CN109556533A - 一种针对多线结构光条纹图像的自动提取方法 - Google Patents
一种针对多线结构光条纹图像的自动提取方法 Download PDFInfo
- Publication number
- CN109556533A CN109556533A CN201810610007.3A CN201810610007A CN109556533A CN 109556533 A CN109556533 A CN 109556533A CN 201810610007 A CN201810610007 A CN 201810610007A CN 109556533 A CN109556533 A CN 109556533A
- Authority
- CN
- China
- Prior art keywords
- striped
- measurement
- positioning
- region
- probability
- 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
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
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
- G01B11/254—Projection of a pattern, viewing through a pattern, e.g. moiré
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种针对多线结构光条纹图像的自动提取方法,所述自动提取方法包括定位条纹的检测、测量条纹概率区检测及测量条纹检测;具体地,首先在采集图像中大致定位出粗条纹即定位条纹的位置和轮廓,并提取定位条纹的质心坐标;然后基于定位条纹与测量条纹即细条纹之间的相互关系确定测量条纹可能存在的概率区;最后在测量条纹概率区内提取测量条纹并确定其质心位置;本发明的针对多线结构光条纹图像的自动提取方法,简单有效,极大压缩了条纹提取所需时间和工作量,不再过于依赖科研人员的经验和专业素质,在保证检测结果稳定性、客观性的基础上,还显著提高了条纹提取的效率和成功率。
Description
技术领域
本发明涉及一种针对多线结构光条纹图像的自动提取方法,属于机器视觉 技术和数字图像处理技术领域。
背景技术
结构光视觉测量技术作为一种非接触式检测手段,凭借其高精度、实时性以 及可控性等突出优势在现代工业三维测量领域获得了广泛应用;其中依托激光 源的结构光三维检测是该类测量技术的重要手段,通过投射线结构光激光条纹 到被测物体表面,利用相机采集因物体表面几何形状调制而变形的结构光条纹, 分析条纹变形程度与被测物体表面几何形状之间的相互关系,反求出物体表面 几何形状的物理信息,最终完成针对工业零部件的尺寸测量和三维形貌恢复。
结构光三维检测能否快速、高精度重构出被测物体表面的几何形状,除了需 要精确提取条纹质心以及推导出被测物体表面特征点与图像中对应灰度点之间 的转换关系外,还需要一套足够好的条纹勾画工具,用于精确快速地勾画出包 含有目标条纹的感兴趣区域(Region of Interest,ROI)。
目前,针对ROI区域的自动勾画往往局限在单线结构光条纹的检测过程中, 通常采用自适应阈值法、置信度、大津阈值法等手段来实现;但当面临多线结 构光条纹时,由于需要勾画的ROI区域过多且主要依靠手工勾画,使得这部分 工作变得异常繁琐、耗时,降低了结构光的检测效率;同时在实际操作过程中, 单线结构光条纹检测效率偏低,需要实时移动被测物体或结构光源以完成针对 被测物体整个表面的扫描,这其中相互间的位移会额外引入测量误差,给结构 光检测的可靠性带来干扰,限制了该类技术在实际工业生产中的推广应用。因 此,近些年来学术界针对多线结构光条纹ROI区域的自动分割、提取十分关注。
针对多线结构光条纹图像的自动分割、提取直到目前仍没有得到圆满解决, 这主要是由于图像中结构光条纹的复杂性、多样性以及数目众多;当多线结构 光条纹投射到被测物体表面时,由于物体表面几何形状、材质复杂多样,且相 互间差别很大,导致相机采集到的结构光图像中条纹存在突变、弯折等变形; 同时受检测环境干扰,采集图像存在对比度不均匀、背景反射光干扰、条纹模 糊且粗细不一等缺陷;因此,传统分割、提取方法难以实现自动化,需要大量 的人工干预,有必要针对多线结构光条纹图像自动分割、提取方法进行深入研 究。
发明内容
为解决上述问题,本发明提出了一种针对多线结构光条纹图像的自动提取 方法,针对图像中目标条纹的实际分布进行匹配,自动获取目标条纹所在概率 区域,进而成功提取目标条纹,在保证结构光三维检测精度的基础上,有效提 高检测的自动化水平和效率。
