NavVis VLX3的精度怎么去进行验证?【上海沪敖3D】

在这里插入图片描述

01、精度评价现状
三维捕捉行业还没有建立一个用于估算或验证移动激光扫描系统精度的统一标准。因此,需要高精度交付成果的专业人士很难相信设备所标注的精度规格,也就很难知道基于SLAM的移动激光扫描系统是否适合当前的项目。

NavVis将通过展示一种严格、可靠和基于测量的方法来验证移动激光扫描系统产生的点云的准确性,从而解决这一问题。

02、精度验证基准点
评价测绘设备的精度时,通常与行业认可的高精度设备进行比较。本次实验采用激光跟踪仪作为参考系统,该系统专为亚毫米级精度的工业应用设计,数据平均偏差仅为0.08毫米。验证过程要求测试仪器的精度是扫描仪本身的三倍,因此激光跟踪仪的99.7%(3σ)参考测量值精度应高于NavVis VLX3的5毫米(1σ)精度。由于RAITEC的测量结果超出要求,因此这些参考数据可作为无误的基准点。
在这里插入图片描述

03、如何验证移动激光扫描点云的精度

相对方法(无GCPs)
使用处理软件在没有地面控制点(GCP)的情况下完成点云的最终处理,从而省去将点云转换为指定坐标系和优化轨迹的额外步骤。此时生成的点云缺乏参照,轨迹优化也不依赖于GCP提供的数据。

具体流程
在现场随机分布43个棋盘式目标。
利用激光跟踪仪对目标中心进行高精度测量。将任意两目标中心作为一个目标对,计算这两点之间的距离,一共产生903个距离值,以此作为参考值。
使用NavVis VLX 3扫描现场(不使用地面控制点),计算点云中所有目标对的点对点距离。
使用另外的11台VLX3重复上一步骤,得到12个点云模型和其目标对中点对点距离测量值。
将每个点云中的点对点距离测量值与参考值进行比较,从而获得偏差数据,进而说明未参照(相对)点云的精度。

绝对方法(GCPs)
使用GCP完成点云的后处理,将点云模型转换到基准点坐标系。在此过程中,SLAM算法利用GCP的已知位置优化移动轨迹进而提升点云模型精度。
具体流程
使用与前述相对方法中相同的NavVis VLX 3原始数据,处理点云时采用激光跟踪仪测量的GCP,确保与目标坐标系一致。

数据的精度验证可以通过多种方式进行:
提取点云中每个棋盘式目标的中心坐标,并与参考坐标进行比较。
进行相对点云的比较,提取所有可能目标对中的点对点距离,并将结果与参考值进行对比。

确定控制点的影响
在验证NavVis VLX 3成果点云的精度时,针对同一原始数据,分别进行了使用GCP和不使用GCP的两种处理方法,这使得生成的最终点云具有可比性,我们可以量化使用GCP对点云精度的积极影响。

04、评估NavVis VLX3精度的操作流程

1、确定测试地点
测试地点为办公楼的地下室,该地点墙壁坚固固定、环境温度稳定、人流量极少、目标不太可能被破坏或磨损,在这里我们可以控制各种变量以获得可重复的结果,是一个理想的测试环境。
在这里插入图片描述

2、目标位置和分布
为创建可被激光跟踪仪和NavVis VLX 3捕捉的参考标记,使用了标准为15厘米x15厘米的棋盘式目标,并在环境中随机放置43个目标,每个目标用3毫米厚的DIBOND铝板固定在墙上以防移动。
在这里插入图片描述

棋盘目标

在这里插入图片描述

用于精度估算的棋盘式目标位置

3、扫描
操作员使用NavVis VLX 3扫描场景大约需12分钟,过程包括捕捉全景图像和GCP。该采集过程快速高效,4个不同的操作员使用12台VLX 3,共扫描12次进行测试,以评估VLX3对不同操作员的准确性。

4、目标和线条提取
使用三维数据处理软件从目标中提取中心点。当技术人员选取接近目标中心的点时,软件会使用可靠的行业标准算法计算出真正的中心点并提供坐标。
在这里插入图片描述

一共43个目标,任意两点连成一条线段,我们可以提取出903条点对点线段。计算得出的目标之间的距离从10厘米到50米不等。
在这里插入图片描述

俯视图 - 点距离线条
在这里插入图片描述

三维视图 - 点距离线条
在这里插入图片描述

不同距离的线条数量

5、检查异常值
手动检查距离测量值,剔除异常值或修改软件操作误差。

05、验证结果

相对方法(无GCPs)的结果
直方图显示每个点对点测量距离与参考值的偏差,其中红线表示68%的误差为3.1毫米,意味着68%的距离测量值与参考值的偏差在3.1毫米或以下;绿线表示NavVis VLX 3的5毫米精度,显示87%的距离测量值与参考值的偏差在5毫米以内。

