CN108492282A - 基于线结构光与多任务级联卷积神经网络的三维涂胶检测 - Google Patents

基于线结构光与多任务级联卷积神经网络的三维涂胶检测 Download PDF

Info

Publication number
CN108492282A
CN108492282A CN201810192758.8A CN201810192758A CN108492282A CN 108492282 A CN108492282 A CN 108492282A CN 201810192758 A CN201810192758 A CN 201810192758A CN 108492282 A CN108492282 A CN 108492282A
Authority
CN
China
Prior art keywords
point
key point
coordinate
key
image
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
CN201810192758.8A
Other languages
English (en)
Other versions
CN108492282B (zh
Inventor
耿磊
杜乃超
肖志涛
张芳
吴骏
杨瑞鹏
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.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
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 Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201810192758.8A priority Critical patent/CN108492282B/zh
Publication of CN108492282A publication Critical patent/CN108492282A/zh
Application granted granted Critical
Publication of CN108492282B publication Critical patent/CN108492282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于线结构光与多任务级联卷积神经网络的三维涂胶检测方法，该方法包括：系统标定，图像采集；运用级联结构的多层卷积神经网络，对涂胶区域和关键点进行粗定位；运用多目标优化模型对胶体关键点的粗定位坐标进行纠正；在左右图像上反复迭代得到关键点的精确定位；匹配左右相机中图像的关键点，计算关键点的三维坐标；计算涂胶的宽度、高度信息。本发明能明显检测出不同涂胶的宽度、高度信息。

