CN112734662B - 一种针对锥齿轮磨损的机器视觉检测方法及系统 - Google Patents
一种针对锥齿轮磨损的机器视觉检测方法及系统 Download PDFInfo
- Publication number
- CN112734662B CN112734662B CN202011612792.XA CN202011612792A CN112734662B CN 112734662 B CN112734662 B CN 112734662B CN 202011612792 A CN202011612792 A CN 202011612792A CN 112734662 B CN112734662 B CN 112734662B
- Authority
- CN
- China
- Prior art keywords
- bevel gear
- point cloud
- determining
- wear
- point
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000005299 abrasion Methods 0.000 title claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 43
- 230000005484 gravity Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 244000089409 Erythrina poeppigiana Species 0.000 description 3
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 3
- 241000375392 Tana Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 101100030351 Schizosaccharomyces pombe (strain 972 / ATCC 24843) dis2 gene Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Gears, Cams (AREA)
Abstract
本发明涉及一种针对锥齿轮磨损的机器视觉检测方法及系统。该方法包括：利用照相测量设备扫描待检锥齿轮，确定锥齿轮三维点云模型；对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云；根据所述锥齿轮三维点云模型建立标准坐标系；基于所述标准坐标系，提取锥齿轮轮廓信息；根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数。本发明能够提高锥齿轮磨损评价的工作效率，同时保证了适应不同型号锥齿轮的测量的通用性。
Description
技术领域
本发明涉及锥齿轮磨损检测领域，特别是涉及一种针对锥齿轮磨损的机器视觉检测方法及系统。
背景技术
随着数字技术发展，传统的质量检测方法在检测效率、精度方面出现了缺陷。为了克服手工测量方法出现的种种问题，企业逐渐采用照相测量的方法来进行相关的研究和应用。但是照相测量在锥齿轮的磨损检测方面的应用尚少，如何通过照相测量的算法计算出锥齿轮磨损的情况仍然有一定的研究和应用难度。
由于锥齿轮有各种各样的型号，因此使用普通的测量手段获得的磨损信息种类较多，有较大差异，工作量大；采用固定算法对特定尺寸锥齿轮进行测量，方法可行，但是泛化性和通用性差，这些问题对于照相测量在锥齿轮磨损检测方面的应用较为不利。
发明内容
本发明的目的是提供一种针对锥齿轮磨损的机器视觉检测方法及系统，以解决锥齿轮磨损评价的工作效率低，且对于不同型号锥齿轮的磨损测量通用性差的问题。
为实现上述目的，本发明提供了如下方案：
一种针对锥齿轮磨损的机器视觉检测方法，包括：
利用照相测量设备扫描待检锥齿轮，确定锥齿轮三维点云模型；
对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云；
根据所述锥齿轮三维点云模型建立标准坐标系；
基于所述标准坐标系，提取锥齿轮轮廓信息；所述锥齿轮轮廓信息包括锥齿轮外轮廓的拟合圆锥轮廓形状以及锥齿轮内轮廓的拟合圆锥轮廓形状；
根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数；所述锥齿轮磨损参数包括锥齿轮磨损处至锥侧的距离以及锥齿轮磨损处至锥顶的距离。
可选的，所述对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云，具体包括：
对所述锥齿轮三维点云模型中的锥齿轮点云进行筛选，确定锥齿轮磨损缺陷点云；
对所述锥齿轮磨损缺陷点云进行点云滤波处理，确定滤波后的锥齿轮磨损缺陷点云；
对所述滤波后的锥齿轮磨损缺陷点云进行灰度化处理，确定灰度化处理后的锥齿轮磨损缺陷点云；