本发明的针对多线结构光条纹图像的自动提取方法,所述自动提取方法包 括定位条纹的检测、测量条纹概率区检测及测量条纹检测,基于知识模型的相 关理论,将采集图像中结构光条纹的自动提取划分成以下三个环节:一是大致 确定粗结构光条纹(即定位条纹)的位置、轮廓;二是确定细结构光条纹(即 测量条纹)可能存在的概率区域;三是在测量条纹概率区内检测出对应的测量 条纹;其中,上述3个环节所对应的不同区域相互间都存在着依赖关系:定位 条纹是测量条纹概率区的参考对象,而测量条纹概率区又是测量条纹的参考对 象;因此,上述3个环节在任务执行上存在着时间上的先后顺序;具体地,首 先在采集图像中大致定位出粗条纹的位置和轮廓,并提取定位条纹的质心坐标; 然后基于定位条纹与测量条纹之间的相互关系确定测量条纹可能存在的概率 区;最后在测量条纹概率区内提取测量条纹并确定其质心位置。
进一步地,所述定位条纹的检测其操作方法如下:依据定位条纹相比于测 量条纹,宽度值更大,灰度值也更高的特性,分别应用灰度阈值GT二值化、数 量阈值NT筛选出面积最大的连通区域,将定位条纹筛选出来并提取条纹质心坐 标。
再进一步地,所述定位条纹的检测其具体操作方法如下:
第一步,定位条纹概率区,采用函数roipoly手动设置定位条纹的大致概 率区范围,然后自动对概率区进行噪声滤波;一般此类结构光采集图像中存在 的噪声主要是椒盐噪声,故采用二维中值滤波函数medfilt2;
第二步,图像自适应GT二值化,依托概率区设定定位条纹的处理区,并对 处理区内每一列上的像素点作均值化处理,获取该列的灰度阈值系数GT,并以 此二值化该列上的所有像素点;循环操作,最终完成整个处理区内所有列上像 素点的二值化;
第三步,定位条纹粗提取,定位条纹所在区域,针对二值化后的图像,采 用函数bwlabel对处理区中所有连通区域进行编号,并根据处理区内实际情况 自适应设定面积阈值系数NT,最终筛选出面积最大的连通区域;
第四步,条纹质心坐标提取,针对提取后的定位条纹采用灰度重心法自动 提取条纹的质心坐标。
相比于测量条纹,定位条纹的宽度值更大,灰度值也更高;因此抓住定位 条纹的这一特征,通过设定灰度阈值GT和数量阈值NT两个参数,将定位条纹 从众多条纹中区分出来;在检测定位条纹的过程中,不需要太高的精度,只需 要进行概率意义上的粗略定位即可,以节省检测时间;针对定位条纹质心坐标 提取精度的相关要求也不必太高,其作用在于为下一步确定测量条纹概率区域 提供方便。
进一步地,所述测量条纹概率区检测其操作方法如下:依据定位条纹之间, 测量条纹均匀分布且任意两相邻测量条纹之间的距离固定的特性,设计了一种 结构知识模型用于匹配两定位条纹之间的所有测量条纹。
再进一步地,所述测量条纹概率区检测其具体操作方法如下:设计一种用 于匹配两定位条纹之间的所有测量条纹的结构知识模型,将该模型简称为等分 模型,该等分模型共均分为n个基本的形状单元:E1、E2…Ei…En-1、En,其中第 i个形状单元Ei对应第i根测量条纹的概率区;
每个形状单元划分的具体方式是在确定好第一、第二定位条纹的质心坐标 以及条纹宽度w、v后,从第i=1列开始,以结构光图像中第1列上第一、第二 定位条纹上的两质心点坐标为基础,减去各自条纹宽度的一半,然后将剩余区 域均分为n+1个子区域,每个子区域的宽度为b1Pixel,如公式1所示;利用 c1表示第1列上第一、第二定位条纹上的两质心点间的图像距离,a和e分别表 示第一、第二定位条纹的质心距离最近测量条纹质心的图像距离,d表示任意两 根测量条纹质心之间的距离,则其相互间关系如公式2所示;
bi=(ci-(wi+vi)/2)/(n+1)(i=1,2,...); (1)
ci=ai+ei+(n-1)di(i=1,2,…); (2)
采用上述等分模型处理定位条纹所在区域,根据处理结果可以得出,等分 模型很好地匹配了该区域所有的测量条纹,没有测量条纹与其概率区边缘存在 交叉的情况,因此概率区位置的选定全部满足要求。
进一步地,所述测量条纹检测其操作方法如下:依据在测量条纹概率区中, 概率区只包含着对应的完整测量条纹,因此测量条纹是概率区的真子集的特性, 在对应的概率区内提取测量条纹,基于上述特性,测量条纹只需要在对应的概 率区内进行提取,这极大减少了运算量,提高了检测效率。
再进一步地,所述测量条纹检测其具体操作方法如下:在按照特定顺序选 好第i=1个测量条纹概率区后,在该区域内提取测量条纹:从第j=1列开始, 以第1列上概率区两边缘处像素点p1,1、q1,1为基础,分别汇总该列上两点之间 的所有像素点得到灰度和G1,1和行坐标集合row1,1,采用灰度重心法提取该列上 测量条纹截面S1,1的质心行坐标centroid1,1,如公式3所示;结合该列的列坐标, 得到质心的完整坐标信息;循环执行,完成第i=1个概率区内测量条纹的质心 提取;继续循环,最终完成全部概率区内所有测量条纹的质心提取;
centroidi,j=sum(Gi,jrowi,j)/sum(rowi,j)(i=1,2,...;j=1,2,…)。 (3)
