CN106767422B - 基于神经网络的动车车体关键尺寸检测系统解决方案 - Google Patents

基于神经网络的动车车体关键尺寸检测系统解决方案 Download PDF

Info

Publication number
CN106767422B
CN106767422B CN201710115439.2A CN201710115439A CN106767422B CN 106767422 B CN106767422 B CN 106767422B CN 201710115439 A CN201710115439 A CN 201710115439A CN 106767422 B CN106767422 B CN 106767422B
Authority
CN
China
Prior art keywords
stereoscopic vision
ccd sensor
detection unit
information
neural network
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.)
Expired - Fee Related
Application number
CN201710115439.2A
Other languages
English (en)
Other versions
CN106767422A (zh
Inventor
高金刚
刘智勇
张爽
邢春齐
安峻啸
王�华
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.)
Changchun Institute Technology
Original Assignee
Changchun Institute Technology
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 Changchun Institute Technology filed Critical Changchun Institute Technology
Priority to CN201710115439.2A priority Critical patent/CN106767422B/zh
Publication of CN106767422A publication Critical patent/CN106767422A/zh
Application granted granted Critical
Publication of CN106767422B publication Critical patent/CN106767422B/zh
Expired - Fee Related 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
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/03—Measuring arrangements characterised by the use of optical techniques 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
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
    • G01B5/0025—Measuring of vehicle parts

Abstract

本发明属于机器视觉领域，涉及基于神经网络的动车车体关键尺寸检测系统解决方案。该检测系统利用激光跟踪仪和神经网络算法完成了大尺寸测量立体视觉全系统标定，使得各CCD传感器立体视觉检测单元系统融合到激光跟踪仪系统所建立的坐标系为世界坐标系，以保证检测系统的标定及检测精度。利用多个CCD传感器立体视觉检测单元系统采集获取关键点空间坐标信息，通过距离公式得到车体长度、宽度、对角线差、枕梁孔位置度、两侧门对角线差、车体主梁等高等测量单元信息，该系统能够随着车型变化，可根据实际检测需求，快速的增减任意CCD传感器立体视觉检测单元系统的数量。该系统具有检测项目多、现场适应性好、测量范围广的优势。

