一、如何正确使用扫描仪（论文文献综述）
武明彤,唐素霞,彭玲燕,陈德平,宿玉成,汪霞[1]（2021）在《三种全牙弓扫描策略对仿真头颅模型环境下口内扫描仪扫描精度和时间的影响》文中认为目的对比评价仿真头颅模型环境下口内扫描仪3种全牙弓扫描策略的扫描精度和扫描时间, 探讨临床适应性更强且可获得高扫描精度的全牙弓扫描策略。方法采用相互对照实验设计, 使用光学扫描仪ATOS Core扫描上颌模型, 获取".stl"格式数据作为参考数据。将上颌模型固定于仿真头颅模型上, 由1名具有3年口内扫描经验的主治医师使用4种口内扫描仪[A（TRIOS 3）、B（CS 3600）、C（CEREC Omnicam）、D（iTero）], 分别使用3种扫描策略（扫描策略1、2、3分别由10、5、7段路径组成）各扫描9次, 获取".stl"格式数据作为口扫数据, 并记录扫描时间:完成所有扫描路径、获得1个完整的全牙弓数字化模型的时间为全牙弓扫描时间;补扫模型表面图像空缺处的时间为补扫时间;全牙弓扫描时间与补扫时间之和为总扫描时间。使用Geomagic Wrap软件的最佳拟合功能, 获得口扫数据与参考数据三维偏差的均方根值, 以评价扫描正确度;对同一口内扫描仪同一扫描策略9次扫描获得的口扫数据进行两两比较, 获得均方根值以评价扫描精密度。结果使用同一扫描仪的条件下, 3种扫描策略扫描正确度的总体差异均无统计学意义（P>0.05）;3种扫描策略扫描精密度的总体差异均有统计学意义（P<0.05）, 其中扫描策略3在各扫描仪中的扫描精密度均为最高。扫描策略1、2、3的全牙弓扫描的时间分别为（130±24）、（72±17）和（90±19）s, 各组间差异均有统计学意义（P<0.05）。扫描策略1和3的补扫时间分别为（26±18）和（25±21）s（P>0.05）, 均显着少于扫描策略2[（50±24）s]（P<0.05）。扫描策略2和3的总扫描时间[（122±30）和（115±29）s（P>0.05）]显着少于扫描策略1[（156±31）s]（P<0.05）。结论仿真头颅模型环境下使用扫描策略3进行全牙弓扫描, 可获得高精度扫描数据, 操作更便捷, 扫描时间更短, 且普适于目前临床常用的口内扫描仪。
陈俊锴,孙玉春,陈虎,曹悦,柯怡芳,周永胜[2]（2021）在《口内三维扫描仪扫描精度的定量评价方法研究》文中提出目的通过建立口内三维扫描仪扫描精度的定量评价方法,评价6种口内三维扫描仪的扫描精度,明确扫描范围与扫描精度之间的变化规律。方法计算机辅助设计全牙列固定义齿预备体简化模型,借助加工正确度为5 μm的数控机床,使用7075铝合金制作实体模型5个,用测量精度为0.7 μm的三坐标测量机检验加工偏差,选取5个模型中加工偏差最小的模型作为后续口内三维扫描仪扫描精度定量评价的实体模型,导出模型设计数据作为扫描精度定量评价真值。6种口内三维扫描仪采用相同扫描路径扫描实体模型各10次,共获得60个数字模型。导入Geomagic Studio 2014软件中,提取数字模型肩台外缘线以上预备体,分为单冠组、三单位组、五单位组、全牙列组,分别与设计数据配准以及组内两两配准,进行三维偏差分析,计算扫描精度（包括扫描正确度与精密度）。结果 6种口内三维扫描仪单冠组、三单位组、五单位组和全牙列组的扫描正确度中位数范围分别为13.3～29.6、15.4～30.9、17.0～66.1和24.0～107.9 μm,扫描精密度中位数范围分别为7.6～20.7、8.7～26.5、11.3～44.2和24.6～150.1 μm。结论随着扫描范围的增加,6种口内三维扫描仪的扫描精度可出现不同程度的下降。
武明彤,唐素霞,彭玲燕,韩雨亭,宿玉成,汪霞[3]（2021）在《仿真头颅模型口内和手持牙颌模型条件下四种口内扫描仪全牙弓扫描时间和精度的对比研究》文中研究指明目的通过比较仿真头颅模型口内和手持牙颌模型条件下4种口内扫描仪全牙弓扫描的扫描时间及扫描精度,评估不同扫描条件对数字化扫描的影响。方法选择1个可固定于仿真头颅模型口内的上颌牙颌模型,使用光学扫描仪（ATOS Core）扫描全牙弓,获取".stl"格式数据作为参考数据。将上颌模型固定于仿真头颅模型口内,3名研究者均使用4种口内扫描仪[A（TRIOS 3）、 B（CS 3600）、C（CEREC Omnicam）、D（iTero）]分别扫描6次,获得".stl"格式数据（头模组）;采用手持牙颌模型的方式,3名研究者再使用上述4种口内扫描仪分别扫描6次,获得".stl"格式数据（手持组）;记录扫描时间。通过Geomagic Wrap软件修剪数字化模型,仅保留牙列数据,通过最佳拟合功能配准和三维偏差分析比较各组扫描数据与参考数据,获得扫描正确度;通过最佳拟合功能配准和三维偏差分析对每名研究者使用同一扫描仪获得的6次扫描数据进行两两比较,获得扫描精密度。结果数据均以"中位数（四分位数间距）"的形式表达。使用Mann WhitneyU检验比较同一扫描仪扫描时间、正确度和精密度的组间差异。结果对于带有手柄的口内扫描仪A和D,头模组扫描时间[分别为142（82）和119（52） s]均显着大于手持组[分别为98（28）和85（22） s]（P<0.01）;口内扫描仪B和C的两组扫描时间差异均无统计学意义（P>0.05）。对于口内扫描仪A和B,两组扫描正确度和精密度差异均无统计学意义（P>0.05）;对于口内扫描仪C,头模组正确度[112（38） μm]显着优于手持组[135（47） μm]（P<0.05）,两组精密度差异无统计学意义（P>0.05）;对于口内扫描仪D,头模组精密度[43（13） μm]显着优于手持组[53（18） μm]（P<0.01）,两组正确度差异无统计学意义（P>0.05）。结论不同口内扫描仪全牙弓数字化扫描的扫描时间和扫描精度可受扫描条件影响。口内扫描仪体外研究时仿真头颅模型口内环境可模拟临床扫描中医师和患者的体位及患者有限的口内空间。