对所述灰度化处理后的锥齿轮磨损缺陷点云进行聚类分割处理，获取每个齿面上磨损位置处的各个点云，确定预处理后的锥齿轮磨损缺陷点云。
可选的，所述根据所述锥齿轮三维点云模型建立标准坐标系，具体包括：
对所述锥齿轮三维点云模型中的锥齿轮点云进行灰度化处理，确定灰度化处理后的锥齿轮点云；
对所述灰度化处理后的锥齿轮点云进行均衡下采样处理，确定均衡下采样处理后的锥齿轮点云；
对所有均衡下采样处理后的锥齿轮点云的三个方向的坐标值进行累加并取平均值，确定点云重心坐标位置；所述点云重心坐标位置为标准坐标系的初步原点；
将所述锥齿轮三维点云模型的Z轴方向确定为所述标准坐标系的Z轴方向；
过所述初始原点作两条相互垂直且与所述Z轴方向垂直的轴为X轴和Y轴；
对所述初始原点进行迭代优化，确定优化后的初始原点；
根据所述优化后的初始原点、所述X轴、所述Y轴和所述Z轴建立标准坐标系。
可选的，所述基于所述标准坐标系，提取锥齿轮轮廓信息，具体包括：
基于所述标准坐标系，选取XOY平面上所述灰度化处理后的锥齿轮点云中距离所述初始原点最远的最大半径点；
根据所述最大半径点，遍历所有所述灰度化处理后的锥齿轮点云确定最大斜率点；
根据所述初始原点、所述最大半径点以及所述最大斜率点确定锥齿轮外轮廓的拟合圆锥轮廓形状。
可选的，所述基于所述标准坐标系，提取锥齿轮轮廓信息，具体包括：
基于所述标准坐标系，遍历所述灰度化处理后的锥齿轮点云，确定Z轴坐标值最大的点；
在所述Z轴坐标值最大的点的基础上，往Z轴负方向按设定的两个距离，取两个平行于XOY平面且到所述Z轴坐标值最大的点距离为设定值的两个基准平面；
根据两个所述基准平面和齿轮内轮廓的相交曲线，确定两个锥齿轮内轮廓上的点；
根据所述初始原点以及所述两个锥齿轮内轮廓上的点确定锥齿轮内轮廓的拟合圆锥轮廓形状。
可选的，所述根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数，具体包括：
利用点云边缘检测的EdgeScan算法确定所述锥齿轮磨损缺陷点云的磨损轮廓点云；
根据所述磨损轮廓点云以及所述锥齿轮外轮廓的拟合圆锥轮廓形状确定锥齿轮磨损处至锥侧的距离；
根据所述磨损轮廓点云以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损处至锥顶的距离。
一种针对锥齿轮磨损的机器视觉检测系统，包括：
锥齿轮三维点云模型确定模块，用于利用照相测量设备扫描待检锥齿轮，确定锥齿轮三维点云模型；
预处理模块，用于对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云；
标准坐标系建立模块，用于根据所述锥齿轮三维点云模型建立标准坐标系；
锥齿轮轮廓信息提取模块，用于基于所述标准坐标系，提取锥齿轮轮廓信息；所述锥齿轮轮廓信息包括锥齿轮外轮廓的拟合圆锥轮廓形状以及锥齿轮内轮廓的拟合圆锥轮廓形状；
锥齿轮磨损参数确定模块，用于根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数；所述锥齿轮磨损参数包括锥齿轮磨损处至锥侧的距离以及锥齿轮磨损处至锥顶的距离。
可选的，所述预处理模块，具体包括：
筛选单元，用于对所述锥齿轮三维点云模型中的锥齿轮点云进行筛选，确定锥齿轮磨损缺陷点云；
滤波单元，用于对所述锥齿轮磨损缺陷点云进行点云滤波处理，确定滤波后的锥齿轮磨损缺陷点云；
灰度化处理单元，用于对所述滤波后的锥齿轮磨损缺陷点云进行灰度化处理，确定灰度化处理后的锥齿轮磨损缺陷点云；
聚类分割处理单元，用于对所述灰度化处理后的锥齿轮磨损缺陷点云进行聚类分割处理，获取每个齿面上磨损位置处的各个点云，确定预处理后的锥齿轮磨损缺陷点云。
可选的，所述标准坐标系建立模块，具体包括：
灰度化处理单元，用于对所述锥齿轮三维点云模型中的锥齿轮点云进行灰度化处理，确定灰度化处理后的锥齿轮点云；
均衡下采样处理单元，用于对所述灰度化处理后的锥齿轮点云进行均衡下采样处理，确定均衡下采样处理后的锥齿轮点云；
点云重心坐标位置确定单元，用于对所有均衡下采样处理后的锥齿轮点云的三个方向的坐标值进行累加并取平均值，确定点云重心坐标位置；所述点云重心坐标位置为标准坐标系的初步原点；
Z轴方向确定单元，用于将所述锥齿轮三维点云模型的Z轴方向确定为所述标准坐标系的Z轴方向；
X轴和Y轴确定单元，用于将过所述初始原点作两条相互垂直且与所述Z轴方向垂直的轴为X轴和Y轴；
优化单元，用于对所述初始原点进行迭代优化，确定优化后的初始原点；
标准坐标系建立单元，用于根据所述优化后的初始原点、所述X轴、所述Y轴和所述Z轴建立标准坐标系。
可选的，所述锥齿轮轮廓信息提取模块，具体包括：
最大半径点确定单元，用于基于所述标准坐标系，选取XOY平面上所述灰度化处理后的锥齿轮点云中距离所述初始原点最远的最大半径点；
最大斜率点确定单元，用于根据所述最大半径点，遍历所有所述灰度化处理后的锥齿轮点云确定最大斜率点；
