CN109270079B - 一种基于点云模型的工件表面缺陷精确检测方法 - Google Patents

一种基于点云模型的工件表面缺陷精确检测方法 Download PDF

Info

Publication number
CN109270079B
CN109270079B CN201811358632.XA CN201811358632A CN109270079B CN 109270079 B CN109270079 B CN 109270079B CN 201811358632 A CN201811358632 A CN 201811358632A CN 109270079 B CN109270079 B CN 109270079B
Authority
CN
China
Prior art keywords
point cloud
data
cloud data
defect
workpiece
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.)
Active
Application number
CN201811358632.XA
Other languages
English (en)
Other versions
CN109270079A (zh
Inventor
郝露菡
张丽苹
李宁
高志扬
景灵方
杨小代
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN201811358632.XA priority Critical patent/CN109270079B/zh
Publication of CN109270079A publication Critical patent/CN109270079A/zh
Application granted granted Critical
Publication of CN109270079B publication Critical patent/CN109270079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models

Landscapes

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于点云模型的工件表面缺陷精确检测方法，属于无损探伤技术领域。本发明将待检测工件的标准CAD模型，离散为点云格式，提取正常特征并作为标准点云数据，将标准CAD模型，进行表面缺陷处理，离散为点云格式，提取错误特征并作为缺陷点云数据；利用3D扫描仪获取待检测工件的实际点云数据；构建支持向量机分类器，将标准点云数据和缺陷点云数据作为训练数据集对分类器做训练；用训练后的分类器，对获取的实际点云数据进行分类，确定其中的缺陷点云数据，根据缺陷点云数据识别缺陷的位置和形状；利用协方差矩阵3D测量法缺陷进行三维尺寸精确计算。本发明可以精确检测工件表面缺陷的位置和尺寸。

