CN112304249A - 一种透明材料三维表面及厚度分布同时检测系统及方法 - Google Patents

一种透明材料三维表面及厚度分布同时检测系统及方法 Download PDF

Info

Publication number
CN112304249A
CN112304249A CN202010999123.6A CN202010999123A CN112304249A CN 112304249 A CN112304249 A CN 112304249A CN 202010999123 A CN202010999123 A CN 202010999123A CN 112304249 A CN112304249 A CN 112304249A
Authority
CN
China
Prior art keywords
transparent material
image
normal vector
dimensional surface
depth
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
CN202010999123.6A
Other languages
English (en)
Other versions
CN112304249B (zh
Inventor
邹荣
凌俊
张奕坚
邹欣哲
慕亚芹
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN202010999123.6A priority Critical patent/CN112304249B/zh
Publication of CN112304249A publication Critical patent/CN112304249A/zh
Application granted granted Critical
Publication of CN112304249B publication Critical patent/CN112304249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0641—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of polarization
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10048—Infrared 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

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

Abstract

本发明提供一种透明材料三维表面及厚度分布同时检测系统，包括图像采集模块、深度传感器、面光源、参考面板、透明材料和控制单元；图像采集模块用于采集透明材料的偏振图像和深度图像并传送到控制单元；深度传感器用于采集透明材料的前后深度值；面光源用于发出非偏振白光照射透明材料；参考面板用于放置背景图案；控制单元包括基于偏振特性的法向量计算模块、基于深度传感器的法向量校正模块以及重构和检测模块；本发明能够对大面积大厚度透明材料进行三维表面检测，同时还能对大面积大厚度透明材料的整个表面厚度分布进行检测，检测系统具体结构简单、成本低以及能够实现对大面积大厚度透明材料无接触检测的特点。