崔哲[4]（2021）在《基于深度学习的古建筑构件自动分类》文中进行了进一步梳理中国文化源远流长,各朝各代遗留大量的文化瑰宝,其中,古建筑是中华文化的重要宝藏,是传承中华文化的核心。早期的古建筑信息主要以文字、绘图、拍照等方式进行存储,随着三维重建技术的成熟,大量的古建筑表面信息以三维点云等形式进行留存。中国古建筑的大木结构极具特色,各个构件是组成古建筑主体的基本单位,如何从三维点云中对古建筑构件进行分类是实现大木结构高效率建模的关键步骤。点云数据分类主要有传统的分类算法和机器学习分类算法,算法主要包括最邻近分类、基于聚类、支持向量机、随机森林等。传统分类算法虽然在不断改进,提升分类效果,但这些算法多数是针对于小场景任务,对于古建筑海量点云的分类捉襟见肘,且大多数算法需要人为设定特征描述子、大量阈值及参数,步骤繁琐,不够智能化。近些年来,深度学习的快速发展为古建筑点云构件分类提供了新的研究思路。鉴于上述分析,本文利用经典的、直接以点云为输入的深度神经网络PointNet,对故宫古建筑的立柱和额枋两类构件进行分类提取。基于深度学习的点云分类降低了人工干预程度,使构件分类的过程更加智能化。在分类的基础上,本文应用基于统计信息的方法对深度学习提取的立柱、额枋进行更精细的分类,提高了分类结果的精度。在基于深度学习的古建筑点云分类方面,本文对PointNet网络进行改进,提升分类效果。改进主要内容如下:（1）分析点云输入神经网络的特性,在自建古建筑数据集中加入颜色特征、反射强度等特征（2）提升局部特征提取能力,在输入数据中选出种子点,以种子点为中心划分尺度区域,区域内的点作为种子点邻域点,提取区域内局部特征,再将局部特征与全局特征连接。通过上述改进提高整个网络学习特征的能力。在基于统计信息的构建精细分类方面,考虑到古建筑标准构件的几何特性及不同构件之间尺寸的差异性,以立柱、额枋构件的标准模型为参考,应用基于信息统计的D1形状分布函数,将深度学习方法提取的构件与标准模型进行匹配判定构件的具体类别,达到精细分类。由于简单的形状分布函数仅考虑到距离特征,得到的特征值不能充分表征模型,本文使用以面积作为权重因子的方法对模型进行重采样和计算特征值,得到更稳定的相似值,提高匹配精准度。针对上述研究成果,本文基于visual studio2013+QT5+OSG开发了三维实验平台,实现模型展示、采样可视化、匹配等功能,快速实现构件细分类。本文的研究成果提高了古建筑点云分类的精度,为研究古建筑大木结构构件的分类、重建、健康监测等提供参考数据,对古建筑的科技保护具有一定的现实意义。
吴峰峰[5]（2021）在《基于激光点云数据的玉米植株三维重建研究》文中认为玉米是我国重要的粮食作物之一,在我国种植面积广泛。玉米表型性状对优化农田管理活动,如栽培管理、植物保护和水肥管理等农业生产的各个环节都有着广泛的应用价值。株高、叶片形态等表型参数对于玉米生长具有重要的意义,同时,监测不同时期的植株高度和叶片形态的变化,可以让研究者确定玉米的健康和生长状态。玉米植株表型的量化过程通常是人工完成的,耗时耗力、效率低且准确性差,而且常常会受到人为主观的影响;另一个缺点是它涉及破坏性测量,这妨碍了在整个生长季节对植株发育的持续监测。因此,在对于玉米栽培研究中,无损获取玉米表型参数是一个瓶颈,为了改善作物表型参数获取方法,需要开发新的无损监测技术,最好是能够提供植株冠层结构详细数据的平台。近年来,三维建模成为作物表型监测领域的研究热点,研究人员基于不同平台对作物三维重建与表型参数获取进行研究,包括使用基于激光扫描仪、多视角图像和深度相机等。高分辨率三维重建技术提供了一种无损监测玉米冠层的几何特性和获取表型参数的手段,并允许在单个器官层面进行研究。本研究以不同品种的玉米盆栽实验为基础,基于电动旋转平台和激光扫描仪获取不同生长阶段的玉米植株点云数据。采用激光扫描仪Space Spider的配套软件Artec Studio Professional 14.0,利用迭代最近点（Iterative Closest Point,ICP）算法进行点云自动配准。利用滤波预处理去除点云噪声,获得相对平滑的稠密点云。针对拔节期玉米植株,利用对植株进行截断处理、分段获取点云的重建方法,并研究了 ICP算法对玉米植株分段点云的拼接。基于重建的玉米植株三维结构提取了植株高度和叶片相关表型参数,并进行精度验证。主要研究结果如下:采集玉米植株不同生长阶段的不同视角下的点云数据,使用Artec Studio Professional 14软件自动配准中的整体配准方法,并且在配准步骤中不断优化关键帧率（keyframe ratio）和特征搜索半径（feature searchradius）两个参数完成配准工作。对玉米植株点云的噪声来源和特点进行了归纳总结。分别利用手动去噪方法和双边滤波方法,在保持模型边界的前提下,有效地对点云数据进行平滑去噪,得到相对平滑的点云数据。利用贪婪投影三角化算法完成了植株点云数据的网格重建,且重建效果良好。对网格重建后的数据附加点云的初始颜色,能够使三维模型展现玉米植株最自然的颜色,效果更真实。针对拔节期玉米植株,激光扫描仪难以获取完整的点云数据,本研究使用ICP算法,对于不同品种玉米植株在旋转平台下获取的分段点云都完成了完整拼接。因此,该方法能够实现点云拼接且效果较好,可以实现对较高株型玉米植株的三维重建。针对重建的玉米植株三维模型易出现点云缺失的现象,运用Geomagic Warp 2014对封装重建后的玉米进行了缺失区域的补失。通过对比,补失后的模型进一步表达并完善了玉米植株三维模型。