CN110111320A - 一种涡轮叶片的检测方法 - Google Patents

一种涡轮叶片的检测方法 Download PDF

Info

Publication number
CN110111320A
CN110111320A CN201910376219.4A CN201910376219A CN110111320A CN 110111320 A CN110111320 A CN 110111320A CN 201910376219 A CN201910376219 A CN 201910376219A CN 110111320 A CN110111320 A CN 110111320A
Authority
CN
China
Prior art keywords
image
cad
registration
turbo blade
detection method
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
Application number
CN201910376219.4A
Other languages
English (en)
Inventor
张子龙
沈宽
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN201910376219.4A priority Critical patent/CN110111320A/zh
Publication of CN110111320A publication Critical patent/CN110111320A/zh
Pending legal-status Critical Current

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10008—Still image; Photographic image from scanner, fax or copier
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种涡轮叶片的检测方法。本申请检测方法，包括对涡轮叶片进行CT扫描获得待测部位CT图像，利用Facet模型提取边缘；对CAD图纸进行水平扫描得到包含边缘点集的CAD图像；采用SVD‑ICP算法对CT图像和CAD图像进行精配准；根据配准情况，判断涡轮叶片误差分布，检测涡轮叶片是否合格。本申请检测方法，利用Facet模型提取边缘，利用SVD‑ICP算法精配准，只需知道涡轮叶片一完好基准点坐标，和待测部位相对于基准点的相对坐标即可实现待测部位检测，可快速直观看出误差，对叶片外部尺寸加工起到指导意义；本申请在后期加工之前进行检测，不合格产品直接回炉，无需进行下一步加工，节约了时间和成本。

