CN104583715A - 用于识别物体表面中的偏差的方法和设备 - Google Patents

用于识别物体表面中的偏差的方法和设备 Download PDF

Info

Publication number
CN104583715A
CN104583715A CN201380044658.6A CN201380044658A CN104583715A CN 104583715 A CN104583715 A CN 104583715A CN 201380044658 A CN201380044658 A CN 201380044658A CN 104583715 A CN104583715 A CN 104583715A
Authority
CN
China
Prior art keywords
data measured
data
reference data
target surface
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201380044658.6A
Other languages
English (en)
Other versions
CN104583715B (zh
Inventor
B·米切利斯
T·利林布鲁姆
S·冯恩茨贝格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
INB Vision AG
Original Assignee
INB Vision AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by INB Vision AG filed Critical INB Vision AG
Publication of CN104583715A publication Critical patent/CN104583715A/zh
Application granted granted Critical
Publication of CN104583715B publication Critical patent/CN104583715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • G01B21/047—Accessories, e.g. for positioning, for tool-setting, for measuring probes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/20—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring contours or curvatures, e.g. determining profile
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明涉及一种用于使用物体表面的测得数据与指定的参考数据之间的比较来检测该表面的偏差的方法。使用指定的参考数据来生成至少部分参数化的表面描述作为目标表面模型，以及使用目标表面模型和测得数据来执行比较。同样，本发明还涉及一种用于使用物体表面的测得数据与指定的参考数据之间的比较来检测该表面的偏差的设备。

