首先对待测墙体预制构件的结构面进行点云数据采集，构建得到点云图像数据集；然后对点云数据进行预处理，得到预处理后的点云数据；再使用基于网格的点云分割算法将墙体预制构件的点云数据从点云图像中分离出来；接着构建PointNet模型，提取墙体预制构件边界的特征点，并通过DBSCAN密度聚类算法得到边界部分的聚类簇，根据聚类簇信息计算墙体预制构件的长度和宽度；最后在点云图像中，使用可视化工具对点云进行可视化，并在点云图像上显示计算的墙体预制构件的长度和宽度数据。本发明通过融合深度学习算法与点云数据处理技术，实现墙体尺寸的自动化、高精度检测。

本发明授权一种基于深度学习的点云预制墙体尺寸检测方法在权利要求书中公布了：1.一种基于深度学习的点云预制墙体尺寸检测方法，其特征在于：具体包括有以下步骤： 1、对待测墙体预制构件的结构面进行点云数据采集，构建得到点云图像数据集； 2、对点云图像中的点云数据进行预处理，去除噪声点和冗余数据点，得到预处理后的点云数据； 3、使用基于网格的点云分割算法将墙体预制构件的点云数据从点云图像中分离出来，具体步骤为： S31、定义网格尺寸，然后进行网格映射，具体见下式8： 8； 式8中，是预处理后的点云数据中任一点网格映射后的坐标，是预处理后的点云数据中任一点的坐标，、、为网格的三维尺寸； S32、计算每个网格单元内点云的几何特征，包括有法向量和曲率，为后续分割提供必要的几何信息，法向量的方向一致性是判断点云是否属于同一区域的关键依据，法向量的计算见下式9： 9； 式9中，代表第i个网格单元的法向量，代表网格单元内点的坐标，代表网格单元中心点的坐标，代表网格单元内的点数； 曲率的计算首先计算第i个网格单元的局部协方差矩阵，具体见下式10： 10； 式10中，代表转置操作； 然后计算协方差矩阵的特征值、和，且，再按下式11计算曲率； 11； S33、计算每个网格单元内点云的数据密度，具体见下式12： 12； 式12中，代表第i个网格单元的点云密度，代表第i个网格单元的体积； S34、设定阈值和，将数据密度在阈值范围内的网格单元划分为墙体点云，具体见下式13： 13； 式13中，代表墙体点云； S35、基于几何特征的分割，根据法向量和曲率几何特征，进一步细化分割结果，去除背景中的误分割点云，具体步骤如下： 基于式9计算得到所有网格单元的法向量，根据法向量的方向一致性进行筛选，对于法向量方向不一致的网格单元进行筛选去除； 计算剩余网格单元中单个网格单元内任意两个点的单位法向量和之间的夹角，具体见下式14： 14； 式14中，和是单个网格单元内的任意两个点的单位法向量，代表向量的模长； 设定墙体预制构件结构面的最大法向量夹角，当网格单元内所有法向量夹角均不大于，则初步判定该网格单元属于墙体预制构件的结构面，否则将该网格单元中的点云数据进行筛选去除； 然后进行曲率判定，设定曲率阈值，当式11计算的第i个网格单元的不大于，则最终判定该网格单元属于墙体预制构件的结构面，即将墙体预制构件的点云数据从点云图像中分离出来，否则，将该网格单元中的点云数据进行筛选去除，剩余的网格单元中的点云数据即为墙体预制构件的点云数据； 4、构建PointNet模型，提取墙体预制构件边界的特征点，并通过DBSCAN密度聚类算法得到墙体预制构件边界部分的聚类簇，根据聚类簇信息计算墙体预制构件的长度和宽度，具体步骤为： S41、构建PointNet模型，PointNet模型包括有输入层、特征提取层、全局特征层和输出层； 输入层用于输入墙体预制构件的点云数据，每个点的三维坐标信息为； 特征提取层通过多个全连接层和ReLU激活函数对每个点进行特征提取，墙体预制构件点云数据中第m个点的初始特征为，经过第j层的全连接层和ReLU激活函数处理后，得到新的特征，其中和是特征提取层中第j层的权重和偏置； 全局特征层通过最大池化操作对所有点的特征进行聚合，得到全局特征，代表每个点的局部特征，是特征提取层最后一层的索引； 输出层用于将全局特征通过全连接层后，输出最终结果，即先将全局特征广播到每个点，然后与每个点的局部特征拼接，形成每个点的综合特征，代表拼接，接着通过全连接层和sigmoid激活函数计算每个点属于边界点的概率，具体见下式17； 17； 式17中，和是输出层中全连接层的权重和偏置，代表sigmoid激活函数； S42、设定一个概率阈值，将大于的点识别为墙体预制构件边界的特征点； S43、通过DBSCAN密度聚类算法得到墙体预制构件边界部分的聚类簇，首先设置邻域半径和最小点数minPts，然后将识别出的墙体预制构件边界的特征点输入到DBSCAN密度聚类算法中，墙体预制构件边界的特征点集合为，特征点的坐标为，通过DDBSCAN密度聚类算法将墙体预制构件边界的特征点划分为多个聚类簇，每个聚类簇代表墙体的一个边界部分； S44、墙体的一个边界部分的特征点集合为，特征点的坐标为，计算每个边界部分的质心坐标，具体见下式18： 18； 式18中，代表点集合中点的总数； S45、计算墙体的长度和宽度：墙体左右两个边界部分的质心分别为和，则和的坐标分别为和；墙体上下两个边界部分的质心分别为和，则和的坐标分别为和；则墙体的长度和宽度分别通过下式19和式20计算得到； 19； 20； 5、在墙体预制构件的点云图像中，使用可视化工具对点云进行可视化，并在点云图像上显示计算的墙体预制构件的长度和宽度数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。