在这里插入图片描述

绝对方法(GCPs)的结果
在绝对方法中,我们使用NavVis VLX 3的GCP功能处理所有点云数据,值得注意的是,我们并没有考虑操作员扫描时手动对准 GCP 的准确性和精确度,即便如此,NavVis VLX 3依然呈现了高精度的点云模型。

点对点比较:绝对点与参考点
下图说明了点云中的目标中心与基准点的偏差程度。所有异常值均已去除。

在478个观测值中,平均偏差为2.8毫米,中位数为2.5毫米。
在这里插入图片描述

各个NavVis VLX 3测得的目标中心的3D偏差

绝对方法中的测量距离与参考值的比较
直方图显示每个点对点测量距离与参考值的偏差,其中红线表示68%的误差为2.1毫米,意味着68%的距离测量值与参考值的偏差在2.1毫米或以下;绿线表示NavVis VLX 3的5毫米精度,显示97%的距离测量值与参考值的偏差在5毫米以内。

在这里插入图片描述

06、结论

经测试,所有12个NavVis VLX3 设备的性能均优于规格表中的说明。

即使不使用GCP,在这种测试环境中,68%( ~1σ)的可信度下, 精度也可达到 3.2 毫米。下表汇总了上文描述的距离测量结果。
在这里插入图片描述

沪敖3D是一家致力于三维数字化行业解决方案的技术型企业,拥有丰富的三维项目经验,公司以行业应用为出发点,为客户提供三维数字化采集、三维数据处理、三维数据管理等一系列应用服务。目前主要服务于制造业(汽车、航空航天、船舶、模具、铸造以及各种机械)、建筑业(建筑设计、施工、装修等)、文化遗产(博物馆、古建筑、考古等)、数字化工厂、警用公共安全、影视制作、教育等行业。提供质量检测、三维建模、逆向工程、数字存档、GD/T分析、有限元分析、虚拟安装、干涉分析、工程测绘、形变监测、3D打印等技术方案。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/918747.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

爬虫开发工具与环境搭建——环境配置

第二章:爬虫开发工具与环境搭建 第二节:环境配置 在进行爬虫开发之前,首先需要配置好开发环境。一个良好的开发环境不仅能提高开发效率,还能避免因环境不一致带来的问题。以下是环境配置的详细步骤,涵盖了Python开发…

如何用Excel批量提取文件夹内所有文件名?两种简单方法推荐

在日常办公中,我们有时需要将文件夹中的所有文件名整理在Excel表格中,方便管理和查阅。手动复制文件名既费时又易出错,因此本文将介绍两种利用Excel自动提取文件夹中所有文件名的方法,帮助你快速整理文件信息。 方法一&#xff1…

gvim添加至右键、永久修改配置、放大缩小快捷键、ctrl + c ctrl +v 直接复制粘贴、右键和还原以前版本(V)冲突

一、将 vim 添加至右键 进入安装目录找到 vim91\install.exe 管理员权限执行 Install will do for you:1 Install .bat files to use Vim at the command line:2 Overwrite C:\Windows\vim.bat3 Overwrite C:\Windows\gvim.bat4 Overwrite C:\Windows\evim.bat…

机器学习day5-随机森林和线性代数1最小二乘法

十 集成学习方法之随机森林 集成学习的基本思想就是将多个分类器组合,从而实现一个预测效果更好的集成分类器。大致可以分为:Bagging,Boosting 和 Stacking 三大类型。 (1)每次有放回地从训练集中取出 n 个训练样本&…

SpringCloud框架学习(第三部分:Resilience4j 与 Micrometer)

目录 九、CircuitBreaker断路器 1.前言(Hystrix) 2.服务雪崩 3.Circuit Breaker 4. Resilience4j 5.案例实战 (1)熔断(服务熔断 服务降级) Ⅰ. 按照 COUNT_BASED(计数的滑动窗口&#xf…

使用WebVTT和Track API增强HTML5视频的可访问性和互动性

💓 博客主页:瑕疵的CSDN主页 📝 Gitee主页:瑕疵的gitee主页 ⏩ 文章专栏:《热点资讯》 使用WebVTT和Track API增强HTML5视频的可访问性和互动性 使用WebVTT和Track API增强HTML5视频的可访问性和互动性 使用WebVTT和T…

vue2中引入cesium全步骤

1.npm 下载cesium建议指定版本下载,最新版本有兼容性问题 npm install cesium1.95.0 2.在node_models中找到cesium将此文件下的Cesium文件复制出来放在项目的静态资源public中或者static中,获取去github上去下载zip包放在本地也可以 3.在index.html中引…

VTK知识学习(9)-空间变换

1、前言 在三维空间里定义的三维模型,最后显示时都是投影到二维平面,比如在屏幕上显示。 三维到二维的投影包括透视投影(Perspective Projection)和正交投影(Orthogonale Projection)。正交投影也叫平行投…

