CN107424176A - 一种焊缝特征点的实时跟踪提取方法 - Google Patents
一种焊缝特征点的实时跟踪提取方法 Download PDFInfo
- Publication number
- CN107424176A CN107424176A CN201710606322.4A CN201710606322A CN107424176A CN 107424176 A CN107424176 A CN 107424176A CN 201710606322 A CN201710606322 A CN 201710606322A CN 107424176 A CN107424176 A CN 107424176A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- msub
- mover
- feature points
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明涉及一种焊缝特征点的实时跟踪提取方法：焊接开始之前根据激光视觉传感器采集到的图像通过形态学处理获得初始的焊缝特征点位置坐标，在特征点周围选取固定大小的窗口作为正样本；焊接开始之后，传感器获得的图像存在大量的飞溅和弧光噪声，采用基于高斯核相关的焊缝特征点目标跟踪算法，通过将正样本进行循环偏移获得大量的负样本，将正负样本集合输入分类器进行训练，利用傅里叶变换将计算转换到频域内，降低了计算量，将候选区域中响应概率的最大值所在区域作为最终的目标，从而获得新一帧图像中特征点的二维坐标值，最后将目标模型等参数进行更新。
Description
技术领域
本发明属于机器视觉及应用领域，具体涉及一种焊缝跟踪控制领域应用的焊缝特征点目标跟踪提取方法。
背景技术
通常来说，焊缝特征点的提取方法有形态学处理方法和目标跟踪方法两种。形态学处理方法有膨胀腐蚀、开闭运算、顶底帽变换、骨架提取和拟合求交等，形态学方法提取过程简单，提取速度快，结果比较精确，但是对于图像的纯净度要求比较高，当图像中存在较多的噪声干扰时，会造成提取结果错误甚至无法得到结果。传统的图像形态学处理算法不能有效的对特征点进行像素提取。目标跟踪算法虽然计算过程复杂，处理速度相对形态学处理较慢，但是目标跟踪算法对于噪声不敏感，具有很强的鲁棒性。
发明内容
为了克服现有技术的不足，本发明提供一种计算简单方便，满足焊接大噪声条件下焊缝特征点实时跟踪提取的计算方法。
本发明采用以下技术方案：一种焊缝特征点的实时跟踪提取方法，其特征在于，包括以下步骤：S1：焊接开始前通过形态学处理获得初始的焊缝特征点；S2：焊接开始之后利用高斯核相关算法实时跟踪提取出焊缝特征点的位置坐标，并将目标模型进行更新。
在本发明一实施例中，S1包括以下具体步骤：S11:焊接开始前，将采集到的图像进行动态阈值处理，参考图像的对应灰度值为将图像进行二值化处理，增加图像的对比度；进行降噪处理，根据连通域的面积和顺序将目标激光条纹提取出来；S12：得到目标激光条纹之后，利用最大圆盘法进行骨架提取，然后利用Ramer算法进行直线拟合，将拟合所得的直线进行延长求交即可获得初始焊缝特征点的坐标值。
进一步的，S11中利用开闭运算对图像进行降噪处理。
在本发明一实施例中，S2包括以下步骤：S21：将获得的特征点周围固定大小的窗口作为正样本，利用循环偏移获得大量的负样本，将正负样本输入分类器进行训练；S22：输入到分类器中的训练样本集xi和与之相对应的回归值yi如下所示：{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}；w表示回归值对应的权重向量，λ作为防止过拟合的正则化参数；为了得到训练样本集和回归值对应的函数关系，假设线性回归函数为f(xi)＝wTxi，则对应的残差函数为：
上式在复数域内的解为
w＝(XHX+λ)-1XHy；
其中XH表示X的复共轭转置矩阵，为了降低计算的复杂度，将上式进行傅里叶变换，得权重向量为：
式中，中x是X的第一行矩阵，整个矩阵由这一行的循环偏移得到，表示x的傅里叶变换；S23：使用岭回归分类器将权重向量的求解映射到新空间中，令则权重向量表示为：
上式中φ(X)＝[φ(x1),φ(x2),…,φ(xn)]T，则w为φ(X)行向量组成的空间中的一个向量，由于偏移矩阵为循环矩阵，则上式简化为：
式中Kxx＝φ(x)Tφ(X)T表示核矩阵K的第一行元素组成的向量，求解参数由权重向量w变成了α，α＝{α1,α2,…,αj,…}；
S24：待检测的样本集是预测区域和其循环偏移得到的待分类样本集合zj＝Pjz，则：
f(zj)＝αTφ(X)φ(zj)
那么f(zj)最大的样本即为检测出的新目标区域，目标移动的位置由zj得到，引入高斯核函数，表达式如下：
那么在新的一帧图像中，所求特征点的二维像素坐标值为：
式中，f-1为傅里叶反变换；
S25：在求得新的特征点之后，对前面获得αM和目标模型X进行如下的更新：
式中，0<β<1为学习因子，和表示上一帧和当前帧图像更新获得的αM，和表示上一帧和当前帧图像更新获得的目标模型X，通过以上不断地采集图像，利用以上的高斯核相关目标跟踪算法，计算出每一帧图像中焊缝特征点的二维像素坐标值。
与现有技术相比，本发明能实现快速实时准确的进行焊缝特征点跟踪检测，且能满足焊接大噪声条件下焊缝特征点实时跟踪。
附图说明
图1是焊接前焊缝特征点提取结果。
图2是焊缝特征点跟踪算法计算检测过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步解释说明。
本发明提供一种焊缝特征点的实时跟踪提取方法：S1：焊接开始前通过形态学处理获得初始的焊缝特征点；S2：焊接开始之后利用高斯核相关算法实时跟踪提取出焊缝特征点的位置坐标，并将目标模型进行更新。