锥齿轮外轮廓的拟合圆锥轮廓形状确定单元，用于根据所述初始原点、所述最大半径点以及所述最大斜率点确定锥齿轮外轮廓的拟合圆锥轮廓形状。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种针对锥齿轮磨损的机器视觉检测方法及系统，可以对多种斜锥齿轮的磨损研究进行快速评定，不管锥齿轮的半径、锥度，都可以进行自动化自适应的计算。基于本发明所提供的机器视觉检测方法及系统只需要输入的照相测量获得的锥齿轮的测量模型即可实现自动计算的功能，实现了自动缺陷提取、锥齿轮尺寸拟合、缺陷参数的计算功能，极大地缩短了锥齿轮磨损检测的工作时间，提高了工作效率。因此，在保证照相测量计算准确率的基础上，提高了锥齿轮磨损评价的工作效率，同时保证了适应不同型号锥齿轮的测量的通用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的针对锥齿轮磨损的机器视觉检测方法流程图；
图2为本发明所提供的齿轮磨损缺陷提取的流程图；
图3为本发明所提供的齿轮轮廓形状提取的流程图；
图4为本发明所提供的针对锥齿轮磨损的机器视觉检测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种针对锥齿轮磨损的机器视觉检测方法及系统，能够提高锥齿轮磨损评价的工作效率，同时保证了适应不同型号锥齿轮的测量的通用性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的针对锥齿轮磨损的机器视觉检测方法流程图，如图1所示，一种针对锥齿轮磨损的机器视觉检测方法，包括：
步骤101：利用照相测量设备扫描待检锥齿轮，确定锥齿轮三维点云模型。
步骤102：对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云。
所述步骤102具体包括：对所述锥齿轮三维点云模型中的锥齿轮点云进行筛选，确定锥齿轮磨损缺陷点云；对所述锥齿轮磨损缺陷点云进行点云滤波处理，确定滤波后的锥齿轮磨损缺陷点云；对所述滤波后的锥齿轮磨损缺陷点云进行灰度化处理，确定灰度化处理后的锥齿轮磨损缺陷点云；对所述灰度化处理后的锥齿轮磨损缺陷点云进行聚类分割处理，获取每个齿面上磨损位置处的各个点云，确定预处理后的锥齿轮磨损缺陷点云。
步骤103：根据所述锥齿轮三维点云模型建立标准坐标系。
所述步骤103具体包括：对所述锥齿轮三维点云模型中的锥齿轮点云进行灰度化处理，确定灰度化处理后的锥齿轮点云；对所述灰度化处理后的锥齿轮点云进行均衡下采样处理，确定均衡下采样处理后的锥齿轮点云；对所有均衡下采样处理后的锥齿轮点云的三个方向的坐标值进行累加并取平均值，确定点云重心坐标位置；所述点云重心坐标位置为标准坐标系的初步原点；将所述锥齿轮三维点云模型的Z轴方向确定为所述标准坐标系的Z轴方向；过所述初始原点作两条相互垂直且与所述Z轴方向垂直的轴为X轴和Y轴；对所述初始原点进行迭代优化，确定优化后的初始原点；根据所述优化后的初始原点、所述X轴、所述Y轴和所述Z轴建立标准坐标系。
步骤104：基于所述标准坐标系，提取锥齿轮轮廓信息；所述锥齿轮轮廓信息包括锥齿轮外轮廓的拟合圆锥轮廓形状以及锥齿轮内轮廓的拟合圆锥轮廓形状。
所述步骤104具体包括：基于所述标准坐标系，选取XOY平面上所述灰度化处理后的锥齿轮点云中距离所述初始原点最远的最大半径点；根据所述最大半径点，遍历所有所述灰度化处理后的锥齿轮点云确定最大斜率点；根据所述初始原点、所述最大半径点以及所述最大斜率点确定锥齿轮外轮廓的拟合圆锥轮廓形状。
所述步骤104具体包括：基于所述标准坐标系，遍历所述灰度化处理后的锥齿轮点云，确定Z轴坐标值最大的点；在所述Z轴坐标值最大的点的基础上，往Z轴负方向按设定的两个距离，取两个平行于XOY平面且到所述Z轴坐标值最大的点距离为设定值的两个基准平面；根据两个所述基准平面和齿轮内轮廓的相交曲线，确定两个锥齿轮内轮廓上的点；根据所述初始原点以及所述两个锥齿轮内轮廓上的点确定锥齿轮内轮廓的拟合圆锥轮廓形状。
步骤105：根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数；所述锥齿轮磨损参数包括锥齿轮磨损处至锥侧的距离以及锥齿轮磨损处至锥顶的距离。
所述步骤105具体包括：利用点云边缘检测的边缘扫描检测EdgeScan算法确定所述锥齿轮磨损缺陷点云的磨损轮廓点云；根据所述磨损轮廓点云以及所述锥齿轮外轮廓的拟合圆锥轮廓形状确定锥齿轮磨损处至锥侧的距离；根据所述磨损轮廓点云以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损处至锥顶的距离。
基于本发明所提供的机器视觉检测方法，将本发明应用于实际应用中，具体操作如下：
步骤1：齿轮磨损缺陷提取，齿轮磨损缺陷提取的流程图如图2所示。
(1)导入锥齿轮扫描模型。
通过照相测量设备获得齿轮的扫描模型，将其导入到程序中，这里获得的扫描模型格式可以为通常扫描出来的ply等类型文件。
(2)转换为点云模型。
把传入的三维网格模型转换为点云模型，定义为cloud，以方便之后的处理操作。
(3)齿轮点云数据预处理。