基于重建的三维模型分别提取各个品种玉米植株的株高、叶长、叶宽和叶面积四个表型参数。与人工实测值比较,各品种玉米植株提取的株高与实测的株高R2均在0.95以上,其中京科糯植株提取的株高与实测的株高R2为0.964,RMSE为3.217 cm;荟甜8号植株提取的株高与实测的株高R2为0.952,RMSE为3.543 cm;自交系植株提取的株高与实测的株高R2为0.961,RMSE为3.233 cm。三个品种玉米植株叶片表型参数的R2均在0.93以上,其中,京科糯、荟甜8号和自交系的叶片长度R2均在0.95以上,分别为 0.963、0.962 和 0.958,RMSE 分别为 2.943 cm、2.255 cm 和 2.496 cm;叶片宽度 R2均在 0.93 以上,分别为 0.932、0.946 和 0.942,RMSE 分别为 0.306 cm、0.225 cm和0.214 cm;叶面积R2均在0.94以上,分别为0.967、0.955和0.943,RMSE分别为12.942 cm2、14.256 cm2和 11.083 cm2。
杨琪[6]（2021）在《不同印模方法制作修复体模型的准确度比较》文中研究说明目的:本研究采用体外实验的方法,比较通过不同印模方法制作的传统石膏模型、口内数字模型、3D打印模型的准确度,以期为临床上不同印模技术的选择提供参考。方法:对一上颌标准牙科研究模型（Dental Study Model 500A,Nissin,日本）进行12-22开窗式贴面预备,将预备完成后的模型放入D2000口外扫仪中（3shape,丹麦）获取其三维扫描数据R作为参考模型数据,将预备完成的标准工作模型置于教学仿头模内,对模型分别进行以下操作,获得相应的工作模型:（1）3Shape Trios口内扫描仪重复扫描8次,获得8个口内数字模型;（2）取8次硅橡胶印模,灌注石膏,获得8个石膏模型;（3）口内扫描仪产生的8个扫描数据用3D打印机（联泰S300,中国）打印,获得8个3D打印树脂模型。再次用口外扫描仪对8个石膏模型、3D打印模型扫描,获取其三维数据。将三组模型的三维扫描数据导入Geomagic Qualify 2015软件进行图像分析。用单因素方差分析和LSD检验分析以及独立样本t检验分析三组模型的准确度（检验水准α=0.05）。结果:1.对于12-22贴面模型,口内扫描组、3D打印模型组、石膏模型组的正确度分别为32.47±4.66μm、33.62±3.01μm、22.68±1.85μm;精密度分别为20.61±7.94μm、21.82±5.71μm、23.70±3.51μm。三组模型的精密度无显着差异（P>0.05）,口内数字模型组与3D打印模型组正确度无明显差异但均小于石膏模型组（P<0.05）。2.对于全牙列模型,口内扫描组、3D打印模型组、石膏模型组的正确度分别为97.65±6.89μm、105.07±8.78μm、65.65±3.63μm;精密度分别为37.87±12.26μm、76.82±9.91μm、37.98±8.47μm。石膏模型组的正确度>口内扫描组>3D打印模型组（P<0.05）;口内数字模型组的精密度=石膏模型组>3D打印模型组（P<0.05）。结论:1.在本实验三组模型中,石膏模型具有较高的正确度及精密度。2.对于贴面模型,口内数字印模与3D打印模型的准确度相当,但对于全牙列模型,3D打印模型的准确度不及口内数字模型。3.对于贴面修复,可考虑使用数字印模及3D打印模型,当涉及全牙列的精密修复时,应谨慎使用数字印模的方法。
郝如意[7]（2021）在《基于三维激光扫描技术的转体桥球铰体系安装精度检测方法研究》文中认为近年来,随着桥梁转体施工技术的日趋成熟,我国建造的转体桥梁规模不断扩大。球铰体系是转体桥的核心结构,其安装施工精度的高低直接决定了桥梁是否能够安全顺利的转体。目前球铰体系的安装施工工艺简陋,其结构内的下球铰、滑道及滑块等安装后是否达到设计使用要求尚且没有快速高效的检测手段,极易受人为因素的制约。三维激光扫描技术（TLS）作为上世纪90年代兴起的一种新型测绘技术,因其非接触性、瞬时性、高效性等独特优势,已被广泛应用于工程测量、文物保护、空间信息监测等领域。将三维激光扫描技术应用于转体桥球铰体系安装校核领域,可更高效地提供球铰安装的可靠精准信息。本文在阅读大量文献,对转体桥球铰安装技术现状进行综合论述的基础上,分析探讨了三维激光扫描技术的点云数据精度的影响因素。使用Free Scan UE手持式三维激光扫描仪对球铰体系缩尺模型进行点云数据采集技术研究。并利用Geomagic系列软件对点云数据进行预处理和精度检测分析。针对现有软件的不足,利用Matlab编写了用于检测球铰体系中滑块安装精度的新程序。主要研究内容及结果如下:（1）通过模拟试验分析被测物材质及颜色、扫描天气与时间以及扫描仪分辨率对点云数量、扫描所需时间的影响,获得球铰体系的最佳扫描环境及扫描仪参数。结果表明,天气为阴天,或晴天的7:00-9:00、15:00-19:00扫描效率最高。由于工程结构较大,扫描仪的分辨率可选择1mm,若精度要求高,分辨率选择0.8mm或0.5mm;（2）设计并制作了实际工程球铰体系缩尺模型,并对模型进行点云数据的获取;利用Geomagic Wrap软件进行点云预处理,包括数据缩减、体外孤点的删除、点云封装、删除钉状物、孔洞填充、网格医生等操作,获得精确的三角面片模型。（3）利用Geomagic Control X软件对球铰体系的安装精度进行分析,包括曲面拟合、比较分析等,结果表明:采用本文技术可有效快速实现下球铰与滑道的同心度偏差、平行度偏差和滑块安装精度的测量和调整,直至满足设计要求。（4）利用Matlab编写了结果形式更直观的滑块安装精度检测程序,并通过实例验证了程序的可行性;通过轴向应力测试,验证了滑块安装精度检测方法的可行性与准确性。（5）提出了一套高效可行的球铰体系安装施工技术检测方法,为实际工程中转体桥球铰体系安装精度的检测提供参考。