Description

用于识别物体表面中的偏差的方法和设备
本发明涉及一种用于使用物体表面的测得数据与预先指定的参考数据的比较来识别该表面中的偏差的方法。
本发明还涉及一种用于使用物体表面的测得数据与预先指定的参考数据的比较来识别该表面中的偏差的设备，该设备尤其适用于执行根据权利要求1到14中任一项所述的方法。
术语“表面”应当在最宽可能的意义下来理解，包括平坦表面和三维表面两者，例如浇铸表面和具有纹理的表面。
表面中的偏差(亦称为表面误差)是较小的局部形状偏差，诸如举例而言凹痕、勾缝、刻痕、裂纹、或者缩痕。这些偏差在经涂漆表面或光滑表面的情形中是尤其可见的，并且在评价表面质量时具有不利的效果，例如，汽车工业中的主体和内部组件、航空和航天工业中的外层、电子设备的表面等等。举例而言，识别由诸如金属片或塑料之类的材料制成的柔性组件的表面上的较小的局部形状偏差是特别困难的。举例而言，由于制造过程中的可变形性或者可变性，可以允许组件并且因此表面的大形状公差，该形状公差显著大于被检测到的表面误差。
DE 10 2004 058 778 A1、DE 43 21 042 C1、DE 20 2005 011 807 U1和DE 102007 037 812 A1已公开了用于识别表面误差目的的测试装置，该测试装置包括合适的照明装置、用于捕捉组件的图像目的的相机、以及用于分析捕捉到的二维图像的分析设备。然而，在已知的方法中不利的是，如此获得的测量结果极大地取决于相对于组件表面的照明和相机布置，即，设置它们需要很大的努力。不仅如此，已知的方法仅适用于具有最小曲率的相对平坦的大表面，并且这些表面还必须是凸起的。
另外，举例而言，在现有技术中，在DE 40 23 368 A1、DE 39 38 714、EP 2 019 283 A2和DE 199 25 462 C1中已公开了用于对组件表面进行三维检测的办法。然而，此办法仅实现检测大范围的形状偏差或者与理论结构数据的偏差。DE 10 2011 113 138 A1提议用凹形过滤器来分析3D数据以检测局部缺陷。然而，此已知方法仅在选定的几何形状上提供有用的结果。
另外，例如在DE 197 53 620 C1、EP 0 921 374 B1和EP 1 211 479 B1中已提议将组件表面的三维测得数据与预先指定的没有误差的参考组件求差值。这使得在参考组件表示可允许的大面积形状公差的情况下可以确定局部形状偏差，但是参考组件必须已经借助事先用没有误差的参考数据训练的人工神经网络来确定。在此情形中不利的是，由于人工神经网络而要为参考部件的模型创建极大的数据量。由此，该办法在例如50,000个表面点的情形中导致2.5*109个权重，这将在假定双精度的情况下导致接近20GB的数据量。如果仅测量物体的整个表面的子区域，则数据量减少，但是这会导致每个过渡区域处的间隙，使得不能恰当地分析这些过渡区域。最后，另外不利的是，误差检测是面向全局坐标系的，并且不可能考虑表面的很小的局部曲率。
因此，本发明解决提供用于使用物体表面的测得数据与预先指定的参考数据的比较来识别该表面中的偏差的方法和设备的问题，该方法和设备需要较少的资源并且同时可靠地检测物体表面中甚至很小的偏差。此外，本发明还解决提供能以简单和节省成本的方式执行和/或具有简单和节省成本的结构的、用于识别物体表面中的偏差的方法和设备的问题。
以上问题通过独立权利要求1和15的特征来解决。
根据本发明的用于使用表面的测得数据与预先指定的参考数据的比较来识别物体表面的偏差的方法借助预先指定的参考数据将至少部份性地参数化的表面描述创建为目标表面模型，并且使用该目标表面模型和测得数据来执行比较。
根据本发明的设备通过独立权利要求15的特征来解决以上问题，根据这些特征，处理设备被设计成借助预先指定的参考数据来将至少部份性地参数化的表面描述创建为目标表面模型，并且使用该目标表面模型和测得数据来执行比较。
根据预先指定的参考数据创建至少部份性地参数化的表面描述形式的目标表面模型在本发明中是新颖的。术语“参数化的表面描述”在本发明的上下文中应当被理解为：该表面描述构成至少部份性地连续的数学描述，并且其中物体表面上的任何任意的三维位置是由通常为两个参数并且可任选地由更多参数构成的集合来精确地定义的。
在这种情形中，有利的是，仅将参数而不是所有参考数据用于目标表面模型，所述参数实现对物体表面的描述。以此方式，可以针对物体表面描述处理显著更大的有效表面。附加优点在于，由此可以在目标表面模型中非常容易地确定表面的弧长、曲率等。举例而言，这使得可以在纳入局部表面形状的情况下更有针对性地分布用于测得数据与目标表面模型之间的比较的点，并且因此可以尤其在具有强曲率的区域中更精确地识别偏差。作为至少部份性地参数化的表面描述的结果，指定附加的较高阶边界条件和过渡条件也是可能的。举例而言，这意味着除了关于边界点的值的相等性的条件之外，设置关于斜率(一阶导数)和/或曲率(二阶导数)或更高阶导数的要求也是可能的。此办法简化了由不同表面区域构成的非常大表面的处理，因为该办法相应地避免了间隙、不规则性等。