Description

基于线结构光与多任务级联卷积神经网络的三维涂胶检测
技术领域
本发明涉及视觉检测和卷积神经网络，特别涉及三维涂胶宽度和高度的检测方法。
背景技术
制造业的发展水平反映着一个国家的经济水平与科技水平，机器人技术与视觉检测技术作为智能制造的典型代表，其开发与研究越来越受到政府、企业以及各研究机构的重视。由于工业机器人具有高效、持久、速度快、准确性高等优势。同时随着胶粘技术的提升以及涂胶材料的改进，胶体的机械强度、密封性、隔热、防锈以及其重量轻的优势越来越突出，涂胶机器人的应用领域不断扩展，已经成为汽车生产、航空航天、轨道交通、国防科技、医疗设备制造等各个领域的材料连接、密封的重要技术手段。随着越来越多的高科技精密设备对机器人涂胶的使用，涂胶检测问题逐渐进入人们的视线。
涂胶检测的准确度和精度以及检测的时间是涂胶检测的关键点，目前传统的基于机器视觉的涂胶检测只能检测涂胶位置是否正确，以及有无涂胶，无法对涂胶处进行定量分析并且对于形状复杂的工件无法进行涂胶质量的整体形状评估。限制三维涂胶检测的技术要点主要集中在测量精度与测量速度两个方面，如何能够在保证测量精度的同时尽可能的提升检测速度是当前研究工业机器人三维涂胶的关键。
综上所述，目前迫切需要提出一种测量精度和测量速度性能均较强地三维涂胶检测方法。
发明内容
有鉴于此，本发明的主要目的在于实现三维涂胶的有效检测，且测量精度和测量速度性能均较强。
为达到上述目的，本发明提供了一种基于线结构光与多任务级联卷积神经网络的三维涂胶检测方法，该方法包括：
第一步骤，系统标定，图像采集；
第二步骤，关键点和胶区的粗略定位；
第三步骤，关键点纠正；
第四步骤，关键点迭代优化；
第五步骤，三维恢复；
第六步骤，计算涂胶的宽度和高度；
所述第二步骤进一步包括：
利用三层级联卷积神经网络对结构光光带中的胶体区域，以及胶体顶点、左端点、右端点、底部左端点、底部右端点五个关键点进行粗定位，其中该三层卷积神经网络分别为P-net，R-net，O-net。
所述第三步骤进一步包括：
关键点纠正，纠正关键点的粗定位坐标，假设纠正后的关键点坐标是K(x，y)，建立多目标优化模型的目标函数。
公式MinDk-l、中，表示点K(x，y)与本图中粗定位关键点之间的距离；计算出另一图像中对应的粗定位关键点的极线，Dk-l表示点K(x，y)与此极线之间的距离；表示点K(x，y)与本图中以粗定位关键点为中心的3×Hl像素块内的灰度质心的距离。建立多目标优化的目标函数用来最小化Dk-l和因此，我们通过公式计算最大最小化模型下的最优结果，从而求出纠正的关键点坐标K(x，y)，其中Iwidth和IHeight分别为图像的宽度和高度。
所述第四步骤进一步包括：
关键点迭代优化，保存本图像通过关键点纠正求得的纠正坐标，用于计算另一幅图像中的Dk-l，从而使另一幅图像中的关键点的纠正坐标精度更高，在左右图像中反复如此迭代，计算关键点的纠正的坐标，当其中一幅图中关键点的纠正坐标与其另一图像中的关键点的纠正坐标距离小于系统重投影误差时停止迭代。用此方法能够得到精确地关键点坐标。
所述第五步骤进一步包括：
三维恢复，空间任意点P在两个摄像机C1与C2上的图像点P1与P2已经从两个图像中分别检测出来。即已知P1与P2为空间同一点P的对应点。摄像机C1与C2的投影矩阵分别为M1与M2，于是有： 其中，(u1，v1，1)与(u2，v2，1)分别为P1与P2点在各自图像中的图像齐次坐标；(X，Y，Z，1)为P点在世界坐标系下的齐次坐标；为mk的第i行第j列元素。上述两式消去Zc1与Zc2得到关于X，Y，Z的四个线性方程：
由于空间点P是O1P1与O2P2的交点，它必然同时满足上述方程组，因此可求出P点的坐标(X，Y，Z)。因为已经假设P1与P2点是空间同一点P的对应点，因此直线O1P1与O2P2一定相交，可以用最小二乘法求出P的三维点坐标(X，Y，Z)，即五个关键点的三维坐标。
所述第六步骤进一步包括：
计算涂胶的宽度和高度。运用A，B，C，D，E点分别代表涂胶的顶点，左端点，右端点，左下端点和右下端点。Mbd和Mce分别表示B，D连线的中点和C，E连线的中点。A点与由D点连接到E点的线之间的距离是胶水的高度。Mbd点与Mce点之间的距离是胶水的宽度。
附图说明
图1示出了按照本发明的三维涂胶检测的流程图。
图2示出了按照本发明的三维涂胶检测系统结构图。
图3示出了按照本发明的三维涂胶检测中的胶体关键点图。
图4示出了按照本发明的三维涂胶检测中的胶体高度和宽度示意图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