钟佩珂[8]（2021）在《基于点线特征结合的大视场机载摆扫红外影像配准研究》文中研究指明大视场红外多光谱扫描仪是由国家高分辨率对地观测系统重大专项研制的红外遥感仪器,该扫描仪基于长线阵探测器的整机摆扫式100度全景成像,共生成10个波段的影像数据,可以实现多光谱、大视场、高分辨率对地观测。为了快速获得空间对准的10个波段红外多光谱产品并且进一步提高拼接红外影像产品的地理位置精度,需要将影像进行精确配准。然而大视场红外多光谱扫描仪影像不同波段之间、拼接红外影像与正射影像之间存在不同的辐射响应特性、地物变化、高层建筑物偏倒等差异,传统的基于灰度信息或基于点特征的配准方法难以取得理想的结果,因此本文提出了适应该项目影像特点的配准算法。论文的主要研究内容如下:1、基于相位一致性的点特征匹配方法研究。针对大视角机载摆扫红外扫描仪不同波段影像之间的灰度值存在明显的非线性变换,从几何结构信息保持不变的角度出发,提出一种基于相位一致性的点特征匹配方法。从特征提取、特征筛选、构建特征描述符、特征匹配与误匹配剔除等方面提出改进,利用相位一致性模型对光照、对比度差异的不变性优势,采用多尺度、多方向的Log-Gabor滤波提取影像的轮廓信息,通过匹配带有几何结构信息的特征描述符实现点特征的匹配。2、基于点线特征结合的影像配准方法研究。针对拼接红外影像与正射影像之间更复杂的差异,本文提出点线特征结合的配准方法。首先基于相位一致性匹配点特征匹配得到影像的仿射变换参数;基于LSD算法提取稳定的直线特征,通过直线自身属性约束和几何约束实现同名直线匹配;最后利用广义摄影测量的思想,根据直线的角度对同名直线上的边缘点完成对应某个方向的转换,实现影像的高精度配准。3、将本文提出的基于相位一致性的点特征匹配方法应用于大视角机载摆扫红外波段影像的配准,实验结果显示该方法能实现波段间的正确配准,且在算法效率和配准精度上有较大优势;将本文提出的基于点线特征结合的影像配准方法应用于拼接红外影像与正射影像之间的配准,实验结果显示该方法能将红外拼接影像的空间精度提高至5个像素之内。
赵奋强[9]（2021）在《基于球面神经网络的大脑皮层数据处理与分析》文中研究说明磁共振成像（Magnetic Resonance Imaging,MRI）技术的问世与发展使得我们可以无创地采集、观察人类大脑图像并研究大脑的神经系统发育与疾病。在过去几十年中,MR图像处理的技术蓬勃发展,其中最关键的便是基于脑体积和基于脑皮层的数据处理方法。近年来,脑体积的数据处理流程中已经出现了很多基于深度学习的算法,提高了它的速度与精度,然而脑皮层的数据处理与分析大多还依赖传统的手工提取特征和机器学习方法,在很多应用上已经满足不了当前大规模神经影像数据处理的需求。因此,为了更加快速、准确地得到脑皮层数据的处理结果,本论文针对当前脑皮层分析流程中存在的问题进行深入探究,利用深度学习中的卷积神经网络（Convolutional Neural Network,CNN）加快了数据处理流程,同时还获得了比当前其他方法高得多的准确度。具体来讲,本论文重点围绕以下四个方面的工作展开。（1）基于球面U-Net的皮层分区与属性预测。大脑皮层表面的结构是在流形空间中具有球形拓扑属性的,其上的每一个顶点之间没有一致的邻域定义,因而无法在皮层表面上进行直接的卷积操作并搭建CNN。为了解决这个问题,本论文利用重新采样到球面空间的皮层表面的规则几何结构,提出了一种新型的卷积滤波器——1-ring卷积核。基于1-ring卷积核,我们在球面上开发了相应的卷积、池化和转置卷积等操作,从而构建了球面U-Net（Spherical U-Net）结构。随后,本论文将球面U-Net应用于大脑皮层数据处理中两个具有挑战性的任务:皮层表面分区和皮层属性发育预测。这两个应用都证明了本论文提出的球面U-Net在准确性和计算效率上具有更加优越的性能。（2）基于三个正交球面U-Net的快速球面配准算法。皮层表面配准是将不同个体和时间点的皮层表面对齐,以建立横向和纵向的皮层对应关系。本论文基于CNN开发了一个快速球面配准（Superfast Spherical Surface Registration,S3Reg）算法。S3Reg采用了端到端的无监督学习策略,因此在输入特征和输出相似度上提供了很大的灵活性,同时还显着地降低了配准时间。为了解决极点失真问题,我们设计了三个正交球面U-Net网络结构,利用球面CNN强大的学习能力直接学习球面空间中的速度场,并通过“缩放和平方”层得到能够保证拓扑结构的变形场。分别配准成人和婴儿的多模态皮层特征的实验结果表明,本论文提出的S3Reg获得了与当前最好配准方法相当的性能,但同时将配准时间从1分钟降低到了10秒。（3）基于球面神经网络的大脑皮层同时分区与配准。传统的大脑皮层配准与分区是两个独立的任务,但这明显忽略了他们之间的密切联系。为此,本论文提出了一个同时进行配准和分区的深层球面神经网络。我们首先使用一个编码器学习这两个任务的共享特征,然后分别为配准和分区训练一个特定的解码器。随后,为了进一步挖掘这两个任务之间的明确联系,利用分区图相似性损失来加强感兴趣区域边界的一致性,从而为配准任务提供额外的监督信息。反过来,将一个带有人工标记的分区图配准到另一个没有人工标记的球面上可以为分区任务提供额外的训练数据。实验结果表明,本论文提出的方法相比单独训练的分区和配准模型获得了巨大的提升,并且能够使用很少的标记数据来训练高质量的分区和配准模型。（4）基于球面U-Net的多中心皮层属性数据结合方法。