Description

一种基于点云模型的工件表面缺陷精确检测方法
技术领域
本发明属于无损探伤技术领域，具体涉及一种基于点云模型的工件表面缺陷精确检测方法。
背景技术
表面检测作为生产过程中必不可少的环节，其效率和准确度直接影响产品的生产质量和生产效率发展，目前国内零部件种类繁多，结构复杂，往往依靠人工检测表面质量，但因此带来了效率低下、检测结果受主观性影响等不良影响。当前问题对设计一种普适化的、兼顾效率和准确率的表面检测方法提出了迫切需求。
表面质量检测分为接触式和非接触式两大类，接触式以机械式三坐标仪为代表，通过分析表面的几何轮廓，获取表面的三维坐标，检测精度高，但是存在效率低、探针磨损和对坡度敏感的缺点；非接触式以机器视觉为代表，通过拍照获取照片的灰度值判别表面特征，检测效率高，但是易受到光照的影响，精度低。
发明内容
为解决上述技术问题，本发明提供了一种基于点云模型的工件表面缺陷精确检测方法，旨在利用双目视觉的原理，重构空间三维场景，相比人工检测和接触式测量，能快速获取数据；相比传统的视觉，提高数据精度，为提高检测精度提供了可能性；相比机器视觉，点云模型储存了工件的三维信息，实现了缺陷三维尺寸的计算。
本发明解决其技术问题所采用的技术方案是：一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，包括如下步骤：
S10、将待检测工件的标准CAD模型，离散为点云格式，提取正常特征并作为标准点云数据，将标准CAD模型，进行表面缺陷处理，离散为点云格式，提取错误特征并作为缺陷点云数据；
S20、利用3D扫描仪获取待检测工件的实际点云数据；
S30、构建支持向量机分类器，将步骤S10标准点云数据和缺陷点云数据作为训练数据集对分类器做训练；
S40、用步骤S30的训练后的分类器，对步骤S20获取的实际点云数据进行分类，确定其中的缺陷点云数据，根据缺陷点云数据识别缺陷的位置和形状；
S50、利用协方差矩阵3D测量法对步骤S40的缺陷进行三维尺寸精确计算。
进一步的技术方案在于，所述步骤S10中的表面缺陷处理步骤如下：
将待检测工件的CAD模型以可允许制作偏差为步长向两侧偏移，偏离距离为可允许制作偏差的m倍，m>1,且为整数；随后并离散为点云格式，使用Meshlab对数据精简处理，将偏移距离超过可允许制作偏差的离散数据，作为错误特征数据记为缺陷点云数据，并输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“-1”标签，以备训练使用；将剩余离散数据作为正常特征数据，记为标准点云数据，输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“+1”标签，以备训练使用；
进一步的技术方案在于，所述可允许制造偏差为0.1mm。
进一步的技术方案在于，以0.1mm为步长向两侧偏移，偏离距离为2mm；
进一步的技术方案在于，步骤S20所述的测试数据集的获取步骤如下：
S21、利用3D扫描仪获取待检测工件表面的点云数据；
S22、利用扫描仪内置的数据处理模块对点云数据进行拼接和去噪；
S23、利用Meshlab软件对S22步骤中处理后的点云数据进一步精简，作为实际点云数据，并输出为n行3列的文本格式，以备检测。
进一步的技术方案在于，所述的3D扫描仪，为武汉惟景三维科技有限公司的PowerScan-Pro 5M，测量精度0.01mm，摄像头分辨率为2592×1944，扫面点间距0.077～0.154mm。
进一步的技术方案在于，步骤S30所构建的支持向量机分类器为经典支持向量机分类器，其为二分类器。
进一步的技术方案在于，在步骤S30中，利用python语言搭建二分类支持向量机分类器，选用径向基核函数，惩罚因子选用10，软化系数选用0.1。
进一步的技术方案在于，步骤S50中的协方差矩阵3D测量法具体包括以下步骤：
S51、将步骤S40识别出来的缺陷点云数据，利用其三维坐标，构建矩阵A；
S52、按照公式(1)计算矩阵A的协方差矩阵的特征值和特征向量，其中特征值和特征向量相互对应，按照特征值的大小对特征向量进行排列，最大的特征值对应的特征向量即为第一主特征向量；
Figure BDA0001866715470000031
式中，Σ为矩阵A的协方差矩阵，
Figure BDA0001866715470000032
为特征向量，λ为特征值；
S53、以矩阵A的中心为原点，以特征向量为轴线，构建新的坐标系，其中，x轴对应第一主特征向量，y轴对应第二主特征向量，z轴对应第三主特征向量；将矩阵A按照公式(2)变换到新的坐标系下构成矩阵B：
Figure BDA0001866715470000033
式中，E(x)、E(y)、E(z)分别为x、y和z坐标的中点，P是由特征向量构成的旋转矩阵；
S54、缺陷特征的尺寸可由公式(3)得到：
Figure BDA0001866715470000041
式中，xi，yi和zi分别为矩阵B中第一列、第二列和第三列的值，length、width和height分别为缺陷的三维尺寸。
本发明产生的有益效果是：本发明通过支持向量机提取待检测工件表面的缺陷，可以有效检测复杂曲面，避免传统机器视觉正常特征误检测的缺陷，并通过协方差矩阵3D测量法，直接获取表面缺陷的形状、位置和尺寸，具有很强的普适性，可广泛应用在汽车、船舶、航空等领域的零部件检测中。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例的流程图；
图2为基于点云数据检测的原理图；
图3为支持向量机数学几何原理；
图4为协方差矩阵的特征向量几何意义图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明阐述了一种基于点云模型的工件表面缺陷精确检测方法，包括如下步骤：