Description

一种透明材料三维表面及厚度分布同时检测系统及方法
技术领域
本发明属于工业检测技术领域，具体涉及一种透明材料三维表面及厚度分布同时检测系统及方法。
背景技术
透明材料表面三维检测一直被认为是一个具有挑战性的问题。困难在于大多数光在遇到透明材料时都会直接穿过材料表面，从而发生折射现象。此外，环境背景会在透明材料表面成像而影响检测。最容易想到的解决方法是在透明材料表面喷涂一层粉末或染料，让透明材料表面变得不透明。但是存在诸如后续清洁之类的各种缺点，并且表面粉末或染料的厚度和均匀性很容易影响检测。
当前广泛用于透明材料非接触三维表面检测方法可大致分为三类：(一)基于透明材料特性的三维表面检测方法。但是，这种方法通常需要复杂且昂贵的专用设备。(二)基于几何信息的三维表面检测方法。这种方法易受环境背景影响从而造成方法失效。(三)基于反射光偏振信息的三维表面检测方法。此类方法仅考虑从透明材料表面反射的光，减少了要求解的未知数，系统简单，不容易被背景环境干扰。然而，仍然存在入射角和方位角的不确定问题，这对三维表面检测有很大的影响。另外，最重要的是，这三类方法都无法在检测大面积大厚度透明材料三维表面的同时检测整个表面的厚度分布。
考虑上述因素，本发明提供一种大面积大厚度透明材料三维表面及厚度分布同时检测系统及方法。根据偏振光的物理模型，使用工业相机通过带刻度可旋转的线性偏振片收集包含大面积大厚度透明材料表面偏振图像。通过拟合偏振图像的每个像素获得像素灰度值和线性偏振片旋转角度之间的关系。使用TOF深度传感器确定折射光与表面法线之间的对应关系。具体是结合格雷码编码和解码以及基线方法，确定唯一方位角并用于校正偏振法向量，从而重构出整个三维表面实现检测。大面积大厚度透明材料表面的厚度分布也同时被测出，实现厚度检测。
发明内容
本发明提供一种透明材料三维表面及厚度分布同时检测系统及方法，其能够对大面积大厚度透明材料进行三维表面检测，同时还能对大面积大厚度透明材料的整个表面厚度分布进行检测，检测系统具体结构简单、成本低以及能够实现对大面积大厚度透明材料无接触检测的特点。
本发明解决其技术问题所采用的技术方案是：一种透明材料三维表面及厚度分布同时检测系统，包括图像采集模块、深度传感器、面光源、参考面板、透明材料和控制单元；所述图像采集模块用于采集透明材料的偏振图像和深度图像并传送到控制单元；所述深度传感器用于采集透明材料的前后深度值；所述面光源用于发出非偏振白光照射透明材料；所述参考面板用于放置背景图案；所述控制单元包括基于偏振特性的法向量计算模块、基于深度传感器的法向量校正模块以及重构和检测模块；所述基于偏振特性的法向量计算模块用于通过采集的偏振图像建立偏振图像像素灰度值与方位角和入射角的数学模型，得到所述透明材料三维表面每个点所对应的初始法向量；所述基于深度传感器的法向量校正模块用于利用基线法消除所述基于偏振特性的法向量计算模块获取的所述透明材料三维表面初始法向量的不确定性，得到校正后的三维表面法向量；所述重构和检测模块用于根据透明材料校正后的三维表面法向量与表面形状之间的对应关系构建出代价函数，利用全局积分算法重构所述透明材料的三维表面，实现三维表面检测；所述重构和检测模块还用于根据所述基于深度传感器的法向量校正模块获取的透明材料的前后三维表面点重构出厚度分布情况，实现全表面厚度检测。
上述方案中，所述图像采集模块包括工业相机和带刻度可旋转的线偏振片；所述线偏振片置于工业相机的镜头前。
上述方案中，所述深度传感器为TOF深度传感器。
上述方案中，所述透明材料为大面积大厚度透明材料。
一种根据所述透明材料三维表面及厚度分布同时检测系统的方法，包括以下步骤：
步骤S1、图像采集：所述图像采集模块采集透明材料的偏振图像和深度图像；
步骤S2、基于偏振特性的法向量计算：所述基于偏振特性的法向量计算模块通过采集的偏振图像建立偏振图像像素灰度值与方位角和入射角的数学模型，得到所述透明材料三维表面每个点所对应的初始法向量；
步骤S3、基于深度传感器的法向量校正：所述基于深度传感器的法向量校正模块利用基线法消除所述基于偏振特性的法向量计算模块获取的所述透明材料三维表面初始法向量的不确定性，得到校正后的三维表面法向量；
步骤S4、重构和检测：所述重构和检测模块根据透明材料的校正后的三维表面法向量与表面形状之间的对应关系构建出代价函数，利用全局积分算法重构所述透明材料的三维表面，实现三维表面检测；所述重构和检测模块根据所述基于深度传感器的法向量校正模块获取的透明材料的前后三维表面点重构出厚度分布情况，实现全表面厚度检测。
上述方案中，所述图像采集的步骤中旋转图像采集模块中的线偏振片、采集不同角度的多张偏振图像，同时采集透明材料的深度图像。
上述方案中，所述基于偏振特性的法向量计算包括以下步骤：
步骤S1)、对采集的不同角度的多张偏振图像进行图像预处理操作，对图中每个对应像素点进行拟合求出该像素点对应的最大光强值和最小光强值，并求出该点对应的偏振度；
步骤S2)、根据入射角以及方位角的分析中求解出的每点对应的偏振度，同时求解出对应的方位角，从而得到所述初始法线向量。
上述方案中，所述基于深度传感器的法向量校正包括以下步骤：
步骤S1)、所述深度传感器输出近红外图像和深度图像并传送到控制单元，所述基于深度传感器的法向量校正模块采用深度卷积神经网络对深度图像中存在的空洞进行修复，同时利用所述图像采集模块拍摄可见光图像，将可见光图像与近红外图像进行配准，将深度图像和可见光图像进行配准、并进行插值操作，最后深度图像和近红外图像都达到可见光图像的分辨率，得到所述初始法线向量对应的深度数据，在进行下一步测量之前，先对所述深度传感器标定获得光线方向；
步骤S2)、在所述参考面板上放置格雷码背景图案后将参考面板放置在第一个位置；采集所述透明材料放置前后的格雷码图像，利用格雷码图像的编码与解码方法，得到所述透明材料放置前后的十进制编码图像，将两者相减，得到所述参考面板放置第一个位置时的失真三维点，将所述参考面板放置在第二个位置，采用在第一位置时同样的操作，得到所述参考面板放置第二个位置时的失真三维点，最后将第一位置和第二位置的失真三维点相减并且归一化获得参考光线方向；
步骤S3)、利用基线方法估算所述透明材料前后三维表面点以及对应的法线向量方向，对得到的所述初始法向量进行校正，去除方位角的不确定性。
进一步的，所述采用深度卷积神经网络对深度图像中存在的空洞进行修复，具体步骤为：
步骤S1)、对所述深度图像中的空洞位置生成空洞掩膜图；