直接结合多中心的神经影像数据,例如大脑皮层厚度,进行联合分析将不可避免地引入MRI扫描仪的差异。为了解决这个问题,本论文将球面U-Net和周期一致性对抗网络结合起来,提出了球面皮层表面的周期一致性对抗网络——Surface to Surface Generative Adeversarial Network（S2SGAN）。S2SGAN首先将扫描仪X到扫描仪Y的数据结合建模为球面之间的数据映射任务。因此,它需要学习一个映射GX:X→Y,使得GX（X）的数据分布与Y无法区分。其次,数据结合还要保留个体差异,S2SGAN便利用了逆映射GY:Y→X和周期一致性损失让GY（GX（X））≈X（反之亦然）。在合成的和真实的脑皮层数据上的定量和定性结果都表明,与当前最好的方法相比,本论文提出的方法在消除不必要的扫描仪效应和保留个体差异方面都获得了更好的结果。
黄卓[10]（2021）在《大型核电厂房设施三维扫描检测系统研究》文中研究指明核能发电作为中国能源结构的重要组成部分,已为我国电力生产做出了重大贡献。但在享受核电给我们带来便利的同时,也必须时刻警惕核电可能造成的安全隐患。核设施退役是保证核电安全的重要环节之一,常采用仿真与可视化技术作为其重要辅助手段。然而,所有的仿真与可视化技术都建立在有准确的三维模型的基础上,故获取能够反应核设施当前状态的三维模型便显得尤为重要。基于此,本文提出并研发了一套能够获取核设施三维模型的三维扫描检测系统,为国内核设施退役引入仿真与可视化技术奠定基础,主要研究内容如下:1、调研相关理论基础和检测技术。针对目前国内外现有的三维激光扫描技术和基于点云数据的形体重构技术进行了深入调研与总结,为研发具有自主知识产权的核设施三维扫描检测系统奠定理论和技术基础;2、核电厂房空间三维点云的获取与可视化技术研究。通过分析核电厂房的特点和核电厂房的点云获取需求,提出了适用于大型核电厂房的三维点云获取与可视化方案,包括基于大空间扫描技术获取核电厂房的全局点云、基于手持式高精度局部扫描技术获取核设施的局部点云、基于拼接技术将全局点云与局部点云统一到同一坐标系下以获得核电厂房点云、基于海量点云的可视化技术对核电厂房点云进行渲染;3、基于核电厂房点云数据的核设施重构技术研究。通过分析核电厂房点云数据的特点,提出了适用于大型核电厂房的核设施重构方案,包括基于卷积神经网络识别出核电厂房中的核设施、核设施特征面的提取、核设施特征面的几何参数提取、基于NURBS曲面的核设施重构;4、基于以上所提出的核电厂房空间三维点云数据的获取与可视化技术和基于核电厂房点云数据的核设施重构技术,完成对大型核电厂房设施三维扫描检测系统的开发,并通过模拟真实工况,对该检测系统的功能与重构精度进行了验证。
二、如何正确使用扫描仪（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、如何正确使用扫描仪（论文提纲范文）
（4）基于深度学习的古建筑构件自动分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 古代建筑数字化 |
| 1.2.2 点云分类算法 |
| 1.2.3 模型匹配特征 |
| 1.3 研究内容与技术路线 |
| 1.4 论文的组织安排 |
| 第2章 理论基础与应用 |
| 2.1 三维激光扫描技术 |
| 2.1.1 三维激光扫描仪 |
| 2.1.2 三维激光扫描在古建筑保护中的应用 |
| 2.1.3 三维点云重建步骤 |
| 2.2 卷积神经网络 |
| 2.3 深度学习框架 |
| 2.3.1 主流框架介绍 |
| 2.3.2 框架核心 |
| 2.4 本章小结 |
| 第3章 基于PointNet的古建筑构件分类 |
| 3.1 PointNet网络 |
| 3.2 改进PointNet网络 |
| 3.2.1 输入特征 |
| 3.2.2 网络结构 |
| 3.3 实验与分析 |
| 3.3.1 实验环境搭建 |
| 3.3.2 数据集 |
| 3.3.3 网络参数设置 |
| 3.3.4 评价指标 |
| 3.3.5 结果分析 |
| 3.4 本章小结 |
| 第4章 基于统计信息的构件分类 |
| 4.1 古建筑构件参数化建模 |
| 4.2 形状分布函数 |
| 4.3 形状加权的形状分布函数 |
| 4.3.1 平台搭建 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（5）基于激光点云数据的玉米植株三维重建研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1 研究背景 |
| 2 研究进展 |
| 2.1 虚拟作物模型研究进展 |
| 2.2 点云去噪配准研究进展 |
| 2.3 点云特征描述与提取研究进展 |
| 2.4 基于点云数据的三维重建研究进展 |
| 3 研究目的与意义 |
| 4 研究内容、目标与技术路线 |
| 4.1 研究内容和目标 |
| 4.2 技术路线 |
| 参考文献 |
| 第二章 材料与方法 |
| 1 试验设计 |
| 2 数据获取与处理 |
| 2.1 激光点云数据的获取 |
| 2.1.1 点云获取设备 |
| 2.1.2 点云获取方法 |
| 2.2 点云数据处理方法 |
| 2.2.1 点云处理设备及软件 |
| 2.2.2 点云配准 |
| 2.2.3 去噪 |
| 2.2.4 下采样 |
| 2.3 表型参数的提取 |
| 2.3.1 玉米植株茎叶点云分割 |
| 2.3.2 株高的提取 |
| 2.3.3 叶片参数提取 |
| 2.4 手动实测表型参数 |
| 3 精度分析与评价 |
| 参考文献 |