Description

基于神经网络的动车车体关键尺寸检测系统解决方案
技术领域
本发明涉及基于神经网络的动车车体关键尺寸检测系统解决方案，属于机器视觉领域。
背景技术
当前随着国家制造业不断发展，针对动车车型变化多、检测项目多、检测范围大等现场实际情况。企业大都选择传统测量工具，如钢直尺、盘尺、卷尺等，所造成的测量精度与综合误差很大，不能满足对动车车体关键尺寸形位公差的检测精度要求，而基于传统固定式三坐标机测量系统、激光跟踪仪、i-GPS检测系统或关节测量臂则由于测量范围有限或存在检测盲区，无法进行动车车体关键尺寸在线检测。而基于神经网络的动车车体关键尺寸检测系统则有其测量范围广、现场适应性好、测量精度高的优势。
发明内容
本发明的目的在于提供基于神经网络的动车车体关键尺寸检测系统解决方案。该检测系统利用激光跟踪仪和神经网络算法完成了大尺寸测量立体视觉全系统标定，以保证检测系统的标定及检测精度。详细的解决方案及步骤如下：
利用棋盘格标定板对一组(2只)CCD传感器进行内外参数标定，形成CCD传感器立体视觉检测单元系统。CCD传感器立体视觉检测单元系统和激光跟踪仪需要同时拍摄位于CCD传感器立体视觉检测单元系统有效视场内的直径为20mm的标靶球。通过改变标靶球的位姿，拍摄多组相对于CCD传感器立体视觉检测单元系统坐标系和激光跟踪仪自身系统坐标系下(该坐标系确定为世界坐标系)的空间点坐标信息，其中将CCD传感器立体视觉检测单元系统坐标系下空间点坐标信息作为神经网络输入层，激光跟踪仪自身系统坐标系下空间点坐标信息作为神经网络输出层，利用输入层与输出层之间的多组空间点坐标信息关系，获得神经网络隐含层关系，进而完成了大尺寸测量立体视觉全系统标定。同理，利用多个CCD传感器立体视觉检测单元系统采集获取关键点空间坐标信息，通过神经网络隐含层关系实时转换至世界坐标系中，从而通过相关距离坐标公式得到车体轮廓长度、宽度、对角线差、车体主梁等高、枕梁孔位置度、两侧门对角线差等测量单元信息。如检测车体轮廓长度尺寸测量单元Ⅰ，首先利用CCD传感器1、CCD传感器2所形成的第一立体视觉检测单元系统以及CCD传感器21、CCD传感器22所形成的第十一立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于边梁及端梁处的两个特征点的空间坐标信息，结合第一、第十一两个立体视觉检测单元系统所获取到的特征点的空间坐标信息，采集到bi、ci两点空间坐标信息分别为则该两点将通过神经网络隐含层关系实时转换到世界坐标系中的空间坐标信息分别为则长度其特征在于具体的检测步骤如下：
第一部分为车体轮廓长度尺寸测量单元：
利用已完成大尺寸测量立体视觉全系统标定的CCD传感器1、CCD传感器2所形成的第一立体视觉检测单元系统以及CCD传感器21、CCD传感器22所形成的第十一立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于边梁处的两个特征点的空间坐标信息，结合第一、第二两个立体视觉检测单元系统所获取到的特征点的空间坐标信息，该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下两个关键点的空间坐标信息，利用空间点与点之间距离坐标公式可以获得其长度测量单元数据。
第二部分为车体轮廓宽度尺寸测量单元：
利用已完成大尺寸测量立体视觉全系统标定的CCD传感器21、CCD传感器22所形成的第十一立体视觉检测单元系统以及CCD传感器23、CCD传感器24所形成的第十二立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于边梁及端梁处的两个特征点的空间坐标信息，结合第十一、第十二两个立体视觉检测单元系统所获取到的特征点的空间坐标信息，该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下两个关键点的空间坐标信息，利用空间点与点之间距离坐标公式可以获得其宽度测量单元数据。
第三部分为车体轮廓对角线差测量单元：
利用已完成大尺寸测量立体视觉全系统标定的CCD传感器3、CCD传感器4所形成的第二立体视觉检测单元系统以及CCD传感器21、CCD传感器22所形成的第十一立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于边梁上的两个特征点的空间坐标信息，结合第二、第十一两个立体视觉检测单元系统所获取到的特征点的空间坐标信息，该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下两个关键点的空间坐标信息，利用空间点与点之间距离坐标公式可以获得其对角线差测量单元数据。
第四部分为车身枕梁孔位置度测量单元：