步骤S2)、组建用于空洞修复的深度卷积神经网络，每一层的采样单元都包括卷积层、批归一化层以及非线性激活函数层，下采样单元采用卷积层，上采样单元采用最近邻插值卷积，用一幅灰度渐变的图像作为初始输入；
步骤S3)、将空洞掩膜图与对应的深度图像共同送入到卷积神经网络中，通过迭代方式实现空洞修复，最后输出修复后的深度图像。
上述方案中，所述重构和检测包括以下步骤：
步骤S1)、利用校正后的法线向量结合全局积分算法重构得到校正后的透明材料的三维表面；
步骤S2)、利用所述基于深度传感器的法向量校正步骤获取的透明材料的前后三维表面点计算全表面范围的厚度分布。
与现有技术相比，本发明的有益效果是：
1、与现有技术相比，本发明能对大面积大厚度透明材料进行三维表面和厚度分布进行同时检测，所检测的厚度不是局部厚度，而是整个表面的厚度分布情况，并且能够对厚度超过20毫米以上的大面积大厚度透明材料进行三维表面以及厚度检测。
2、与现有技术相比，本发明系统结构简单，成本低，能够实现对大面积大厚度透明材料无接触检测，抗噪声性能强，具有很好的适用性。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明的系统组成图；
图2是本发明的工作原理图；
图3是本发明的深度卷积神经网络对深度图像的孔洞进行修复的工作原理图；
图4是实际待测的大面积大厚度透明玻璃材质的物体；
图5是实际检测出的三维表面；
图6是实际检测出的部分厚度数据曲线。
图中，1.线偏振片；2.工业相机；3.TOF深度传感器；4.面光源；5.参考面板；6.透明材料。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
图1所示为本发明所述透明材料三维表面及厚度分布同时检测系统的一种较佳实施方式，所述透明材料三维表面及厚度分布同时检测系统包括图像采集模块、深度传感器、面光源4、参考面板5、透明材料6和控制单元。
所述图像采集模块用于采集透明材料6的偏振图像和深度图像并传送到控制单元；优选的，所述图像采集模块包括工业相机2和带刻度可旋转的线偏振片1；所述线偏振片1置于工业相机2的镜头前。所述深度传感器用于采集透明材料6的前后深度值；优选的，所述深度传感器为TOF深度传感器3。所述面光源4用于发出非偏振白光照射透明材料6；所述参考面板5用于放置背景图案。所述透明材料6为大面积大厚度透明材料，所述大面积大厚度透明材料的厚度超过20毫米，长宽分别在200毫米以上。
如图2所示，所述控制单元包括基于偏振特性的法向量计算模块、基于深度传感器的法向量校正模块以及重构和检测模块；所述基于偏振特性的法向量计算模块用于通过采集的偏振图像建立偏振图像像素灰度值与方位角和入射角的数学模型，得到所述透明材料6三维表面每个点所对应的初始法向量；所述基于深度传感器的法向量校正模块用于利用基线法消除所述基于偏振特性的法向量计算模块获取的所述透明材料6三维表面初始法向量的不确定性，得到校正后的三维表面法向量；所述重构和检测模块用于根据透明材料6校正后的三维表面法向量与表面形状之间的对应关系构建出代价函数，利用全局积分算法重构所述透明材料6的三维表面，实现三维表面检测；所述重构和检测模块还用于根据所述基于深度传感器的法向量校正模块获取的透明材料6的前后三维表面点重构出厚度分布情况，实现全表面厚度检测。
一种根据所述透明材料三维表面及厚度分布同时检测系统的方法，包括以下步骤：
步骤S1、图像采集：所述图像采集模块采集透明材料6的偏振图像和深度图像；
步骤S2、基于偏振特性的法向量计算：所述基于偏振特性的法向量计算模块通过采集的偏振图像建立偏振图像像素灰度值与方位角和入射角的数学模型，得到所述透明材料三维表面每个点所对应的初始法向量；
步骤S3、基于深度传感器的法向量校正：所述基于深度传感器的法向量校正模块利用基线法消除所述基于偏振特性的法向量计算模块获取的所述透明材料三维表面初始法向量的不确定性，得到校正后的三维表面法向量；
步骤S4、重构和检测：所述重构和检测模块根据透明材料的校正后的三维表面法向量与表面形状之间的对应关系构建出代价函数，利用全局积分算法重构所述透明材料的三维表面，实现三维表面检测；所述重构和检测模块根据所述基于深度传感器的法向量校正模块获取的透明材料的前后三维表面点重构出厚度分布情况，实现全表面厚度检测。
所述图像采集的步骤中旋转图像采集模块中的线偏振片1、采集不同角度的多张偏振图像，同时采集透明材料6的深度图像。
所述基于偏振特性的法向量计算包括以下步骤：
步骤S1)、对采集的不同角度的多张偏振图像进行图像预处理操作，对图中每个对应像素点进行拟合求出该像素点对应的最大光强值和最小光强值，并求出该点对应的偏振度；
步骤S2)、根据入射角以及方位角的分析中求解出的每点对应的偏振度，同时求解出对应的方位角，从而得到所述初始法线向量。
上述方案中，所述基于深度传感器的法向量校正包括以下步骤：
步骤S1)、所述深度传感器输出近红外图像和深度图像并传送到控制单元，所述基于深度传感器的法向量校正模块采用深度卷积神经网络对深度图像中存在的空洞进行修复，同时利用所述图像采集模块拍摄可见光图像，将可见光图像与近红外图像进行配准，将深度图像和可见光图像进行配准、并进行插值操作，最后深度图像和近红外图像都达到可见光图像的分辨率，得到所述初始法线向量对应的深度数据，在进行下一步测量之前，先对所述深度传感器标定获得光线方向；
步骤S2)、在所述参考面板5上放置格雷码背景图案后将参考面板5放置在第一个位置；采集所述透明材料6放置前后的格雷码图像，利用格雷码图像的编码与解码方法，得到所述透明材料6放置前后的十进制编码图像，将两者相减，得到所述参考面板5放置第一个位置时的失真三维点，将所述参考面板5放置在第二个位置，采用在第一位置时同样的操作，得到所述参考面板5放置第二个位置时的失真三维点，最后将第一位置和第二位置的失真三维点相减并且归一化获得参考光线方向；
步骤S3)、利用基线方法估算所述透明材料6前后三维表面点以及对应的法线向量方向，对得到的所述初始法向量进行校正，去除方位角的不确定性。
所述采用深度卷积神经网络对深度图像中存在的空洞进行修复，具体步骤为：
步骤S1)、对所述深度图像中的空洞位置生成空洞掩膜图；
步骤S2)、组建用于空洞修复的深度卷积神经网络，每一层的采样单元都包括卷积层、批归一化层以及非线性激活函数层，下采样单元采用卷积层，上采样单元采用最近邻插值卷积，用一幅灰度渐变的图像作为初始输入；