本发明与现有技术相比较,本发明的针对多线结构光条纹图像的自动提取 方法,简单有效,极大压缩了条纹提取所需时间和工作量,不再过于依赖科研 人员的经验和专业素质,在保证检测结果稳定性、客观性的基础上,还显著提 高了条纹提取的效率和成功率,对于多线结构光在线检测的实际应用具有重要 意义;本发明通过分析多线结构光采集图像中条纹的几何形状特点和空间分布 规律,依托知识模型的相关原理,建立一套全新的、自适应的特征模型,针对 图像中目标条纹的实际分布进行匹配,自动获取目标条纹所在概率区域,进而 成功提取目标条纹,在保证结构光三维检测精度的基础上,有效提高检测的自 动化水平和效率。
附图说明
图1是本发明的多线结构光条纹自动提取区域划分结构示意图。
图2是本发明的定位条纹检测流程示意图。
图3是本发明的等分模型示意图。
图4是概率区检测效果示意图。
图5是测量条纹检测流程示意图。
图6是测量条纹检测效果示意图。
图7是深孔内表面结构光采集图像示意图。
图8是深孔内表面结构光结构光条纹自动提取区域结构示意图。
图9是绝对偏差分布示意图。
具体实施方式
本发明的针对多线结构光条纹图像的自动提取方法,所述自动提取方法包 括定位条纹的检测、测量条纹概率区检测及测量条纹检测,相关区域的划分概 念如图1所示;具体地,首先在采集图像中大致定位出粗条纹的位置和轮廓, 并提取定位条纹的质心坐标;然后基于定位条纹与测量条纹之间的相互关系确 定测量条纹可能存在的概率区;最后在测量条纹概率区内提取测量条纹并确定 其质心位置。
所述定位条纹的检测其操作方法如下:依据定位条纹相比于测量条纹,宽 度值更大,灰度值也更高的特性,分别应用灰度阈值GT二值化、数量阈值NT 筛选出面积最大的连通区域,将定位条纹筛选出来并提取条纹质心坐标。
如图2所示,所述定位条纹的检测其具体操作方法如下:
第一步,定位条纹概率区,采用函数roipoly手动设置定位条纹的大致概 率区范围,然后自动对概率区进行噪声滤波;一般此类结构光采集图像中存在 的噪声主要是椒盐噪声,故采用二维中值滤波函数medfilt2;
第二步,图像自适应GT二值化,依托概率区设定定位条纹的处理区,并对 处理区内每一列上的像素点作均值化处理,获取该列的灰度阈值系数GT,并以 此二值化该列上的所有像素点;循环操作,最终完成整个处理区内所有列上像 素点的二值化;
第三步,定位条纹粗提取,定位条纹所在区域,针对二值化后的图像,采 用函数bwlabel对处理区中所有连通区域进行编号,并根据处理区内实际情况 自适应设定面积阈值系数NT,最终筛选出面积最大的连通区域;
第四步,条纹质心坐标提取,针对提取后的定位条纹采用灰度重心法自动 提取条纹的质心坐标。
相比于测量条纹,定位条纹的宽度值更大,灰度值也更高;因此抓住定位 条纹的这一特征,通过设定灰度阈值GT和数量阈值NT两个参数,将定位条纹 从众多条纹中区分出来;在检测定位条纹的过程中,不需要太高的精度,只需 要进行概率意义上的粗略定位即可,以节省检测时间;针对定位条纹质心坐标 提取精度的相关要求也不必太高,其作用在于为下一步确定测量条纹概率区域 提供方便。
所述测量条纹概率区检测其操作方法如下:依据定位条纹之间,测量条纹 均匀分布且任意两相邻测量条纹之间的距离固定的特性,设计了一种结构知识 模型用于匹配两定位条纹之间的所有测量条纹。
所述测量条纹概率区检测其具体操作方法如下:设计一种用于匹配两定位 条纹之间的所有测量条纹的结构知识模型,如图3所示,将该模型简称为等分 模型,该等分模型共均分为n个基本的形状单元:E1、E2…Ei…En-1、En,其中第 i个形状单元Ei对应第i根测量条纹的概率区;
每个形状单元划分的具体方式是在确定好第一、第二定位条纹的质心坐标 以及条纹宽度w、v后,从第i=1列开始,以第1列上第一、第二定位条纹上的 两质心点坐标为基础,减去各自条纹宽度的一半,然后将剩余区域均分为n+1 个子区域,每个子区域的宽度为b1Pixel,如公式1所示;利用c1表示第1列 上第一、第二定位条纹上的两质心点间的图像距离,a和e分别表示第一、第二 定位条纹的质心距离最近测量条纹质心的图像距离,d表示任意两根测量条纹质 心之间的距离,则其相互间关系如公式2所示;
bi=(ci-(wi+vi)/2)/(n+1)(i=1,2,...); (1)
ci=ai+ei+(n-1)di(i=1,2,...); (2)
采用上述等分模型处理图1中的区域1,如图4所示,从图中可以看出,等 分模型很好地匹配了该区域所有的测量条纹,没有测量条纹与其概率区边缘存 在交叉的情况,因此概率区位置的选定全部满足要求。
所述测量条纹检测其操作方法如下:依据在测量条纹概率区中,概率区只 包含着对应的完整测量条纹,因此测量条纹是概率区的真子集的特性,在对应 的概率区内提取测量条纹,基于上述特性,测量条纹只需要在对应的概率区内 进行提取,这极大减少了运算量,提高了检测效率。