利用已完成大尺寸测量立体视觉全系统标定的CCD传感器25、CCD传感器26所形成的第十三立体视觉检测单元系统、CCD传感器27、CCD传感器28所形成的第十四立体视觉检测单元系统、CCD传感器29、CCD传感器30所形成的第十五立体视觉检测单元系统以及CCD传感器31、CCD传感器32所形成的第十五立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于枕梁孔处的空气弹簧定位销和高度定位块四个特征点的空间坐标信息，结合第十三、第十四、第十五、第十六共四个立体视觉检测单元系统所获取到的特征点的空间坐标信息，该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下四个关键点的空间坐标信息，利用空间点与点之间距离坐标公式可以获得其长度测量单元数据。
第五部分为车体轮廓主梁等高测量单元：
利用已完成大尺寸测量立体视觉全系统标定的CCD传感器7、CCD传感器8所形成的第四立体视觉检测单元系统、CCD传感器11、CCD传感器12所形成的第六立体视觉检测单元系统、CCD传感器15、CCD传感器16所形成的第八立体视觉检测单元系统以及CCD传感器19、CCD传感器20所形成的第十立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于车体主梁处的四个特征点的空间坐标信息，结合第四、第六、第八、第十共四个立体视觉检测单元系统所获取到的特征点的空间坐标信息，该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下四个关键点的空间坐标信息，利用空间点与点形成平面关系可以获得其车体轮廓主梁等高测量单元数据。
第六部分为车体轮廓两侧门口对角线差测量单元：
利用已完成大尺寸测量立体视觉全系统标定的CCD传感器9、CCD传感器10所形成的第五立体视觉检测单元系统以及CCD传感器15、CCD传感器16所形成的第八立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于边梁及端梁处的两个特征点的空间坐标信息，结合第五、第八两个立体视觉检测单元系统所获取到的特征点的空间坐标信息，该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下两个关键点的空间坐标信息，利用空间点与点之间距离坐标公式可以获得其两侧门口对角线差测量单元数据。
本发明具备下列技术效果：
本发明是基于神经网络的动车车体关键尺寸检测系统解决方案，该检测系统测量范围广、操作简单，由于利用了机器视觉和激光跟踪仪相结合的方式，使得整个检测系统结构简单、测量范围广、适应性好。首先利用激光跟踪仪和神经网络算法将多个CCD传感器立体视觉检测单元系统数据转换到以激光跟踪仪所建立的世界坐标系中，之后可以对车体关键尺寸实现实时在线检测。该系统能够随着车型变化多等现场复杂情况，可根据实际检测需求，快速的增减CCD传感器立体视觉检测单元系统的数量。该系统具有检测项目多、现场适应性好、测量范围广的优势。
附图说明
图1是本发明车体关键尺寸检测系统结构图。
图2是本发明CCD传感器立体视觉检测单元系统、标靶球与激光跟踪仪之间示意图。
图3是本发明车体轮廓长度、宽度、对角线差测量单元原理示意图。
图4是本发明枕梁孔位置度测量单元原理示意图。
图5是本发明车体轮廓主梁等高及两侧门口对角线差测量单元原理示意图。
图6是本发明形位公差测量单元流程图。
具体实施方式
下面结合附图对本发明做进一步的描述：
参阅图1、图2、图3、图4、图5、图6所示，本发明具体实施方式为：各个CCD传感器立体视觉检测单元系统通过激光跟踪仪和神经网络算法完成了大尺寸测量立体视觉全系统标定，各个测量单元之间通过车体相联系起来，构成了一个整体框架。
参阅图2所示，利用棋盘格标定板对一组(2只)CCD传感器进行内外参数标定，形成CCD传感器立体视觉检测单元系统。CCD传感器立体视觉检测单元系统和激光跟踪仪需要同时拍摄位于CCD传感器立体视觉检测单元系统有效视场内的直径为20mm的标靶球。通过改变标靶球的位姿，拍摄多组相对于CCD传感器立体视觉检测单元系统坐标系和激光跟踪仪自身系统坐标系下(该坐标系确定为世界坐标系)的空间点坐标信息，其中将CCD传感器立体视觉检测单元系统坐标系下空间点坐标信息作为神经网络输入层，激光跟踪仪自身系统坐标系下空间点坐标信息作为神经网络输出层，利用输入层与输出层之间的多组空间点坐标信息关系，获得神经网络隐含层关系，进而完成了大尺寸测量立体视觉全系统标定。同理，利用多个CCD传感器立体视觉检测单元系统采集获取关键点空间坐标信息，通过神经网络隐含层关系实时转换至世界坐标系中，从而通过相关距离坐标公式得到车体轮廓长度、宽度、对角线差、车体主梁等高、枕梁孔位置度、两侧门对角线差等测量单元信息。如检测车体轮廓长度尺寸测量单元Ⅰ，首先利用CCD传感器1、CCD传感器2所形成的第一立体视觉检测单元系统以及CCD传感器21、CCD传感器22所形成的第十一立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于边梁及端梁处的两个特征点的空间坐标信息，结合第一、第十一两个立体视觉检测单元系统所获取到的特征点的空间坐标信息，采集到bi、ci两点空间坐标信息分别为则该两点将通过神经网络隐含层关系实时转换到世界坐标系中的空间坐标信息分别为则长度其特征在于具体的检测步骤如下：
第一部分为车体轮廓长度尺寸测量单元：