图1给出了按照本发明的三维涂胶检测方法的流程图。如图1所示，按照本发明的三维涂胶检测方法包括：
第一步骤S1，系统标定，图像采集；
第二步骤S2，关键点和胶区的粗略定位；
第三步骤S3，关键点纠正；
第四步骤S4，关键点迭代优化；
第五步骤S5，三维恢复；
第六步骤S6，计算涂胶的宽度和高度；
所述第一步骤S1进一步包括：
系统标定，主要包含相机标定与相机与机器人手眼标定。相机标定主要包括两个相机各自内参的标定以及两相机之间的相对位置的标定(即右摄像头相对于左摄像头的平移向量t和旋转矩阵R)。文中采用的是张氏平面标定法，该方法需要摄像机从不同的角度拍摄平面模板的多幅图像，通过平面模板上的每个特征点与其图像上点之间的对应关系，考虑径向畸变并用最大似然准则对计算结果进行非线性优化，利用内参数矩阵和单应性矩阵求出对应的外部参数。
图像采集，系统结构图如图2所示，线结构光与双目相机通过相应的连接件被固定在机器人末端(TCP)，测量时结构光垂直照射在待检测涂胶上，双目相机从侧方向进行图像采集。
所述第二步骤S2进一步包括：
利用三层级联卷积神经网络对结构光光带中的胶体区域，以及胶体顶点、左端点、右端点、底部左端点、底部右端点五个关键点进行粗定位，其中该三层卷积神经网络分别为P-net，R-net，O-net。每层网络的介绍如下。
P-net网络，卷积和池化的步幅分别为1和2。该网络可以用来获得候选窗口和粘合区域的边界框的回归系数向量。详细地说，边界框被回归，候选窗口被校准，并且重叠的候选窗口被非最大抑制(NMS)合并。
R-net网络，该层是对P-net的结果再进一步细划，得到更精细的候选区域，同样是通过边界框回归和NMS来去掉那些false-positive区域。
O-net网络，该层比R-Net又多了一层卷积，所以处理的结果会更加精细。作用和R-Net层作用一样。但是该层对检测区域进行了更多的监督，同时还会输出5个地标(landmark)。O-Net虽然速度较慢，但是由于经过前两个网络，已经得到了高概率的边框，所以输入O-Net的图像较少，然后O-Net输出精确的边框和关键点信息。
所述第三步骤S3进一步包括：
关键点纠正，纠正关键点的粗定位坐标，假设纠正后的关键点坐标是K(x，y)，建立多目标优化模型的目标函数。
公式MinDk-l、中，表示点K(x，y)与本图中粗定位关键点之间的距离；计算出另一图像中对应的粗定位关键点的极线，Dk-l表示点K(x，y)与此极线之间的距离；表示点K(x，y)与本图中以粗定位关键点为中心的3×Hl像素块内的灰度质心的距离。建立多目标优化的目标函数用来最小化Dk-l和因此，我们通过公式计算最大最小化模型下的最优结果，从而求出纠正的关键点坐标K(x，y)，其中Iwidth和IHeight分别为图像的宽度和高度。
所述第四步骤S4进一步包括：
关键点迭代优化，保存本图像通过关键点纠正求得的纠正坐标，用于计算另一幅图像中的Dk-l，从而使另一幅图像中的关键点的纠正坐标精度更高，在左右图像中反复如此迭代，计算关键点的纠正的坐标，当其中一幅图中关键点的纠正坐标与其另一图像中的关键点的纠正坐标距离小于系统重投影误差时停止迭代。用此方法能够得到精确地关键点坐标。
所述第五步骤S5进一步包括：
三维恢复，空间任意点P在两个摄像机C1与C2上的图像点P1与P2已经从两个图像中分别检测出来。即已知P1与P2为空间同一点P的对应点。摄像机C1与C2的投影矩阵分别为M1与M2，于是有： 其中，(u1，v1，1)与(u2，v2，1)分别为P1与P2点在各自图像中的图像齐次坐标；(X，Y，Z，1)为P点在世界坐标系下的齐次坐标；为mk的第i行第j列元素。上述两式消去Zc1与Zc2得到关于X，Y，Z的四个线性方程：
由于空间点P是O1P1与O2P2的交点，它必然同时满足上述方程组，因此可求出P点的坐标(X，Y，Z)。因为已经假设P1与P2点是空间同一点P的对应点，因此直线O1P1与O2P2一定相交，可以用最小二乘法求出P的三维点坐标(X，Y，Z)。
所述第六步骤S6进一步包括：
计算涂胶的宽度和高度，计算方法如图4所示。A，B，C，D，E点分别代表顶点，左端点，右端点，左下端点和右下端点。Mbd和Mce分别表示B，D连线的中点和C，E连线的中点。A点与由D点连接到E点的线之间的距离是胶水的高度。Mbd点与Mce点之间的距离是胶水的宽度。
与现有的三维涂胶检测技术相比，本发明的三维涂胶检测方法可以检测出涂胶区域的宽度和高度，且测量精度和测量速度性能均较强。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (6)