S1具体计算步骤如下：
S11：焊接开始前，将采集到的图像进行动态阈值处理，参考图像的对应灰度值为然后将图像进行二值化处理，增加图像的对比度，然后利用开闭运算进行降噪处理，根据连通域的面积和顺序将目标激光条纹提取出来；其中，Ii,j(ci,ri)表示图像中的一点Pi的灰度值，w和h为掩模区域的像素宽度和高度，n＝w×h，表示该掩膜区域内像素点的个数，Ii表示Pi所在掩模区域的平均值；
S12：得到了目标激光条纹之后，利用最大圆盘法进行骨架提取，然后利用Ramer算法进行直线拟合，将拟合所得的直线进行延长求交即可获得初始焊缝特征点的坐标值，特征点如附图1所示。
S2具体步骤如下：
S21：焊接开始后，将:获得的特征点周围固定大小的窗口作为正样本，利用循环偏移获得大量的负样本，将正负样本输入分类器进行训练；
S22：输入到分类器中的训练样本集xi和与之相对应的回归值yi如下所示：
{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}
w表示回归值对应的权重向量，λ作为防止过拟合的正则化参数。为了得到训练样本集和回归值对应的函数关系，假设线性回归函数为f(xi)＝wTxi，则对应的残差函数为：
上式在复数域内的解为
w＝(XHX+λ)-1XHy
上式中XH表示X的复共轭转置矩阵，为了降低计算的复杂度，将上式进行傅里叶变换，可得权重向量为
上式中，中x是X的第一行矩阵，整个矩阵由这一行的循环偏移得到，表示x的傅里叶变换。
S23：使用岭回归分类器将权重向量的求解映射到新空间中，令则权重向量可以表示为：
上式中φ(X)＝[φ(x1),φ(x2),L,φ(xn)]T，w是φ(X)行向量组成的空间中的一个向量，由于偏移矩阵为循环矩阵，则上式可以简化为：
上式中Kxx＝φ(x)Tφ(X)T表示核矩阵K的第一行元素组成的向量。这样，求解参数就由权重向量w变成了α，这里α＝{α1,α2,L,αj,L}。
S24：待检测的样本集是预测区域和其循环偏移得到的待分类样本集合zj＝Pjz，其中，z为图像中目标区域所在的正样本，Pj为循环偏移矩阵，zj为循环偏移得到的样本集合；则：
f(zj)＝αTφ(X)φ(zj)
那么f(zj)最大的样本即为检测出的新目标区域，目标移动的位置可由zj得到。引入高斯核函数，表达式如下：
那么在新的一帧图像中，所求特征点的二维像素坐标值为：
上式中，f-1为傅里叶反变换，这样我们就获得了新的一帧图像中所求特征点的位置。
S25：在求得新的特征点之后，对前面获得αM和目标模型X进行如下的更新：
上式中，0<β<1为学习因子，和表示上一帧和当前帧图像更新获得的αM，和表示上一帧和当前帧图像更新获得的目标模型X，通过以上不断地采集图像，利用以上的高斯核相关目标跟踪算法，计算出每一帧图像中焊缝特征点的二维像素坐标值，整个特征点实时跟踪提取的过程如附图2所示。
上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种焊缝特征点的实时跟踪提取方法，其特征在于，包括以下步骤：
S1：焊接开始前通过形态学处理获得初始的焊缝特征点；
S2：焊接开始之后利用高斯核相关算法实时跟踪提取出焊缝特征点的位置坐标，并将目标模型进行更新。
2.根据权利要求1所述的焊缝特征点的实时跟踪提取方法，其特征在于：S1包括以下具体步骤：
S11:焊接开始前，将采集到的图像进行动态阈值处理，参考图像的对应灰度值为其中，Ii,j(ci,ri)表示图像中的一点Pi的灰度值，w和h为掩模区域的像素宽度和高度，n＝w×h，表示该掩膜区域内像素点的个数，Ii表示Pi所在掩模区域的平均值；将图像进行二值化处理，增加图像的对比度；进行降噪处理，根据连通域的面积和顺序将目标激光条纹提取出来；
S12：得到目标激光条纹之后，利用最大圆盘法进行骨架提取，然后利用Ramer算法进行直线拟合，将拟合所得的直线进行延长求交即可获得初始焊缝特征点的坐标值。
3.根据权利要求2所述的焊缝特征点的实时跟踪提取方法，其特征在于：S11中利用开闭运算对图像进行降噪处理。
4.根据权利要求1所述的焊缝特征点的实时跟踪提取方法，其特征在于：S2包括以下步骤：
S21：将获得的特征点周围固定大小的窗口作为正样本，利用循环偏移获得大量的负样本，将正负样本输入分类器进行训练；
S22：输入到分类器中的训练样本集xi和与之相对应的回归值yi如下所示：
{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}；
w表示回归值对应的权重向量，λ作为防止过拟合的正则化参数；为了得到训练样本集和回归值对应的函数关系，假设线性回归函数为f(xi)＝wTxi，则对应的残差函数为：
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>w</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>w</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
上式在复数域内的解为
w＝(XHX+λ)-1XHy；
其中XH表示X的复共轭转置矩阵，为了降低计算的复杂度，将上式进行傅里叶变换，得权重向量为：
<mrow>
<mover>
<mi>w</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>&times;</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
</mrow>
<mrow>
<msup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>*</mo>
</msup>
