ndt算法

1. 相控阵超声波探伤比普通超声波有哪些优点

超声波相控阵和常规超声波检测得原理相似，都是基于脉冲反射法的原理。所以常规超声波检测拥有的优点，相控阵也拥有。
如果相控阵和常规超声波拥有的优点相同，那没必要发展相控阵。所以相控阵相对常规超声波优点还是蛮多的。
（1）相控阵采用S扫，即同时可以拥有许多角度的超声波，就相当于拥有多种角度的探头同时工作，所以相控阵无需锯齿扫查，只要沿着焊缝挪动探头即可，检测效率更高。适用于自动化生产，和批量生产。
（2）相控阵可以拥有聚焦功能，而常规超声波一般没有（除了聚焦探头外），所以相控阵检测的灵敏度和分辨率都比常规超声检测高。
（3）相控阵检测可以同时拥有B扫、D扫、S扫和C扫描，可以通过建模，建立一个三维立体图形，缺陷显示非常直观，哪怕不懂NDT的人都能看明白，而常规超声波只能通过波形来分辨缺陷。
（4）超声相控阵可以检测复杂工件，比如可以检测涡轮叶片的叶根，常规超声波检测因为探头声束角度单一，存在很大的盲区，造成漏检。而相控阵可以快速，直观的检测。

2. 同一物质不同温度下的比热应该如何应用

Q=n∫CdT只能用微积分求算,这不是初等数学能解决的问题.400K—1000K比热的中间量算,或取400K和1000K比热的平均值算都是错的.
关于比热.严格地说,同一物质在不同温度时的比热都是不同的.只有在一定的温度区间内,比热变化比较小,才可以当作常量.比如说,液态水的比热为4.2kJ/(kg*℃),是因为液态水的比热变化非常小,就当作了常数.
比热的定义C=dQ/(ndT)
设有物质的量为n,温度为T的水.当温度升高了dT(dT是一个无穷小量),吸收了dQ的热量(dQ也是一个无穷小量),那么把dQ和ndT的比值就定义为水在温度T时的比热.
只要知道了比热C与温度T的函数关系,设C=f(T)即可代入Q=n∫CdT求算.
对于本题,C与T的线性关系良好,用最小二乘法得到C与T的关系为C=0.0119T+29.43
则1mol水蒸气,温度从400K上升到1000K所吸收的热量为:
Q=n∫CdT=∫(0.0119T+29.43)dT=22656J=22.7kJ
你也可以以T为横坐标,以C为纵坐标，作出C-T关系图（近似为一条直线）.
作出的C-T直线和直线T=400、T=1000以及横坐标轴围成了一个梯形，这个梯形的面积就是所吸收的热量。
梯形的上底长(也就是T=400K时的C值）为34.3
，下底长（也就是T=1000K时的C值）为41.4
，高为1000-400=600
，
梯形的面积
Q=（上底+下底）*高/2=（34.3+41.4）*600/2=22710J=22.7kJ
当然用求积分的方法比用面积来求要精确。题目并没有说C和T是线性关系，在这里两种方法都当作线性处理，都为近似计算。最准确的做法是必须要题目给出C=f(T)的函数关系式，然后由Q=n∫CdT来计算。

3. 点云概念与点云处理

点云概念

点云与三维图像的关系 ：三维图像是一种特殊的信息表达形式，其特征是表达的空间中三个维度的数据，表现形式包括：深度图（以灰度表达物体与相机的距离），几何模型（由CAD软件建立），点云模型（所有逆向工程设备都将物体采样成点云）。和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体——背景解耦。点云数据是最为常见也是最基础的三维模型。点云模型往往由测量直接得到，每个点对应一个测量点，未经过其他处理手段，故包含了最大的信息量。这些信息隐藏在点云中需要以其他提取手段将其萃取出来，提取点云中信息的过程则为三维图像处理。

点云的概念 ：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。

点云的获取设备 ：RGBD设备是获取点云的设备，比如PrimeSense公司的PrimeSensor、微软的Kinect、华硕的XTionPRO。

点云的内容 ：根据激光测量原理得到的点云，包括三维坐标（XYZ）和激光反射强度（Intensity），强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。

根据摄影测量原理得到的点云，包括三维坐标（XYZ）和颜色信息（RGB）。

结合激光测量和摄影测量原理得到点云，包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。

点云的属性 ：空间分辨率、点位精度、表面法向量等。

点云存储格式 ：*.pts; *.asc ; *.dat; .stl ; [1] .imw；.xyz； .las。LAS格式文件已成为LiDAR数据的工业标准格式，LAS文件按每条扫描线排列方式存放数据,包括激光点的三维坐标、多次回波信息、强度信息、扫描角度、分类信息、飞行航带信息、飞行姿态信息、项目信息、GPS信息、数据点颜色信息等。