| 第三章 玉米植株三维点云数据平滑去噪方法研究 |
| 1 引言 |
| 2 结果与分析 |
| 2.1 三维点云数据配准 |
| 2.2 玉米植株点云噪声分析 |
| 2.3 玉米植株点云去噪 |
| 2.3.1 基于Artec Studio Professional 14的点云去噪 |
| 2.3.2 基于双边滤波方法的点云去噪 |
| 3 本章小结 |
| 参考文献 |
| 第四章 基于激光点云数据的玉米植株三维重建研究 |
| 1 引言 |
| 2 结果与分析 |
| 2.1 基于点云数据的玉米植株三维重建 |
| 2.1.1 点云数据精简 |
| 2.1.2 点云三角网格化 |
| 2.1.3 基于点云数据的植株动态重建 |
| 2.2 基于激光扫描数据和ICP算法的高大植株重建 |
| 2.2.1 截断玉米植株点云获取与拼接 |
| 2.2.2 截断玉米植株点云拼接结果 |
| 2.3 玉米植株三维模型细节补失方法 |
| 3 本章小结 |
| 参考文献 |
| 第五章 基于激光扫描数据的玉米植株表型参数提取与精度分析 |
| 1 引言 |
| 2 结果与分析 |
| 2.1 玉米植株三维点云分割 |
| 2.2 玉米植株叶片中脉拟合 |
| 2.3 玉米植株表型参数提取与精度分析 |
| 2.3.1 株高提取与精度分析 |
| 2.3.2 叶片表型参数提取与精度分析 |
| 3 本章小结 |
| 参考文献 |
| 第六章 结论与讨论 |
| 1 结论 |
| 1.1 玉米植株三维点云数据平滑去噪方法研究 |
| 1.2 基于点云数据的玉米植株三维重建研究 |
| 1.3 基于激光扫描数据的玉米植株表型参数提取与精度分析 |
| 2 讨论 |
| 2.1 基于激光扫描数据的玉米植株三维重建 |
| 2.2 玉米植株茎叶点云分割 |
| 2.3 基于激光扫描数据的植株表型参数研究 |
| 3 本研究的创新点 |
| 4 存在的问题 |
| 5 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文及科研成果目录 |
| 致谢 |
（6）不同印模方法制作修复体模型的准确度比较（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 常用缩写词中英文对照表 |
| 前言 |
| 1 材料与方法 |
| 1.1 主要研究材料与设备 |
| 1.2 研究方法 |
| 1.3 统计学方法 |
| 2 结果 |
| 2.1 关于模型修剪及配准方法可靠性的检验 |
| 2.2 模型扫描仪可靠性的检验 |
| 2.3 口内数字模型、3D 打印模型、石膏模型的正确度比较 |
| 2.4 口内数字模型、3D 打印模型、石膏模型的精密度比较 |
| 2.5 12-22 贴面模型与全牙列模型准确度比较 |
| 3 讨论 |
| 3.1 试验材料及仪器的选择 |
| 3.2 模型准确度计算方法的选择 |
| 3.3 口内数字印模准确度的研究 |
| 3.4 3D打印模型准确度的研究 |
| 3.5 3D 偏差色谱图分析 |
| 3.6 不足和展望 |
| 4 结论 |
| 参考文献 |
| 综述 口内数字印模准确度的影响因素 |
| 参考文献 |
| 附录 |
| 致谢 |
| 个人简介 |
（7）基于三维激光扫描技术的转体桥球铰体系安装精度检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滑道与下球铰安装校核技术研究现状 |
| 1.2.2 下球铰滑块安装校核技术研究现状 |
| 1.2.3 三维激光扫描技术研究现状 |
| 1.3 主要研究内容及技术路线 |
| 第2章 三维激光扫描技术的点云数据精度影响因素分析 |
| 2.1 三维激光扫描技术简介 |
| 2.1.1 三维激光扫描技术概念 |
| 2.1.2 三维激光扫描技术基本原理 |
| 2.1.3 三维激光扫描技术优势 |
| 2.1.4 扫描仪的设备特点和性能指标 |
| 2.2 影响扫描仪获取点云精度的因素 |
| 2.2.1 被测物体自身因素 |
| 2.2.2 外界环境因素 |
| 2.2.3 仪器误差因素 |
| 2.3 被测物体特性对点云精度的影响分析试验 |
| 2.3.1 试验材料及方案 |
| 2.3.2 试验结果及分析 |
| 2.4 主要环境因素对点云精度的影响分析试验 |
| 2.4.1 试验材料及方案 |
| 2.4.2 试验结果及分析 |
| 2.5 扫描仪分辨率对球铰模型点云精度的影响分析试验 |
| 2.5.1 试验材料及方案 |
| 2.5.2 试验结果及分析 |
| 2.6 本章小结 |
| 第3章 球铰体系缩尺模型点云数据采集与处理 |
| 3.1 球铰体系缩尺模型介绍 |
| 3.2 球铰体系点云数据的采集 |
| 3.2.1 扫描仪器简介 |
| 3.2.2 扫描前的准备工作 |
| 3.2.3 球铰体系扫描 |
| 3.3 Geomagic Wrap软件的点云数据预处理 |
| 3.3.1 Geomagic Wrap软件介绍 |
| 3.3.2 球铰体系点处理 |
| 3.3.3 球铰体系面处理 |
| 3.4 本章小结 |
| 第4章 球铰体系安装精度检测分析 |
| 4.1 Geomagic Control X三维软件介绍 |
| 4.2 基于Geomagic Control X的滑道与下球铰安装精度检测分析 |
| 4.2.1 滑道与下球铰的曲面匹配 |
| 4.2.2 下球铰及滑道精度比较分析 |
| 4.3 基于Geomagic Control X的下球铰滑块安装精度检测分析 |
| 4.3.1 下球铰滑块的曲面匹配 |
