ndt演算法

1. 相控陣超聲波探傷比普通超聲波有哪些優點

超聲波相控陣和常規超聲波檢測得原理相似，都是基於脈沖反射法的原理。所以常規超聲波檢測擁有的優點，相控陣也擁有。
如果相控陣和常規超聲波擁有的優點相同，那沒必要發展相控陣。所以相控陣相對常規超聲波優點還是蠻多的。
（1）相控陣採用S掃，即同時可以擁有許多角度的超聲波，就相當於擁有多種角度的探頭同時工作，所以相控陣無需鋸齒掃查，只要沿著焊縫挪動探頭即可，檢測效率更高。適用於自動化生產，和批量生產。
（2）相控陣可以擁有聚焦功能，而常規超聲波一般沒有（除了聚焦探頭外），所以相控陣檢測的靈敏度和解析度都比常規超聲檢測高。
（3）相控陣檢測可以同時擁有B掃、D掃、S掃和C掃描，可以通過建模，建立一個三維立體圖形，缺陷顯示非常直觀，哪怕不懂NDT的人都能看明白，而常規超聲波只能通過波形來分辨缺陷。
（4）超聲相控陣可以檢測復雜工件，比如可以檢測渦輪葉片的葉根，常規超聲波檢測因為探頭聲束角度單一，存在很大的盲區，造成漏檢。而相控陣可以快速，直觀的檢測。

2. 同一物質不同溫度下的比熱應該如何應用

Q=n∫CdT只能用微積分求算,這不是初等數學能解決的問題.400K—1000K比熱的中間量算,或取400K和1000K比熱的平均值算都是錯的.
關於比熱.嚴格地說,同一物質在不同溫度時的比熱都是不同的.只有在一定的溫度區間內,比熱變化比較小,才可以當作常量.比如說,液態水的比熱為4.2kJ/(kg*℃),是因為液態水的比熱變化非常小,就當作了常數.
比熱的定義C=dQ/(ndT)
設有物質的量為n,溫度為T的水.當溫度升高了dT(dT是一個無窮小量),吸收了dQ的熱量(dQ也是一個無窮小量),那麼把dQ和ndT的比值就定義為水在溫度T時的比熱.
只要知道了比熱C與溫度T的函數關系,設C=f(T)即可代入Q=n∫CdT求算.
對於本題,C與T的線性關系良好,用最小二乘法得到C與T的關系為C=0.0119T+29.43
則1mol水蒸氣,溫度從400K上升到1000K所吸收的熱量為:
Q=n∫CdT=∫(0.0119T+29.43)dT=22656J=22.7kJ
你也可以以T為橫坐標,以C為縱坐標，作出C-T關系圖（近似為一條直線）.
作出的C-T直線和直線T=400、T=1000以及橫坐標軸圍成了一個梯形，這個梯形的面積就是所吸收的熱量。
梯形的上底長(也就是T=400K時的C值）為34.3
，下底長（也就是T=1000K時的C值）為41.4
，高為1000-400=600
，
梯形的面積
Q=（上底+下底）*高/2=（34.3+41.4）*600/2=22710J=22.7kJ
當然用求積分的方法比用面積來求要精確。題目並沒有說C和T是線性關系，在這里兩種方法都當作線性處理，都為近似計算。最准確的做法是必須要題目給出C=f(T)的函數關系式，然後由Q=n∫CdT來計算。

3. 點雲概念與點雲處理

點雲概念

點雲與三維圖像的關系 ：三維圖像是一種特殊的信息表達形式，其特徵是表達的空間中三個維度的數據，表現形式包括：深度圖（以灰度表達物體與相機的距離），幾何模型（由CAD軟體建立），點雲模型（所有逆向工程設備都將物體采樣成點雲）。和二維圖像相比，三維圖像藉助第三個維度的信息，可以實現天然的物體——背景解耦。點雲數據是最為常見也是最基礎的三維模型。點雲模型往往由測量直接得到，每個點對應一個測量點，未經過其他處理手段，故包含了最大的信息量。這些信息隱藏在點雲中需要以其他提取手段將其萃取出來，提取點雲中信息的過程則為三維圖像處理。

點雲的概念 ：點雲是在同一空間參考系下表達目標空間分布和目標表面特性的海量點集合，在獲取物體表面每個采樣點的空間坐標後，得到的是點的集合，稱之為「點雲」（Point Cloud）。

