[发明专利]一种粗糙度检测方法、SLAM定位方法及施工方法

权利要求书

1.一种粗糙度检测方法，利用设置在施工装置中的第一感知单元、第二感知单元及计算单元对要施工的墙面进行粗糙度检测，其特征在于，包括：

步骤100、获取施工墙面的2D图像及对应的深度数据信息；

步骤200、利用粗糙度检测模型或者图像灰度处理算法，获取施工墙面粗糙值；

其中，步骤200包括：

步骤210、对所述粗糙度检测模型进行训练。

2.如权1所述的粗糙度检测方法，其特征在于，所述步骤210包括：

步骤211、利用所述2D图像、深度数据及所述深度数据对应的粗糙值获取最小样本集合；

步骤212、根据所述最小样本集合分别确定训练集及测试集；

步骤213、利用所述训练集训练神经网络深度学习模型，获取粗糙度检测模型；

步骤214、检测施工墙面的2D图像及深度数据信息并输入到所述粗糙度检测模型，获取施工墙面粗糙度。

3.如权2所述的粗糙度检测方法，其特征在于，所述步骤214包括：

步骤2141、利用所述粗糙度检测模型中的第一深度学习结构对所述2D图像进行处理，获取第一深度数据；

步骤2142、利用所述粗糙度检测模型中的第二深度学习结构对所述深度数据信息进行处理，获取第二深度数据；

步骤2143、在所述粗糙度检测模型的全连接层将所述第一深度数据，第二深度数据进行合并再次输入全连接层；

步骤2144、对施工墙面图像每个点云的粗糙值进行分类判断，输出粗糙值；

其中，所述步骤2142包括：

步骤21421、利用转换矩阵T-Net对点云数据集合进行对齐；

步骤21422、通过多次MLP提取所述点云数据集合特征并再次利用所述转换矩阵T-Net进行对齐；

步骤21423、在特征的各个维度上进行maxpooling池化操作，获取最终全局特征；

步骤21424、将全局特征与各点云的局部特征进行串联并通过MLP获取每个数据点的分类结果。

4.如权1所述的粗糙度检测方法，其特征在于，所述步骤200还包括：

步骤220、利用图像处理算法获取2D图像粗糙值；

步骤230、利用图像处理算法获取深度数据粗糙值；

步骤240、将所述2D图像粗糙值及深度数据粗糙值进行合成，获取施工墙面粗糙值。

5.如权4所述的粗糙度检测方法，其特征在于，所述步骤220包括：

步骤221、利用式子(1)计算2D图像粗糙值：

R_2d＝aR_{2d_1}+bR_{2d_2}+cR_{2d_3} (1)

其中，a，b，c为系数，R_{2d_1}为角点个数，R_{2d_2}为灰度方差，R_{2d_3}为灰度极值；

步骤222、将所述2D图像进行灰度化，获取角点个数、灰度方差及灰度极值。

6.如权5所述的粗糙度检测方法，其特征在于，所述步骤230包括：

步骤231、获取深度信息的深度方差R_{3d_1}；

步骤232、获取深度信息的相邻法向量夹角之和R_{3d_2}；

步骤233、利用式子(2)计算深度信息粗糙值：

R_3d＝αR_{3d_1}+βR_{3d_2} (2)

其中，α，β为系数，R_{3d_1}为深度方差，R_{3d_2}为为相邻法向量夹角之和；

所述步骤232包括：

步骤2321、对点云中的每个点p_i以半径A划定邻域范围或者直接选取最近邻的K个点得到邻域内点，使用最小二乘法为邻域内点拟合局部平面；

步骤2322、基于局部平面，计算出垂直于所述局部平面的法向量；

步骤2323、计算相邻法向量的夹角值。