参阅图3中Ⅰ所示，测量车体轮廓长度信息。利用已完成大尺寸测量立体视觉全系 统标定的CCD传感器1、CCD传感器2所形成的第一立体视觉检测单元系统以及CCD传感器21、 CCD传感器22所形成的第十一立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检 测单元系统获取位于边梁处的两个特征点bi、ci的空间坐标信息，结合第一、第二两个立体 视觉检测单元系统所获取到的特征点的空间坐标信息分别为该特征点空间坐标信息将通过神经网络隐含层关系实时 转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下两个关键点的 空间坐标信息分别为则其长度为
第二部分为车体轮廓宽度尺寸测量单元：
参阅图3中Ⅱ所示，测量车体轮廓宽度信息。利用已完成大尺寸测量立体视觉全系统标定的CCD传感器21、CCD传感器22所形成的第十一立体视觉检测单元系统以及CCD传感器23、CCD传感器24所形成的第十二立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于边梁及端梁处的两个特征点ci、di的空间坐标信息，结合第十一、第十二两个立体视觉检测单元系统所获取到的特征点的空间坐标信息分别为该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下两个关键点的空间坐标信息分别为则其宽度为
第三部分为车体轮廓对角线差测量单元：
参阅图3中Ⅲ所示，测量车体轮廓对角线差信息。利用已完成大尺寸测量立体视觉 全系统标定的CCD传感器3、CCD传感器4所形成的第二立体视觉检测单元系统以及CCD传感 器21、CCD传感器22所形成的第十一立体视觉检测单元系统，同时利用该CCD传感器各立体 视觉检测单元系统获取位于边梁上的两个特征点ai、ci的空间坐标信息，结合第二、第十一 两个立体视觉检测单元系统所获取到的特征点的空间坐标信息分别为该特征点空间坐标信息将通过神经网络隐含层关系实时 转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下两个关键点的 空间坐标信息分别为则其对角线差为
第四部分为车身枕梁孔位置度测量单元：
参阅图4中Ⅳ、Ⅴ、Ⅵ所示，分别为测量枕梁孔长度、宽度、对角线差信息。利用已完成大尺寸测量立体视觉全系统标定的CCD传感器25、CCD传感器26所形成的第十三立体视觉检测单元系统、CCD传感器27、CCD传感器28所形成的第十四立体视觉检测单元系统、CCD传感器29、CCD传感器30所形成的第十五立体视觉检测单元系统以及CCD传感器31、CCD传感器32所形成的第十五立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于枕梁孔处的空气弹簧定位销和高度定位块四个特征点ei、fi、gi、hi的空间坐标信息，结合第十三、第十四、第十五、第十六共四个立体视觉检测单元系统所获取到的特征点的空间坐标信息分别为该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下四个关键点的空间坐标信息分别为则其枕梁孔间长度为枕梁孔间宽度为枕梁孔间对角线差为
第五部分为车体轮廓主梁等高测量单元：
参阅图5中Ⅶ所示，测量车体轮廓主梁等高信息。利用已完成大尺寸测量立体视觉全系统标定的CCD传感器7、CCD传感器8所形成的第四立体视觉检测单元系统、CCD传感器11、CCD传感器12所形成的第六立体视觉检测单元系统、CCD传感器15、CCD传感器16所形成的第八立体视觉检测单元系统以及CCD传感器19、CCD传感器20所形成的第十立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于车体主梁处的四个特征点ii、ki、mi、oi的空间坐标信息，结合第四、第六、第八、第十共四个立体视觉检测单元系统所获取到的特征点的空间坐标信息分别为该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下四个关键点的空间坐标信息分别为判断该四个特征点是否在空间形成一个平面，进而确定是否车体轮廓主梁等高。
第六部分为车体轮廓两侧门口对角线差测量单元：
参阅图5中Ⅷ所示，测量车体轮廓两侧门口对角线差信息。利用已完成大尺寸测量立体视觉全系统标定的CCD传感器9、CCD传感器10所形成的第五立体视觉检测单元系统以及CCD传感器15、CCD传感器16所形成的第八立体视觉检测单元系统，同时利用该CCD传感器各立体视觉检测单元系统获取位于边梁及端梁处的两个特征点li、mi的空间坐标信息，结合第五、第八两个立体视觉检测单元系统所获取到的特征点的空间坐标信息分别为该特征点空间坐标信息将通过神经网络隐含层关系实时转换到以激光跟踪仪系统坐标系所确立的世界坐标系中，根据世界坐标系下两个关键点的空间坐标信息分别为则其两侧车门对角线差为
该系统能够随着车型变化，可根据实际检测要求，快速的增减立体视觉CCD传感器立体视觉检测单元系统的数量。该系统具有现场适应性好、测量范围广、检测项目多的优势。