步骤S3)、将空洞掩膜图与对应的深度图像共同送入到卷积神经网络中，通过迭代方式实现空洞修复，最后输出修复后的深度图像。
所述重构和检测包括以下步骤：
步骤S1)、利用校正后的法线向量结合全局积分算法重构得到校正后的透明材料(6)的三维表面；
步骤S2)、利用所述基于深度传感器的法向量校正步骤中格雷码图像的编码与解码方法恢复出的所述透明材料(6)前后三维表面点计算全表面范围的厚度分布。
具体实施例：
所述透明材料三维表面及厚度分布同时检测系统包括图像采集模块、深度传感器、面光源4、参考面板5、透明材料6和控制单元。所述图像采集模块包括工业相机2和带刻度可旋转的线偏振片1；所述线偏振片1置于工业相机2的镜头前。所述深度传感器为TOF深度传感器3。
所述工业相机2与TOF深度传感器3在所述参考面板5同侧同一高度放置；到大面积大厚度透明材料为75mm；透明材料如图4所示，为大面积大厚度透明玻璃材质的物体。
所述线偏振片1放置在工业相机2镜头前，与所述工业相机2配合使用，工业相机2分辨率为1920*1080，拍摄不同旋转角度的偏振图像；偏振片直径为50.8mm，工作波长范围在380～780nm的可见光波段，消光比为300:1。
所述TOF深度传感器3采用连续波调制测量原理，用于测量深度值，优选地，本实施例使用了微软公司的Kinect V2，拆去外壳并对镜头部分进行改造，以减少测量深度值时的误差。
所述面光源4作为主动光源进行照明，发光面边长为80cm，发出非偏振白光照射透明材料。
所述参考面板5用于放置背景图案。
图2所示为本发明所述一种大面积大厚度透明材料三维表面及厚度分布同时检测系统及方法的工作原理，所述一种大面积大厚度透明材料三维表面及厚度分布同时检测方法，其特征在于，包括基于偏振特性的法向量计算模块、基于TOF深度传感器的法向量计算模块、重构和检测模块；
所述基于偏振特性的法向量计算模块通过采集偏振图像建立起偏振图像像素灰度值与方位角和入射角的数学模型，得到所述大面积大厚度透明材料三维表面每个点所对应的初始法向量；所述初始法向量是指未经过校正的法向量。
所述基于TOF深度传感器的法向量计算模块从激光连续波调制测量原理和斯涅耳定律出发利用基线法消除所述基于偏振特性的法向量计算模块获取的大面积大厚度透明材料6三维表面法向量的不确定性，实现所述初始法向量的校正。
所述重构和检测模块基于三维表面法向量与表面形貌之间的对应关系构建出代价函数，利用全局积分算法重构大面积大厚度透明材料6的三维表面，实现三维表面检测。
所述重构和检测模块基于所述基于TOF深度传感器的法向量校正模块获取的大面积大厚度透明材料6的前后三维表面点重构出厚度分布情况，实现全表面厚度检测。
本实施例中，所述图像采集具体为：采集以5°为间隔旋转偏振片、在0～360°内旋转采集的72张偏振子图像，同时采集大面积大厚度透明材料的深度图像，此时参考面板放置黑色漫反射纸张。
本实施例中，所述偏振特性的法向量计算模块操作的具体步骤为：
步骤S1)、对采集的偏振图像进行图像预处理操作，对图中每个对应像素点进行拟合求出该像素点对应的最大光强值和最小光强值，在这个基础上求出该点对应的偏振度。
具体为，转动偏振片接收到一系列偏振图像，每个像素的光强变化规律可以表示为如下的正弦函数：
Figure BDA0002693621300000081
其中，I为接收光强，θpol、
Figure BDA0002693621300000082
分别表示偏振片的透光轴角度和接收光偏振角，Imax、Imin分别表示旋转偏振片一周内某像素位置所观测到的最大以及最小光强值。
当非偏振光照射到透明材料三维表面时，受环境光、入射角度等的外界因素的影响，导致各个振动方向上的光强不同，因此表面各处的偏振度也有所不同，偏振度ρ表示为：
Figure BDA0002693621300000083
其中，Imax-Imin表示了完全偏振光的光强强度；Imax+Imin表示了部分偏振光的总光强强度。
步骤S2)、根据入射角以及方位角的分析中求解出的每点对应的偏振度，同时求解出对应的方位角，从而得到所述初始法线向量。
具体地，通过旋转线偏振片，在一个周期内可得到最小光强时对应的偏振片透光轴角度θpol，就可间接确定反射光偏振方向
Figure BDA0002693621300000084
从而求解出入射面方位角φ：
φ＝θpol+90°±90° (3)
由这个公式可知，对于每个方位角对应着两个解，这两个解之间同样存在着180°的不确定性，因为理论上来说φ的初始值范围为[0,180°)，但在实际中的范围却是[0,360°)，这种不确定性会严重影响透明物体的三维重构结果。
本实施例中，所述基于TOF深度传感器的法向量校正模块操作的具体步骤为：
步骤S1)、通过TOF深度传感器输出近红外图像和深度图像并传送到控制单元，所述基于深度传感器的法向量校正模块采用深度卷积神经网络对深度图像中存在的空洞进行修复。同时利用所述工业相机2拍摄可见光图像，将可见光图像与近红外图像进行配准，对深度图像重复同样的操作，将深度图像和可见光图像进行配准、并进行插值操作，最后深度图像和近红外图像都达到可见光图像的分辨率，得到所述初始法线向量对应的深度数据。在进行下一步测量之前，先对所述TOF深度传感器标定获得光线方向。所采用的TOF深度传感器标定方法可参见郭连朋等人著《Kinect传感器的彩色和深度相机标定》，中国图象图形学报，2019，19(11)：1584-1590。
步骤S2)、在所述参考面板5上放置格雷码背景图案后将所述参考面板放置在第一个位置。采集大面积大厚度透明材料6放置前后的格雷码图像，利用格雷码图像的编码与解码方法，得到大面积大厚度透明材料6放置前后的十进制编码图像，将两者相减，得到所述参考面板5放置第一个位置时的失真三维点，将所述参考面板5放置在第二个位置，采用同样的操作得到所述参考面板5放置第二个位置时的失真三维点，最后将所述第一和第二位置的失真三维点相减并且归一化获得参考光线方向。所采用的格雷码图像的编码与解码方法可参见张超等人著《基于格雷码结构光的编解码研究》，长春理工大学学报(自然科学版)，2019，32(04)：635-638。
步骤S3)、利用所述基线方法估算大面积大厚度透明材料6前后三维表面点以及对应的法线向量方向，对得到的所述初始法向量进行校正，去除方位角的不确定性。
所述基线方法估算大面积大厚度透明材料6前后三维表面点以及对应的法线向量方向后，去校正所述偏振特性的法向量计算模块所得初始法向量，其过程可表示为一个最优化问题：