如图5所示,所述测量条纹检测其具体操作方法如下:在按照特定顺序选 好第i=1个测量条纹概率区后,在该区域内提取测量条纹:从第j=1列开始, 以第1列上概率区两边缘处像素点p1,1、q1,1为基础,分别汇总该列上两点之间 的所有像素点得到灰度和G1,1和行坐标集合row1,1,采用灰度重心法提取该列上 测量条纹截面S1,1的质心行坐标centroid1,1,如公式3所示;结合该列的列坐标, 得到质心的完整坐标信息;循环执行,完成第i=1个概率区内测量条纹的质心 提取;继续循环,最终完成全部概率区内所有测量条纹的质心提取,如图6所 示;
centroidi,j=sum(Gi,jrowi,j)/sum(rowi,j)(i=1,2,...;j=1,2,…)。 (3)
实施例1:
本发明针对已知尺寸的精加工的深孔内表面的凹槽为例进行分析,得到结 构光采集图像如图7所示,进行实际检测的相关程序的运行环境是Win7_64位 操作系统,CPU配置InteloR Core(TM)i5-6500 3.20GHz,安装内存(RAM)为 8.00GB;
采用本发明中相关方法处理图7,提取结构光条纹,如图8所示;
然后从两个角度对本发明中方法的实际效果进行验证,一是检测效果,二 是检测耗时;
(1)检测效果就是在对结构光条纹样本进行自动提取后,满足提取相关要 求的样本占全部样本的百分比;为此,在自动获取条纹质心坐标的基础上,依 托自动提取的坐标进行拟合、计算提取后凹槽高低差的绝对偏差,如图9所示, 绝对偏差远小于单个像素,从而表明采用本发明中自动提取质心坐标的方法可 行。
(2)检测耗时就是采用本文中方法将采集图像中全部目标条纹自动提取出 来所需时间,以图1中区域1为例进行分析;
各环节分布操作:定位条纹检测环节,在手动设置好第一、第二定位条纹 的概率区后,自动完成剩余步骤提取第一、第二定位条纹所需时间分别为0.538 秒和0.453秒,均能控制在0.5秒左右;测量条纹概率区检测,自动完成概率 区检测所需时间约为0.101秒;测量条纹检测,自动完成条纹检测需耗时0.313 秒。
整合各环节集体操作:在手动设置好第一、第二定位条纹的概率区后,完 成剩余全部操作需耗时1.370秒;因此,本发明提出的针对多线结构光条纹的 自动提取方法能够满足在线检测的要求,并在现有检测的基础上大幅提升了检 测效率。
本发明的针对多线结构光条纹图像的自动提取方法,通过分析多线结构光 采集图像中条纹的几何形状特点和空间分布规律,依托知识模型的相关原理, 建立一套全新的、自适应的特征模型,针对图像中目标条纹的实际分布进行匹 配,自动获取目标条纹所在概率区域,进而成功提取目标条纹,在保证结构光 三维检测精度的基础上,有效提高检测的自动化水平和效率。
上述实施例,仅是本发明的较佳实施方式,故凡依本发明专利申请范围所 述的构造、特征及原理所做的等效变化或修饰,均包括于本发明专利申请范围 内。
Claims (7)
1.一种针对多线结构光条纹图像的自动提取方法,其特征在于:所述自动提取方法包括定位条纹的检测、测量条纹概率区检测及测量条纹检测;具体地,首先在采集图像中大致定位出粗条纹的位置和轮廓,并提取定位条纹的质心坐标;然后基于定位条纹与测量条纹之间的相互关系确定测量条纹可能存在的概率区;最后在测量条纹概率区内提取测量条纹并确定其质心位置。
2.根据权利要求1所述的针对多线结构光条纹图像的自动提取方法,其特征在于,所述定位条纹的检测其操作方法如下:依据定位条纹相比于测量条纹,宽度值更大,灰度值也更高的特性,分别应用灰度阈值GT二值化、数量阈值NT筛选出面积最大的连通区域,将定位条纹筛选出来并提取条纹质心坐标。
3.根据权利要求1或2所述的针对多线结构光条纹图像的自动提取方法,其特征在于,所述定位条纹的检测其具体操作方法如下:
第一步,定位条纹概率区,采用函数roipoly手动设置定位条纹的大致概率区范围,然后自动对概率区进行噪声滤波;一般此类结构光采集图像中存在的噪声主要是椒盐噪声,故采用二维中值滤波函数medfilt2;
第二步,图像自适应GT二值化,依托概率区设定定位条纹的处理区,并对处理区内每一列上的像素点作均值化处理,获取该列的灰度阈值系数GT,并以此二值化该列上的所有像素点;循环操作,最终完成整个处理区内所有列上像素点的二值化;
第三步,定位条纹粗提取,定位条纹所在区域,针对二值化后的图像,采用函数bwlabel对处理区中所有连通区域进行编号,并根据处理区内实际情况自适应设定面积阈值系数NT,最终筛选出面积最大的连通区域;
第四步,条纹质心坐标提取,针对提取后的定位条纹采用灰度重心法自动提取条纹的质心坐标。
4.根据权利要求1所述的针对多线结构光条纹图像的自动提取方法,其特征在于,所述测量条纹概率区检测其操作方法如下:依据定位条纹之间,测量条纹均匀分布且任意两相邻测量条纹之间的距离固定的特性,设计了一种结构知识模型用于匹配两定位条纹之间的所有测量条纹。
5.根据权利要求1或4所述的针对多线结构光条纹图像的自动提取方法,其特征在于,所述测量条纹概率区检测其具体操作方法如下:设计一种用于匹配两定位条纹之间的所有测量条纹的结构知识模型,将该模型简称为等分模型,该等分模型共均分为n个基本的形状单元:E1、E2…Ei…En-1、En,其中第i个形状单元Ei对应第i根测量条纹的概率区;