| 4.3.2 下球铰滑块3D比较分析 |
| 4.4 滑块角度偏差分析 |
| 4.4.1 角度偏差分析计算原理 |
| 4.4.2 数据分析 |
| 4.5 本章小结 |
| 第5章 滑块安装正确性评价及球铰体系检测方法 |
| 5.1 基于Matlab数据编程的下球铰滑块安装误差分析 |
| 5.1.1 程序流程分析 |
| 5.1.2 应用实例分析 |
| 5.1.3 编程算法的主要优势 |
| 5.2 基于轴向应力的滑块安装精度试验验证 |
| 5.2.1 应变片测量原理 |
| 5.2.2 试验方法与过程 |
| 5.2.3 试验结果分析 |
| 5.3 球铰体系安装精度检测操作方法与控制要求 |
| 5.3.1 球铰体系安装精度检测操作方法 |
| 5.3.2 球铰体系安装精度检测控制要求 |
| 5.4 本章小节 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录 |
| 作者简介及科研成果 |
| 致谢 |
（8）基于点线特征结合的大视场机载摆扫红外影像配准研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 影像配准的研究现状及分析 |
| 1.2.1 基于区域(灰度)的配准方法 |
| 1.2.2 基于特征的配准方法 |
| 1.3 本文的研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 2.大视场机载摆扫红外扫描仪介绍与影像配准算法思路 |
| 2.1 大视场机载摆扫红外扫描仪介绍 |
| 2.1.1 大视场机载摆扫红外扫描仪构造 |
| 2.1.2 大视场机载摆扫红外扫描仪成像特点 |
| 2.1.3 多波段影像数据 |
| 2.2 配准算法思路与流程 |
| 2.2.1 波段影像配准 |
| 2.2.2 拼接红外影像与正射影像配准 |
| 2.3 本章小结 |
| 3.基于相位一致性的点特征匹配方法研究 |
| 3.1 相位一致性原理 |
| 3.1.1 相位一致性与局部能量 |
| 3.1.2 基于Log-Gabor小波的相位一致性计算 |
| 3.2 基于相位一致性的点特征提取与筛选 |
| 3.2.1 相位最小矩提取角点特征 |
| 3.2.2 相位最大矩提取边缘图 |
| 3.2.3 基于结构属性的角点筛选 |
| 3.3 基于相位一致性的点特征描述与匹配 |
| 3.3.1 特征描述符的构建 |
| 3.3.2 特征匹配与粗差剔除 |
| 3.4 本章小结 |
| 4.基于点线特征结合的影像配准方法研究 |
| 4.1 基于LSD算法的直线提取 |
| 4.1.1 影像下采样处理 |
| 4.1.2 梯度计算 |
| 4.1.3 区域增长与外接矩估计 |
| 4.1.4 生成直线 |
| 4.2 基于几何约束确定同名直线 |
| 4.2.1 点特征匹配建立几何约束 |
| 4.2.2 同名直线匹配 |
| 4.3 同名直线配准 |
| 4.4 本章小结 |
| 5.实验与分析 |
| 5.1 影像配准评价标准 |
| 5.2 不同波段大视场红外扫描仪影像配准 |
| 5.2.1 实验影像介绍 |
| 5.2.2 实验结果与分析 |
| 5.3 拼接红外影像与正射影像DOM配准 |
| 5.3.1 实验影像介绍 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 6.总结和展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻硕期间发表的与学位论文相关的科研成果目录 |
| 致谢 |
（9）基于球面神经网络的大脑皮层数据处理与分析（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语表 |
| 第1章 绪论 |
| 1.1 大脑皮层表面的重建及其意义 |
| 1.1.1 MR图像预处理 |
| 1.1.2 大脑皮层表面重建流程 |
| 1.2 大脑皮层表面数据的处理与分析 |
| 1.2.1 大脑皮层表面配准 |
| 1.2.2 大脑皮层表面分区 |
| 1.2.3 多中心皮层属性数据结合 |
| 1.2.4 大脑发育建模与预测 |
| 1.3 论文的主要研究内容与章节安排 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的结构安排 |
| 第2章 基于球面U-Net的皮层分区与属性预测 |
| 2.1 球面U-Net |
| 2.1.1 正二十面体离散化的球面 |
| 2.1.2 1-ring卷积核 |
| 2.1.3 标准球面卷积操作 |
| 2.1.4 标准球面池化操作 |
| 2.1.5 球面上采样操作 |
| 2.1.6 球面U-Net的构建 |
| 2.2 球面可变形U-Net |
| 2.2.1 球面变形卷积与池化操作 |
| 2.2.2 球面可变形U-Net的构建 |
| 2.3 大脑皮层分区实验 |
| 2.3.1 实验设计 |
| 2.3.2 基准模型 |
| 2.3.3 实验结果 |
| 2.4 大脑皮层属性发育预测 |
| 2.4.1 实现细节 |
| 2.4.2 其他方法的实现 |
| 2.4.3 实验结果 |
| 2.5 讨论 |
| 2.6 本章小结 |
| 第3章 基于三个正交球面U-Net的快速球面配准算法 |
| 3.1 背景知识 |
| 3.1.1 Voxel Morph框架 |
| 3.1.2 微分同胚的变形场 |
| 3.2 基于三个正交球面U-Net的配准框架 |
| 3.2.1 整体网络结构 |