Figure BDA0002693621300000091
其中，Ndepth表示基于所述TOF深度传感器的法向量计算模块求解出的法线向量，Npolar表示基于所述偏振特性的法向量计算模块求解出的法线向量。当Λ为最优解时，公式(4)的值最小，即Ndepth与Npolar之间的差值
Figure BDA0002693621300000092
最小。当两者差值较小，则Λ＝1，表示当前像素位置的方位角不需要校正。反之，当两者差值较大，则Λ＝-1表示当前像素位置的方位角需要校正，此时在当前位置方位角的基础上加上π进行校正。
本实施例中，所述重构和检测模块的具体步骤为：
步骤S1)、利用校正后的法线向量结合全局积分算法重构得到校正后的大面积大厚度透明材料6的三维表面，如图5所示，为实际检测出的三维表面。
在求解出大面积大厚度透明材料6三维表面各像素点对应的法线之后，即已知梯度场a(x,y)和b(x,y)，就可以通过反向求解计算出被测透明物体的曲面函数Z(x,y)。假定表面形状函数Z(x,y)可积，可得到如下的表达式：
Figure BDA0002693621300000093
上述公式表示曲面函数Z(x,y)的两个偏导数分别为a(x,y)和b(x,y)，定义实际所测梯度场的误差函数E(Z；a,b)表达式为：
E(Z；a,b)＝(Zx-a)2+(Zy-b)2 (6)
该误差函数是针对被测物三维表面每一点的函数，因此要想获得高精度的重构结果，该过程可表述为使得透明材料重构表面的梯度场Z(x,y)与实际所测的梯度场a(x,y)、b(x,y)之间的误差达到最小值的cost(Z)，即计算如下代价公式的最优解：
cost(Z)＝∫∫E(Z；a,b)dxdy→min (7)
全局积分技术通过计算代价函数的最优解作为约束条件，鲁棒性更高，而Frankot-Chellappa算法作为全局积分算法的一种，该算法主要通过对梯度数据采取傅里叶变换以实现被测物体三维形貌重构，拥有很好的重构效果。计算出基于实际所测梯度场的透明材料表面形状函数Z，其表达式如下：
Figure BDA0002693621300000101
其中，频率u的取值范围为(-N/2,N/2)，频率v的取值范围为(-M/2,M/2)，F{·}和F-1{·}分别表示离散傅里叶变换和对应逆变换。N和M为数据点数目。该全局积分算法的主要思想就是将所测的不可积分的实际梯度场映射至频域中寻找最逼近透明材料表面形状函数的一系列可积基函数的组合，再采用离散傅里叶逆变换得到透明材料表面每个像素点对应的高度值。
步骤S2)、利用所述基于深度传感器的法向量校正步骤中格雷码图像的编码与解码方法恢复出的大面积大厚度透明材料6前后三维表面点计算全表面范围的厚度分布，图6所示，为实际检测出的部分厚度数据曲线。
具体地，大面积大厚度透明材料的厚度分布表示为
Figure BDA0002693621300000102
其中
Figure BDA0002693621300000103
为第一个位置失真的三维点，s(t)为t的表达式，
Figure BDA0002693621300000104
分别为相机光线方向和参考光线方向。t、s分别表示从工业相机到透明材料前三维表面点的距离以及从透明材料后三维表面点到参考点的距离；
本实施例中，所述利用深度卷积神经网络对深度图像中存在的空洞进行修复，如图3所示，具体步骤为：
步骤S1)、对所述深度图像中的空洞位置生成空洞掩膜图；采用图像二值化算法实现。
步骤S2)、组建用于空洞修复的深度卷积神经网络，由编码压缩与解码重建两部分级联而成，整体形成沙漏状结构，每一层的采样单元都包括卷积层Conv、批归一化层BN以及非线性激活函数层LReLU。下采样单元采用卷积层，上采样单元采用最近邻插值卷积，用一幅灰度渐变的图像作为初始输入。
下采样单元和上采样单元中的滤波器数量为16、32、64128128、128。内核大小为3和5。在每个卷积层之后，有一个BN层对数据进行归一化处理，以提高图像恢复的细节。在卷积神经网络中，需要利用激活函数作为非线性变换，可以学习复杂的映射关系。所以每个BN层后都有一个Leaky ReLU激活函数LReLU。
采用未被训练的深度卷积神经网络，其中权重都是随机初始化。在此过程中，图像恢复需要的参数为网络的权重，即基于给定受损图片、任务依赖观测模型，赋予一个随机初始化的卷积神经网络，通过迭代得到模型参数，使其接近最大似然值。深度图修复任务表示成一个能量最小化的问题：
Figure BDA0002693621300000111
其中，x,x0理解为神经网络生成的图像与损坏的原始图像，E(x；x0)取决于具体的应用场景，主要是比较生成的数据和原始数据之间的区别。需要找到使E(x；x0)最小的x，作为最后网络的输出x*。R(x)是对图像的先验知识，往往通过大样本训练卷积神经网络来捕获，此处利用卷积神经网络捕获到的隐式先验信息替换R(x)，让卷积神经网络学习从输入的随机编码图像到含有空洞原始深度图的映射，学习得到的最优解θ*重建得到x*，因此公式(10)变为：
Figure BDA0002693621300000112
其中，θ是网络参数；θ*是在随机初始化网络基础上采用Adam梯度下降算法训练得到的参数最优解；随机向量z是网络的输入编码。一旦得到了最优的参数，把z输入进去计算即可得到最优的x。因此算法思路本质上就是在可行空间中搜索最优θ的过程，并采用梯度下降法实现。
步骤S3)、将空洞掩膜图与对应的深度图图像共同送入到卷积神经网络中，通过迭代方式实现非监督的空洞修复，最后输出修复后的深度图像。
算法在具体数据计算时，首先将原始深度图和空洞位置掩膜图一起输入卷积神经网络中，经过一轮迭代之后计算输出图像与原始深度图的损失值，使用使用均方根误差MSE作为卷积神经网络的损失函数，计算输入原始深度图像和输出图像分别与空洞掩膜图的Hadamard积。损失函数为：
E(x；x0)＝||(x-x0)⊙m||2 (12)
其中，x,x0为神经网络生成的图像与损坏的原始图像，m表示为空洞掩膜图。对于网络训练的迭代次数采用自适应的方式调整为损失函数最小的值，迭代的终止条件设置为损失函数值小于阈值M，在本次实验中设置M＝0.0002，学习率设置为0.01。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种透明材料三维表面及厚度分布同时检测系统，其特征在于，包括图像采集模块、深度传感器、面光源(4)、参考面板(5)、透明材料(6)和控制单元；