在以下的从属权利要求中描述该实施例的附加特征、优点和益处。
在本发明的一个有利的实施例中，目标表面描述是样条表面描述的形式。这使得使用用样条系数加权的基样条函数来将由多个子表面构成的总表面合并起来变得特别简单。
还可以构想以样条表面、特别是分层的、张量积B样条表面的形式来描述表面。此类表面描述使得稍后与测得数据的比较特别简单。
例如，也可以构想以正交级数展开(诸如傅里叶或子波反褶积)的形式的表面描述。在这种情形中，还通过用系数加权的基函数(例如，正弦、余弦、或子波)的加总来描述总表面。
另一方面，如果测得数据是以触觉方式、光学方式、和/或借助声音(尤其是超声和/或雷达)来确定的，则至少部分地利用已知的方法和/或设备是可能的，这使得方法的执行简单且节省成本。如果测得数据是借助光学、摄影测量方法(尤其是以时间相关和/或相移方法的形式)确定的，则生成具有高深度分辨率的大面积的密集的测得数据是可能的。
为了可靠地确定测得数据，使用预定的图案序列(尤其是正弦图案序列)来将测得数据投影到物体表面上，随后光学地检测经投影的图案序列。
举例而言，还可以借助偏转计量方法(即，根据物体表面的镜像图像来计算曲率数据和/或三维数据的方法)、热成像方法、具有使用线性相机或三维行扫描仪获得的一维、二维或三维数据的方法、和/或具有来自矩阵相机的二维图像的方法来使用。在这种情形中，所提到的方法不仅可以在本发明的上下文中用于测得数据，而且还可以用于通过对实际物体的测量来生成实际的预先指定的参考数据的目的。
目标表面模型可以借助用参考数据的多个不同的数据集合训练的神经网络来创建。即使物体的复杂表面形状也可以借助神经网络来测量，并且即使很小的表面误差也可以在参考数据的数据集合表示没有误差的参考物体的情况下被检测到。
特别有利的是，根据测得数据来将至少部份性地参数化的表面描述创建为当前表面模型，并且通过目标表面模型与当前表面模型的模型比较来执行所述比较。以此方式，可以更简单且更可靠的方式借助比较来确定偏差。
为了可靠地执行比较，进一步有利的是，使用至少部份性地参数化的表面描述与测得数据的至少一个测量点之间的正交距离来执行比较。
另外，可以使用统计方法从预先指定的参考数据确定目标表面模型。在这种情形中，优点在于，可以因此甚至更精确地确定目标表面模型，这进一步改进了借助比较来识别偏差。
在一些情形中，诸如在具有局部有界限的复杂结构的表面的情形中，从诸子区域单独观察是实用的。为此目的，根据本发明的方法可以一次性地或者递归地应用于较小的子区域中的比较结果。由测得数据与目标表面模型的比较产生的数据的一部分用作与在较小的子区域上定义的另一表面模型的比较的输入数据。由此，该方法是具有多个目标表面模型的多步骤分析方法，每一个目标表面模型在每个步骤中表征物体表面的一个或多个较小的子区域。
在创建至少部份性地参数化的表面描述之前，借助至少一个过滤方法来有利地过滤预先指定的参考数据和/或测得数据。举例而言，借助过滤方法来平滑预先指定的参考数据和/或测得数据是可能的。另外，对预先指定的参考数据和/或测得数据的所谓的边界处理、遮蔽、或定向同样是可能的。
特别有利的是，借助相同的过滤方法来过滤预先指定的参考数据和测得数据和/或测得数据与目标表面模型之间的从比较计算出的差异数据。这例如在比较和稍后分析特别是距离数据的形式的差异数据时避免了通过应用不同的过滤方法而将伪像检测为表面偏差。
为了使得提供充足的预先指定的参考数据成为可能，有利的是，尤其借助模拟和/或借助测得参考数据的内插来至少部分地人工生成预先指定的参考数据。为此目的，可以例如借助有限元来执行变形的物理模拟，以便人工地生成预先指定的参考数据。物理效应(诸如由于温度变化而导致的材料膨胀、由于地心吸力而导致的弯曲)、和/或通过固定装置、夹持装置等施加于物体的附加的力可以通过相应的模型规范来模拟。如果预先指定的模型的自由模型参数改变，则生成不同的但相似的没有误差的物体数据作为预先指定的参考数据是可能的。在这种情形中，模型参数也可能偏离实际的真正细节。另外，简化的物理变形模型也可以用于生成人工参考数据(诸如简单的弹性体模型)的目的。为此目的，使用测得参考数据和从至少两个不同物体的CAD模拟获得的理论参考数据是可能的，其中该至少两个不同物体的表面和/或性质以及位置是已知的。以此方式，弹簧可以在两个物体表面的相应质点之间张紧，并且其振荡行为随后提供进一步的预先指定的参考数据。另外，还可以从没有误差的部分(借助其他已知方法来检测和校正该部分上的误差点)来生成附加的参考数据。