Description

一种涡轮叶片的检测方法
技术领域
本申请涉及涡轮叶片检测技术领域，特别涉及一种涡轮叶片的检测方法。
背景技术
涡轮是航空发动机核心机的重要组成部分，也是温度最高、应力最复杂、环境最恶劣的发动机部位。目前涡轮叶片大多都采用空心结构设计，叶片的外型结构由叶身、缘板、过渡段、榫齿等组成，内部结构包括横向肋、纵向肋、找流柱和积叠轴，在涡轮叶片上设计了很多细小的管道，以使高压冷空气通过这些管道流经高温叶片，从而对涡轮叶片进行强制冷却，以提高涡轮的耐热性能。涡轮叶片形状复杂，要求高，加工难度大，而且是故障多发的零件，一直以来加工良品率都很低。
现有的涡轮叶片检测，包括其内部结构的检测都是在所有的加工完成后进行的，但是由于叶片内部某些位置结构较为复杂，良品率较低，并且后期加工占到了加工成本的70％左右，如果检测出内部结构不合格，则所有加工将前功尽弃，不仅浪费时间和成本，也造成大量的材料和能源的浪费。所以如何实现提前对指定位置进行检测，避免以上损失和浪费，是涡轮叶片检测的重点和难点。
发明内容
本申请的目的是针对现有涡轮叶片检测方法的不足，提供了一种新的涡轮叶片的检测方法。
为了达到以上目的，本申请采用了如下技术方案。
本申请公开了一种涡轮叶片的检测方法，包括采用计算机断层成像技术对待测涡轮叶片进行扫描获得待测部位的CT图像，利用Facet模型对CT图像进行边缘提取；对待测涡轮叶片的CAD图纸进行水平扫描得到包含边缘点集的CAD图像；采用SVD-ICP算法对CT图像和CAD图像进行精配准；根据扫描获得的CT图像和CAD图像的配准情况，判断待测涡轮叶片的误差分布，从而检测待测涡轮叶片是否合格。
需要说明的是，本申请利用Facet模型进行边缘提取，并利用SVD-ICP算法进行精配准，根据CT图像与CAD图像的配准，可以快速直观的看出误差所在，对叶片外部尺寸的加工起到指导意义，在进行后期加工之前，预先对涡轮叶片的内部进行检测，不合格产品可直接回炉重新熔铸，无需继续进行下一步加工，不仅节约了时间和成本，而且提高了生产效率和质量。
优选的，获得待测部位的CT图像，具体包括，以测待测涡轮叶片的某点作为坐标原点，测量待测部位相对于坐标原点的相对坐标；将测待测涡轮叶片的坐标原点与计算机断层成像技术扫描的零点对齐，使得CT扫描源扫描坐标原点的平面；根据测量的待测部位的相对坐标，移动测待测涡轮叶片，从而实现对待测部位的扫描，获得待测部位的CT图像。
优选的，利用Facet模型对CT图像进行边缘提取，具体包括，取5×5大小的像素领域，建立Facet模型并用最小二乘法求出多项式系数k1、k2、k3...k10，并判定该点是否为边缘像素。
优选的，本申请具体采用二次三项式表征Facet模型，二次三项式的公式如式一所示，
式一：f(x,y)＝k1+k2x+k3y+k4x2+k5y2+k6xy+k7xy2+k8x2y+k9x3+k10y3
式一中，x和y为点坐标。
优选的，采用SVD-ICP算法对CT图像和CAD图像进行精配准之前，还包括粗配准步骤；粗配准步骤包括，由最小包围矩形法确定配准缩放比例，采用主轴质心法粗配准，得到的CT图像的质心xCT、yCT和CAD图像的质心xCAD、yCAD以及CT图像的惯性主轴倾角θCT和CAD图像的惯性主轴倾角θCAD；并计算获得CT图像和CAD图像的旋转角旋转角经过式二变换即完成粗配准；
式二：
其中，xCTi和yCTi为CT图像的边缘点集。
优选的，采用SVD-ICP算法对CT图像和CAD图像进行精配准，具体包括，经过不断迭代更替变换矩阵，使得CT图像和CAD图像的边缘特征点的距离逐渐减小，剔除无效配对点，逐渐优化变换矩阵，实现高配准精度。
更优选的，采用SVD-ICP算法对CT图像和CAD图像进行精配准，具体包括以下步骤，
(1)设置初始参数，距离阈值dk＝min(d0，0.8×max(dk-1))；max(dk-1)为上次迭代过程中距离最大值；设初始旋转矩阵为单位矩阵，初始平移矩阵为零矩阵，设置初始距离阈值d0，迭代距离差值阈值△d和迭代次数k0；本申请的一种实现方式中，由于经过粗配准，配准误差不会特别大，因此设初始旋转矩阵为单位矩阵，初始平移矩阵为零矩阵；
(2)CT图像和CAD图像两幅图像中最近距离点集的求取并判定是否需要剔出，若距离大于距离阈值dk则予以剔除，反之则保留；
(3)用保留下来的点集进行变换矩阵的求取；
(4)由步骤(3)得到的变换矩阵更新点集坐标；
(5)终止条件判定：若两次误差差值dk-dk-1小于△d或迭代次数k>k0，终止算法求得最优配准，否则由步骤(2)开始继续进行迭代。
优选的，判断待测涡轮叶片的误差分布，具体包括，把提取到的CT图像用红色表示，CAD图用绿色表示，CT图像和CAD图像配准重合后即可通过颜色的分布观察配准结果和误差所在。
优选的，为了便于观察，本申请进一步的，把CAD图像的点集坐标进行逆变换将变换结果显示在CT图像上；配准对应点用红色填充。
本申请的有益效果是：本申请的涡轮叶片检测方法，能够对指定的涡轮叶片部位进行计算机断层成像技术扫描，获得指定的待测部位的CT图像，并利用Facet模型进行边缘提取，利用SVD-ICP算法进行精配准，根据CT图像与CAD图像的配准，可以快速直观的看出误差所在，不仅对叶片外部尺寸的加工起到指导意义；而且，本申请的检测方法在进行后期加工之前进行，不合格产品可直接回炉重新熔铸，无需继续进行下一步加工，在节约时间和成本同时，也提高了生产效率和质量。
附图说明