1.一种三维涂胶检测方法，其特征在于将线结构光与多任务级联卷积神经网络相结合，该方法包括：
第一步骤，系统标定，图像采集；
第二步骤，关键点和胶区的粗略定位；
第三步骤，关键点纠正；
第四步骤，关键点迭代优化；
第五步骤，三维恢复；
第六步骤，计算涂胶的宽度和高度。
2.如权利要求1所述的一种三维涂胶检测方法，所述第二步骤进一步包括：
利用三层级联卷积神经网络对结构光光带中的胶体区域，以及胶体顶点、左端点、右端点、底部左端点、底部右端点五个关键点进行粗定位，其中该三层卷积神经网络分别为P-net，R-net，O-net。
3.如权利要求1所述的一种三维涂胶检测方法，所述第三步骤进一步包括：
关键点纠正，纠正关键点的粗定位坐标，假设纠正后的关键点坐标是K(x，y)，建立多目标优化模型的目标函数；
公式Dk-l、中，表示点K(x，y)与本图中粗定位关键点之间的距离；计算出另一图像中对应的粗定位关键点的极线，Dk-l表示点K(x，y)与此极线之间的距离；表示点K(x，y)与本图中以粗定位关键点为中心的3×Hl像素块内的灰度质心的距离；建立多目标优化的目标函数用来最小化Dk-l和因此，我们通过公式计算最大最小化模型下的最优结果，从而求出纠正的关键点坐标K(x，y)，其中Iwidth和IHeight分别为图像的宽度和高度。
4.如权利要求1所述的一种三维涂胶检测方法，所述第四步骤进一步包括：
关键点迭代优化，保存本图像通过关键点纠正求得的纠正坐标，用于计算另一幅图像中的Dk-l，从而使另一幅图像中的关键点的纠正坐标精度更高，在左右图像中反复如此迭代，计算关键点的纠正的坐标，当其中一幅图中关键点的纠正坐标与其另一图像中的关键点的纠正坐标距离小于系统重投影误差时停止迭代；用此方法能够得到精确地关键点坐标。
5.如权利要求1所述的一种三维涂胶检测方法，所述第五步骤进一步包括：
三维恢复，空间任意点P在两个摄像机C1与C2上的图像点P1与P2已经从两个图像中分别检测出来；即已知P1与P2为空间同一点P的对应点；摄像机C1与C2的投影矩阵分别为M1与M2，于是有： 其中，(u1，v1，1)与(u2，v2，1)分别为P1与P2点在各自图像中的图像齐次坐标；(X，Y，Z，1)为P点在世界坐标系下的齐次坐标；为mk的第i行第j列元素；上述两式消去Zc1与Zc2得到关于X，Y，Z的四个线性方程：
由于空间点P是O1P1与O2P2的交点，它必然同时满足上述方程组，因此可求出P点的坐标(X，Y，Z)；因为已经假设P1与P2点是空间同一点P的对应点，因此直线O1P1与O2P2一定相交，可以用最小二乘法求出P的三维点坐标(X，Y，Z)，即五个关键点的三维坐标。
6.如权利要求1所述的一种三维涂胶检测方法，所述第六步骤进一步包括：
计算涂胶的宽度和高度；运用A，B，C，D，E点分别代表涂胶的顶点，左端点，右端点，左下端点和右下端点。Mbd和Mce分别表示B，D连线的中点和C，E连线的中点；A点与由D点连接到E点的线之间的距离是胶水的高度。Mbd点与Mce点之间的距离是胶水的宽度。
CN201810192758.8A 2018-03-09 2018-03-09 基于线结构光与多任务级联卷积神经网络的三维涂胶检测 Active CN108492282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810192758.8A CN108492282B (zh) 2018-03-09 2018-03-09 基于线结构光与多任务级联卷积神经网络的三维涂胶检测