由此，例如，可以在建立期间使用所谓的感兴趣区域(AOI)来标记其中以可变幅度发生一系列误差的已知区域并且用凹形过滤器来处理这些已知区域(参见DE 10 2011 113 138 A1)。通过其他方法确定的、AOI内的表面形状的偏差可以从数据集合中提取并且被用作参考数据集合。
从其他部分的数据重构由AOI移除的误差点也是可能的。为此目的，最初在Karhunen-Loève变换中不考虑由AOI移除的区域，并且随后在Karhunen-Loève逆变换中重构该区域。
如果用于捕捉的装置包括至少一个相机和一个照明设备，其中照明设备被设计成提供对表面的结构化照明，则可以极其可靠的方式确定测得数据并且因此还可任选地确定相应的偏差。
如果用于捕捉的装置包括线性传感器，则可以借助扫描来简单且快速地扫描表面，由此产生相应的测得数据。另外，测得数据和相应的参考数据两者均可借助扫描方法使用以上提及的照明设备和线性传感器来获得。
为了能够甚至更精确地识别比较并且因此识别表面偏差，可以创建与测得数据适配的目标表面模型并且将该目标表面模型用于比较。经适配的目标表面模型可以例如通过首先仅从参考数据生成表面模型来获得。接下来，确定参数和/或特性值。随后，以此方式投影测得数据，由此提供经适配的目标表面模型。另外，目标表面模型的适配还可以通过明确地指定参数化的表面描述的不同区段的边界区域和过渡区域处的条件、和/或指定参数化的表面描述的不同区段之间的边界区域和过渡区域处的条件来达成。由此，例如，可以预先指定较高阶的边界条件和过渡条件，即，除了关于边界点的值的相等性的条件之外，还可以设置关于斜率(一阶导数)和/或曲率(二阶导数)或甚至更高阶导数的要求。此办法简化了由不同表面区域构成的非常大表面的处理，因为该办法以此方式相应地避免了间隙、不规则性等。
在此，存在以有利的方式实施和实现本发明的教导的不同选项。一方面，由此参考以上提及和描述的从属于权利要求1和15的权利要求，并且另一方面，以下参照附图来解释本发明的优选实施例。结合参照附图对本发明的优选实施例的解释，一般地解释本发明的教导的优选实施例和实现。
在附图中：
图1示出了根据本发明的使用根据本发明的方法的设备的基本布置的一个实施例的部分示意图，
图2示出了根据本发明的用于获得目标表面模型目的的方法的一个实施例的部分过程图，
图3示出了根据本发明的用于比较的方法的一个实施例的部分过程图，以及
图4示出了根据本发明的方法的一个实施例的部分示意图，其中解说了表面偏差。
图1示出了根据本发明的使用根据本发明的方法的设备的基本布置的一个实施例的部分示意图。
图1示出了具有附图标记1的被测量的物体的表面。另外，布置了两个相机2，并且在这两个相机2之间布置了投影仪3。相机2和投影仪3两者均连接至控制相机和投影仪的处理和控制设备4。为了测量表面1，投影仪3将正弦形的色条信号图投影到表面1上，该色条信号图在一定的时间步骤中偏移某个相位差。相机2用每个所投影的图案来捕捉表面1，使得始终以灰度值的某个时间序列来创建图像序列。相机2将捕捉到的图像传送给处理和控制设备4，使得处理和控制设备4能够从中找到相机的像点，这些像点在相机布置和/或位置通过三角测量法而已知的情况下导致物体表面1的离散的三维测量点。
图2示出了根据本发明的用于获得目标表面模型目的的方法的一个实施例的部分过程图。
图2示出了如何输入用于训练神经网络的输入值A1以得到三维点形式的目标表面模型。在第一步骤A2，从参考数据A1计算B样条表面描述。各种不同的已知方法可用于此目的。另外，控制点的数目和节点向量的结构对于所有参考数据而言可以是不变的，并且可以从物体表面1的计算机辅助设计模型确定。如果张量积B样条表面被用于表面描述，则这会例如导致以下形式的表面描述：
s ( u , v ) = x ( u , v ) y ( u , v ) z ( u , v ) = Σ i = 1 n Σ j = 1 m p ij b i k ( u ) b j l ( v )
其中基函数bi k(u)和bj l(v)对于所有参数数据集合而言可以是不变的，并且控制点pi,j和/或结果得到的控制点矩阵A5是表面1的特性。
在第二步骤A4，根据Gram-Schmidt方法来正交化B样条基函数，这简化了对参考数据的数据集合的统计分析。在此情形中，正交化可被简单地描述为控制点矩阵A5到正交化的矩阵A6的线性变换，其中有两个变换：
P x ⊥ = ( Λ u T ) - 1 P x ( Λ v ) - 1
经由协方差矩阵A8来统计分析此情形中的所有参考数据集合，这些协方差矩阵A8是在第三步骤A7中从参考数据集合的正交化的控制点矩阵A5确定的：
C x = Σ k p x ⊥ k ( p x ⊥ k ) T
为了获得用于描述参考数据中的表面1的最佳基础，在第四步骤A9中针对协方差矩阵A8来求解以下特征值问题：
Cxex，i＝λx，iex，i