每个形状单元划分的具体方式是在确定好第一、第二定位条纹的质心坐标以及条纹宽度w、v后,从第i=1列开始,以结构光图像中第1列上第一、第二定位条纹上的两质心点坐标为基础,减去各自条纹宽度的一半,然后将剩余区域均分为n+1个子区域,每个子区域的宽度为b1Pixel,如公式1所示;利用c1表示第1列上第一、第二定位条纹上的两质心点间的图像距离,a和e分别表示第一、第二定位条纹的质心距离最近测量条纹质心的图像距离,d表示任意两根测量条纹质心之间的距离,则其相互间关系如公式2所示;
bi=(ci-(wi+vi)/2)/(n+1)(i=1,2,...); (1)
ci=ai+ei+(n-1)di(i=1,2,…); (2)
采用上述等分模型处理定位条纹所在区域,根据处理结果可以得出,等分模型很好地匹配了该区域所有的测量条纹,没有测量条纹与其概率区边缘存在交叉的情况,因此概率区位置的选定全部满足要求。
6.根据权利要求1所述的针对多线结构光条纹图像的自动提取方法,其特征在于,所述测量条纹检测其操作方法如下:依据在测量条纹概率区中,概率区只包含着对应的完整测量条纹,因此测量条纹是概率区的真子集的特性,在对应的概率区内提取测量条纹。
7.根据权利要求1或6所述的针对多线结构光条纹图像的自动提取方法,其特征在于,所述测量条纹检测其具体操作方法如下:在按照特定顺序选好第i=1个测量条纹概率区后,在该区域内提取测量条纹:从第j=1列开始,以第1列上概率区两边缘处像素点p1,1、q1,1为基础,分别汇总该列上两点之间的所有像素点得到灰度和G1,1和行坐标集合row1,1,采用灰度重心法提取该列上测量条纹截面S1,1的质心行坐标centroid1,1,如公式3所示;结合该列的列坐标,得到质心的完整坐标信息;循环执行,完成第i=1个概率区内测量条纹的质心提取;继续循环,最终完成全部概率区内所有测量条纹的质心提取;
centroidi,j=sum(Gi,jrowi,j)/sum(rowi,j)(i=1,2,…;j=1,2,…)。 (3)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810610007.3A CN109556533B (zh) | 2018-06-13 | 2018-06-13 | 一种针对多线结构光条纹图像的自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810610007.3A CN109556533B (zh) | 2018-06-13 | 2018-06-13 | 一种针对多线结构光条纹图像的自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109556533A true CN109556533A (zh) | 2019-04-02 |
CN109556533B CN109556533B (zh) | 2020-12-22 |
Family
ID=65864526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810610007.3A Expired - Fee Related CN109556533B (zh) | 2018-06-13 | 2018-06-13 | 一种针对多线结构光条纹图像的自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109556533B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582310A (zh) * | 2020-04-08 | 2020-08-25 | 清华大学深圳国际研究生院 | 隐含结构光的解码方法及装置 |
CN112747673A (zh) * | 2020-12-25 | 2021-05-04 | 中国人民解放军陆军工程大学 | 一种基于标定筒的单目多线结构光传感器的标定方法 |
CN113945167A (zh) * | 2021-12-21 | 2022-01-18 | 杭州灵西机器人智能科技有限公司 | 一种工件数据获取方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10185514A (ja) * | 1996-12-26 | 1998-07-14 | Nkk Corp | コイル位置検出装置 |
US6542249B1 (en) * | 1999-07-20 | 2003-04-01 | The University Of Western Ontario | Three-dimensional measurement method and apparatus |