图1是本申请实施例中涡轮叶片检测方法的流程框图；
图2是本申请实施例中对涡轮叶片的榫头进行检测的示意图。
具体实施方式
无损检测技术中的计算机断层成像技术(Computed Tomography，CT)具有不接触、精度高、检测速度快等优点，在各个领域的运用已十分成熟，可以准确的检测出工件的内部结构。
本申请将CT扫描应用于涡轮叶片检测中，并创造性的提出了一种涡轮叶片的检测方法，即利用Facet模型对CT图像进行边缘提取；采用SVD-ICP算法对CT图像和CAD图像进行精配准；根据扫描获得的CT图像和CAD图像的配准情况；在CT扫描时，只需把涡轮叶片任意一个完好的点作为基准点，只需知道指定测量点与该基准点的相对坐标即可完成待测部位测量点的检测，直观的判断待测涡轮叶片的误差分布，从而实现涡轮叶片的检测。
下面通过具体实施方式结合附图对本申请作进一步详细说明，以下实施例仅仅用于理解和说明本申请，不应理解为对本申请的限定。
实施例
本例的涡轮叶片的检测方法，如图1所示，在设计好CAD模型后，直接根据CAD模型加工获得涡轮叶片，本申请的检测方法是在涡轮叶片进一步进行加工之前，对涡轮叶片进行CT扫描获得CT图像，与此同时，扫描CAD模型获得CAD图像，根据CT图像的轮廓、特征提取，将CAD图像和CT图像进行精配准，根据配准结果，获得误差分布图，以此检测待测涡轮叶片是否合格。具体如下：
涡轮叶片的结构如图2所示，原则上，可以选取涡轮叶片的任意一个完好的位置作为基准点，本例具体的，选取涡轮叶片的榫头上的某点作为基准点，即榫头位置处的第一位置5作为坐标原点，即基准点，本例分别对距离第一位置5不同距离的第二位置2、第三位置3和第四位置4进行检测，具体检测步骤如下：
S1：用机械臂夹持涡轮叶片放置在CT扫描装置的工作台上，叶片垂直于工作台放置，以榫头的第一位置5做为坐标原点，即坐标为(0，0，0)，测量出检测的第二位置2相对于坐标原点的相对坐标，即(x1，y1，z1)，第三位置3的相对坐标(x2，y2，z2)，第四位置4的相对坐标(x3，y3，z3)；
S2：使用夹具将该叶片的榫头的第一位置5与CT扫描装置的扫描零位对齐，使得CT扫描源恰巧扫描第一位置5的平面；
S3：对机械臂做位移(-x1，-y1，-z1)，即可检测第二位置2，获得该位置的CT图像；对机械臂做位移(-x2，-y2，-z2)，即可检测第三位置3，获得该位置的CT图像；对机械臂做位移(-x3，-y3，-z3)，即可检测第四位置4，获得该位置的CT图像；
S4：利用Facet模型进行CT图像边缘提取：取5×5大小的像素邻域，建立Facet模型并用最小二乘法求出多项式系数k1、k2、k3...k10，并判定该点是否为边缘像素；
S5：找到CAD图纸的特征点集：CAD图纸通过行扫描便可得到包含边缘点集的CAD图像；
S6：对CT图进行缩放，旋转平移等操作实现粗配准；
S7：采用SVD-ICP法进行精配准；
S8：误差结果显示。
其中，S4步骤中，Facet模型边缘提取方法，具体是用式一所示的二次三项式来表征Facet模型；
式一：f(x,y)＝k1+k2x+k3y+k4x2+k5y2+k6xy+k7xy2+k8x2y+k9x3+k10y3
式一中，x和y为点坐标。
S6步骤中，粗配准的实现方式为：由最小包围矩形法确定配准缩放比例k；主轴质心法粗配准；由此可得到CT图像的质心，其坐标为(xCT、yCT)；和CAD图像的质心，其坐标为(xCAD、yCAD)；以及CT图像的惯性主轴倾角θCT和CAD图像的惯性主轴倾角θCAD；
进一步的，可计算获得CT图像和CAD图像的旋转角旋转角经过式二变换即完成粗配准；
式二：
其中，xCTi和yCTi为CT图像的边缘点集。
S7步骤的精配准，其核心思想是经过不断地迭代更替变换矩阵，使得CT图像和CAD图像两幅图像边缘特征点的距离逐渐减小，剔除无效配对点，逐渐优化变换矩阵，达到提高配准精度的效果。具体包括以下步骤：
(1)设置初始参数，距离阈值dk＝min(d0，0.8×max(dk-1))；max(dk-1)为上次迭代过程中距离最大值；由于已经经过了粗配准，配准误差不是特别大，因此设初始旋转矩阵为单位矩阵，初始平移矩阵为零矩阵，设置初始距离阈值d0，迭代距离差值阈值△d和迭代次数k0；
(2)CT图像和CAD图像两幅图像中最近距离点集的求取并判定是否需要剔出，若距离大于距离阈值dk则予以剔除，反之则保留；
(3)用保留下来的点集进行变换矩阵的求取；
(4)由步骤(3)得到的变换矩阵更新点集坐标；
(5)终止条件判定：若两次误差差值dk-dk-1小于△d或迭代次数k>k0，终止算法求得最优配准，否则转步骤(2)继续进行迭代。
S8步骤中，误差结果显示，其实现的方法为，把提取到的CT点集用红色表示，CAD图用绿色表示，两幅图配准重合后即可通过颜色的分布观察配准结果和误差所在。进一步的，为了便于观察，把CAD点集坐标进行逆变换将变换结果显示在原CT图像上，配准对应点用红色填充。
本例实现了一种涡轮叶片固定位置的CT扫描检测，并通过图像配准技术快速直观的看出误差所在，对叶片外部尺寸的加工起到了指导意义；产品不合格便可直接回炉重新熔铸，不用继续进行下一步的加工，节约了时间和成本。
以上仅是本申请的较佳实施例，并非对本申请的技术范围作任何限制，本行业的技术人员，在本技术方案的启迪下，可以做出一些变形与修改，凡是依据本技术实质对以上的实施例所作的任何修改、等同变化与修饰，均仍属于本申请技术方案的范围内。