以此方式，获得构成最佳基础的特征向量ex,i和特征向量A10的矩阵Ex。在此情形中，较小数目的基函数(尤其是在10到20个之间的基函数)就足以描述类似的表面，而不需要所有B样条基函数。
图3示出了根据本发明的用于比较的方法的一个实施例的部分过程图。
图3示出了如何最初使用测得数据B1来执行与图2中的步骤类似的步骤。在此情形中，步骤B2和B4对应于图2中的步骤A2和A4。在进一步的步骤B11中，将正交化的矩阵B6投影到目标表面模型的最佳基础的由附图标记A10指示的特征向量：
a x = E x p x ⊥
其被称为Karhunen-Loève变换KLT。在进一步的步骤B12中，仅选择用附图标记B13指示的第一有效系数。结果，例如，表面的非典型变化(意指不包含在参考数据集合中的那些变化)(诸如表面缺陷或者测量噪声)不再包含在表面描述中。根据步骤B12，目标表面形状的生成显著减小KLT中变换的区域尺寸。
为了基于目标表面形状的测得数据B1来获得比较模型，随后在进一步的步骤B14中根据下式来执行KLT逆变换：
p x ⊥ * = E x T a x
以及在进一步的步骤B15中根据下式来执行正交逆变化：
P x * = Λ u T ( P x ⊥ * ) Λ v
以此方式，获得与测得数据B1适配的描述目标表面形状的经过滤的控制点B16。以此方式获得的B样条表面的形式的没有误差的参数化表面模型B17可以随后在进一步的步骤中被用来使用表面的测得的三维点B1借助比较来识别偏差。
图4示出了根据本发明的方法的一个实施例的部分示意图，其中解说了表面偏差。
图4在左上方示出了测得数据，例如，对应于图3中的三维测得数据B1的三维点D1。图4在右上方示出了经适配的目标表面D4，连同测得数据D1。在右边的区域中示出了目标表面形状D4的偏差D3。图4在左下方示出了与例如从结构数据获得的、一般的理论计算机辅助设计模型D2的相应比较。如果现在确定测得数据D1与目标表面形状D4的距离，则以此方式可以将表面缺陷确定为局部偏差D3。与根据本发明的方法形成对比，尤其在图1-4所示的实施例中，CAD模型D2不允许识别表面误差D3。
总而言之，本发明涉及一种设备和方法，根据该设备和方法可按需要较少资源的方式通过尤其是样条描述的形式的参数化表面描述来可靠地、简单地且精确地确定物体表面的偏差和/或表面缺陷。本发明可以尤其在其中必需以高精度来检测大表面的形状的领域中使用。本发明尤其适于在表面测试技术领域中使用。
关于根据本发明的教导的其他有利的实施例，在此参考说明书和所附权利要求书的一般性部分，以避免重复。
最后，应当注意，以上描述的根据本发明的教导的实施例仅用于解释所要求保护的教导的目的，而不限制所给出的实施例。
由此，例如，将潜在的T节点控制点包括在参数化表面描述中是可能的，另外同样可以按照T样条表面或样条表面形式。类似地，例如，基于多维空间中的圆锥截面或一般的二次曲面来从表面的隐式描述中推导出参数化表面描述是可能的。此情形中的所有样条表面也可以基于相同的节点网格。
测得数据可具有无序的三维点云的形式和/或具有规则或不规则的已知网格。另外，输入数据和/或用于确定目标表面模型的测得数据和/或比较模型或当前表面模型可以具有大量三角面、四角面或m角面的形式或者具有STL格式。此情形中的目标表面模型可以由用于参考数据集合的Karhunen-Loève变换的基函数构成。同样，神经网络可以被设计为自联想型神经网络。特别是在合适的预处理之后，参数化表面描述的参数可被用于神经网络的训练。此情形中的预处理可按样条函数的正交化的形式来设计。此外，参考数据集合可以包括源自和/或基于可用的测量和/或计算机辅助设计数据的部分或全部数据。最后，通过参考数据集合未指定的一个或多个伴随条件来限制目标表面模型是可能的。
附图标记列表
1           表面
2           相机
3           投影仪
4           处理和控制设备
A1,B1       三维点
A2,B2       B样条表面逼近
A3,B3       B样条表面
A4,B4       正交变换
A5,B5       控制点矩阵
A6,B6       正交化的矩阵
A7          协方差矩阵的确定
A8          协方差矩阵
A9          特征值问题
A10         特征向量
B11         Karhunen-Loève变换
B12         尺寸减小
B13         重要系数
B14         Karhunen-Loève逆变换
B15         正交逆变换
B16         经过滤的控制点
B17         没有误差的参数化表面模型
B18         比较
D1          测量点
D2          一般的CAD模型
D3          局部偏差
D4          目标表面描述