所述图像采集模块用于采集透明材料(6)的偏振图像和深度图像并传送到控制单元；
所述深度传感器用于采集透明材料(6)的前后深度值；
所述面光源(4)用于发出非偏振白光照射透明材料(6)；
所述参考面板(5)用于放置背景图案；
所述控制单元包括基于偏振特性的法向量计算模块、基于深度传感器的法向量校正模块以及重构和检测模块；所述基于偏振特性的法向量计算模块用于通过采集的偏振图像建立偏振图像像素灰度值与方位角和入射角的数学模型，得到所述透明材料(6)三维表面每个点所对应的初始法向量；所述基于深度传感器的法向量校正模块用于利用基线法消除所述基于偏振特性的法向量计算模块获取的所述透明材料(6)三维表面初始法向量的不确定性，得到校正后的三维表面法向量；所述重构和检测模块用于根据透明材料(6)校正后的三维表面法向量与表面形状之间的对应关系构建出代价函数，利用全局积分算法重构所述透明材料(6)的三维表面，实现三维表面检测；所述重构和检测模块还用于根据所述基于深度传感器的法向量校正模块获取的透明材料(6)的前后三维表面点重构出厚度分布情况，实现全表面厚度检测。
2.根据权利要求1所述的透明材料三维表面及厚度分布同时检测系统，其特征在于，所述图像采集模块包括工业相机(2)和带刻度可旋转的线偏振片(1)；所述线偏振片(1)置于工业相机(2)的镜头前。
3.根据权利要求1所述的透明材料三维表面及厚度分布同时检测系统，其特征在于，所述深度传感器为TOF深度传感器(3)。
4.根据权利要求1所述的透明材料三维表面及厚度分布同时检测系统，其特征在于，所述透明材料(6)为大面积大厚度透明材料。
5.一种根据权利要求1-4任意一项所述透明材料三维表面及厚度分布同时检测系统的方法，其特征在于，包括以下步骤：
步骤S1、图像采集：所述图像采集模块采集透明材料(6)的偏振图像和深度图像；
步骤S2、基于偏振特性的法向量计算：所述基于偏振特性的法向量计算模块通过采集的偏振图像建立偏振图像像素灰度值与方位角和入射角的数学模型，得到所述透明材料三维表面每个点所对应的初始法向量；
步骤S3、基于深度传感器的法向量校正：所述基于深度传感器的法向量校正模块利用基线法消除所述基于偏振特性的法向量计算模块获取的所述透明材料三维表面初始法向量的不确定性，得到校正后的三维表面法向量；
步骤S4、重构和检测：所述重构和检测模块根据透明材料的校正后的三维表面法向量与表面形状之间的对应关系构建出代价函数，利用全局积分算法重构所述透明材料的三维表面，实现三维表面检测；所述重构和检测模块根据所述基于深度传感器的法向量校正模块获取的透明材料的前后三维表面点重构出厚度分布情况，实现全表面厚度检测。
6.根据权利要求5所述的透明材料三维表面及厚度分布同时检测系统的方法，其特征在于，所述图像采集的步骤中旋转图像采集模块中的线偏振片(1)、采集不同角度的多张偏振图像，同时采集透明材料(6)的深度图像。
7.根据权利要求5所述的透明材料三维表面及厚度分布同时检测系统的方法，其特征在于，所述基于偏振特性的法向量计算包括以下步骤：
步骤S1)、对采集的不同角度的多张偏振图像进行图像预处理操作，对图中每个对应像素点进行拟合求出该像素点对应的最大光强值和最小光强值，并求出该点对应的偏振度；
步骤S2)、根据入射角以及方位角的分析中求解出的每点对应的偏振度，同时求解出对应的方位角，从而得到所述初始法线向量。
8.根据权利要求5所述的透明材料三维表面及厚度分布同时检测系统的方法，其特征在于，所述基于深度传感器的法向量校正包括以下步骤：
步骤S1)、所述深度传感器输出近红外图像和深度图像并传送到控制单元，所述基于深度传感器的法向量校正模块采用深度卷积神经网络对深度图像中存在的空洞进行修复，同时利用所述图像采集模块拍摄可见光图像，将可见光图像与近红外图像进行配准，将深度图像和可见光图像进行配准、并进行插值操作，最后深度图像和近红外图像都达到可见光图像的分辨率，得到所述初始法线向量对应的深度数据，在进行下一步测量之前，先对所述深度传感器标定获得光线方向；
步骤S2)、在所述参考面板(5)上放置格雷码背景图案后将参考面板(5)放置在第一个位置；采集所述透明材料(6)放置前后的格雷码图像，利用格雷码图像的编码与解码方法，得到所述透明材料(6)放置前后的十进制编码图像，将两者相减，得到所述参考面板(5)放置第一个位置时的失真三维点，将所述参考面板(5)放置在第二个位置，采用在第一位置时同样的操作，得到所述参考面板(5)放置第二个位置时的失真三维点，最后将第一位置和第二位置的失真三维点相减并且归一化获得参考光线方向；
步骤S3)、利用基线方法估算所述透明材料(6)前后三维表面点以及对应的法线向量方向，对得到的所述初始法向量进行校正，去除方位角的不确定性。
9.根据权利要求8所述的透明材料三维表面及厚度分布同时检测系统的方法，其特征在于，所述采用深度卷积神经网络对深度图像中存在的空洞进行修复，具体步骤为：
步骤S1)、对所述深度图像中的空洞位置生成空洞掩膜图；
步骤S2)、组建用于空洞修复的深度卷积神经网络，每一层的采样单元都包括卷积层、批归一化层以及非线性激活函数层，下采样单元采用卷积层，上采样单元采用最近邻插值卷积，用一幅灰度渐变的图像作为初始输入；
步骤S3)、将空洞掩膜图与对应的深度图像共同送入到卷积神经网络中，通过迭代方式实现空洞修复，最后输出修复后的深度图像。
10.根据权利要求5所述的透明材料三维表面及厚度分布同时检测系统的方法，其特征在于，所述重构和检测包括以下步骤：
步骤S1)、利用校正后的法线向量结合全局积分算法重构得到校正后的透明材料(6)的三维表面；
步骤S2)、利用所述基于深度传感器的法向量校正步骤获取的透明材料(6)的前后三维表面点计算全表面范围的厚度分布。
CN202010999123.6A 2020-09-22 2020-09-22 一种透明材料三维表面及厚度分布同时检测系统及方法 Active CN112304249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010999123.6A CN112304249B (zh) 2020-09-22 2020-09-22 一种透明材料三维表面及厚度分布同时检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010999123.6A CN112304249B (zh) 2020-09-22 2020-09-22 一种透明材料三维表面及厚度分布同时检测系统及方法