Claims (9)

1.一种涡轮叶片的检测方法，其特征在于：包括采用计算机断层成像技术对待测涡轮叶片进行扫描获得待测部位的CT图像，利用Facet模型对CT图像进行边缘提取；对待测涡轮叶片的CAD图纸进行水平扫描得到包含边缘点集的CAD图像；采用SVD-ICP算法对CT图像和CAD图像进行精配准；根据扫描获得的CT图像和CAD图像的配准情况，判断待测涡轮叶片的误差分布，从而检测待测涡轮叶片是否合格。
2.根据权利要求1所述的检测方法，其特征在于：所述获得待测部位的CT图像，具体包括，以测待测涡轮叶片的某点作为坐标原点，测量待测部位相对于坐标原点的相对坐标；将测待测涡轮叶片的坐标原点与计算机断层成像技术扫描的零点对齐，使得CT扫描源扫描坐标原点的平面；根据测量的待测部位的相对坐标，移动测待测涡轮叶片，从而实现对待测部位的扫描，获得所述待测部位的CT图像。
3.根据权利要求1所述的检测方法，其特征在于：所述利用Facet模型对CT图像进行边缘提取，具体包括，取5×5大小的像素领域，建立Facet模型并用最小二乘法求出多项式系数k1、k2、k3...k10，并判定该点是否为边缘像素。
4.根据权利要求3所述的检测方法，其特征在于：采用二次三项式表征Facet模型，二次三项式的公式如式一所示，
式一：f(x,y)＝k1+k2x+k3y+k4x2+k5y2+k6xy+k7xy2+k8x2y+k9x3+k10y3
式一中，x和y为点坐标。
5.根据权利要求1所述的检测方法，其特征在于：所述采用SVD-ICP算法对CT图像和CAD图像进行精配准之前，还包括粗配准步骤；
所述粗配准步骤包括，由最小包围矩形法确定配准缩放比例，采用主轴质心法粗配准，得到的CT图像的质心xCT、yCT和CAD图像的质心xCAD、yCAD以及CT图像的惯性主轴倾角θCT和CAD图像的惯性主轴倾角θCAD；并计算获得CT图像和CAD图像的旋转角旋转角经过式二变换即完成所述粗配准；
式二：
其中，xCTi和yCTi为CT图像的边缘点集。
6.根据权利要求1所述的检测方法，其特征在于：所述采用SVD-ICP算法对CT图像和CAD图像进行精配准，具体包括，经过不断迭代更替变换矩阵，使得CT图像和CAD图像的边缘特征点的距离逐渐减小，剔除无效配对点，逐渐优化变换矩阵，实现高配准精度。
7.根据权利要求6所述的检测方法，其特征在于：所述采用SVD-ICP算法对CT图像和CAD图像进行精配准，具体包括以下步骤，
(1)设置初始参数，距离阈值dk＝min(d0，0.8×max(dk-1))；max(dk-1)为上次迭代过程中距离最大值；设初始旋转矩阵为单位矩阵，初始平移矩阵为零矩阵，设置初始距离阈值d0，迭代距离差值阈值△d和迭代次数k0；
(2)CT图像和CAD图像两幅图像中最近距离点集的求取并判定是否需要剔出，若距离大于距离阈值dk则予以剔除，反之则保留；
(3)用保留下来的点集进行变换矩阵的求取；
(4)由步骤(3)得到的变换矩阵更新点集坐标；
(5)终止条件判定：若两次误差差值dk-dk-1小于△d或迭代次数k>k0，终止算法求得最优配准，否则由步骤(2)开始继续进行迭代。
8.根据权利要求1-7任一项所述的检测方法，其特征在于：所述判断待测涡轮叶片的误差分布，具体包括，把提取到的CT图像用红色表示，CAD图用绿色表示，CT图像和CAD图像配准重合后即可通过颜色的分布观察配准结果和误差所在。
9.根据权利要求8所述的检测方法，其特征在于：还包括把CAD图像的点集坐标进行逆变换将变换结果显示在CT图像上；配准对应点用红色填充。
CN201910376219.4A 2019-05-07 2019-05-07 一种涡轮叶片的检测方法 Pending CN110111320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910376219.4A CN110111320A (zh) 2019-05-07 2019-05-07 一种涡轮叶片的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910376219.4A CN110111320A (zh) 2019-05-07 2019-05-07 一种涡轮叶片的检测方法