Claims (17)

1.一种用于使用物体的表面(1)的测得数据(D1)和预先指定的参考数据(A1)的比较来识别所述表面(1)中的偏差(D3)的方法，
其特征在于，
借助所述预先指定的参数数据(A1)来创建所述表面(1)的至少部份性地参数化的描述作为目标表面模型(D4)，以及借助所述目标表面模型(D4)和所述测得数据(D1)来执行所述比较。
2.如权利要求1所述的方法，其特征在于，所述参数化的表面描述(1)是样条表面函数。
3.如权利要求2所述的方法，其特征在于，尤其是分层的张量积B样条表面被用作所述样条表面描述。
4.如权利要求1到3中的一项所述的方法，其特征在于，以触觉方式、光学方式、和/或借助声音、尤其是超声和/或雷达来确定所述测得数据(D1)。
5.如权利要求1到4中的一项所述的方法，其特征在于，借助尤其是时间相关和/或相移方法的形式的光学摄影测量方法来确定所述测得数据(D1)。
6.如权利要求5所述的方法，其特征在于，使用预定的图案序列、尤其是正弦图案序列到所述表面(1)上的投影并且通过对经投影的图案序列的后续光学检测来确定所述测得数据(D1)。
7.如权利要求1-6中的一项所述的方法，其特征在于，借助用参考数据(A1)的多个不同数据集合训练的神经网络来创建所述目标表面模型(D4)。
8.如权利要求7所述的方法，其特征在于，从所述测得数据(D1)创建所述表面的至少部份性地参数化的描述作为当前表面模型，并且通过所述目标表面模型(D4)与所述当前表面模型的模型比较来执行所述比较。
9.如权利要求1到8中的一项所述的方法，其特征在于，基于所述表面(1)的所述至少部份性地参数化的描述与所述测得数据(D1)的至少一个测量点之间的正交距离来执行所述比较。
10.如权利要求1到9中的一项所述的方法，其特征在于，使用统计方法从所述预先指定的参考数据(A1)确定所述目标表面模型(D4)。
11.如权利要求1到10中的一项所述的方法，其特征在于，创建与所述测得数据(D1)适配的目标表面模型(D4)并且将所述目标表面模型(D4)用于所述比较。
12.如权利要求1到11中的一项所述的方法，其特征在于，在创建所述表面的所述至少部份性地参数化的描述之前，借助至少一个过滤方法来过滤所述预先指定的参考数据(A1)和/或所述测得数据(D1)。
13.如权利要求12所述的方法，其特征在于，借助相同的过滤方法来过滤所述预先指定的参考数据(A1)和所述测得数据(A1)和/或所述测得数据(A1)与所述目标表面模型(D4)之间的从所述比较计算出的差异数据。
14.如权利要求1到13中的一项所述的方法，其特征在于，至少部分人工地、尤其是借助模拟和/或借助测得参考数据的内插来生成所述预先指定的参考数据(A1)。
15.一种用于使用物体表面的测得数据(D1)与预先指定的参考数据(A1)的比较来识别所述物体表面的偏差(D3)的设备，所述设备尤其适用于执行根据权利要求1到14中的一项所述的方法，所述设备具有：
用于检测所述测得数据(D1)和所述参考数据(A1)的装置(2，3)，以及
至少用于执行所述比较的处理设备(4)，
其特征在于，
所述处理设备(4)被设计成借助所述预先指定的参数数据(A1)来创建所述表面(1)的至少部份性地参数化的描述作为目标表面模型(D4)，以及借助所述目标表面模型(D4)和所述测得数据(A1)来执行所述比较。
16.如权利要求15所述的设备，其特征在于，所述用于检测的装置(2，3)包括至少一个相机(2)和一个照明设备(3)，其中所述照明设备(3)被设计成提供所述表面(1)的结构化照明。
17.如权利要求15到16中的一项所述的设备，其特征在于，所述用于检测的装置(2，3)具有线性传感器。
CN201380044658.6A 2012-08-27 2013-07-25 用于识别物体表面中的偏差的方法和设备 Active CN104583715B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
DE102012215195.8 2012-08-27
DE102012215195 2012-08-27
DE102012215215.6A DE102012215215A1 (de) 2012-08-27 2012-08-28 Verfahren und Vorrichtung zum Erkennen von Abweichungen einer Oberfläche eines Objekts
DE102012215215.6 2012-08-28
PCT/DE2013/200076 WO2014032661A1 (de) 2012-08-27 2013-07-25 Verfahren und vorrichtung zum erkennen von abweichungen einer oberfläche eines objekts