Publications (2)

Publication Number Publication Date
CN112304249A true CN112304249A (zh) 2021-02-02
CN112304249B CN112304249B (zh) 2022-03-18

Family

ID=74488012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010999123.6A Active CN112304249B (zh) 2020-09-22 2020-09-22 一种透明材料三维表面及厚度分布同时检测系统及方法

Country Status (1)

Country Link
CN (1) CN112304249B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113029040A (zh) * 2021-02-26 2021-06-25 中国科学院深圳先进技术研究院 一种偏振相位偏折测量方法和装置
CN113096039A (zh) * 2021-04-01 2021-07-09 西安交通大学 一种基于红外图和深度图的深度信息补全方法
CN113405488A (zh) * 2021-06-07 2021-09-17 山西大学 基于超像素深度图像特征聚类与融合图像引导滤波的透明材质物体三维重建装置及其方法
CN113589117A (zh) * 2021-08-16 2021-11-02 国网江苏省电力有限公司泰州供电分公司 一种电力设备缺陷检测系统及检测方法
CN114199525A (zh) * 2021-12-10 2022-03-18 南京迈得特光学有限公司 一种集成式透镜测量装置及其测量方法
CN114757892A (zh) * 2022-03-24 2022-07-15 徐州天启新材料科技有限公司 基于人工智能的透视材料缺陷检测方法与系统
CN115164776A (zh) * 2022-07-04 2022-10-11 清华大学 一种结构光解码与深度学习融合的三维测量方法及装置
CN116465346A (zh) * 2023-06-19 2023-07-21 钛玛科（北京）工业科技有限公司 一种自动切换测量模式的板材厚度测量系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009222418A (ja) * 2008-03-13 2009-10-01 Aisin Seiki Co Ltd 凹凸表面検査装置
WO2011099404A1 (en) * 2010-02-15 2011-08-18 Ricoh Company, Ltd. Transparent object detection system and transparent flat plate detection system
CN102937425A (zh) * 2012-10-18 2013-02-20 北京航空航天大学 一种基于高动态条纹投射器的强反射表面三维形貌测量系统
CN103575701A (zh) * 2013-10-23 2014-02-12 复旦大学 基于频域oct的透明材料折射率及厚度测量方法和装置
US20140055568A1 (en) * 2011-04-29 2014-02-27 Carsten ETZOLD Analysis apparatus for contactless analysis of the shape of a transparent body, and method for carrying out the contactless analysis
JP2017032409A (ja) * 2015-07-31 2017-02-09 凸版印刷株式会社 三次元形状計測装置、三次元形状計測方法及び薄膜計測装置
CN106683188A (zh) * 2016-11-17 2017-05-17 长春理工大学 透明目标的双表面三维重构方法、装置和系统
US20170254639A1 (en) * 2014-05-27 2017-09-07 Generic Power Ptd Ltd Methods of inspecting a 3d object using 2d image processing
CN107339951A (zh) * 2017-06-26 2017-11-10 华中科技大学 一种三维曲面上微细图形轮廓信息的精密测量方法
CN207515740U (zh) * 2017-12-15 2018-06-19 南京鑫业诚机器人科技有限公司 一种高精度全自动3d玻璃检测装置
CN109059787A (zh) * 2018-10-09 2018-12-21 北京航空航天大学 一种基于横向剪切干涉的玻璃板厚度分布测量方法及系统
CN109974583A (zh) * 2019-04-11 2019-07-05 南京信息工程大学 一种非接触光学元件表面面形测量装置及方法
CN110823106A (zh) * 2019-10-16 2020-02-21 江苏大学 一种基于激光连续波调制原理的平板玻璃质量检测方法
CN110954024A (zh) * 2019-12-23 2020-04-03 芜湖哈特机器人产业技术研究院有限公司 一种连接件视觉测量装置及其测量方法
CN111189397A (zh) * 2019-01-22 2020-05-22 云南民族大学 一种透明薄膜厚度测量装置及方法
CN111406197A (zh) * 2019-04-28 2020-07-10 合刃科技（深圳）有限公司 透明或半透明材料曲面轮廓检测系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009222418A (ja) * 2008-03-13 2009-10-01 Aisin Seiki Co Ltd 凹凸表面検査装置
WO2011099404A1 (en) * 2010-02-15 2011-08-18 Ricoh Company, Ltd. Transparent object detection system and transparent flat plate detection system
US20140055568A1 (en) * 2011-04-29 2014-02-27 Carsten ETZOLD Analysis apparatus for contactless analysis of the shape of a transparent body, and method for carrying out the contactless analysis
CN102937425A (zh) * 2012-10-18 2013-02-20 北京航空航天大学 一种基于高动态条纹投射器的强反射表面三维形貌测量系统
CN103575701A (zh) * 2013-10-23 2014-02-12 复旦大学 基于频域oct的透明材料折射率及厚度测量方法和装置
US20170254639A1 (en) * 2014-05-27 2017-09-07 Generic Power Ptd Ltd Methods of inspecting a 3d object using 2d image processing
JP2017032409A (ja) * 2015-07-31 2017-02-09 凸版印刷株式会社 三次元形状計測装置、三次元形状計測方法及び薄膜計測装置
CN106683188A (zh) * 2016-11-17 2017-05-17 长春理工大学 透明目标的双表面三维重构方法、装置和系统
CN107339951A (zh) * 2017-06-26 2017-11-10 华中科技大学 一种三维曲面上微细图形轮廓信息的精密测量方法
CN207515740U (zh) * 2017-12-15 2018-06-19 南京鑫业诚机器人科技有限公司 一种高精度全自动3d玻璃检测装置
CN109059787A (zh) * 2018-10-09 2018-12-21 北京航空航天大学 一种基于横向剪切干涉的玻璃板厚度分布测量方法及系统
CN111189397A (zh) * 2019-01-22 2020-05-22 云南民族大学 一种透明薄膜厚度测量装置及方法
CN109974583A (zh) * 2019-04-11 2019-07-05 南京信息工程大学 一种非接触光学元件表面面形测量装置及方法
CN111406197A (zh) * 2019-04-28 2020-07-10 合刃科技（深圳）有限公司 透明或半透明材料曲面轮廓检测系统
CN110823106A (zh) * 2019-10-16 2020-02-21 江苏大学 一种基于激光连续波调制原理的平板玻璃质量检测方法
CN110954024A (zh) * 2019-12-23 2020-04-03 芜湖哈特机器人产业技术研究院有限公司 一种连接件视觉测量装置及其测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONG HANYU: "A measurement method of curved glass thickness based on 3D laser vision", 《MIPPR 2019: REMOTE SENSING IMAGE PROCESSING, GEOGRAPHIC INFORMATION SYSTEMS, AND OTHER APPLICATIONS》 *
肖青等: "一种用于厚度在线检测的光学装置", 《光学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113029040A (zh) * 2021-02-26 2021-06-25 中国科学院深圳先进技术研究院 一种偏振相位偏折测量方法和装置
CN113096039A (zh) * 2021-04-01 2021-07-09 西安交通大学 一种基于红外图和深度图的深度信息补全方法
CN113405488A (zh) * 2021-06-07 2021-09-17 山西大学 基于超像素深度图像特征聚类与融合图像引导滤波的透明材质物体三维重建装置及其方法
CN113405488B (zh) * 2021-06-07 2022-12-30 山西大学 一种透明材质物体三维重建方法
CN113589117A (zh) * 2021-08-16 2021-11-02 国网江苏省电力有限公司泰州供电分公司 一种电力设备缺陷检测系统及检测方法
CN113589117B (zh) * 2021-08-16 2024-05-07 国网江苏省电力有限公司泰州供电分公司 一种电力设备缺陷检测系统及检测方法
CN114199525A (zh) * 2021-12-10 2022-03-18 南京迈得特光学有限公司 一种集成式透镜测量装置及其测量方法
CN114757892A (zh) * 2022-03-24 2022-07-15 徐州天启新材料科技有限公司 基于人工智能的透视材料缺陷检测方法与系统
CN115164776A (zh) * 2022-07-04 2022-10-11 清华大学 一种结构光解码与深度学习融合的三维测量方法及装置
CN116465346A (zh) * 2023-06-19 2023-07-21 钛玛科（北京）工业科技有限公司 一种自动切换测量模式的板材厚度测量系统
CN116465346B (zh) * 2023-06-19 2023-11-10 钛玛科(江苏)工业科技有限公司 一种自动切换测量模式的板材厚度测量系统