點雲的獲取設備 ：RGBD設備是獲取點雲的設備，比如PrimeSense公司的PrimeSensor、微軟的Kinect、華碩的XTionPRO。

點雲的內容 ：根據激光測量原理得到的點雲，包括三維坐標（XYZ）和激光反射強度（Intensity），強度信息與目標的表面材質、粗糙度、入射角方向，以及儀器的發射能量，激光波長有關。

根據攝影測量原理得到的點雲，包括三維坐標（XYZ）和顏色信息（RGB）。

結合激光測量和攝影測量原理得到點雲，包括三維坐標（XYZ）、激光反射強度（Intensity）和顏色信息（RGB）。

點雲的屬性 ：空間解析度、點位精度、表面法向量等。

點雲存儲格式 ：*.pts; *.asc ; *.dat; .stl ; [1] .imw；.xyz； .las。LAS格式文件已成為LiDAR數據的工業標准格式，LAS文件按每條掃描線排列方式存放數據,包括激光點的三維坐標、多次回波信息、強度信息、掃描角度、分類信息、飛行航帶信息、飛行姿態信息、項目信息、GPS信息、數據點顏色信息等。

C–class（所屬類）

F一flight（航線號）

T一time（GPS時間）

I一intensity（回波強度）

R一return（第幾次回波）

N一number of return（回波次數）

A一scan angle（掃描角）

RGB一red green blue（RGB顏色值）

點雲的數據類型 ：

（1）pcl::PointCloudpcl::PointXYZ

PointXYZ 成員：float x，y，z;表示了xyz3D信息，可以通過points[i].data[0]或points[i].x訪問點X的坐標值

（2）pcl::PointCloudpcl::PointXYZI

PointXYZI成員：float x, y, z, intensity; 表示XYZ信息加上強度信息的類型。

（3）pcl::PointCloudpcl::PointXYZRGB

PointXYZRGB 成員：float x,y,z,rgb; 表示XYZ信息加上RGB信息，RGB存儲為一個float。

（4）pcl::PointCloudpcl::PointXYZRGBA

PointXYZRGBA 成員：float x , y, z; uint32_t rgba; 表示XYZ信息加上RGBA信息，RGBA用32bit的int型存儲的。

（5） PointXY 成員：float x,y;簡單的二維x-y點結構

（6）Normal結構體：表示給定點所在樣本曲面上的法線方向，以及對應曲率的測量值，用第四個元素來佔位，兼容SSE和高效計算。

點雲的處理

點雲處理的三個層次 ：Marr將圖像處理分為三個層次，低層次包括圖像強化，濾波，關鍵點/邊緣檢測等基本操作。中層次包括連通域標記（label），圖像分割等操作。高層次包括物體識別，場景分析等操作。工程中的任務往往需要用到多個層次的圖像處理手段。

PCL官網對點雲處理方法給出了較為明晰的層次劃分，如圖所示。

此處的common指的是點雲數據的類型，包括XYZ，XYZC，XYZN，XYZG等很多類型點雲，歸根結底，最重要的信息還是包含在pointpcl::point::xyz中。可以看出，低層次的點雲處理主要包括濾波（filters），關鍵點（keypoints）/邊緣檢測。點雲的中層次處理則是特徵描述（feature），分割（segmention）與分類。高層次處理包括配准（registration），識別（recognition）。可見，點雲在分割的難易程度上比圖像處理更有優勢，准確的分割也為識別打好了基礎。

低層次處理方法:

①濾波方法：雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。②關鍵點：ISS3D、Harris3D、NARF，SIFT3D

中層次處理方法：

①特徵描述：法線和曲率的計算、特徵值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image

②分割與分類：

分割：區域生長、Ransac線面提取、全局優化平面提取

K-Means、Normalize Cut（Context based）

3D Hough Transform(線、面提取)、連通分析

分類：基於點的分類，基於分割的分類，基於深度學習的分類（PointNet，OctNet）

高層次處理方法：

①配准：點雲配准分為粗配准（Coarse Registration）和精配准（Fine Registration）兩個階段。

精配準的目的是在粗配準的基礎上讓點雲之間的空間位置差別最小化。應用最為廣泛的精配准演算法應該是ICP以及ICP的各種變種（穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP）。

粗配準是指在點雲相對位姿完全未知的情況下對點雲進行配准，可以為精配准提供良好的初始值。當前較為普遍的點雲自動粗配准演算法包括基於窮舉搜索的配准演算法和基於特徵匹配的配准演算法。