Claims (1)

1.一种基于激光跟踪仪的CCD传感器立体视觉检测单元系统的大尺寸测量立体视觉全系统标定方法，其具体步骤如下：
(1)利用棋盘格标定板对固定于支架上的一组2只CCD相机进行内外参数标定，形成CCD传感器立体视觉检测单元系统；
(2)CCD传感器立体视觉检测单元系统和激光跟踪仪同时拍摄位于CCD传感器立体视觉检测单元系统有效视场内的直径为20mm的标靶球；确保在有效视场内同时拍摄该时刻位姿下标靶球的空间坐标信息，使得数据一致性；
(3)通过改变标靶球的位姿，拍摄多组相对于CCD传感器立体视觉检测单元系统坐标系和激光跟踪仪自身系统坐标系的空间点坐标信息；所述激光跟踪仪自身系统坐标系为世界坐标系；
(4)将CCD传感器立体视觉检测单元系统坐标系空间点坐标信息作为神经网络输入层，激光跟踪仪自身系统坐标系空间点坐标信息作为神经网络输出层，利用输入层与输出层之间的多组空间点坐标信息关系，获得神经网络隐含层关系，进而完成了大尺寸测量立体视觉全系统标定；
利用多个已完成大尺寸测量立体视觉全系统标定的CCD传感器立体视觉检测单元系统采集获取关键点空间坐标信息，根据世界坐标系下关键点空间坐标信息，通过相关距离坐标公式得到车体轮廓长度、宽度、对角线差、车体主梁等高、枕梁孔位置度、两侧门对角线差等测量单元信息。
CN201710115439.2A 2017-03-01 2017-03-01 基于神经网络的动车车体关键尺寸检测系统解决方案 Expired - Fee Related CN106767422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710115439.2A CN106767422B (zh) 2017-03-01 2017-03-01 基于神经网络的动车车体关键尺寸检测系统解决方案

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710115439.2A CN106767422B (zh) 2017-03-01 2017-03-01 基于神经网络的动车车体关键尺寸检测系统解决方案

Publications (2)

Publication Number Publication Date
CN106767422A CN106767422A (zh) 2017-05-31
CN106767422B true CN106767422B (zh) 2019-05-14

Family

ID=58960380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710115439.2A Expired - Fee Related CN106767422B (zh) 2017-03-01 2017-03-01 基于神经网络的动车车体关键尺寸检测系统解决方案

Country Status (1)

Country Link
CN (1) CN106767422B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106767422B (zh) * 2017-03-01 2019-05-14 长春工程学院 基于神经网络的动车车体关键尺寸检测系统解决方案
CN107024175A (zh) * 2017-06-20 2017-08-08 长春工程学院 基于多目视觉的大型客车车身关键尺寸检测系统解决方案