JP2006058092A (ja) * | 2004-08-18 | 2006-03-02 | Fuji Xerox Co Ltd | 3次元形状測定装置および方法 |
JP2008276743A (ja) * | 2000-04-28 | 2008-11-13 | Orametrix Inc | 表面を走査し三次元物体を作製するための方法及びシステム |
US20110221891A1 (en) * | 2010-03-10 | 2011-09-15 | Canon Kabushiki Kaisha | Information processing apparatus, processing method therefor, and non-transitory computer-readable storage medium |
CN103154665A (zh) * | 2010-06-09 | 2013-06-12 | 感知器股份有限公司 | 确定3d特征的位置和朝向的系统和方法 |
CN104751414A (zh) * | 2013-12-25 | 2015-07-01 | 联想(北京)有限公司 | 一种数据处理方法和电子设备 |
CN107563991A (zh) * | 2017-08-01 | 2018-01-09 | 大连理工大学 | 零件表面断裂激光光条的提取与匹配方法 |
-
2018
- 2018-06-13 CN CN201810610007.3A patent/CN109556533B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10185514A (ja) * | 1996-12-26 | 1998-07-14 | Nkk Corp | コイル位置検出装置 |
US6542249B1 (en) * | 1999-07-20 | 2003-04-01 | The University Of Western Ontario | Three-dimensional measurement method and apparatus |
JP2008276743A (ja) * | 2000-04-28 | 2008-11-13 | Orametrix Inc | 表面を走査し三次元物体を作製するための方法及びシステム |
JP2006058092A (ja) * | 2004-08-18 | 2006-03-02 | Fuji Xerox Co Ltd | 3次元形状測定装置および方法 |
US20110221891A1 (en) * | 2010-03-10 | 2011-09-15 | Canon Kabushiki Kaisha | Information processing apparatus, processing method therefor, and non-transitory computer-readable storage medium |
CN103154665A (zh) * | 2010-06-09 | 2013-06-12 | 感知器股份有限公司 | 确定3d特征的位置和朝向的系统和方法 |
CN104751414A (zh) * | 2013-12-25 | 2015-07-01 | 联想(北京)有限公司 | 一种数据处理方法和电子设备 |
CN107563991A (zh) * | 2017-08-01 | 2018-01-09 | 大连理工大学 | 零件表面断裂激光光条的提取与匹配方法 |
Non-Patent Citations (1)
Title |
---|
丁超 等: ""基于结构光的身管膛线高度差检测"", 《光学精密工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582310A (zh) * | 2020-04-08 | 2020-08-25 | 清华大学深圳国际研究生院 | 隐含结构光的解码方法及装置 |
WO2021203488A1 (zh) * | 2020-04-08 | 2021-10-14 | 清华大学深圳国际研究生院 | 隐含结构光的解码方法及装置 |
US11238620B2 (en) | 2020-04-08 | 2022-02-01 | Tsinghua Shenzhen International Graduate School | Implicit structured light decoding method, computer equipment and readable storage medium |
CN111582310B (zh) * | 2020-04-08 | 2022-05-06 | 清华大学深圳国际研究生院 | 隐含结构光的解码方法及装置 |
CN112747673A (zh) * | 2020-12-25 | 2021-05-04 | 中国人民解放军陆军工程大学 | 一种基于标定筒的单目多线结构光传感器的标定方法 |