因为(2)中传入的点云数据可能会有一些干扰点，或者可能尺寸采用的量纲与算法使用的不一样，所以需要进行预处理来适应之后的算法应用。基本的预处理包含以下两步：
1、根据点云中点的具体值判断点云的量纲是否为mm，如果为mm，则需使用本算法中small函数，遍历点云cloud中的所有点，按相同比例修改点的x、y、z三维坐标值，进行缩小1000倍，把量纲转为m。如果原量纲已经为m，则不需要进行放缩操作。
2、本算法中的size_Filter函数，可以提供手动设置可以过滤的点的x、y、z属性的功能，具体方法是通过遍历点云中所有点，删除其中不在设定的x、y、z参数范围内的点，就可以实现按尺寸对点的筛选。
基本处理后的点云记为cloud_filter。
(4)根据齿轮磨损处的颜色进行点云滤波。
设置齿轮点云磨损处的扫描颜色红色值r、绿色值g、蓝色值b的范围，作为颜色参数需要满足的条件，之后程序可以根据设置的参数，过滤出符合条件的点作为磨损点。
例如可以根据需求设置rmax，gmax，bmax三个参数，分别代表红色最大值，绿色最大值，蓝色最大值，对齿轮点云进行过滤，就可以提取出一部分的待测点云，记录为cloud_1。
(5)滤波后磨损部分点云转换为灰度格式。
为了对提取部分点云进行后续的操作，需要首先把提取出的点云由包含尺寸信息和颜色信息的点云转为仅包含尺寸信息的点云，通过调用本算法中的灰度化函数xyzrgbToXyz函数，把彩色点云cloud_1传入，就可以返回一个灰度点云cloud_1_xyz。
(6)磨损点云聚类分割。
调用本文中的cluster_euclidean(欧氏距离聚类)模块函数，传入灰度点云cloud_1_xyz，并设置相关参数，包括最近邻搜索的半径值、单个类别的最小点的个数和单个聚类类别中点的最大个数，就可以使用DBSCAN基于密度的空间聚类算法，对点云进行基于欧氏距离的聚类分割，把整个齿轮上总的磨损点云进行分割，获得每个齿面上的磨损处各个的点云，也就是每一个磨损位置。
步骤2：齿轮模型建立标准坐标系。
(1)重用原始齿轮点云模型。
获得步骤1中(3)步后的点云cloud_filter，使用步骤1中(5)相同的方法，调用本算法中的灰度化函数xyzrgbToXyz函数，进行灰度化处理获得灰度点云cloud_xyz，在此基础上进行后续计算。
(2)齿轮点云均衡下采样处理。
对点云进行均衡下采样，这里使用网格下采样的方法，根据设置的x、y、z三个方向的网格参数，对重用的点云cloud_xyz使用网格法进行下采样，获得在密度上相较于原点云更为稀疏的点云，减少计算的数据量，以方便之后的运算。
(3)初步确定坐标系原点。
通过对下采样后的点云所有点的三个方向的坐标值进行累加并求平均值，可以相对得求出一个所获得点云的重心的坐标位置，把这个求得的重心位置设定为坐标系的初步原点。
(4)确定Z轴。
根据原始扫描模型，确定Z轴的方向与原始模型Z轴方向相同。
(5)确定x、y轴。
在(3)步中获得了坐标系原点，在(4)步中获得了Z轴方向，过原点作两条互相垂直且与Z轴垂直的方向，确定为x轴、y轴。
(6)坐标系原点迭代优化。
因为初始原点根据重心获得，所以不够精准，需要使用迭代法进行优化。首先设定一个选取阈值，根据坐标系位置遍历点选取z值的绝对值在这个选取阈值内的一系列点，求取这些点的均值点a。之后遍历选取这些点中距离均值点a最远点b，再作b关于a的对称点c，计算距离c的最近点d，最后计算点b和点d的中点作为一次迭代优化的结果。经过多次迭代优化，可以获得更为准确方便的原点，使得经过原点的Z轴位于锥齿轮点云的中心位置。
步骤3：齿轮轮廓形状提取，齿轮轮廓形状提取的流程图如图3所示。
(1)确定齿轮外轮廓起始点。
重复使用步骤2中(1)步获得的灰度点云cloud_xyz，为了选取齿轮外轮廓，选取相对于步骤2中获得的坐标系中在xoy平面方向上距离原点最远的点，记为最大半径点记为maxradiusPoint，并记录原点到最大半径点的方向为最大半径的方向。
(2)确定齿轮外轮廓斜率点。
根据最大半径点，通过遍历灰度点云cloud_xyz上的点，依次计算其到最大半径点的斜率，并通过设置认定斜率有效的条件，包括斜率可能的最大最小值范围和选取点到maxradiusPoint的最小距离，对获得的斜率加以过滤筛选，就可以获得一个斜率最大值对应的点最大斜率点，记为maxSlopePoint。
(3)拟合齿轮外轮廓形状。
根据坐标系原点、最大半径点maxradiusPoint、最大斜率点maxSlopePoint三个点拟合齿轮外轮廓形状。确定一个拟合圆锥cone作为齿轮外轮廓的近似，具体方法是认定原点所在Z轴为圆锥的母线，最大半径点和最大斜率点在圆锥的表面上，就可以获得一个拟合圆锥。认为坐标系原点在拟合圆锥cone的轴线上，最大半径点和最大斜率点在圆锥面上，就可以近似地获得圆锥的拟合情况。
(4)确定锥齿轮内轮廓起始点。
锥齿轮内轮廓的起始点确定也和外轮廓的起始点类似但也有所不同。