基於窮舉搜索的配准演算法：遍歷整個變換空間以選取使誤差函數最小化的變換關系或者列舉出使最多點對滿足的變換關系。如RANSAC配准演算法、四點一致集配准演算法（4-Point Congruent Set, 4PCS）、Super4PCS演算法等……

基於特徵匹配的配准演算法：通過被測物體本身所具備的形態特性構建點雲間的匹配對應，然後採用相關演算法對變換關系進行估計。如基於點FPFH特徵的SAC-IA、FGR等演算法、基於點SHOT特徵的AO演算法以及基於線特徵的ICL等…

②SLAM圖優化

Ceres（Google的最小二乘優化庫，很強大）， g2o、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、NDT

③三維重建

泊松重建、 Delaunay triangulations、表面重建，人體重建，建築物重建，樹木重建。結構化重建：不是簡單的構建一個Mesh網格，而是為場景進行分割，為場景結構賦予語義信息。場景結構有層次之分，在幾何層次就是點線面。實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；

④點雲數據管理：點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染

4. 激光雷達SLAM包括以下幾種方案:

激光雷達SLAM包括以下幾種方案:

直接法, 直接法的典型代表是ICP和NDT系列，ICP可以直接計算出激光的位姿，多幀可以構成聯合優化，這種方案比較簡單但是比較有效，常用於激光雷達的多程對齊。

基於特徵的匹配(LO)，該方案的典型代表是LOAM和後續的改進方案A-LOAM/F-LOAM,該方案通過尋找線面特徵，並通過特徵匹配來計算幀間的位姿，多個位姿可以做BA優化。

多感測器融合的方案。該方案的典型代表是LIO-Mapping,LINS和LIO-SAM.LIO-Mapping演算法借鑒VINS-Mono的預積分和後端優化，前端視覺里程計改成激光里程計。

基於柵格的，該方案的代表是谷歌開源的cartography，這種方案在室內的機器人定位比較有優勢。

基於面元，該方案的典型代表是suma。

基於語義信息，該方案的典型代表是segmap和suma++。

高精地圖的生產包括語義信息的提取(通常來自視覺，部分也可來自激光),單程LIO(gnss+imu+dmi+lidar/visual odometry),多程對齊。說一下每一部分的難點吧:

圖像語義信息的提取。圖像的語義信息包括車道線，桿狀物體，牌子，地面車信等；在高速場景，物體遮擋較少，物體檢測的准確率是可以做到95%以上的；在城市道路，由於樹木的遮擋(對牌子和桿狀物體的遮擋), 車輛遮擋(對車道線和地面車信的遮擋),目前的檢測是很難做到90%以上的。

點雲的語義信息提取。點雲對於特殊材料反射率較大(如車道線),基本上二分就可以解決很多問題，對於高速場景，車道線磨損並不嚴重，語義信息提取較容易；對於城市道路車道線磨損嚴重，且存在老舊的車道線的干擾，語義信息的提取是很難做到90%以上的。

LIO. 高精採集車一般配備激光雷達，相機，imu, dmi和RTK等設備，對單程軌跡來說，是可以採用多感測器融合的。對於高速場景，建築物遮擋較少，RTK信號較好，後結算的RTK的精度是可以做到30cm以內的(在山區和隧道場景例外)，自動化比較難做，這個和場景有關系。

多程融合。主要看人眼去分辨點雲是否對齊，當然是可以建立小規模數據集進行評測，自動化率非常低。

總的來說，目前高精地圖的生產是很難做到自動化的，主要原因是場景復雜,corner case太多，絕對精度和相對精度都很難滿足要求。

總結一下，目前激光SLAM的直接法比較簡單，可以用於激光里程計的多程對齊或回環檢測; 純LO的演算法目前工業圈很少使用，一般採用多感測器融合的方案，畢竟激光雷達都用了，也不差IMU這樣的感測器。多感測器融合的方案主要用於高精地圖的製作，自動駕駛領域一般採用高精地圖作為先驗來定位，不會同時定位和建圖。基於柵格的可以用於移動機器人，在室內環境柵格假設大多數還是有效的，在室外場景的話，一般會採用NDT Map來存儲地圖。基於語義信息和面元的話，個人不太了解，在工業圈的使用也不多。