Publications (1)

Publication Number Publication Date
CN110111320A true CN110111320A (zh) 2019-08-09

Family

ID=67488547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910376219.4A Pending CN110111320A (zh) 2019-05-07 2019-05-07 一种涡轮叶片的检测方法

Country Status (1)

Country Link
CN (1) CN110111320A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114322775A (zh) * 2022-01-06 2022-04-12 深圳威洛博机器人有限公司 一种机器人视觉定位系统及视觉定位方法
CN115130526A (zh) * 2022-07-21 2022-09-30 北京汉飞航空科技有限公司 一种发动机涡轮叶片加工余量的分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101435784A (zh) * 2008-10-14 2009-05-20 重庆大学 涡轮叶片ct检测装置及其检测方法
CN106691488A (zh) * 2017-01-25 2017-05-24 重庆大学 螺旋ct扫描成像方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101435784A (zh) * 2008-10-14 2009-05-20 重庆大学 涡轮叶片ct检测装置及其检测方法
CN106691488A (zh) * 2017-01-25 2017-05-24 重庆大学 螺旋ct扫描成像方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何洪举: "基于边缘提取的工业CT图像与CAD模型的比对算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114322775A (zh) * 2022-01-06 2022-04-12 深圳威洛博机器人有限公司 一种机器人视觉定位系统及视觉定位方法
CN114322775B (zh) * 2022-01-06 2022-11-11 深圳威洛博机器人有限公司 一种机器人视觉定位系统及视觉定位方法
CN115130526A (zh) * 2022-07-21 2022-09-30 北京汉飞航空科技有限公司 一种发动机涡轮叶片加工余量的分析方法

Similar Documents

Publication Publication Date Title
CN104981105B (zh) 一种快速精确获得元件中心和偏转角度的检测及纠偏方法
CN103162622B (zh) 单目视觉系统及其使用的便携式球靶标及其测量方法
CN107672180B (zh) 一种基于逆向工程技术的3d打印精度检测方法
CN109598762A (zh) 一种高精度双目相机标定方法
US8019147B2 (en) Three-dimensional data registration method for vision measurement in flow style based on double-sided target
US20050201611A1 (en) Non-contact measurement method and apparatus
CN109099852A (zh) 一种测量风力机叶片相对变形的结构故障检测方法及系统
CN110455187B (zh) 一种基于三维视觉的盒体工件焊缝的检测方法
CN106643492B (zh) 一种航空发动机损伤叶片三维数字散斑造型方法
CN104713885A (zh) 一种用于pcb板在线检测的结构光辅助双目测量方法
CN110415300A (zh) 一种基于三靶标建面的立体视觉结构动态位移测量方法
CN109000557A (zh) 一种核燃料棒位姿自动识别方法
CN111353997B (zh) 一种基于条纹投影的实时三维面型缺陷检测方法
CN110111320A (zh) 一种涡轮叶片的检测方法
CN110260818A (zh) 一种基于双目视觉的电子连接器鲁棒检测方法
CN101377405A (zh) 一种空间圆姿态参数和几何参数的视觉测量方法
Jin et al. A new multi-vision-based reconstruction algorithm for tube inspection
CN109483887A (zh) 激光选区熔化过程中成形层轮廓精度在线检测方法
CN101377404A (zh) 一种基于角度约束的空间圆姿态识别二义性消除方法
CN113702384A (zh) 一种回转构件表面缺陷检测装置、检测方法及标定方法
CN115170484A (zh) 一种激光增材制造工件表面缺陷的表征与分类方法
CN112017181A (zh) 一种圆柱体类产品表面检测方法及其相关设备
CN111833335A (zh) 一种基于超分辨率重建的点阵结构缺陷检测方法及系统
CN116817793A (zh) 一种基于3d视觉的小型零件的复杂形貌三维重建方法
CN111354057A (zh) 基于图像变形技术的骨折线地图绘制方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190809