CN112747673B (zh) * | 2020-12-25 | 2022-10-25 | 中国人民解放军陆军工程大学 | 一种基于标定筒的单目多线结构光传感器的标定方法 |
CN113945167A (zh) * | 2021-12-21 | 2022-01-18 | 杭州灵西机器人智能科技有限公司 | 一种工件数据获取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109556533B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992346B (zh) | 一种基于dip和dicm的疲劳裂纹长度在线检测方法 | |
Zhang et al. | Automatic pavement defect detection using 3D laser profiling technology | |
JP6620477B2 (ja) | コンクリートのひび割れ検出方法及び検出プログラム | |
Luo et al. | A fast adaptive crack detection algorithm based on a double-edge extraction operator of FSM | |
US4845763A (en) | Tool wear measurement by machine vision | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN109556533A (zh) | 一种针对多线结构光条纹图像的自动提取方法 | |
Wang et al. | Flank wear measurement by a threshold independent method with sub-pixel accuracy | |
CN103870833A (zh) | 基于凹性测度的路面裂缝提取与测评方法 | |
Lim et al. | Edge detection and measurement of nose radii of cutting tool inserts from scanned 2-D images | |
CN104254768A (zh) | 用于测量表面的三维结构的方法和设备 | |
CN108470349A (zh) | 一种运动背景下的微小机械零件尺寸测量筛选方法 | |
CN104458764B (zh) | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 | |
CN112129773B (zh) | 木材表面缺陷检测方法、装置、设备、系统及存储介质 | |
Sattarpanah Karganroudi et al. | Automatic fixtureless inspection of non-rigid parts based on filtering registration points | |
CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
CN114812450A (zh) | 一种基于机器视觉的沥青路面施工均匀性检测及评价方法 | |
CN104748684B (zh) | 一种曲轴轴肩清根的视觉检测方法及装置 | |
Güldür Erkal et al. | Automated geometric imperfection detection and quantification of CFS members from point clouds | |
CN110672632A (zh) | 一种隧道病害识别方法 | |
CN113327246A (zh) | 一种基于条纹投射和图像纹理约束的铆钉成形质量三维视觉检测技术 | |
CN108827197A (zh) | 一种减少边缘退化影响的线阵工业ct均质材料尺寸测量方法 | |
Molleda et al. | A profile measurement system for rail manufacturing using multiple laser range finders | |
Agouris et al. | Automated spatiotemporal change detection in digital aerial imagery | |
US7035761B2 (en) | Method for analyzing waviness of a surface |
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: 20201222 Termination date: 20210613 |