5. 一塊冰，每小時失去其質量的一半，8小時後其質量為5/16 kg，那麼一開始這塊冰的質量是多少啊

一開始這塊冰的質量是80千克。

解題思路：最後冰塊剩下的的16分之5千克乘以2就是7小時後的質量,得到的結果再乘以2就是6小時後的質量,以此類推，可以由歸納法得知一開始這塊冰的質量為5/16千克*2的八次方=80千克。

這道題目是粒子衰變周期的簡化版，實質與粒子的衰變問題相同。衰變定律也稱放射性衰變規律，指放射性核素的原子數，或活度隨時間而改變的規律。

(5)ndt演算法擴展閱讀

通過對大量原子核進行研究，發現所有的放射性物質其原子核數目隨時間t的變化都遵守一種普遍的衰變規律．放射性同位素的原子數隨時間作負指數函數而衰減，這就是衰變定律。

實驗表明，在時間dt內，放射元素衰變的原子核數dN跟放射性元素的原子核數N以及dt成正比．dN=-λNdt．式中λ是比例恆量，叫做衰變恆量，表徵放射性元素衰變的快慢．式中出現的負號是由於放射性元素的原子核數目是隨著時間的增加而減少的．

6. 點雲數據處理的5個步驟

摘要 1. 點雲濾波（數據預處理）

7. matlab求解最小路徑

clear,clc

a=[0 0;1 1;3 3;2 2;4 3;5 2;6 4];

n=length(a);

for i=1:n

plot(a(i,1),a(i,2),'*')

hold on

end

t=[];

for i=1:n

for j=i:n

if a(i,1)^2+a(i,2)^2>a(j,1)^2+a(j,2)^2

t=a(i,:);

a(i,:)=a(j,:);

a(j,:)=t;

end

end

end

y=[0 0];

for i=1:n-1

min=(a(i,1)-a(i+1,1))^2+(a(i,2)-a(i+1,2))^2;

xx=[a(i+1,1),a(i+1,2)];

for j=i+2:n

if min>(a(i,1)-a(j,1))^2+(a(i,2)-a(j,2))^2

xx=[a(j,1),a(j,2)];

end

end

y=[y;xx(1),xx(2)];

end

y

%採納哦 親 採納完幫你細化 行吧 這個只是粗略 應該有BUG

8. 體心立方晶體的滑移系怎麼算

滑移時，移面通常是金屬晶體中原子排列最密的晶面,而滑移方向則是原子排列最密的晶向，一個滑移面與其上的一個滑移方向組成一個滑移系。

面心立方金屬的滑移面（密排面）為｛111}，共有4個，滑移方向為＜110＞，每個滑移麵包含三個滑移方向，因此共有12個滑移系。

體心立方金屬滑移面為｛110｝，共有6個,滑移方向為＜111＞，每個滑移面有三個滑移方向，因此有12個滑移系。

密排六方金屬滑移面為（0001），滑移方向為，滑移麵包含3個滑移方向,故有3個滑移系。密排六方金屬滑移系少，滑移過程中，可能採取空間位向少，故塑性差。

(8)ndt演算法擴展閱讀：

體心立方晶體的滑移系的介紹；

對面心立方金屬：

滑移面為{111}滑移方向為<110> ，一共有12個。

對體心立方金屬：

低溫時滑移面一般為{112}。

中溫時滑移面一般為{110} 但是其滑移方向很穩定為<111>，所以一共有12~48個。

高溫時滑移面一般為{123}。

對密排六方金屬，有3個或6個。由於滑移數量較少，所以密排六方結構晶體的塑性通常不是很好。

在塑性變形中, 單晶體表面的滑移線並不是任意排列的, 它們彼此之間或者相互平行, 或者互成一定角度, 表明滑移是沿著特定的晶面和晶向進行的, 這些特定的晶面和晶向分別稱為滑移面和滑移方向。

一個滑移面和其上的一個滑移方向組成一個滑移系。每個滑移系表示晶體進行滑移時可能採取的一個空間方向。在其它條件相同時, 滑移系越多, 滑移過程可能採取的空間取向越多, 塑性越好。

(l)滑移面總是晶體的密排面, 而滑移方向也總是密排方向。這是因為密排面之間的面間距離最大, 面與面之間的結合力較小, 滑移的阻力小, 故易滑動。而沿密排方向原子密度大,原子從原始位置達到新的平衡位置所需要移動的距離小, 阻力也小。

(2)每一種晶格類型的金屬都具有特定的滑移系。

一般來說, 滑移系的多少在一定程度上決定了金屬塑性的好壞。然而, 在其它條件相同時, 金屬塑性的好壞不只取決於滑移系的多少, 還與滑移面原子密排程度及滑移方向的數目等因素有關。