C–class（所属类）

F一flight（航线号）

T一time（GPS时间）

I一intensity（回波强度）

R一return（第几次回波）

N一number of return（回波次数）

A一scan angle（扫描角）

RGB一red green blue（RGB颜色值）

点云的数据类型 ：

（1）pcl::PointCloudpcl::PointXYZ

PointXYZ 成员：float x，y，z;表示了xyz3D信息，可以通过points[i].data[0]或points[i].x访问点X的坐标值

（2）pcl::PointCloudpcl::PointXYZI

PointXYZI成员：float x, y, z, intensity; 表示XYZ信息加上强度信息的类型。

（3）pcl::PointCloudpcl::PointXYZRGB

PointXYZRGB 成员：float x,y,z,rgb; 表示XYZ信息加上RGB信息，RGB存储为一个float。

（4）pcl::PointCloudpcl::PointXYZRGBA

PointXYZRGBA 成员：float x , y, z; uint32_t rgba; 表示XYZ信息加上RGBA信息，RGBA用32bit的int型存储的。

（5） PointXY 成员：float x,y;简单的二维x-y点结构

（6）Normal结构体：表示给定点所在样本曲面上的法线方向，以及对应曲率的测量值，用第四个元素来占位，兼容SSE和高效计算。

点云的处理

点云处理的三个层次 ：Marr将图像处理分为三个层次，低层次包括图像强化，滤波，关键点/边缘检测等基本操作。中层次包括连通域标记（label），图像分割等操作。高层次包括物体识别，场景分析等操作。工程中的任务往往需要用到多个层次的图像处理手段。

PCL官网对点云处理方法给出了较为明晰的层次划分，如图所示。

此处的common指的是点云数据的类型，包括XYZ，XYZC，XYZN，XYZG等很多类型点云，归根结底，最重要的信息还是包含在pointpcl::point::xyz中。可以看出，低层次的点云处理主要包括滤波（filters），关键点（keypoints）/边缘检测。点云的中层次处理则是特征描述（feature），分割（segmention）与分类。高层次处理包括配准（registration），识别（recognition）。可见，点云在分割的难易程度上比图像处理更有优势，准确的分割也为识别打好了基础。

低层次处理方法:

①滤波方法：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。②关键点：ISS3D、Harris3D、NARF，SIFT3D

中层次处理方法：

①特征描述：法线和曲率的计算、特征值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image

②分割与分类：

分割：区域生长、Ransac线面提取、全局优化平面提取

K-Means、Normalize Cut（Context based）

3D Hough Transform(线、面提取)、连通分析

分类：基于点的分类，基于分割的分类，基于深度学习的分类（PointNet，OctNet）

高层次处理方法：

①配准：点云配准分为粗配准（Coarse Registration）和精配准（Fine Registration）两个阶段。

精配准的目的是在粗配准的基础上让点云之间的空间位置差别最小化。应用最为广泛的精配准算法应该是ICP以及ICP的各种变种（稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP）。

粗配准是指在点云相对位姿完全未知的情况下对点云进行配准，可以为精配准提供良好的初始值。当前较为普遍的点云自动粗配准算法包括基于穷举搜索的配准算法和基于特征匹配的配准算法。

基于穷举搜索的配准算法：遍历整个变换空间以选取使误差函数最小化的变换关系或者列举出使最多点对满足的变换关系。如RANSAC配准算法、四点一致集配准算法（4-Point Congruent Set, 4PCS）、Super4PCS算法等……

基于特征匹配的配准算法：通过被测物体本身所具备的形态特性构建点云间的匹配对应，然后采用相关算法对变换关系进行估计。如基于点FPFH特征的SAC-IA、FGR等算法、基于点SHOT特征的AO算法以及基于线特征的ICL等…

②SLAM图优化

Ceres（Google的最小二乘优化库，很强大）， g2o、LUM、ELCH、Toro、SPA

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

③三维重建

泊松重建、 Delaunay triangulations、表面重建，人体重建，建筑物重建，树木重建。结构化重建：不是简单的构建一个Mesh网格，而是为场景进行分割，为场景结构赋予语义信息。场景结构有层次之分，在几何层次就是点线面。实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别；

④点云数据管理：点云压缩，点云索引（KD、Octree），点云LOD（金字塔），海量点云的渲染

4. 激光雷达SLAM包括以下几种方案:

激光雷达SLAM包括以下几种方案:

直接法, 直接法的典型代表是ICP和NDT系列，ICP可以直接计算出激光的位姿，多帧可以构成联合优化，这种方案比较简单但是比较有效，常用于激光雷达的多程对齐。

基于特征的匹配(LO)，该方案的典型代表是LOAM和后续的改进方案A-LOAM/F-LOAM,该方案通过寻找线面特征，并通过特征匹配来计算帧间的位姿，多个位姿可以做BA优化。