Publications (2)

Publication Number Publication Date
CN104583715A true CN104583715A (zh) 2015-04-29
CN104583715B CN104583715B (zh) 2018-08-24

Family

ID=49165475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380044658.6A Active CN104583715B (zh) 2012-08-27 2013-07-25 用于识别物体表面中的偏差的方法和设备

Country Status (5)

Country Link
US (1) US10101153B2 (zh)
EP (1) EP2753897A1 (zh)
CN (1) CN104583715B (zh)
DE (1) DE102012215215A1 (zh)
WO (1) WO2014032661A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809668A (zh) * 2016-01-15 2016-07-27 武汉武大卓越科技有限责任公司 基于线扫描三维点云的物体表面变形特征提取方法
CN107284443A (zh) * 2016-04-12 2017-10-24 福特全球技术公司 检测可用停车位
CN110208777A (zh) * 2019-06-11 2019-09-06 中国科学院电子学研究所 精确的角反射器几何误差测量方法
CN114701185A (zh) * 2022-01-11 2022-07-05 中材科技风电叶片股份有限公司 一种叶片制备的方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6446765B2 (ja) * 2015-03-30 2019-01-09 株式会社東京精密 形状補正方法及び形状補正装置
CN106662286B (zh) 2015-04-28 2018-03-23 松下知识产权经营株式会社 真空绝热件和使用其的绝热容器、住宅墙壁、运输设备、氢运输船和lng运输船
JP6759785B2 (ja) * 2016-07-12 2020-09-23 日本製鉄株式会社 液面形状の抽出方法、装置及びプログラム
JP6743760B2 (ja) * 2017-05-23 2020-08-19 トヨタ自動車株式会社 ３次元曲面上の凹凸形状測定方法
DE102017212371B4 (de) * 2017-07-19 2020-06-04 Carl Zeiss Industrielle Messtechnik Gmbh Bestimmung einer Marke in einem Datensatz mit mittels zumindest eines Laserscanners erfassten dreidimensionalen Oberflächen-Koordinaten einer Szene
JP6932205B2 (ja) * 2017-11-30 2021-09-08 三菱電機株式会社 三次元地図生成システム、三次元地図生成方法および三次元地図生成プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN85104875A (zh) * 1985-06-26 1986-12-31 株式会社三豊制作所 坐标测量仪
CN1191301A (zh) * 1997-02-10 1998-08-26 株式会社三丰 测量方法及测量装置
CN1948896A (zh) * 2006-11-04 2007-04-18 大连海事大学 一种动态三维激光扫描测头
WO2008142166A1 (fr) * 2007-05-23 2008-11-27 Commissariat A L'energie Atomique Procede de metrologie optique pour mesurer le contour d'une piece manufacturee.
CN101632001A (zh) * 2006-12-20 2010-01-20 斯甘拉伊斯股份有限公司 一种用于相对于基本参考数据对扫描点云数据定向的系统和方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3938714A1 (de) 1989-11-23 1991-05-29 Bernd Dr Breuckmann Verfahren zur optischen erfassung von formen von objekten
DE4023368A1 (de) 1990-07-23 1992-01-30 Breuckmann Gmbh Dynamisches verfahren zur erfassung von form und formaenderungen
DE4321042C1 (de) 1993-06-25 1994-09-15 Univ Schiller Jena Defekt-Klassifizierungs-Gerät
DE19753620C1 (de) 1997-12-03 1999-10-07 Bernd Michaelis Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form durch eine dreidimensionale Meßwerterfassung und eine nachfolgende Verarbeitung mit einem künstlichen neuronalen Netz
DE19925462C1 (de) 1999-06-02 2001-02-15 Daimler Chrysler Ag Meß- und Prüfsystem sowie Meß- und Prüfverfahren für einen dreidimensionalen Körper in Zusammenhang mit dessen Fertigung
DE10057928C1 (de) 2000-11-22 2002-02-21 Inb Vision Ag Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form
DE102004058778A1 (de) 2003-12-17 2005-08-04 Volkswagen Ag Prüfanordnung zum Überprüfen eines Bauteils
DE202005011807U1 (de) 2005-07-25 2005-12-22 Carl Mahr Holding Gmbh Dunkelfeld-Beleuchtungseinrichtung
DE102007034168A1 (de) 2007-07-23 2009-02-05 Steinbichler Optotechnik Gmbh Verfahren und Vorrichtung zur Vermessung von Ist-Meßdaten eines Bauteils
DE102007037812B4 (de) 2007-08-10 2023-03-16 Carl Zeiss Optotechnik GmbH Verfahren und Vorrichtung zur Detektion von Oberflächenfehlern eines Bauteils
US9179106B2 (en) * 2009-12-28 2015-11-03 Canon Kabushiki Kaisha Measurement system, image correction method, and computer program
DE102011113138B4 (de) 2011-04-14 2013-06-06 Inb Vision Ag Vorrichtung und Verfahren zur Vermessung von Oberflächen
US8848201B1 (en) * 2012-10-20 2014-09-30 Google Inc. Multi-modal three-dimensional scanning of objects
US9721044B2 (en) * 2013-05-10 2017-08-01 General Electric Company Systems and methods for non-destructive evaluation of molds and crucibles used in investment casting
US9864909B2 (en) * 2014-04-25 2018-01-09 Huntington Ingalls Incorporated System and method for using augmented reality display in surface treatment procedures

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN85104875A (zh) * 1985-06-26 1986-12-31 株式会社三豊制作所 坐标测量仪
CN1191301A (zh) * 1997-02-10 1998-08-26 株式会社三丰 测量方法及测量装置
CN1948896A (zh) * 2006-11-04 2007-04-18 大连海事大学 一种动态三维激光扫描测头
CN101632001A (zh) * 2006-12-20 2010-01-20 斯甘拉伊斯股份有限公司 一种用于相对于基本参考数据对扫描点云数据定向的系统和方法
WO2008142166A1 (fr) * 2007-05-23 2008-11-27 Commissariat A L'energie Atomique Procede de metrologie optique pour mesurer le contour d'une piece manufacturee.