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810192758.8A CN108492282B (zh) 2018-03-09 2018-03-09 基于线结构光与多任务级联卷积神经网络的三维涂胶检测

Publications (2)

Publication Number Publication Date
CN108492282A true CN108492282A (zh) 2018-09-04
CN108492282B CN108492282B (zh) 2021-08-06

Family

ID=63338312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810192758.8A Active CN108492282B (zh) 2018-03-09 2018-03-09 基于线结构光与多任务级联卷积神经网络的三维涂胶检测

Country Status (1)

Country Link
CN (1) CN108492282B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110842914A (zh) * 2019-10-15 2020-02-28 上海交通大学 基于差分进化算法的手眼标定参数辨识方法、系统及介质
CN111192237A (zh) * 2019-12-16 2020-05-22 重庆大学 一种基于深度学习的涂胶检测系统和方法
CN112381781A (zh) * 2020-11-11 2021-02-19 征图智能科技(江苏)有限公司 基于3d点云的胶路缺陷检测方法
CN113791620A (zh) * 2021-09-14 2021-12-14 上海景吾智能科技有限公司 动态自适应定位方法、定位系统、机器人及存储介质
CN114549454A (zh) * 2022-02-18 2022-05-27 岳阳珞佳智能科技有限公司 一种生产线芯片爬胶高度在线监控方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102519481A (zh) * 2011-12-29 2012-06-27 中国科学院自动化研究所 一种双目视觉里程计实现方法
CN104240189A (zh) * 2013-06-17 2014-12-24 富士通株式会社 恢复抗锯齿边缘的滤波方法和装置
CN104331897A (zh) * 2014-11-21 2015-02-04 天津工业大学 基于极线校正的亚像素级相位立体匹配方法
CN104598915A (zh) * 2014-01-24 2015-05-06 深圳奥比中光科技有限公司 一种手势识别方法与装置
CN105469098A (zh) * 2015-11-20 2016-04-06 中北大学 一种自适应特征权重合成的lidar数据地物精确分类方法
CN106228119A (zh) * 2016-07-13 2016-12-14 天远三维（天津）科技有限公司 一种表情捕捉及动画自动生成系统和方法
US20170115233A1 (en) * 2015-10-22 2017-04-27 Samsung Electronics Co., Ltd. Apparatus for inspecting wafer
CN106934809A (zh) * 2017-03-29 2017-07-07 厦门大学 基于双目视觉的无人机空中自主加油快速对接导航方法
US9702662B1 (en) * 2015-12-22 2017-07-11 Huntercraft Limited Electronic sighting device with real-time information interaction
CN107038221A (zh) * 2017-03-22 2017-08-11 杭州电子科技大学 一种基于语义信息引导的视频内容描述方法
CN107748858A (zh) * 2017-06-15 2018-03-02 华南理工大学 一种基于级联卷积神经网络的多姿态眼睛定位方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102519481A (zh) * 2011-12-29 2012-06-27 中国科学院自动化研究所 一种双目视觉里程计实现方法
CN104240189A (zh) * 2013-06-17 2014-12-24 富士通株式会社 恢复抗锯齿边缘的滤波方法和装置
CN104598915A (zh) * 2014-01-24 2015-05-06 深圳奥比中光科技有限公司 一种手势识别方法与装置
CN104331897A (zh) * 2014-11-21 2015-02-04 天津工业大学 基于极线校正的亚像素级相位立体匹配方法
US20170115233A1 (en) * 2015-10-22 2017-04-27 Samsung Electronics Co., Ltd. Apparatus for inspecting wafer
CN105469098A (zh) * 2015-11-20 2016-04-06 中北大学 一种自适应特征权重合成的lidar数据地物精确分类方法
US9702662B1 (en) * 2015-12-22 2017-07-11 Huntercraft Limited Electronic sighting device with real-time information interaction
CN106228119A (zh) * 2016-07-13 2016-12-14 天远三维（天津）科技有限公司 一种表情捕捉及动画自动生成系统和方法
CN107038221A (zh) * 2017-03-22 2017-08-11 杭州电子科技大学 一种基于语义信息引导的视频内容描述方法
CN106934809A (zh) * 2017-03-29 2017-07-07 厦门大学 基于双目视觉的无人机空中自主加油快速对接导航方法
CN107748858A (zh) * 2017-06-15 2018-03-02 华南理工大学 一种基于级联卷积神经网络的多姿态眼睛定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHIH-WEN CHEN: "An automatic optical system for micro-defects inspection on 5 surfaces of a chip", 《2016 INTERNATIONAL CONFERENCE ON MANIPULATION, AUTOMATION AND ROBOTICS AT SMALL SCALES (MARSS)》 *
XIAO ZHITAO: "Three-dimensional glue detection and evaluation based on linear structured light", 《2017 INTERNATIONAL CONFERENCE ON OPTICAL INSTRUMENTS AND TECHNOLOGY》 *
原崧育: "基于双目视觉的目标运动参数高速实时测量方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王欣: "基于运动恢复的双目视觉三维重建系统设计", 《光学精密工程》 *
黄风山: "智能三坐标测量机零件位姿识别中的立体匹配", 《光电技术应用》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110842914A (zh) * 2019-10-15 2020-02-28 上海交通大学 基于差分进化算法的手眼标定参数辨识方法、系统及介质
CN110842914B (zh) * 2019-10-15 2022-09-23 上海交通大学 基于差分进化算法的手眼标定参数辨识方法、系统及介质
CN111192237A (zh) * 2019-12-16 2020-05-22 重庆大学 一种基于深度学习的涂胶检测系统和方法
CN111192237B (zh) * 2019-12-16 2023-05-02 重庆大学 一种基于深度学习的涂胶检测系统和方法
CN112381781A (zh) * 2020-11-11 2021-02-19 征图智能科技(江苏)有限公司 基于3d点云的胶路缺陷检测方法
CN112381781B (zh) * 2020-11-11 2021-10-01 征图智能科技(江苏)有限公司 基于3d点云的胶路缺陷检测方法
CN113791620A (zh) * 2021-09-14 2021-12-14 上海景吾智能科技有限公司 动态自适应定位方法、定位系统、机器人及存储介质
CN114549454A (zh) * 2022-02-18 2022-05-27 岳阳珞佳智能科技有限公司 一种生产线芯片爬胶高度在线监控方法和系统