S10、将待检测工件的标准CAD模型，离散为点云格式，提取正常特征并作为标准点云数据，将标准CAD模型，进行表面缺陷处理，离散为点云格式，提取错误特征并作为缺陷点云数据；
S20、利用3D扫描仪获取待检测工件的实际点云数据；
S30、构建支持向量机分类器，将步骤S10标准点云数据和缺陷点云数据作为训练数据集对分类器做训练；
S40、用步骤S30的训练后的分类器，对步骤S20获取的实际点云数据进行分类，确定其中的缺陷点云数据，根据缺陷点云数据识别缺陷的位置和形状；
S50、利用协方差矩阵3D测量法对步骤S40的缺陷进行三维尺寸精确计算。
在本发明的优选实施例中，S10具体包括如下步骤：
将待检测工件的CAD模型以可允许制作偏差为步长向两侧偏移，偏离距离为可允许制作偏差的m倍，m>1,且为整数；随后并离散为点云格式，使用Meshlab对数据精简处理，将偏移距离超过可允许制作偏差的离散数据，作为错误特征数据记为缺陷点云数据，并输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“-1”标签，以备训练使用；将剩余离散数据作为正常特征数据，记为标准点云数据，输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“+1”标签，以备训练使用；
在本发明的优选实施例中，步骤S10中可允许制造偏差为0.1mm。
在本发明的优选实施例中，步骤S10中，以0.1mm为步长向两侧偏移，偏离距离为2mm；
在本发明的优选实施例中，
检测时，以设计模型(CAD模型)为参考基准，认为CAD的模型数据绝对正确，因此，将CAD模型直接离散的点被认为是正常特征点，添置“+1”标签；而检测时，允许制造偏差，一般小于0.1mm。
在本发明的优选实施例中，步骤S20所述的测试数据集的获取步骤如下：
S21、利用3D扫描仪获取待检测工件表面的点云数据；
S22、利用扫描仪内置的数据处理模块对点云数据进行拼接和去噪；
S23、利用Meshlab软件对S22步骤中处理后的点云数据进一步精简，作为实际点云数据，并输出为n行3列的文本格式，以备检测。
在本发明的优选实施例中，S20描述的扫描仪可以选取武汉惟景三维科技有限公司的PowerScan-Pro 5M，测量精度0.01mm，摄像头分辨率为2592×1944，扫面点间距0.077～0.154mm。扫描仪型号不限于此。
在本发明的优选实施例中，步骤S30中，利用python语言搭建二分类支持向量机分类器，选用径向基核函数，惩罚因子选用10，软化系数选用0.1。
在本发明的优选实施例中，步骤S40中，将实际点云数据的每个点进行分类器分类并打上标签，其中标签为“-1”的点即为错误特征。点云数据包含三维坐标信息，即所有错误特征点的三维坐标已经明确，而在三维空间下，给定三维空间坐标可以唯一确定一个点，因而所有缺陷点的位置随即被确定下来；所有坏点的数据集将描述出缺陷的几何轮廓。因此，通过支持向量机的检测，缺陷的位置和形状可以被直接获取。
在本发明的优选实施例中，步骤S50中，协方差矩阵3D测量法具体包括以下步骤：
S51、读取S40输出的标签为“-1”数据，即缺陷点云数据，并提取其前3列，即错误特征点的三维坐标，构建矩阵A；
S52、按照公式(1)计算矩阵A的协方差矩阵的特征值和特征向量，其中特征值和特征向量相互对应，按照特征值的大小对特征向量进行排列，最大的特征值对应的特征向量即为第一主特征向量；
Figure BDA0001866715470000071
式中，Σ为矩阵A的协方差矩阵，
Figure BDA0001866715470000072
为特征向量，λ为特征值；
S53、以矩阵A的中心为原点，以特征向量为轴线，构建新的坐标系，其中，x轴对应第一主特征向量，y轴对应第二主特征向量，z轴对应第三主特征向量。将矩阵A按照公式(2)变换到新的坐标系下构成矩阵B：
式中，E(x)、E(y)、E(z)分别为x、y和z坐标的中点，P是由特征向量构成的旋转矩阵；
S54、缺陷特征的尺寸可由公式(3)得到：
Figure BDA0001866715470000074
式中，xi，yi和zi分别为矩阵B中第一列、第二列和第三列的值，length、width和height分别为缺陷的三维尺寸。
如图2所示，基于点云数据检测的原理图如下：
检测时的假设如下：1)允许制造偏差为0.1mm；2)缺陷尺寸虽然偏离真值，但贴近真值。该假设根据真实情况做适当调整；
以零部件的设计模型(CAD)为参考基准，即设计模型是理想的成品，数据充分正确。CAD离散的点云数据即为图中的“Normal data”，数据为“+1”标签，表示正常特征点；
容忍区间设置为允许的制造偏差；
以零部件的设计模型(CAD)为参考基准，将正常型面向两侧以0.1mm为步长进行偏移，直至偏移至2mm。在0.1mm范围外的数据，均被认为是缺陷特征，该区间的数据被贴上“-1”标签，表示缺陷特征点。
如图3所示，支持向量机数学几何原理图如下：
支持向量机是一种监督学习器，旨在构造一个线性可分的超平面将两类点尽可能的分离。超平面是高维空间几何名词，在二维空间下表示直线，三维空间下表示平面以此类推。超平面的判别公式如下：
wTx+b＝0 (4)
其中w为系数向量，b为偏置。
该超平面的设立需要最大化虚线间隔，因此公式(4)的各项系数需要满足如下要求：
Figure BDA0001866715470000081
其中y(i)为训练样本中点云数据中每个点的标签，即“+1”或者“-1”。公式(5)表示的直观数学含义是：控制截距和斜率，使距离超平面最近的点的距离最大化。
支持向量机的理论推导公式极其复杂，这里只是使用其理论，并不做展开推导。将训练数据带入支持向量机中，会得到一个分界超平面，然后任意给定输入向量x，判断wTx+b>0则属于“+1”类，即正确点，若小于等于0，则认为是缺陷特征。