多传感器融合的方案。该方案的典型代表是LIO-Mapping,LINS和LIO-SAM.LIO-Mapping算法借鉴VINS-Mono的预积分和后端优化，前端视觉里程计改成激光里程计。

基于栅格的，该方案的代表是谷歌开源的cartography，这种方案在室内的机器人定位比较有优势。

基于面元，该方案的典型代表是suma。

基于语义信息，该方案的典型代表是segmap和suma++。

高精地图的生产包括语义信息的提取(通常来自视觉，部分也可来自激光),单程LIO(gnss+imu+dmi+lidar/visual odometry),多程对齐。说一下每一部分的难点吧:

图像语义信息的提取。图像的语义信息包括车道线，杆状物体，牌子，地面车信等；在高速场景，物体遮挡较少，物体检测的准确率是可以做到95%以上的；在城市道路，由于树木的遮挡(对牌子和杆状物体的遮挡), 车辆遮挡(对车道线和地面车信的遮挡),目前的检测是很难做到90%以上的。

点云的语义信息提取。点云对于特殊材料反射率较大(如车道线),基本上二分就可以解决很多问题，对于高速场景，车道线磨损并不严重，语义信息提取较容易；对于城市道路车道线磨损严重，且存在老旧的车道线的干扰，语义信息的提取是很难做到90%以上的。

LIO. 高精采集车一般配备激光雷达，相机，imu, dmi和RTK等设备，对单程轨迹来说，是可以采用多传感器融合的。对于高速场景，建筑物遮挡较少，RTK信号较好，后结算的RTK的精度是可以做到30cm以内的(在山区和隧道场景例外)，自动化比较难做，这个和场景有关系。

多程融合。主要看人眼去分辨点云是否对齐，当然是可以建立小规模数据集进行评测，自动化率非常低。

总的来说，目前高精地图的生产是很难做到自动化的，主要原因是场景复杂,corner case太多，绝对精度和相对精度都很难满足要求。

总结一下，目前激光SLAM的直接法比较简单，可以用于激光里程计的多程对齐或回环检测; 纯LO的算法目前工业圈很少使用，一般采用多传感器融合的方案，毕竟激光雷达都用了，也不差IMU这样的传感器。多传感器融合的方案主要用于高精地图的制作，自动驾驶领域一般采用高精地图作为先验来定位，不会同时定位和建图。基于栅格的可以用于移动机器人，在室内环境栅格假设大多数还是有效的，在室外场景的话，一般会采用NDT Map来存储地图。基于语义信息和面元的话，个人不太了解，在工业圈的使用也不多。

5. 一块冰，每小时失去其质量的一半，8小时后其质量为5/16 kg，那么一开始这块冰的质量是多少啊

一开始这块冰的质量是80千克。

解题思路：最后冰块剩下的的16分之5千克乘以2就是7小时后的质量,得到的结果再乘以2就是6小时后的质量,以此类推，可以由归纳法得知一开始这块冰的质量为5/16千克*2的八次方=80千克。

这道题目是粒子衰变周期的简化版，实质与粒子的衰变问题相同。衰变定律也称放射性衰变规律，指放射性核素的原子数，或活度随时间而改变的规律。

(5)ndt算法扩展阅读

通过对大量原子核进行研究，发现所有的放射性物质其原子核数目随时间t的变化都遵守一种普遍的衰变规律．放射性同位素的原子数随时间作负指数函数而衰减，这就是衰变定律。

实验表明，在时间dt内，放射元素衰变的原子核数dN跟放射性元素的原子核数N以及dt成正比．dN=-λNdt．式中λ是比例恒量，叫做衰变恒量，表征放射性元素衰变的快慢．式中出现的负号是由于放射性元素的原子核数目是随着时间的增加而减少的．

6. 点云数据处理的5个步骤

摘要 1. 点云滤波（数据预处理）

7. matlab求解最小路径

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

%采纳哦 亲 采纳完帮你细化 行吧 这个只是粗略 应该有BUG

8. 体心立方晶体的滑移系怎么算

滑移时，移面通常是金属晶体中原子排列最密的晶面,而滑移方向则是原子排列最密的晶向，一个滑移面与其上的一个滑移方向组成一个滑移系。

面心立方金属的滑移面（密排面）为｛111}，共有4个，滑移方向为＜110＞，每个滑移面包含三个滑移方向，因此共有12个滑移系。

体心立方金属滑移面为｛110｝，共有6个,滑移方向为＜111＞，每个滑移面有三个滑移方向，因此有12个滑移系。

密排六方金属滑移面为（0001），滑移方向为，滑移面包含3个滑移方向,故有3个滑移系。密排六方金属滑移系少，滑移过程中，可能采取空间位向少，故塑性差。

(8)ndt算法扩展阅读：

体心立方晶体的滑移系的介绍；

对面心立方金属：

滑移面为{111}滑移方向为<110> ，一共有12个。

对体心立方金属：

低温时滑移面一般为{112}。

中温时滑移面一般为{110} 但是其滑移方向很稳定为<111>，所以一共有12~48个。

高温时滑移面一般为{123}。

对密排六方金属，有3个或6个。由于滑移数量较少，所以密排六方结构晶体的塑性通常不是很好。

在塑性变形中, 单晶体表面的滑移线并不是任意排列的, 它们彼此之间或者相互平行, 或者互成一定角度, 表明滑移是沿着特定的晶面和晶向进行的, 这些特定的晶面和晶向分别称为滑移面和滑移方向。