首先重复使用步骤2中(1)步获得的灰度点云，遍历点云中点计算获得齿轮点云中z坐标值最大的点maxZPoint，并在最高点的基础往Z轴负方向按设定的两个距离，取两个平行于xoy平面且到最高点距离为设定值的两个基准平面，到最高点的距离分别为maxLowThanZmax、maxLowThanZmaxTwo。根据两个基准平面和齿轮内轮廓的相交曲线，可以近似地找出两个锥齿轮内轮廓上的点maxZInSidePoint、maxZInSidePointTwo，具体方法是设定一个阈值，遍历cloud_xyz点云上的点，对两个基准平面，分别找到满足到所取基准平面的距离绝对值小于阈值的点的集合中到Z轴距离最小的点。
(5)确定锥齿内轮廓圆锥拟合。
同样使用圆锥对锥齿轮内轮廓尺寸进行拟合计算。
认为坐标系原点在内圆锥的轴线上，maxZInSidePoint、maxZInSidePointTwo两点在齿轮内部的圆锥表面上。通过计算可以获得内圆锥的尺寸参数。
步骤4：齿轮磨损参数计算。
(1)查找锥齿轮磨损部分点云轮廓。
根据在步骤1中(6)步获得的齿轮磨损缺陷点云，可以使用点云边缘检测的EdgeScan算法获得出磨损轮廓点云。
(2)计算锥齿轮磨损到锥侧距离尺寸。
根据步骤3中(3)步获得的锥齿轮外轮廓的拟合圆锥参数，以及磨损轮廓点云，可以计算出锥齿轮磨损到锥侧距离dis1。
具体过程是通过调用本算法中的pToConeDis函数，传入需要计算到圆锥侧面距离的点的坐标x、y、z，圆锥顶点坐标x0、y0、z0，以及锥角的tan值tanA，可以得到点到圆锥面的距离。计算过程为首先计算出目标点到圆锥顶点的水平方向(xoy)平面上的距离
以及竖直方向距离zDis＝|z-z琰|。之后计算z2＝xy×tanA，sinA＝sin(atan(tanA))，计算延长到中线点的距离disA＝(zDis+z2)*sinA，disAB＝z2/sinA，最后获得计算的点到圆锥面距离为dis1＝disA–disAB。
(3)计算锥齿轮磨损到锥顶距离尺寸。
根据步骤3中(5)步获得的锥齿轮内轮廓的拟合圆锥参数，以及磨损轮廓点云，采用与步骤4中(2)步相同的方法，可以计算出锥齿轮磨损到锥顶距离dis2。
图4为本发明所提供的针对锥齿轮磨损的机器视觉检测系统结构图，如图4所示，一种针对锥齿轮磨损的机器视觉检测系统，包括：
锥齿轮三维点云模型确定模块401，用于利用照相测量设备扫描待检锥齿轮，确定锥齿轮三维点云模型。
预处理模块402，用于对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云。
所述预处理模块402，具体包括：筛选单元，用于对所述锥齿轮三维点云模型中的锥齿轮点云进行筛选，确定锥齿轮磨损缺陷点云；滤波单元，用于对所述锥齿轮磨损缺陷点云进行点云滤波处理，确定滤波后的锥齿轮磨损缺陷点云；灰度化处理单元，用于对所述滤波后的锥齿轮磨损缺陷点云进行灰度化处理，确定灰度化处理后的锥齿轮磨损缺陷点云；聚类分割处理单元，用于对所述灰度化处理后的锥齿轮磨损缺陷点云进行聚类分割处理，获取每个齿面上磨损位置处的各个点云，确定预处理后的锥齿轮磨损缺陷点云。
标准坐标系建立模块403，用于根据所述锥齿轮三维点云模型建立标准坐标系。
所述标准坐标系建立模块403，具体包括：灰度化处理单元，用于对所述锥齿轮三维点云模型中的锥齿轮点云进行灰度化处理，确定灰度化处理后的锥齿轮点云；均衡下采样处理单元，用于对所述灰度化处理后的锥齿轮点云进行均衡下采样处理，确定均衡下采样处理后的锥齿轮点云；点云重心坐标位置确定单元，用于对所有均衡下采样处理后的锥齿轮点云的三个方向的坐标值进行累加并取平均值，确定点云重心坐标位置；所述点云重心坐标位置为标准坐标系的初步原点；Z轴方向确定单元，用于将所述锥齿轮三维点云模型的Z轴方向确定为所述标准坐标系的Z轴方向；X轴和Y轴确定单元，用于将过所述初始原点作两条相互垂直且与所述Z轴方向垂直的轴为X轴和Y轴；优化单元，用于对所述初始原点进行迭代优化，确定优化后的初始原点；标准坐标系建立单元，用于根据所述优化后的初始原点、所述X轴、所述Y轴和所述Z轴建立标准坐标系。
锥齿轮轮廓信息提取模块404，用于基于所述标准坐标系，提取锥齿轮轮廓信息；所述锥齿轮轮廓信息包括锥齿轮外轮廓的拟合圆锥轮廓形状以及锥齿轮内轮廓的拟合圆锥轮廓形状。
所述锥齿轮轮廓信息提取模块404具体包括：最大半径点确定单元，用于基于所述标准坐标系，选取XOY平面上所述灰度化处理后的锥齿轮点云中距离所述初始原点最远的最大半径点；最大斜率点确定单元，用于根据所述最大半径点，遍历所有所述灰度化处理后的锥齿轮点云确定最大斜率点；锥齿轮外轮廓的拟合圆锥轮廓形状确定单元，用于根据所述初始原点、所述最大半径点以及所述最大斜率点确定锥齿轮外轮廓的拟合圆锥轮廓形状。
锥齿轮磨损参数确定模块405，用于根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数；所述锥齿轮磨损参数包括锥齿轮磨损处至锥侧的距离以及锥齿轮磨损处至锥顶的距离。
采用本发明所提供的机器检测方法及系统能够达到以下两种效果：
(1)通用性强
本发明可以对多种斜锥齿轮的磨损研究进行快速评定，不管锥齿轮的半径、锥度，都可以进行自动化自适应的计算。
(2)提升锥齿轮磨损检测的工作效率