<mo>&times;</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
<mi>&lambda;</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
式中，中x是X的第一行矩阵，整个矩阵由这一行的循环偏移得到，表示x的傅里叶变换；
S23：使用岭回归分类器将权重向量的求解映射到新空间中，令则权重向量表示为：
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&alpha;</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mi>&phi;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mi>&alpha;</mi>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>&phi;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mi>&alpha;</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
1
上式中φ(X)＝[φ(x1),φ(x2),…,φ(xn)]T，则w为φ(X)行向量组成的空间中的一个向量，由于偏移矩阵为循环矩阵，则上式简化为：
<mrow>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mfrac>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mover>
<mi>K</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
</msup>
</mfrac>
<mo>;</mo>
</mrow>
式中Kxx＝φ(x)Tφ(X)T表示核矩阵K的第一行元素组成的向量，求解参数由权重向量w变成了α，α＝{α1,α2,…,αj,…}；
S24：待检测的样本集是预测区域和其循环偏移得到的待分类样本集合zj＝Pjz，其中，z为图像中目标区域所在的正样本，Pj为循环偏移矩阵，zj为循环偏移得到的样本集合；则：
f(zj)＝αTφ(X)φ(zj)
那么f(zj)最大的样本即为检测出的新目标区域，目标移动的位置由zj得到，引入高斯核函数，表达式如下：
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
那么在新的一帧图像中，所求特征点的二维像素坐标值为：
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<msup>
<mi>maxf</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>(</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mi>M</mi>
</msub>
<mo>)</mo>
</mrow>
式中，f-1为傅里叶反变换；
S25：在求得新的特征点之后，对前面获得αM和目标模型X进行如下的更新：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<msub>
<mi>M</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;&alpha;</mi>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;X</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
式中，0<β<1为学习因子，和表示上一帧和当前帧图像更新获得的αM，和表示上一帧和当前帧图像更新获得的目标模型X，通过以上不断地采集图像，利用以上的高斯核相关目标跟踪算法，计算出每一帧图像中焊缝特征点的二维像素坐标值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710606322.4A CN107424176A (zh) | 2017-07-24 | 2017-07-24 | 一种焊缝特征点的实时跟踪提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710606322.4A CN107424176A (zh) | 2017-07-24 | 2017-07-24 | 一种焊缝特征点的实时跟踪提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107424176A true CN107424176A (zh) | 2017-12-01 |
Family
ID=60430893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710606322.4A Pending CN107424176A (zh) | 2017-07-24 | 2017-07-24 | 一种焊缝特征点的实时跟踪提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107424176A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108132017A (zh) * | 2018-01-12 | 2018-06-08 | 中国计量大学 | 一种基于激光视觉系统的平面焊缝特征点提取方法 |