一个滑移面和其上的一个滑移方向组成一个滑移系。每个滑移系表示晶体进行滑移时可能采取的一个空间方向。在其它条件相同时, 滑移系越多, 滑移过程可能采取的空间取向越多, 塑性越好。

(l)滑移面总是晶体的密排面, 而滑移方向也总是密排方向。这是因为密排面之间的面间距离最大, 面与面之间的结合力较小, 滑移的阻力小, 故易滑动。而沿密排方向原子密度大,原子从原始位置达到新的平衡位置所需要移动的距离小, 阻力也小。

(2)每一种晶格类型的金属都具有特定的滑移系。

一般来说, 滑移系的多少在一定程度上决定了金属塑性的好坏。然而, 在其它条件相同时, 金属塑性的好坏不只取决于滑移系的多少, 还与滑移面原子密排程度及滑移方向的数目等因素有关。

计算：

滑移的临界分切应力τ，τ=Fcosλ/(A/cosφ)=σcosλcosφ。

F：拉伸载荷F、λ：滑移方向与外力F的夹角、φ：滑移面法线与F的夹角、σ：应力。

这是一个与材料本性以及试验温度、加载速度等相关的量，而与加载方向等无关。

Ω=cosλcosφ 称为取向因子。

9. 点云数据处理

三维计算视觉研究内容包括：

（1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有 最近点迭代算法 ICP 和各种全局匹配算法。

（2）多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不仅强调逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此也存在一个优化或者平差的过程在里面。通常是通过观测形成闭环进行整体平差实现，多视图重建强调整体优化。可以只使用图像，或者点云，也可以两者结合（深度图像）实现。重建的结果通常是Mesh网格。

（3）3D SLAM：点云匹配（最近点迭代算法 ICP、正态分布变换方法 NDT）+位姿图优化（ g2o 、LUM、ELCH、Toro、SPA）；实时3D SLAM算法 （LOAM）；Kalman滤波方法。3D SLAM通常产生3D点云，或者Octree Map。基于视觉（单目、双目、鱼眼相机、深度相机）方法的SLAM，比如orbSLAM，lsdSLAM...

（4）目标识别：无人驾驶汽车中基于激光数据检测场景中的行人、汽车、自行车、以及道路和道路附属设施（行道树、路灯、斑马线等）。

（5）形状检测与分类：点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，如何有效的管理，检索是一个很困难的问题。需要对点云（Mesh）模型进行特征描述，分类。根据模型的特征信息进行模型的检索。同时包括如何从场景中检索某类特定的物体，这类方法关注的重点是模型。

（6）语义分类：获取场景点云之后，如何有效的利用点云信息，如何理解点云场景的内容，进行点云的分类很有必要，需要为每个点云进行Labeling。可以分为基于点的方法，基于分割的分类方法。从方法上可以分为基于监督分类的技术或者非监督分类技术，深度学习也是一个很有希望应用的技术。

（7）立体视觉与立体匹配 ZNCC

（8）SFM（运动恢复结构）

1、点云滤波方法（数据预处理）：

双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。

VoxelGrid

2、关键点

ISS3D、Harris3D、NARF

SIFT3D、

3、特征和特征描述

法线和曲率计算 NormalEstimation 、特征值分析Eigen-Analysis、 EGI

PFH、FPFH、3D Shape Context、Spin Image

4、 点云匹配

ICP 、稳健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、点云分割与分类

分割：区域生长、Ransac线面提取、NDT-RANSAC、

K-Means、Normalize Cut（Context based）

3D Hough Transform(线、面提取)、连通分析、

分类：基于点的分类，基于分割的分类；监督分类与非监督分类

6、SLAM图优化

g2o 、LUM、ELCH、Toro、SPA

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

7、目标识别、检索

Hausdorff 距离计算（人脸识别）

8、变化检测

基于八叉树的变化检测

9. 三维重建

泊松重建、Delaunay triangulations

表面重建，人体重建，建筑物重建，树木重建。

实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别；

10.点云数据管理

点云压缩，点云索引（KD、Octree），点云LOD（金字塔），海量点云的渲染

点云驱动的计算机图形学主要研究应用

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