Also Published As

Publication number Publication date
CN108492282B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN108492282A (zh) 基于线结构光与多任务级联卷积神经网络的三维涂胶检测
CN108012325B (zh) 一种基于uwb和双目视觉的导航定位方法
US7659921B2 (en) Distance measurement apparatus, distance measurement method, and distance measurement program
CN106996777B (zh) 一种基于地面图像纹理的视觉导航方法
CN108571971A (zh) 一种agv视觉定位系统及方法
CN107192375B (zh) 一种基于航拍姿态的无人机多帧图像自适应定位校正方法
CN104574339A (zh) 一种用于视频监控的多尺度柱面投影全景图像生成方法
CN111922483A (zh) 基于学习的线结构光焊缝跟踪与增材路径纠偏装置及方法
CN113362247B (zh) 一种激光融合多目相机的语义实景三维重建方法及系统
CN105809706B (zh) 一种分布式多像机系统的全局标定方法
CN111091076B (zh) 基于立体视觉的隧道限界数据测量方法
CN109163657A (zh) 一种基于双目视觉三维重建的圆形目标位姿检测方法
CN106489062B (zh) 用于测量移动平台的位移的系统和方法
CN106996748A (zh) 一种基于双目视觉的轮径测量方法
CN110044374A (zh) 一种基于图像特征的单目视觉测量里程的方法及里程计
CN105005964A (zh) 基于视频序列影像的地理场景全景图快速生成方法
CN105118086A (zh) 3d-aoi设备中的3d点云数据配准方法及系统
CN109472778B (zh) 一种基于无人机的高耸结构外观检测方法
CN106370160A (zh) 一种机器人室内定位系统和方法
CN107063190A (zh) 面向定标面阵相机影像的位姿高精度直接估计方法
CN112396656A (zh) 一种视觉与激光雷达融合的室外移动机器人位姿估计方法
CN116188558B (zh) 基于双目视觉的立体摄影测量方法
CN104167001B (zh) 基于正交补偿的大视场摄像机标定方法
CN108362205A (zh) 基于条纹投影的空间测距方法
CN102903092A (zh) 一种基于四点变换的图像自适应校正方法

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