本发明只需要输入的照相测量获得的锥齿轮的测量模型即可实现自动计算的功能。本发明自动实现了缺陷提取、锥齿轮尺寸拟合、缺陷参数的计算功能，极大地缩短了锥齿轮磨损检测的工作时间，提高了工作效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种针对锥齿轮磨损的机器视觉检测方法，其特征在于，包括：
利用照相测量设备扫描待检锥齿轮，确定锥齿轮三维点云模型；
对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云；
根据所述锥齿轮三维点云模型建立标准坐标系；
基于所述标准坐标系，提取锥齿轮轮廓信息；所述锥齿轮轮廓信息包括锥齿轮外轮廓的拟合圆锥轮廓形状以及锥齿轮内轮廓的拟合圆锥轮廓形状；
根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数；所述锥齿轮磨损参数包括锥齿轮磨损处至锥侧的距离以及锥齿轮磨损处至锥顶的距离。
2.根据权利要求1所述的针对锥齿轮磨损的机器视觉检测方法，其特征在于，所述对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云，具体包括：
对所述锥齿轮三维点云模型中的锥齿轮点云进行筛选，确定锥齿轮磨损缺陷点云；
对所述锥齿轮磨损缺陷点云进行点云滤波处理，确定滤波后的锥齿轮磨损缺陷点云；
对所述滤波后的锥齿轮磨损缺陷点云进行灰度化处理，确定灰度化处理后的锥齿轮磨损缺陷点云；
对所述灰度化处理后的锥齿轮磨损缺陷点云进行聚类分割处理，获取每个齿面上磨损位置处的各个点云，确定预处理后的锥齿轮磨损缺陷点云。
3.根据权利要求2所述的针对锥齿轮磨损的机器视觉检测方法，其特征在于，所述根据所述锥齿轮三维点云模型建立标准坐标系，具体包括：
对所述锥齿轮三维点云模型中的锥齿轮点云进行灰度化处理，确定灰度化处理后的锥齿轮点云；
对所述灰度化处理后的锥齿轮点云进行均衡下采样处理，确定均衡下采样处理后的锥齿轮点云；
对所有均衡下采样处理后的锥齿轮点云的三个方向的坐标值进行累加并取平均值，确定点云重心坐标位置；所述点云重心坐标位置为标准坐标系的初始原点；
将所述锥齿轮三维点云模型的Z轴方向确定为所述标准坐标系的Z轴方向；
过所述初始原点作两条相互垂直且与所述Z轴方向垂直的轴为X轴和Y轴；
对所述初始原点进行迭代优化，确定优化后的初始原点；
根据所述优化后的初始原点、所述X轴、所述Y轴和所述Z轴建立标准坐标系。
4.根据权利要求3所述的针对锥齿轮磨损的机器视觉检测方法，其特征在于，所述基于所述标准坐标系，提取锥齿轮轮廓信息，具体包括：
基于所述标准坐标系，选取XOY平面上所述灰度化处理后的锥齿轮点云中距离所述初始原点最远的最大半径点；
根据所述最大半径点，遍历所有所述灰度化处理后的锥齿轮点云确定最大斜率点；
根据所述初始原点、所述最大半径点以及所述最大斜率点确定锥齿轮外轮廓的拟合圆锥轮廓形状。
5.根据权利要求3所述的针对锥齿轮磨损的机器视觉检测方法，其特征在于，所述基于所述标准坐标系，提取锥齿轮轮廓信息，具体包括：
基于所述标准坐标系，遍历所述灰度化处理后的锥齿轮点云，确定Z轴坐标值最大的点；
在所述Z轴坐标值最大的点的基础上，往Z轴负方向按设定的两个距离，取两个平行于XOY平面且到所述Z轴坐标值最大的点距离为设定值的两个基准平面；
根据两个所述基准平面和齿轮内轮廓的相交曲线，确定两个锥齿轮内轮廓上的点；
根据所述初始原点以及所述两个锥齿轮内轮廓上的点确定锥齿轮内轮廓的拟合圆锥轮廓形状。
6.根据权利要求4或5任一项所述的针对锥齿轮磨损的机器视觉检测方法，其特征在于，所述根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数，具体包括：
利用点云边缘检测的EdgeScan算法确定所述锥齿轮磨损缺陷点云的磨损轮廓点云；
根据所述磨损轮廓点云以及所述锥齿轮外轮廓的拟合圆锥轮廓形状确定锥齿轮磨损处至锥侧的距离；
根据所述磨损轮廓点云以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损处至锥顶的距离。
7.一种针对锥齿轮磨损的机器视觉检测系统，其特征在于，包括：
锥齿轮三维点云模型确定模块，用于利用照相测量设备扫描待检锥齿轮，确定锥齿轮三维点云模型；
预处理模块，用于对所述锥齿轮三维点云模型中的锥齿轮磨损缺陷点云数据进行预处理，确定预处理后的锥齿轮磨损缺陷点云；
标准坐标系建立模块，用于根据所述锥齿轮三维点云模型建立标准坐标系；
锥齿轮轮廓信息提取模块，用于基于所述标准坐标系，提取锥齿轮轮廓信息；所述锥齿轮轮廓信息包括锥齿轮外轮廓的拟合圆锥轮廓形状以及锥齿轮内轮廓的拟合圆锥轮廓形状；
锥齿轮磨损参数确定模块，用于根据所述锥齿轮磨损缺陷点云、所述锥齿轮外轮廓的拟合圆锥轮廓形状以及所述锥齿轮内轮廓的拟合圆锥轮廓形状确定锥齿轮磨损参数；所述锥齿轮磨损参数包括锥齿轮磨损处至锥侧的距离以及锥齿轮磨损处至锥顶的距离。
8.根据权利要求7所述的针对锥齿轮磨损的机器视觉检测系统，其特征在于，所述预处理模块，具体包括：