如图4所示，协方差矩阵及其派生物的几何意义如下：以二维数据为例，协方差矩阵的特征值和特征向量是成对出现的，特征向量描述的是数据变化的方向且特征向量之间相互正交；特征值描述的是数据变化的程度，其中最大特征值对应的特征向量为第一主特征向量。特征值和特征向量共同描述了数据变化的状态。将原始的二维数据转换到以数据中心为原点，以特征向量为方向的新的坐标系下，主特征向量方向上的最大值与最小值之差即为特征的长度尺寸。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，包括如下步骤：
S10、将待检测工件的标准CAD模型，离散为点云格式，提取正常特征并作为标准点云数据，将标准CAD模型，进行表面缺陷处理，离散为点云格式，提取错误特征并作为缺陷点云数据；
S20、利用3D扫描仪获取待检测工件的实际点云数据；
S30、构建支持向量机分类器，将步骤S10标准点云数据和缺陷点云数据作为训练数据集对分类器做训练；
S40、用步骤S30的训练后的分类器，对步骤S20获取的实际点云数据进行分类，确定其中的缺陷点云数据，根据缺陷点云数据识别缺陷的位置和形状；
S50、利用协方差矩阵3D测量法对步骤S40的缺陷进行三维尺寸精确计算。
2.根据权利要求1所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，所述步骤S10中的表面缺陷处理步骤如下：
将待检测工件的CAD模型以可允许制造偏差为步长向两侧偏移，偏离距离为可允许制造偏差的m倍，m>1,且为整数；随后并离散为点云格式，使用Meshlab对数据精简处理，将偏移距离超过可允许制造偏差的离散数据，作为错误特征数据记为缺陷点云数据，并输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“-1”标签，以备训练使用；将剩余离散数据作为正常特征数据，记为标准点云数据，输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“+1”标签，以备训练使用。
3.根据权利要求2所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，所述可允许制造偏差为0.1mm。
4.根据权利要求1所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，步骤S20所述的实际点云数据的获取步骤如下：
S21、利用3D扫描仪获取待检测工件表面的点云数据；
S22、利用扫描仪内置的数据处理模块对点云数据进行拼接和去噪；
S23、利用Meshlab软件对S22步骤中处理后的点云数据进一步精简，作为实际点云数据，并输出为n行3列的文本格式，以备检测。
5.根据权利要求1或4所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，所述的3D扫描仪，为武汉惟景三维科技有限公司的PowerScan-Pro 5M，测量精度0.01mm，摄像头分辨率为2592×1944，扫面点间距0.077～0.154mm。
6.根据权利要求1所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，步骤S30所构建的支持向量机分类器为经典支持向量机分类器，其为二分类器。
7.根据权利要求6所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，在步骤S30中，利用python语言搭建二分类支持向量机分类器，选用径向基核函数，惩罚因子选用10，软化系数选用0.1。
8.根据权利要求1所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，步骤S50中的协方差矩阵3D测量法具体包括以下步骤：
S51、将步骤S40识别出来的缺陷点云数据，利用其三维坐标，构建矩阵A；
S52、按照公式(1)计算矩阵A的协方差矩阵的特征值和特征向量，其中特征值和特征向量相互对应，按照特征值的大小对特征向量进行排列，最大的特征值对应的特征向量即为第一主特征向量；
Figure FDA0002250918500000021
式中，Σ为矩阵A的协方差矩阵，
Figure FDA0002250918500000031
为特征向量，λ为特征值；
S53、以矩阵A的中心为原点，以特征向量为轴线，构建新的坐标系，其中，x轴对应第一主特征向量，y轴对应第二主特征向量，z轴对应第三主特征向量；将矩阵A按照公式(2)变换到新的坐标系下构成矩阵B：
Figure FDA0002250918500000032
式中，E(x)、E(y)、E(z)分别为x、y和z坐标的中点，P是由特征向量构成的旋转矩阵；
S54、缺陷特征的尺寸可由公式(3)得到：
Figure FDA0002250918500000033
式中，xi，yi和zi分别为矩阵B中第一列、第二列和第三列的值，length、width和height分别为缺陷的三维尺寸。
CN201811358632.XA 2018-11-15 2018-11-15 一种基于点云模型的工件表面缺陷精确检测方法 Active CN109270079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811358632.XA CN109270079B (zh) 2018-11-15 2018-11-15 一种基于点云模型的工件表面缺陷精确检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811358632.XA CN109270079B (zh) 2018-11-15 2018-11-15 一种基于点云模型的工件表面缺陷精确检测方法