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261115A (zh) * 2008-04-24 2008-09-10 吉林大学 空间圆几何参数的双目立体视觉测量方法
CN101629806A (zh) * 2009-06-22 2010-01-20 哈尔滨工程大学 结合激光发射器的非线性ccd三维定位装置及定位方法
CN101907448A (zh) * 2010-07-23 2010-12-08 华南理工大学 一种基于双目三维视觉的深度测量方法
CN104457569A (zh) * 2014-11-27 2015-03-25 大连理工大学 一种大型复合板材几何参数视觉测量方法
CN106097322A (zh) * 2016-06-03 2016-11-09 江苏大学 一种基于神经网络的视觉系统标定方法
CN106767422A (zh) * 2017-03-01 2017-05-31 长春工程学院 基于神经网络的动车车体关键尺寸检测系统解决方案

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261115A (zh) * 2008-04-24 2008-09-10 吉林大学 空间圆几何参数的双目立体视觉测量方法
CN101629806A (zh) * 2009-06-22 2010-01-20 哈尔滨工程大学 结合激光发射器的非线性ccd三维定位装置及定位方法
CN101907448A (zh) * 2010-07-23 2010-12-08 华南理工大学 一种基于双目三维视觉的深度测量方法
CN104457569A (zh) * 2014-11-27 2015-03-25 大连理工大学 一种大型复合板材几何参数视觉测量方法
CN106097322A (zh) * 2016-06-03 2016-11-09 江苏大学 一种基于神经网络的视觉系统标定方法
CN106767422A (zh) * 2017-03-01 2017-05-31 长春工程学院 基于神经网络的动车车体关键尺寸检测系统解决方案

Also Published As

Publication number Publication date
CN106767422A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN104864819B (zh) 一种基于数字散斑的高速三维应变测量方法
CN104021676B (zh) 基于车辆动态视频特征的车辆定位及车速测量方法
CN107186548B (zh) 一种五轴数控机床回转轴几何误差检测方法
CN101571379B (zh) 一种无缝圆形钢管直径及直线度参数测量的方法
CN103433810B (zh) 一种复杂曲面法矢在机检测装置及方法
CN102564323B (zh) 基于四象限位置探测器测试桥梁挠度/纵向位移变化的方法
CN106767421B (zh) 基于多目视觉的动车车身关键尺寸检测系统解决方案
WO2018210072A1 (zh) 一种基于多目图像识别的定日镜面形检测系统及方法
CN106596037B (zh) 风洞试验模型绕流密度投影场的视频测量方法
CN108254032A (zh) 河流超声波时差法流量计算方法
CN101629822B (zh) 振动环境中的多相机动态摄影测量方法
CN103217100A (zh) 一种大型客车车厢的在线双目视觉测量装置
CN203704875U (zh) 一种基于图像处理技术的霜层厚度测量系统
CN109115147A (zh) 全深度阵列式测斜仪及深部位移测量方法
CN104568003A (zh) 一种输电线路覆冰过程的远程监测系统及方法
CN105957096A (zh) 一种用于三维数字图像相关的相机外参标定方法
CN104764401B (zh) 一种发动机柔性喷管摆角及摆心测量方法
CN106767422B (zh) 基于神经网络的动车车体关键尺寸检测系统解决方案
CN106483330A (zh) 一种基于反光丝线姿态角视觉识别二维风速风向测试方法
CN208780164U (zh) 全深度阵列式测斜仪
CN101231167A (zh) 海洋测线网系统误差的检测与调整方法
CN102322776A (zh) 单趾弹条快速检具及检测方法
CN108871373A (zh) 一种基于俯仰滚转台和非线性优化的星敏感器标定方法
CN109580137A (zh) 一种基于计算机视觉技术的桥梁结构位移影响线实测方法
CN104634246A (zh) 目标空间坐标的浮动式立体视觉测量系统及测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190514

Termination date: 20210301