Also Published As

Publication number Publication date
CN112304249B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN112304249B (zh) 一种透明材料三维表面及厚度分布同时检测系统及方法
CN111047681B (zh) 基于深度学习的单像素三维端到端重建方法及装置
WO2006073450A3 (en) Polarization and reflection based non-contact latent fingerprint imaging and lifting
WO2014153022A1 (en) Specular object scanner for measuring reflectance properties of objects
Liang et al. GIFM: An image restoration method with generalized image formation model for poor visible conditions
CN103295225B (zh) 弱光照条件下的列车转向架边缘检测方法
CN104457615A (zh) 基于广义s变换的三维数字成像方法
CN105787499B (zh) 基于K-means聚类和偏振信息提取的伪装目标识别方法
CN108765476A (zh) 一种偏振图像配准方法
Chen et al. Discrete cosine single-pixel microscopic compressive imaging via fast binary modulation
US11080511B2 (en) Contactless rolled fingerprints
CN110021002A (zh) 一种图像融合方法及装置
Yang et al. High-quality 3D shape recovery from scattering scenario via deep polarization neural networks
Sarafraz et al. Performance assessment in solving the correspondence problem in underwater stereo imagery
Teng et al. Unsupervised learning method for underwater concrete crack image enhancement and augmentation based on cross domain translation strategy
Sun et al. Jump detection in regression surfaces using both first-order and second-order derivatives
CN104063864A (zh) 基于四元相位叠合模型的图像模糊度评估方法
Wang et al. A computer vision method for measuring angular velocity
Cheng et al. Adaptive Hamming filter-based speckle triple-correlation imaging through the diffuser
CN104729425B (zh) 多晶薄膜形貌的测量方法及测量装置
Nguyen et al. Using tof camera and two mirrors for 3d reconstruction of dynamic objects
Lai et al. Improved structured light system based on generative adversarial networks for highly-reflective surface measurement
Bonfort et al. Reconstruction de surfaces réfléchissantes à partir d’images
CN118397074B (zh) 一种基于双目视觉的鱼类目标长度检测方法
JP7381369B2 (ja) 画像処理装置、画像処理方法及び画像処理プログラム

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