Publications (2)

Publication Number Publication Date
CN109270079A CN109270079A (zh) 2019-01-25
CN109270079B true CN109270079B (zh) 2020-01-10

Family

ID=65189041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811358632.XA Active CN109270079B (zh) 2018-11-15 2018-11-15 一种基于点云模型的工件表面缺陷精确检测方法

Country Status (1)

Country Link
CN (1) CN109270079B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978250B (zh) * 2019-03-20 2023-04-07 广州中国科学院工业技术研究院 一种电池极片涂布生产面密度的质量预测方法
CN110208271B (zh) * 2019-06-06 2021-10-22 中国人民解放军陆军工程大学 一种相控阵天线的损伤检测方法、损伤检测装置及终端
CN111428775B (zh) * 2020-03-19 2021-08-03 浙江翊翔塑模股份有限公司 一种基于区块链和人工智能的汽车零部件溯源系统及方法
CN112884057B (zh) * 2021-03-04 2022-03-18 晶仁光电科技(苏州)有限公司 基于点云数据的三维曲面质量分类方法、系统及存储介质
CN116485739B (zh) * 2023-04-13 2024-09-27 华中科技大学 基于多角度探伤图像的铸件缺陷三维智能定位方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101933583B1 (ko) * 2012-02-01 2018-12-28 현대엠엔소프트 주식회사 라이다 데이터의 포인트 클라우드를 활용한 표면정보 추출 장치
CN104715254B (zh) * 2015-03-17 2017-10-10 东南大学 一种基于2d和3d sift特征融合的一般物体识别方法
CN106023156B (zh) * 2016-05-10 2018-09-11 中国商用飞机有限责任公司 基于检测特征的点云模型与cad模型的配准方法
CN106370670B (zh) * 2016-10-12 2023-08-22 上海建工集团股份有限公司 基于3d激光扫描的建筑预制构件质量检测系统及方法
US10409950B2 (en) * 2017-03-10 2019-09-10 General Electric Company Systems and methods for utilizing a 3D CAD point-cloud to automatically create a fluid model
CN206981462U (zh) * 2017-06-01 2018-02-09 扬州苏星机器人科技有限公司 基于三维视觉的冲压件表面缺陷检测装置
CN107052086A (zh) * 2017-06-01 2017-08-18 扬州苏星机器人科技有限公司 基于三维视觉的冲压件表面缺陷检测装置及检测方法

Also Published As

Publication number Publication date
CN109270079A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109270079B (zh) 一种基于点云模型的工件表面缺陷精确检测方法
Abouelatta 3D surface roughness measurement using a light sectioning vision system
US7630560B2 (en) Increasing accuracy of discrete curve transform estimates for curve matching in four or more dimensions
CN107705293A (zh) 一种基于ccd面阵相机视觉检测的五金零件尺寸测量方法
CN113168729B (zh) 一种基于局部参考坐标系的3d形状匹配方法及装置
CN103729631A (zh) 一种基于视觉的连接器表面特征自动识别方法
WO2021189521A1 (en) Method and apparatus for posture, dimension and shape measurements of objects in 3d scenes
CN117726885B (zh) 一种基于三维几何自注意力机制的车身缝隙分类方法
Zhuo et al. Machine vision detection of pointer features in images of analog meter displays
Zhao et al. Curvature-based registration and segmentation for multisensor coordinate metrology
CN111124895A (zh) 一种主次峰值比计算算法的蜕变测试方法
US11436506B2 (en) Method and devices for determining metrology sites
CN116740053B (zh) 一种锻造加工智能生产线的管理系统
Tao et al. Anomaly detection for fabricated artifact by using unstructured 3D point cloud data
CN112233104A (zh) 实时位移场和应变场检测方法、系统、装置和存储介质
CN116977331A (zh) 基于机器视觉的3d模型表面检测方法
CN117095236A (zh) 一种用于评估叶根轮槽试验精确性的方法及系统
Singh et al. ViDAQ: A computer vision based remote data acquisition system for reading multi-dial gauges
Isa et al. Vision-based detection and coordinate metrology of a spatially encoded multi-sphere artefact
Klarák et al. Processing 3D data from laser sensor into visual content using pattern recognition
CN113920049A (zh) 一种基于少量正样本融合的模板匹配方法
CN113033270A (zh) 采用辅助轴的3d物体局部表面描述方法、装置及存储介质
Trairattanapa et al. Real-time multiple analog gauges reader for an autonomous robot application
Rao et al. A real-time auto-recognition method for pointer-meter under uneven illumination
US11620811B2 (en) Automated measurement of positional accuracy in the qualification of high-accuracy plotters

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