筛选单元，用于对所述锥齿轮三维点云模型中的锥齿轮点云进行筛选，确定锥齿轮磨损缺陷点云；
滤波单元，用于对所述锥齿轮磨损缺陷点云进行点云滤波处理，确定滤波后的锥齿轮磨损缺陷点云；
灰度化处理单元，用于对所述滤波后的锥齿轮磨损缺陷点云进行灰度化处理，确定灰度化处理后的锥齿轮磨损缺陷点云；
聚类分割处理单元，用于对所述灰度化处理后的锥齿轮磨损缺陷点云进行聚类分割处理，获取每个齿面上磨损位置处的各个点云，确定预处理后的锥齿轮磨损缺陷点云。
9.根据权利要求8所述的针对锥齿轮磨损的机器视觉检测系统，其特征在于，所述标准坐标系建立模块，具体包括：
灰度化处理单元，用于对所述锥齿轮三维点云模型中的锥齿轮点云进行灰度化处理，确定灰度化处理后的锥齿轮点云；
均衡下采样处理单元，用于对所述灰度化处理后的锥齿轮点云进行均衡下采样处理，确定均衡下采样处理后的锥齿轮点云；
点云重心坐标位置确定单元，用于对所有均衡下采样处理后的锥齿轮点云的三个方向的坐标值进行累加并取平均值，确定点云重心坐标位置；所述点云重心坐标位置为标准坐标系的初始原点；
Z轴方向确定单元，用于将所述锥齿轮三维点云模型的Z轴方向确定为所述标准坐标系的Z轴方向；
X轴和Y轴确定单元，用于将过所述初始原点作两条相互垂直且与所述Z轴方向垂直的轴为X轴和Y轴；
优化单元，用于对所述初始原点进行迭代优化，确定优化后的初始原点；
标准坐标系建立单元，用于根据所述优化后的初始原点、所述X轴、所述Y轴和所述Z轴建立标准坐标系。
10.根据权利要求9所述的针对锥齿轮磨损的机器视觉检测系统，其特征在于，所述锥齿轮轮廓信息提取模块，具体包括：
最大半径点确定单元，用于基于所述标准坐标系，选取XOY平面上所述灰度化处理后的锥齿轮点云中距离所述初始原点最远的最大半径点；
最大斜率点确定单元，用于根据所述最大半径点，遍历所有所述灰度化处理后的锥齿轮点云确定最大斜率点；
锥齿轮外轮廓的拟合圆锥轮廓形状确定单元，用于根据所述初始原点、所述最大半径点以及所述最大斜率点确定锥齿轮外轮廓的拟合圆锥轮廓形状。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011612792.XA CN112734662B (zh) | 2020-12-30 | 2020-12-30 | 一种针对锥齿轮磨损的机器视觉检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011612792.XA CN112734662B (zh) | 2020-12-30 | 2020-12-30 | 一种针对锥齿轮磨损的机器视觉检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112734662A CN112734662A (zh) | 2021-04-30 |
| CN112734662B true CN112734662B (zh) | 2022-11-15 |
Family
ID=75610329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011612792.XA Active CN112734662B (zh) | 2020-12-30 | 2020-12-30 | 一种针对锥齿轮磨损的机器视觉检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734662B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972623B (zh) * | 2022-01-01 | 2024-05-03 | 昆明理工大学 | 一种女性盆底支持系统的高效精确三维重构建模方法 |
| CN114612452B (zh) * | 2022-03-18 | 2024-06-25 | 中冶赛迪信息技术(重庆)有限公司 | 用于棒材的识别方法、系统、电子设备及可读存储介质 |
| CN116403208B (zh) * | 2023-06-07 | 2023-08-22 | 山东科技大学 | 基于激光雷达点云的滚轮罐耳运行状态检测方法及装置 |
| CN117268799B (zh) * | 2023-11-23 | 2024-03-08 | 靖江市黄埔机械部件制造有限公司 | 一种基于负载转矩的底盘制动器检测方法及系统 |
| CN118096665A (zh) * | 2024-01-30 | 2024-05-28 | 中南大学 | 航空螺旋锥齿轮接触印痕视觉测量方法、装置及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599449A (zh) * | 2019-07-31 | 2019-12-20 | 众宏（上海）自动化股份有限公司 | 一种模板匹配及点云对比的齿轮扫描算法 |
| CN111127556A (zh) * | 2019-11-29 | 2020-05-08 | 合刃科技(上海)有限公司 | 基于3d视觉的目标物体识别和位姿估算方法以及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| PE20080048A1 (es) * | 2006-12-20 | 2008-02-25 | Scanalyse Pty Ltd | Sistema para la medicion del desplazamiento de una superficie relativa a una base de referencia |
-
2020
- 2020-12-30 CN CN202011612792.XA patent/CN112734662B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599449A (zh) * | 2019-07-31 | 2019-12-20 | 众宏（上海）自动化股份有限公司 | 一种模板匹配及点云对比的齿轮扫描算法 |
| CN111127556A (zh) * | 2019-11-29 | 2020-05-08 | 合刃科技(上海)有限公司 | 基于3d视觉的目标物体识别和位姿估算方法以及装置 |
Non-Patent Citations (2)
| Title |
|---|
| A Bevel Gear Quality Inspection System Based on Multi-Camera Vision Technology;Ruiling Liu 等;《Sensors》;20160825;全文 * |
| 基于机器视觉的齿轮缺陷检测研究;魏效玲 等;《煤矿机械》;20200930;第41卷(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112734662A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112734662B (zh) | 一种针对锥齿轮磨损的机器视觉检测方法及系统 | |
| CN106949848B (zh) | 一种高精度激光3d轮廓手机结构件检测方法 | |
| CN105180890B (zh) | 融合激光点云和数字影像的岩体结构面产状测量方法 | |
| WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
| CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
| CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN105865344A (zh) | 一种基于机器视觉的工件尺寸测量方法和装置 | |
| CN101532926A (zh) | 冲击试样自动加工装置在线检测视觉系统及其图像处理方法 | |
| CN107358628B (zh) | 基于靶标的线阵图像处理方法 | |
| CN113865508B (zh) | 一种蜂窝夹芯复合材料声衬的通孔率自动化检测装置与方法 | |
| CN114549446B (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
| CN106767564A (zh) | 一种应用于手机外壳表面粗糙度的检测方法 | |
| CN113763350A (zh) | 一种胶线检测方法、装置、胶线检测设备及存储介质 | |
| CN116740060B (zh) | 基于点云几何特征提取的装配式预制构件尺寸检测方法 | |
| CN113313081A (zh) | 融合车载三维激光点云与影像的道路交通杆状物分类方法 | |
| CN117173364B (zh) | 基于建筑立体绘图的切片出图方法及系统 | |
| CN111968079A (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
| CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
| WO2024066463A1 (zh) | 一种基于双目视觉的钢筋间距的测量方法和系统 | |
| CN112729157A (zh) | 基于四步相移与双目立体视觉融合的钣金件测量方法 | |
| CN116625270A (zh) | 一种基于机器视觉的精密车削工件全自动检测系统及方法 | |
| CN116957963A (zh) | 基于分层k领域的输电线路激光点云数据噪声处理方法 | |
| CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
| CN116205880A (zh) | 基于3d点云的网纱缺陷检测方法 |
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 |