計算：

滑移的臨界分切應力τ，τ=Fcosλ/(A/cosφ)=σcosλcosφ。

F：拉伸載荷F、λ：滑移方向與外力F的夾角、φ：滑移面法線與F的夾角、σ：應力。

這是一個與材料本性以及試驗溫度、載入速度等相關的量，而與載入方向等無關。

Ω=cosλcosφ 稱為取向因子。

9. 點雲數據處理

三維計算視覺研究內容包括：

（1）三維匹配：兩幀或者多幀點雲數據之間的匹配，因為激光掃描光束受物體遮擋的原因，不可能通過一次掃描完成對整個物體的三維點雲的獲取。因此需要從不同的位置和角度對物體進行掃描。三維匹配的目的就是把相鄰掃描的點雲數據拼接在一起。三維匹配重點關注匹配演算法，常用的演算法有 最近點迭代演算法 ICP 和各種全局匹配演算法。

（2）多視圖三維重建：計算機視覺中多視圖一般利用圖像信息，考慮多視幾何的一些約束，相關研究目前很火，射影幾何和多視圖幾何是視覺方法的基礎。在攝影測量中類似的存在共線方程，光束平差法等研究。這里也將點雲的多視匹配放在這里，比如人體的三維重建，點雲的多視重建不僅強調逐幀的匹配，還需要考慮不同角度觀測產生誤差累積，因此也存在一個優化或者平差的過程在裡面。通常是通過觀測形成閉環進行整體平差實現，多視圖重建強調整體優化。可以只使用圖像，或者點雲，也可以兩者結合（深度圖像）實現。重建的結果通常是Mesh網格。

（3）3D SLAM：點雲匹配（最近點迭代演算法 ICP、正態分布變換方法 NDT）+位姿圖優化（ g2o 、LUM、ELCH、Toro、SPA）；實時3D SLAM演算法 （LOAM）；Kalman濾波方法。3D SLAM通常產生3D點雲，或者Octree Map。基於視覺（單目、雙目、魚眼相機、深度相機）方法的SLAM，比如orbSLAM，lsdSLAM...

（4）目標識別：無人駕駛汽車中基於激光數據檢測場景中的行人、汽車、自行車、以及道路和道路附屬設施（行道樹、路燈、斑馬線等）。

（5）形狀檢測與分類：點雲技術在逆向工程中有很普遍的應用。構建大量的幾何模型之後，如何有效的管理，檢索是一個很困難的問題。需要對點雲（Mesh）模型進行特徵描述，分類。根據模型的特徵信息進行模型的檢索。同時包括如何從場景中檢索某類特定的物體，這類方法關注的重點是模型。

（6）語義分類：獲取場景點雲之後，如何有效的利用點雲信息，如何理解點雲場景的內容，進行點雲的分類很有必要，需要為每個點雲進行Labeling。可以分為基於點的方法，基於分割的分類方法。從方法上可以分為基於監督分類的技術或者非監督分類技術，深度學習也是一個很有希望應用的技術。

（7）立體視覺與立體匹配 ZNCC

（8）SFM（運動恢復結構）

1、點雲濾波方法（數據預處理）：

雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。

VoxelGrid

2、關鍵點

ISS3D、Harris3D、NARF

SIFT3D、

3、特徵和特徵描述

法線和曲率計算 NormalEstimation 、特徵值分析Eigen-Analysis、 EGI

PFH、FPFH、3D Shape Context、Spin Image

4、 點雲匹配

ICP 、穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP

NDT 3D 、Multil-Layer NDT

FPCS、KFPCS、SAC-IA

Line Segment Matching 、ICL

5、點雲分割與分類

分割：區域生長、Ransac線面提取、NDT-RANSAC、

K-Means、Normalize Cut（Context based）

3D Hough Transform(線、面提取)、連通分析、

分類：基於點的分類，基於分割的分類；監督分類與非監督分類

6、SLAM圖優化

g2o 、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation 、NDT

7、目標識別、檢索

Hausdorff 距離計算（人臉識別）

8、變化檢測

基於八叉樹的變化檢測

9. 三維重建

泊松重建、Delaunay triangulations

表面重建，人體重建，建築物重建，樹木重建。

實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；

10.點雲數據管理

點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染

點雲驅動的計算機圖形學主要研究應用

http://vcc.szu.e.cn/research/2015/Points/