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YADONG LI，PEIHUA GU: "Free-form surface inspection techniques state of the art review", 《COMPUTER-AIDED DESIGN》 *
戴宁，崔海华，程筱胜，廖文和: "三维物体表面测量光传感技术", 《南京航空航天大学学报》 *
艾海舟，武勃: "《图像处理、分析与机器视觉》", 30 September 2003 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809668A (zh) * 2016-01-15 2016-07-27 武汉武大卓越科技有限责任公司 基于线扫描三维点云的物体表面变形特征提取方法
CN105809668B (zh) * 2016-01-15 2018-10-02 武汉武大卓越科技有限责任公司 基于线扫描三维点云的物体表面变形特征提取方法
CN107284443A (zh) * 2016-04-12 2017-10-24 福特全球技术公司 检测可用停车位
CN107284443B (zh) * 2016-04-12 2022-05-10 福特全球技术公司 检测可用停车位
CN110208777A (zh) * 2019-06-11 2019-09-06 中国科学院电子学研究所 精确的角反射器几何误差测量方法
CN114701185A (zh) * 2022-01-11 2022-07-05 中材科技风电叶片股份有限公司 一种叶片制备的方法
CN114701185B (zh) * 2022-01-11 2024-03-12 中材科技风电叶片股份有限公司 一种叶片制备的方法

Also Published As

Publication number Publication date
US10101153B2 (en) 2018-10-16
US20150276397A1 (en) 2015-10-01
CN104583715B (zh) 2018-08-24
WO2014032661A1 (de) 2014-03-06
EP2753897A1 (de) 2014-07-16
DE102012215215A1 (de) 2014-05-28

Similar Documents

Publication Publication Date Title
CN104583715A (zh) 用于识别物体表面中的偏差的方法和设备
EP3006893B1 (en) Methods for improving the accuracy of dimensioning-system measurements
Gentilini et al. Predicting and evaluating the post-assembly shape of thin-walled components via 3D laser digitization and FEA simulation of the assembly process
TWI717737B (zh) 評估微影製程中的元件缺陷之未知效應的方法與裝置
Zappa et al. Evaluation and improvement of digital image correlation uncertainty in dynamic conditions
CN109945802B (zh) 一种结构光三维测量方法
CN112116616B (zh) 基于卷积神经网络的相位信息提取方法、存储介质及设备
JP6328222B2 (ja) Ｔｓｏｍイメージ獲得方法及び半導体装置検査方法
Dufour et al. 3D surface measurements with isogeometric stereocorrelation—application to complex shapes
Taylor Owens et al. An image processing technique to identify crack tip position and automate fracture parameter extraction using DIC: application to dynamic fracture
Jaramillo et al. Fixtureless inspection of deformable parts using partial captures
Eastwood et al. Autonomous close-range photogrammetry using machine learning
Kaszynski et al. Experimental validation of an optically measured geometric mistuning model using a system id approach
Rossi et al. A procedure for specimen optimization applied to material testing in plasticity with the virtual fields method
US11958112B2 (en) Characterizing liquid reflective surfaces in 3D liquid metal printing
Owaki et al. Hybrid physics-based and data-driven approach to estimate the radar cross-section of vehicles
Boukamcha et al. Robust technique for 3D shape reconstruction
CN113554636A (zh) 一种基于生成对抗网络和计算全息的芯片缺陷检测方法
Liu et al. Benchmarking large-scale multi-view 3D reconstruction using realistic synthetic images
Mohammadikaji et al. Probabilistic surface inference for industrial inspection planning
Alcouffe et al. Blind Quality of a 3D Reconstructed Mesh
Chew et al. Non-contact displacements measurement using an improved particle swarm optimization based digital speckle correlation method
JP7478000B2 (ja) ３ｄ画像データ解析装置
Aboutaleb et al. Accelerated Geometry Accuracy Optimization of Additive Manufacturing Parts
Chakinala A study of algorithms based on digital image correlation for embedding in a full-fiield displacement sensor with subpixel resolution

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant