CN111047586A - 一种基于机器视觉的像素当量测量方法 - Google Patents
一种基于机器视觉的像素当量测量方法 Download PDFInfo
- Publication number
- CN111047586A CN111047586A CN201911365941.4A CN201911365941A CN111047586A CN 111047586 A CN111047586 A CN 111047586A CN 201911365941 A CN201911365941 A CN 201911365941A CN 111047586 A CN111047586 A CN 111047586A
- Authority
- CN
- China
- Prior art keywords
- pixel equivalent
- pixel
- measuring
- circle
- light source
- 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
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- 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
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于机器视觉的像素当量测量方法,包括以下步骤:设置光源:选择合适的光源强度和光源位置以提高拍摄图片的质量;标定相机,校正畸变:通过相机标定得到相机相应的内参数据和外参数据,并根据标定结果对图像进行畸变校正;测量相应像素当量测量模板的尺寸数据;结果填充:将像素当量测量模板的尺寸数据并引入其他区域像素当量填充方法,使每一个图像像素点都标记一个对应的像素当量;多次测量,进行比较:对得到的像素当量进行多次测量求取平均值,细化像素当量的分割;测量计算工件的尺寸。本发明可以解决在图像提取过程中图像产生畸变导致的像素当量在图像的不同区域拥有不同数值的问题,提高图片测量精度。
Description
技术领域
本发明涉及机器视觉及其工业自动化领域,具体涉及一种基于机器视觉的像素当量测量方法。
背景技术
机器视觉是利用机器视觉系统来分析图像的一种检测技术,这种技术可以大大提高生产效率和产品质量的精度。机器视觉技术的原理是通过相机采集数据,再通过图像采集卡将模拟信号转换为数字信号,完成了从光信号到数字信号的转化。机器视觉技术可以在环境恶劣的地方代替工人完成视觉检测工作,且这种技术的高精密性与高效率性也能大大提高生产效率,因此机器视觉技术具有很强的实用性,被广泛应用在航空航天、军工、医药器械以及工业生产等多个领域。
机器视觉技术的关键在图像提取精度,现有技术大多通过在图像采集时对图像进行校正来解决图像提取精度低的问题。但是这种方法无法完全解决光强和物体姿态对像素当量数值的影响,譬如相机、镜头等图像提取设备的安装,温度等因素常会使得图像产生畸变,导致像素当量在图像的不同区域拥有不同数值,从而造成图像失真问题依然难以克服。
发明内容
为了克服现有技术的不足,本发明提供一种基于机器视觉的像素当量测量方法,以解决在图像提取过程中图像产生畸变导致的像素当量在图像的不同区域拥有不同数值的问题。
为达上述目的,本发明提供一种基于机器视觉的像素当量测量方法,
包括以下步骤:
步骤一,设置光源;选择合适的光源强度和光源位置以提高拍摄图片的质量;
步骤二,标定相机,校正畸变;通过相机标定得到相机相应的内参数据和外参数据,并根据标定结果对图像进行畸变校正;
步骤三,测量相应像素当量测量模板的尺寸数据;
步骤四,结果填充;根据步骤三得到的像素当量测量模板的尺寸数据并引入其他区域像素当量填充方法,使每一个图像像素点都标记一个对应的像素当量;
步骤五,多次测量,进行比较;对得到的像素当量进行多次测量求取平均值,细化像素当量的分割;
步骤六,测量计算工件的尺寸;利用相机再次采集所要测量工件的照片,结合步骤五计算出的像素当量,得到最终确切的工件的尺寸或大小结果。
进一步的,步骤三中,所述测量相应像素当量测量模板的尺寸数据,具体如下:
1)、相机的标定后更换为像素当量测量模板;
2)、选择外方内圆的像素当量测量模板,将图形均匀划分若干区域,并分别在各区域采集测试圆的图像;
3)、利用halcon软件对所述测试圆进行亚像素边缘检测,利用圆拟合测量操作定位圆心位置与圆的边缘位置;
4)、得到圆心位置坐标、不同方向上圆直径数据,以及圆面积的数据。
进一步的,步骤四中,所述测量相应像素当量测量模板的尺寸数据,具体如下:
1)、像素当量边缘填充;代入所述测量圆实际的直径尺寸,分别计算出不同方向上四个像素当量数值,并在其方向上的圆边缘标定为该像素点的像素当量;
2)、像素当量均值填充;测试圆内,圆心点的像素当量为测试圆实际面积与测试圆的圆内所包含像素数目的比值;测试圆外,模板正方形内部的其余点,均填充均值像素当量;
3)、像素当量线性填充;在测试圆内其余空白处的各点填充线性变化的像素当量数值。
进一步的,步骤五中,对于图像分割的每一个测量区域进行至少三次的测试圆采集,并针对步骤四中三种不同情况的像素填充方式,至少采集三次数据以降低单次采集造成的误差。
进一步的,步骤五中,在图像分割的每一个测量区域采集三至五次的照片,且在每次照片采集后评估照片的质量,如果测量圆面积的一半以上处于上述测量区域之外,则放弃此次采集的照片,重新进行照片采集。
进一步的,步骤一中,所述选择合适的光源强度和光源位置以提高拍摄图片的质量,具体如下:
预采集多张光源强度和光源位置不同的图片,分别评估各图片的图像质量,选出图像质量最好的一组图片,将其对应的光源强度大小和光源位置作为后续图像采集与测量操作时所设置的光源。
进一步的,步骤一种所设置的光源为LED环形光源。
本发明针对光照会对像素当量产生影响的问题,采用与相机匹配的环形光源,并在采集图像之前调整到固定不变的光源强度,避免光源变化对图片测量精度的影响;针对标定操作会产生的内外参数影响后续测量操作的问题,本发明采用与测量操作不同的模板进行标定,并针对标定物在图像中的位置不同而产生的像素当量不同的问题,利用halcon进行圆拟合测量操作,对测试圆进行圆心定位,然后在不同方向上进行直径的测量和测试圆面积的测量;并对得到的数值进行计算得到相应位置点的像素当量;本发明通过引入其他区域像素当量填充方法,使得每一个图像像素点都标记一个对应的像素当量,并对得到的像素当量进行多次测量求取平均值,细化像素当量的分割,进一步提高了图像测量精度。
附图说明
图1为本发明中像素当量测量模板示意图;
图2为本发明中图像分割示意图;
图3为本发明中像素当量模板填充方法示意图;
图4为本发明中实验操作的流程图;
图5为本发明中像素当量测量与计算的流程图。
具体实施方式
下面结合附图和具体实施例对本发明中的技术方案作详细的阐述。
本实施例利用halcon软件对图像进行标定、畸变校正以及采集等的工作;对于本机器视觉实验,光源匹配相机采用LED环形光源,该光源光照均匀,光强便于调节,能很好地匹配相机进行机器视觉实验,且在同等条件下价格合理,节能环保。
如图4和图5所示,一种基于机器视觉的像素当量测量方法,包括以下步骤:
步骤一,设置光源;预采集多张光源强度和光源位置不同的图片,分别评估各图片的图像质量,具体如下:打开相机和光源,利用halcon软件的标定助手,在相机视野中导入36*36mm标准标定板,黑色圆点:7*7;任意更换标定板的位置采集图像,检验图像质量,调整光强直至图像质量检测全部合格;选出图像质量最好的一组图片,将其对应的光源强度大小和光源位置作为后续图像采集与测量操作时所设置的光源,并在实验过程中不再改变光源以及相机位置。
步骤二,标定相机,校正畸变;
重新打开halcon软件的标定助手,在不同区域采集标定板的图像,每个区域标定板变换不同姿态采集3-5张,最终采集15-20张图像,利用halcon软件生成相机的内参与外参的参数文件;
导入畸变校正透视图,对各图像进行畸变校正。
步骤三,测量相应像素当量测量模板的尺寸数据;具体如下:
1)、相机的标定后更换为像素当量测量模板;
2)、本实施例选择外方内圆的像素当量测量模板,如图1所示,正方形边长10mm,测试圆为直径为8mm的圆形;
将图形均匀划分若干区域,本实施划分为四个区域,如图2所示,并分别在各区域采集测试圆的图像;
3)、利用halcon软件对所述测试圆进行亚像素边缘检测,利用圆拟合测量操作定位圆心位置的坐标,并依照图2所示的四个的方向对其进行圆直径的像素数测量,进而得到测量圆的圆内所包含的像素数目。
步骤四,结果填充;根据步骤三得到的像素当量测量模板的尺寸数据并引入其他区域像素当量填充方法,使每一个图像像素点都标记一个对应的像素当量;具体如图3所示,
1)、像素当量边缘填充;代入所述测量圆实际的直径尺寸,分别计算出不同方向上四个像素当量数值,并在其方向上的圆边缘标定为该像素点的像素当量;公式为:
PDB=d/nd (1)
其中,PDB为边缘填充像素当量,d为测量圆实际直径尺寸,nd为该方向上测试圆所包含的像素数目。
2)、像素当量均值填充;测试圆内,圆心点的像素当量为测试圆实际面积与测试圆的圆内所包含像素数目的比值;测试圆外,模板正方形内部的其余点,均填充均值像素当量;公式为:
其中PDE为均值填充像素当量,ne为测试圆的圆内包含的像素数目。
3)、像素当量线性填充;在测试圆内其余空白处的各点填充线性变化的像素当量数值。
当该方向上边缘点的像素当量与圆心点的像素当量一样,则该方向该区域内所有像素点的像素当量一致。例如,当该方向上边缘点的像素当量值为p1,圆心点的像素当量为p,两者之差为(p1-p),该方向上所包含的像素数为n,则每一个像素点的变化插值为(p1-p)/n,在该方向该区域每一个像素点相比较旁边一点的插值均为(p1-p)/n,此处设为δ,直至填充至全部区域。对于测试圆外,模板内部的点全部用像素均值填充。最后测量工作全部结束之后没有标定的点填充该区域几次测量像素均值的平均值作为该像素点的像素当量。
PDA=PDE+naδ (3)
其中PDA为线性填充像素当量,na为该像素点与圆心点的像素距离,δ为线性变化插值。
步骤五,多次测量,进行比较;对得到的像素当量进行多次测量求取平均值,细化像素当量的分割;
具体的,对于图像分割的每一个测量区域进行至少三次的测试圆采集,并针对步骤四中三种不同情况的像素填充方式,至少采集三次数据以降低单次采集造成的误差;根据测试圆与相机图像区域的大小比较,采取尽可能多的测试圆位于不同位置下的照片,但由于多次采集,会增加计算的时间与复杂性,因此,在图像分割的每一个测量区域采集三至五次的照片,且在每次照片采集后评估照片的质量,如果测量圆面积的一半以上处于上述测量区域之外,则放弃此次采集的照片,重新进行照片采集。
步骤六,测量计算工件的尺寸;利用相机再次采集所要测量工件的照片,结合步骤五计算出的像素当量,得到最终确切的工件的尺寸或大小结果。
本实施例计算过程如下:
对于得到的像素当量计算结果公式为:
其中:PDB:边缘填充像素当量值;
PDA:线性填充像素当量值;
PDE:均值填充像素当量值,亦作圆心点处的像素当量值;
n:总测量次数,n=n1+n2+n3。
对于计算得出像素当量之后,利用相机再次采集所要测量工件的照片,得到所要测量工件的边缘、面积等的像素坐标结果,再带入步骤五所计算得到的像素当量数值,得到最终确切的工件的尺寸或大小结果。公式为:
其中,S:基于机器视觉测量的最终结果;
x、y:测量范围各个像素点的坐标。
其中对于边缘检测将像素点细化到亚像素级别,对于相应的像素当量也做相应的运算调整。
根据相机标定的概念,将世界坐标与图像坐标一一对应,在本方法中,像素当量也与每一个像素点的坐标一一对应,因此,可以推导出的公式为:
其中,PD:像素当量。
pl:该像素点的像素当量算法概率。亦作i/n1,j/n2,k/n3。
f:镜头焦距。
R:3×3矩阵,相机坐标系与世界坐标系转换的旋转矩阵。
t:3×1矩阵,相机坐标系与世界坐标系转换的平移矩阵。
u、v:相机外参。
Claims (7)
1.一种基于机器视觉的像素当量测量方法,其特征在于,包括以下步骤:
步骤一,设置光源;选择合适的光源强度和光源位置以提高拍摄图片的质量;
步骤二,标定相机,校正畸变;通过相机标定得到相机相应的内参数据和外参数据,并根据标定结果对图像进行畸变校正;
步骤三,测量相应像素当量测量模板的尺寸数据;
步骤四,结果填充;根据步骤三得到的像素当量测量模板的尺寸数据并引入其他区域像素当量填充方法,使每一个图像像素点都标记一个对应的像素当量;
步骤五,多次测量,进行比较;对得到的像素当量进行多次测量求取平均值,细化像素当量的分割;
步骤六,测量计算工件的尺寸;利用相机再次采集所要测量工件的照片,结合步骤五计算出的像素当量,得到最终确切的工件的尺寸或大小结果。
2.根据权利要求1所述的基于机器视觉的像素当量测量方法,其特征在于,步骤三中,所述测量相应像素当量测量模板的尺寸数据,具体如下:
1)、相机的标定后更换为像素当量测量模板;
2)、选择外方内圆的像素当量测量模板,将图形均匀划分若干区域,并分别在各区域采集测试圆的图像;
3)、利用halcon软件对所述测试圆进行亚像素边缘检测,利用圆拟合测量操作定位圆心位置与圆的边缘位置;
4)、得到圆心位置坐标、不同方向上圆直径数据,以及圆面积的数据。
3.根据权利要求2所述的基于机器视觉的像素当量测量方法,其特征在于,步骤四中,所述测量相应像素当量测量模板的尺寸数据,具体如下:
1)、像素当量边缘填充;代入所述测量圆实际的直径尺寸,分别计算出不同方向上四个像素当量数值,并在其方向上的圆边缘标定为该像素点的像素当量;
2)、像素当量均值填充;测试圆内,圆心点的像素当量为测试圆实际面积与测试圆的圆内所包含像素数目的比值;测试圆外,模板正方形内部的其余点,均填充均值像素当量;
3)、像素当量线性填充;在测试圆内其余空白处的各点填充线性变化的像素当量数值。
4.根据权利要求3所述的基于机器视觉的像素当量测量方法,其特征在于,步骤五中,对于图像分割的每一个测量区域进行至少三次的测试圆采集,并针对步骤四中三种不同情况的像素填充方式,至少采集三次数据以降低单次采集造成的误差。
5.根据权利要求3所述的基于机器视觉的像素当量测量方法,其特征在于,步骤五中,在图像分割的每一个测量区域采集三至五次的照片,且在每次照片采集后评估照片的质量,如果测量圆面积的一半以上处于上述测量区域之外,则放弃此次采集的照片,重新进行照片采集。
6.根据权利要求1至5任一项所述的基于机器视觉的像素当量测量方法,其特征在于,步骤一中,所述选择合适的光源强度和光源位置以提高拍摄图片的质量,具体如下:
预采集多张光源强度和光源位置不同的图片,分别评估各图片的图像质量,选出图像质量最好的一组图片,将其对应的光源强度大小和光源位置作为后续图像采集与测量操作时所设置的光源。
7.根据权利要求1所述的基于机器视觉的像素当量测量方法,其特征在于,步骤一种所设置的光源为LED环形光源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365941.4A CN111047586B (zh) | 2019-12-26 | 2019-12-26 | 一种基于机器视觉的像素当量测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365941.4A CN111047586B (zh) | 2019-12-26 | 2019-12-26 | 一种基于机器视觉的像素当量测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047586A true CN111047586A (zh) | 2020-04-21 |
CN111047586B CN111047586B (zh) | 2023-07-14 |
Family
ID=70240183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911365941.4A Active CN111047586B (zh) | 2019-12-26 | 2019-12-26 | 一种基于机器视觉的像素当量测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047586B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598938A (zh) * | 2020-05-18 | 2020-08-28 | 浙江大学 | 一种基于标尺构形畸变校正的农田测亩方法及系统 |
CN111692992A (zh) * | 2020-06-22 | 2020-09-22 | 征图智能科技(江苏)有限公司 | 基于多图分时曝光的高精度2d尺寸测量方法 |
CN111932605A (zh) * | 2020-09-11 | 2020-11-13 | 广东韶钢松山股份有限公司 | 尺寸检测方法、装置、电子设备及可读存储介质 |
CN112621743A (zh) * | 2020-11-19 | 2021-04-09 | 深圳众为兴技术股份有限公司 | 机器人及其相机固定于末端的手眼标定方法及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020105639A1 (en) * | 2001-02-06 | 2002-08-08 | Richard Roelke | Calibration artifact and method of using the same |
CN107941479A (zh) * | 2017-05-04 | 2018-04-20 | 重庆淏晗科技有限公司 | 一种智能滚动接触疲劳试验系统及其测试方法 |
CN108805935A (zh) * | 2018-05-02 | 2018-11-13 | 南京大学 | 一种基于正交像素当量比的线阵相机畸变校正方法 |
CN109920010A (zh) * | 2019-03-19 | 2019-06-21 | 易思维(杭州)科技有限公司 | 一种对多相机视觉检测设备进行标定的方法 |
CN109934839A (zh) * | 2019-03-08 | 2019-06-25 | 北京工业大学 | 一种基于视觉的工件检测方法 |
CN110084861A (zh) * | 2019-06-03 | 2019-08-02 | 易思维(杭州)科技有限公司 | 一种多相机视觉检测设备的标定方法 |
-
2019
- 2019-12-26 CN CN201911365941.4A patent/CN111047586B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020105639A1 (en) * | 2001-02-06 | 2002-08-08 | Richard Roelke | Calibration artifact and method of using the same |
CN107941479A (zh) * | 2017-05-04 | 2018-04-20 | 重庆淏晗科技有限公司 | 一种智能滚动接触疲劳试验系统及其测试方法 |
CN108805935A (zh) * | 2018-05-02 | 2018-11-13 | 南京大学 | 一种基于正交像素当量比的线阵相机畸变校正方法 |
CN109934839A (zh) * | 2019-03-08 | 2019-06-25 | 北京工业大学 | 一种基于视觉的工件检测方法 |
CN109920010A (zh) * | 2019-03-19 | 2019-06-21 | 易思维(杭州)科技有限公司 | 一种对多相机视觉检测设备进行标定的方法 |
CN110084861A (zh) * | 2019-06-03 | 2019-08-02 | 易思维(杭州)科技有限公司 | 一种多相机视觉检测设备的标定方法 |
Non-Patent Citations (1)
Title |
---|
秦豆豆,卢军,宋岳秦: "工件外观识别与视觉检测技术的研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598938A (zh) * | 2020-05-18 | 2020-08-28 | 浙江大学 | 一种基于标尺构形畸变校正的农田测亩方法及系统 |
CN111692992A (zh) * | 2020-06-22 | 2020-09-22 | 征图智能科技(江苏)有限公司 | 基于多图分时曝光的高精度2d尺寸测量方法 |
CN111932605A (zh) * | 2020-09-11 | 2020-11-13 | 广东韶钢松山股份有限公司 | 尺寸检测方法、装置、电子设备及可读存储介质 |
CN111932605B (zh) * | 2020-09-11 | 2023-12-01 | 广东韶钢松山股份有限公司 | 尺寸检测方法、装置、电子设备及可读存储介质 |
CN112621743A (zh) * | 2020-11-19 | 2021-04-09 | 深圳众为兴技术股份有限公司 | 机器人及其相机固定于末端的手眼标定方法及存储介质 |
CN112621743B (zh) * | 2020-11-19 | 2022-11-25 | 深圳众为兴技术股份有限公司 | 机器人及其相机固定于末端的手眼标定方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111047586B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047586B (zh) | 一种基于机器视觉的像素当量测量方法 | |
CN105716542B (zh) | 一种基于柔性特征点的三维数据拼接方法 | |
CN107942949A (zh) | 一种机床视觉定位方法及系统、机床 | |
CN109859277A (zh) | 一种基于Halcon的机器人视觉系统标定方法 | |
CN112669394B (zh) | 一种用于视觉检测系统的自动标定方法 | |
CN103837093B (zh) | 光谱共焦传感器校准系统及方法 | |
CN109685744B (zh) | 一种扫描振镜精度校正方法 | |
CN112634373B (zh) | 基于零膨胀陶瓷标定板的视觉测量系统动态校正方法 | |
CN102622739A (zh) | 一种Bayer滤波阵列彩色相机图像非均匀性校正方法 | |
CN112258588A (zh) | 一种双目相机的标定方法、系统及存储介质 | |
CN114331924B (zh) | 大工件多相机视觉测量方法 | |
CN113119129A (zh) | 一种基于标准球的单目测距定位方法 | |
CN111707187A (zh) | 一种大型零件的测量方法及系统 | |
CN110060625B (zh) | 一种led显示屏采集渐晕补偿方法 | |
CN115187612A (zh) | 一种基于机器视觉的平面面积测量方法、装置及系统 | |
CN112665523B (zh) | 一种复杂型面的联合测量方法 | |
CN111256607B (zh) | 一种基于三通道标志点的变形测量方法 | |
CN112767494A (zh) | 基于标定算法的精确测量定位方法 | |
CN115289997B (zh) | 一种双目相机三维轮廓扫描仪及其使用方法 | |
CN110706292B (zh) | 一种基于机器视觉的二维工作台误差自标定方法 | |
CN112001379A (zh) | 基于机器视觉的汽车仪表固定视点读取仪表的修正算法 | |
CN114170321A (zh) | 一种基于测距的相机自标定方法及系统 | |
CN114511498A (zh) | 基于单目视觉的螺旋桨振动测量方法 | |
CN109470290B (zh) | 一种仪表指针自动校准方法及装置 | |
CN112935562A (zh) | 基于旁轴离线测量的激光精密加工方法 |
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 |