| CN108596917A (zh) * | 2018-04-19 | 2018-09-28 | 湖北工业大学 | 一种目标主骨架线提取方法 |
| CN109175597A (zh) * | 2018-09-20 | 2019-01-11 | 北京博清科技有限公司 | 基于焊缝宽度识别的焊接参数实时调节方法及系统 |
| CN109492688A (zh) * | 2018-11-05 | 2019-03-19 | 深圳步智造科技有限公司 | 焊缝跟踪方法、装置及计算机可读存储介质 |
| CN109693018A (zh) * | 2019-01-30 | 2019-04-30 | 湖北文理学院 | 自主移动机器人焊缝视觉跟踪系统及跟踪方法 |
| CN110147708A (zh) * | 2018-10-30 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 一种图像数据处理方法和相关装置 |
| CN110246105A (zh) * | 2019-06-15 | 2019-09-17 | 南京大学 | 一种基于实际相机噪声建模的视频去噪方法 |
| CN111438460A (zh) * | 2020-04-18 | 2020-07-24 | 南昌大学 | 基于视觉的厚板t形接头焊接焊缝成形特征在线测量方法 |
| CN113674218A (zh) * | 2021-07-28 | 2021-11-19 | 中国科学院自动化研究所 | 焊缝特征点提取方法、装置、电子设备与存储介质 |
| CN113723494A (zh) * | 2021-08-25 | 2021-11-30 | 武汉理工大学 | 一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法 |
| CN113744243A (zh) * | 2021-09-03 | 2021-12-03 | 上海柏楚电子科技股份有限公司 | 焊缝跟踪检测的图像处理方法、装置、设备与介质 |
| CN115781092A (zh) * | 2023-02-08 | 2023-03-14 | 金成技术股份有限公司 | 用于挖掘机动臂的多角度辅助焊接方法 |
| WO2024040951A1 (zh) * | 2022-08-26 | 2024-02-29 | 宁德时代新能源科技股份有限公司 | 定位目标区域的方法、装置及计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955927A (zh) * | 2014-04-26 | 2014-07-30 | 江南大学 | 一种基于激光视觉的角焊缝自动跟踪方法 |
| CN106271081A (zh) * | 2016-09-30 | 2017-01-04 | 华南理工大学 | 三坐标直角机器人线激光焊缝自动跟踪系统及其跟踪方法 |
-
2017
- 2017-07-24 CN CN201710606322.4A patent/CN107424176A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955927A (zh) * | 2014-04-26 | 2014-07-30 | 江南大学 | 一种基于激光视觉的角焊缝自动跟踪方法 |
| CN106271081A (zh) * | 2016-09-30 | 2017-01-04 | 华南理工大学 | 三坐标直角机器人线激光焊缝自动跟踪系统及其跟踪方法 |
Non-Patent Citations (4)
| Title |
|---|
| J. TEIMURNEZHAD ET AL.: "Effect of shoulder plunge depth on the weld morphology,macrograph and microstructure of copper FSW jointsJ", 《JOURNAL OF MANUFACTURING PROCESSES》 * |
| 徐金梧: "《冶金生产过程质量监控理论与方法》", 31 May 2015, 冶金工业出版社 * |
| 邹焱飚: "基于高斯核相关的线激光焊缝跟踪方法研究", 《应用激光》 * |
| 邹焱飚: "面向焊缝跟踪的线激光检测技术研究", 《应用激光》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108132017A (zh) * | 2018-01-12 | 2018-06-08 | 中国计量大学 | 一种基于激光视觉系统的平面焊缝特征点提取方法 |
| CN108596917A (zh) * | 2018-04-19 | 2018-09-28 | 湖北工业大学 | 一种目标主骨架线提取方法 |
| CN109175597A (zh) * | 2018-09-20 | 2019-01-11 | 北京博清科技有限公司 | 基于焊缝宽度识别的焊接参数实时调节方法及系统 |
| CN110147708B (zh) * | 2018-10-30 | 2023-03-31 | 腾讯科技（深圳）有限公司 | 一种图像数据处理方法和相关装置 |
| CN110147708A (zh) * | 2018-10-30 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 一种图像数据处理方法和相关装置 |
| CN109492688A (zh) * | 2018-11-05 | 2019-03-19 | 深圳步智造科技有限公司 | 焊缝跟踪方法、装置及计算机可读存储介质 |