| 3.2.2 球面变形操作 |
| 3.2.3 损失函数 |
| 3.2.4 用于辅助配准的ROI分区信息 |
| 3.3 实验与结果 |
| 3.3.1 实验设计 |
| 3.3.2 成人大脑皮层表面的配准结果 |
| 3.3.3 婴儿大脑皮层表面配准的结果 |
| 3.3.4 异常大脑皮层表面的配准结果 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第4章 基于球面神经网络的大脑皮层同时分区与配准 |
| 4.1 大脑皮层同时分区与配准的方法 |
| 4.1.1 网络结构 |
| 4.1.2 损失函数 |
| 4.1.3 训练策略 |
| 4.2 实验设计 |
| 4.2.1 数据集 |
| 4.2.2 基准方法 |
| 4.2.3 实现细节 |
| 4.3 结果 |
| 4.3.1 配准方法的比较 |
| 4.3.2 共享编码器(SE)的消融实验 |
| 4.3.3 ROI分区图相似性损失函数的消融实验 |
| 4.3.4 配准和分区是如何互相帮助的 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 第5章 基于球面U-Net的多中心皮层属性数据结合方法 |
| 5.1 多中心皮层属性数据结合的网络结构 |
| 5.1.1 损失函数设计 |
| 5.1.2 网络结构 |
| 5.2 实验与结果 |
| 5.2.1 合成的配对数据的实验与结果 |
| 5.2.2 真实的皮层表面数据结合实验与结果 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 本论文工作的不足之处 |
| 6.3 未来工作展望 |
| 参考文献 |
| 附录 作者简历及攻读博士学位期间发表的学术论文 |
（10）大型核电厂房设施三维扫描检测系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 三维激光扫描技术研究现状 |
| 1.2.2 基于点云数据的形体重构研究现状 |
| 1.3 课题来源与主要研究内容 |
| 第二章 核电厂房空间三维点云的获取与可视化 |
| 2.1 核电厂房空间三维点云的获取需求分析与获取方案设计 |
| 2.2 大空间高效率全局扫描 |
| 2.2.1 大空间高效率全局扫描原理 |
| 2.2.2 基于大空间扫描技术的全局点云获取 |
| 2.3 手持式高精度局部扫描 |
| 2.3.1 手持式高精度局部扫描原理 |
| 2.3.2 基于手持式高精度扫描技术的局部点云获取 |
| 2.4 全局点云与高精度局部点云的拼接 |
| 2.4.1 最近点迭代算法原理 |
| 2.4.2 基于最近点迭代算法的全局点云与局部点云的拼接 |
| 2.5 核电厂房空间海量点云的可视化 |
| 2.5.1 海量点云可视化系统的方案设计与原理 |
| 2.5.2 海量点云可视化系统的开发与验证 |
| 2.6 本章小结 |
| 第三章 基于核电厂房点云数据的核设施重构 |
| 3.1 基于核电厂房点云数据的核设施重构方案设计 |
| 3.2 基于卷积神经网络的核设施智能识别 |
| 3.2.1 神经网络模型PointNet的原理 |
| 3.2.2 基于PointNet的核设施智能识别 |
| 3.3 核设施的特征面识别 |
| 3.3.1 特征面识别相关算法及其原理 |
| 3.3.2 基于RANSAC与高斯映射的核设施特征面识别 |
| 3.4 特征面几何参数提取 |
| 3.4.1 特征面几何参数提取算法 |
| 3.4.2 核设施的特征面参数提取 |
| 3.5 核设施的重构 |
| 3.5.1 NURBS曲面重构原理 |
| 3.5.2 基于NURBS曲面的核设施重构 |
| 3.6 本章小结 |
| 第四章 核电厂房设施三维扫描检测系统的开发与验证 |
| 4.1 核电厂房设施三维扫描检测系统的开发 |
| 4.2 核电厂房设施三维扫描检测系统的验证 |
| 4.2.1 点云数据的获取验证 |
| 4.2.2 基于点云数据的重构与重构精度验证 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、如何正确使用扫描仪（论文参考文献）
- [1]三种全牙弓扫描策略对仿真头颅模型环境下口内扫描仪扫描精度和时间的影响[J]. 武明彤,唐素霞,彭玲燕,陈德平,宿玉成,汪霞. 中华口腔医学杂志, 2021(11)
- [2]口内三维扫描仪扫描精度的定量评价方法研究[J]. 陈俊锴,孙玉春,陈虎,曹悦,柯怡芳,周永胜. 中华口腔医学杂志, 2021(09)
- [3]仿真头颅模型口内和手持牙颌模型条件下四种口内扫描仪全牙弓扫描时间和精度的对比研究[J]. 武明彤,唐素霞,彭玲燕,韩雨亭,宿玉成,汪霞. 中华口腔医学杂志, 2021(06)
- [4]基于深度学习的古建筑构件自动分类[D]. 崔哲. 北京建筑大学, 2021(01)
- [5]基于激光点云数据的玉米植株三维重建研究[D]. 吴峰峰. 扬州大学, 2021
- [6]不同印模方法制作修复体模型的准确度比较[D]. 杨琪. 山西医科大学, 2021(01)
- [7]基于三维激光扫描技术的转体桥球铰体系安装精度检测方法研究[D]. 郝如意. 吉林大学, 2021(01)
- [8]基于点线特征结合的大视场机载摆扫红外影像配准研究[D]. 钟佩珂. 武汉大学, 2021(12)
- [9]基于球面神经网络的大脑皮层数据处理与分析[D]. 赵奋强. 浙江大学, 2021(01)
- [10]大型核电厂房设施三维扫描检测系统研究[D]. 黄卓. 电子科技大学, 2021(01)