Python学习从0到1 day29 Python 高阶技巧 ⑦ 正则表达式

目录 一、正则表达式 二、正则表达式的三个基础方法 1.match 从头匹配 2.search(匹配规则,被匹配字符串) 3.findall(匹配规则,被匹配字符串) 三、元字符匹配 单字符匹配: 注: 示例&a…

日常ctf

15, [MoeCTF 2021]Web安全入门指北—小饼干 直接改就行了 16, [MoeCTF 2021]2048 传入参数就获取到flag了 /flag.php?score500000000 17, [SWPUCTF 2022 新生赛]funny_web 账户密码是 NSS 2122693401 登录进去查看源码 考intval缺陷&…

【MySql】实验十六 综合练习:图书管理系统数据库结构

文章目录 创建图书管理系统数据库结构一、创建数据表1.1 book表1.2 reader表1.3 borrow表 二、插入示例数据2.1 向book表插入数据2.2 向reader表插入数据2.3 向borrow表插入数据 三、查询操作3.1 根据语义为借书表borrow的bno列和 rno列建立外键3.2 查询张小海编写的“数据库原…

通过MongoDB Atlas 实现语义搜索与 RAG——迈向AI的搜索机制

目录 通过MongoDB Atlas 实现语义搜索与 RAG——迈向AI的搜索机制 一、引言 二、语义搜索与 MongoDB Atlas 的背景 三、MongoDB Atlas 的向量搜索功能 1. 向量搜索的实现方式 2. 典型操作示例 四、RAG 在 MongoDB Atlas 的应用 1、RAG是什么 2、RAG 的实现过程 3、RA…

51单片机基础01 单片机最小系统

目录 一、什么是51单片机 二、51单片机的引脚介绍 1、VCC GND 2、XTAL1 2 3、RST 4、EA 5、PSEN 6、ALE 7、RXD、TXD 8、INT0、INT1 9、T0、T1 10、MOSI、MISO、SCK 11、WR、RD 12、通用IO P0 13、通用IO P1 14、通用IO P2 三、51单片机的最小系统 1、供电与…

【原创】如何备份和还原Ubuntu系统,非常详细!!

前言 我在虚拟机装了一个xfce4的Ubuntu桌面版,外加输入法、IDEA等,我想将这个虚拟机里的系统直接搬到物理机中,那我可以省的再重新装一遍、配置xfce4桌面、修改一堆快捷键还有配置idea了,那直接说干就干。 本教程基于Ubuntu24.0…

萤石设备视频接入平台EasyCVR私有化视频平台视频监控系统的需求及不同场景摄像机的选择

在现代社会,随着安全意识的提高和技术的进步,安防监控视频系统已成为保障人们生活和财产安全的重要工具。EasyCVR安防监控视频系统,以其先进的网络传输技术和强大的功能,为各种规模的项目提供了一个高效、可靠的监控解决方案。以下…

基于yolov8、yolov5的行人检测识别系统(含UI界面、训练好的模型、Python代码、数据集)

摘要:行人检测在交通管理、智能监控和公共安全中起着至关重要的作用,不仅能帮助相关部门实时监控人群动态,还为自动化监控系统提供了可靠的数据支撑。本文介绍了一款基于YOLOv8、YOLOv5等深度学习框架的行人检测模型,该模型使用了…

Django5 2024全栈开发指南(二):Django项目配置详解

目录 一、基本配置信息二、资源文件配置2.1 资源路由——STATIC_URL2.2 资源集合——STATICFILES_DIRS2.3 资源部署——STATIC_ROOT2.2.4 媒体资源——MEDIA 三、模板配置四、数据库配置4.1 mysqlclient连接MySQL4.2 pymysql连接MySQL4.3 多个数据库的连接方式4.4 使用配置文件…

2、 家庭网络发展现状

上一篇我们讲了了解家庭网络历史(https://blog.csdn.net/xld_hung/article/details/143639618?spm1001.2014.3001.5502),感兴趣的同学可以看对应的文章,本章我们主要讲家庭网络发展现状。 关于家庭网络发展现状,我们会从国内大户型和小户型的网络说起&…

一文速学---红黑树

文章目录 一、红黑树简介二、 红黑树特性三、红黑树插入3.1 红黑树为空3.2 父节点为黑色3.3 父节点为红色3.3.1 父亲和叔叔都是红色3.3.2 父节点为红色,叔叔节点为黑色3.3.2.1 父节点在左节点,插入节点在父亲左节点3.3.2.2 父节点在左节点,插…

学习日记_20241117_聚类方法(高斯混合模型)

前言 提醒: 文章内容为方便作者自己后日复习与查阅而进行的书写与发布,其中引用内容都会使用链接表明出处(如有侵权问题,请及时联系)。 其中内容多为一次书写,缺少检查与订正,如有问题或其他拓展…