| CN109492688B (zh) * | 2018-11-05 | 2021-07-30 | 深圳一步智造科技有限公司 | 焊缝跟踪方法、装置及计算机可读存储介质 |
| CN109693018B (zh) * | 2019-01-30 | 2021-04-27 | 湖北文理学院 | 自主移动机器人焊缝视觉跟踪系统及跟踪方法 |
| CN109693018A (zh) * | 2019-01-30 | 2019-04-30 | 湖北文理学院 | 自主移动机器人焊缝视觉跟踪系统及跟踪方法 |
| CN110246105A (zh) * | 2019-06-15 | 2019-09-17 | 南京大学 | 一种基于实际相机噪声建模的视频去噪方法 |
| CN111438460A (zh) * | 2020-04-18 | 2020-07-24 | 南昌大学 | 基于视觉的厚板t形接头焊接焊缝成形特征在线测量方法 |
| CN113674218A (zh) * | 2021-07-28 | 2021-11-19 | 中国科学院自动化研究所 | 焊缝特征点提取方法、装置、电子设备与存储介质 |
| CN113723494A (zh) * | 2021-08-25 | 2021-11-30 | 武汉理工大学 | 一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法 |
| CN113744243A (zh) * | 2021-09-03 | 2021-12-03 | 上海柏楚电子科技股份有限公司 | 焊缝跟踪检测的图像处理方法、装置、设备与介质 |
| CN113744243B (zh) * | 2021-09-03 | 2023-08-15 | 上海柏楚电子科技股份有限公司 | 焊缝跟踪检测的图像处理方法、装置、设备与介质 |
| WO2024040951A1 (zh) * | 2022-08-26 | 2024-02-29 | 宁德时代新能源科技股份有限公司 | 定位目标区域的方法、装置及计算机可读存储介质 |
| CN115781092A (zh) * | 2023-02-08 | 2023-03-14 | 金成技术股份有限公司 | 用于挖掘机动臂的多角度辅助焊接方法 |
| CN115781092B (zh) * | 2023-02-08 | 2023-04-25 | 金成技术股份有限公司 | 用于挖掘机动臂的多角度辅助焊接方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107424176A (zh) | 一种焊缝特征点的实时跟踪提取方法 | |
| CN108010067B (zh) | 一种基于组合判断策略的视觉目标跟踪方法 | |
| CN102722714B (zh) | 基于目标跟踪的人工神经网络扩张式学习方法 | |
| CN103413120B (zh) | 基于物体整体性和局部性识别的跟踪方法 | |
| CN112052886A (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
| CN107680119A (zh) | 一种基于时空上下文融合多特征及尺度滤波的跟踪算法 | |
| CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
| CN107516316A (zh) | 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法 | |
| CN106952288A (zh) | 基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法 | |
| CN113706581B (zh) | 基于残差通道注意与多层次分类回归的目标跟踪方法 | |
| CN104102920A (zh) | 一种基于形态学多特征融合的害虫图像分类方法及系统 | |
| CN107886498A (zh) | 一种基于星载图像序列的空间目标检测跟踪方法 | |
| CN104143102B (zh) | 在线图像数据处理方法 | |
| CN109191488A (zh) | 一种基于csk与tld融合算法的目标跟踪系统及方法 | |
| CN108171201A (zh) | 基于灰度形态学的睫毛快速检测方法 | |
| CN110717934B (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
| CN108805902A (zh) | 一种自适应尺度的时空上下文目标跟踪方法 | |
| CN105809713A (zh) | 基于在线Fisher判别机制增强特征选择的目标跟踪方法 | |
| CN104143195B (zh) | 一种手势跟踪过程中手形变化导致跟踪偏移的修正方法 | |
| CN107368802A (zh) | 基于kcf和人脑记忆机制的运动目标跟踪方法 | |
| CN110544267A (zh) | 一种自适应选择特征的相关滤波跟踪方法 | |
| CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
| CN109102520A (zh) | 基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法 | |
| CN104537690B (zh) | 一种基于最大值‑时间索引联合的运动点目标检测方法 | |
| CN108205814B (zh) | 彩色图像的黑白轮廓生成方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |