CN113313771B - 一种工业复杂设备的全方位测量方法 - Google Patents

一种工业复杂设备的全方位测量方法 Download PDF

Info

Publication number
CN113313771B
CN113313771B CN202110810295.9A CN202110810295A CN113313771B CN 113313771 B CN113313771 B CN 113313771B CN 202110810295 A CN202110810295 A CN 202110810295A CN 113313771 B CN113313771 B CN 113313771B
Authority
CN
China
Prior art keywords
images
image
model
industrial complex
complex equipment
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
Application number
CN202110810295.9A
Other languages
English (en)
Other versions
CN113313771A (zh
Inventor
王涛
刘兆伟
李腾
安士才
王一先
贺业凤
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.)
Shandong Jerei Digital Technology Co Ltd
Original Assignee
Shandong Jerei Digital Technology Co Ltd
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 Shandong Jerei Digital Technology Co Ltd filed Critical Shandong Jerei Digital Technology Co Ltd
Priority to CN202110810295.9A priority Critical patent/CN113313771B/zh
Publication of CN113313771A publication Critical patent/CN113313771A/zh
Application granted granted Critical
Publication of CN113313771B publication Critical patent/CN113313771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/85—Stereo camera calibration
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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
    • G06T2207/20—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种工业复杂设备的全方位测量方法，其特征在于，包括以下步骤：S1、对多台深度相机的内参、外参进行标定；S2、用多台深度相机对待测的工业复杂设备进行拍摄，获得多幅原图像；S3、将具有相同像素特征的多幅原图像进行两两配组，获得多组待拼接图像；S4、利用多单应性估计的端到端的图像拼接网络模型对多幅待拼图像拼接为多幅拼接图像；S5、将多幅拼接图像重构为初步3D模型；S6、利用生成对抗网络模型对多幅原图像、多幅拼接图像及初步3D模型进行训练，获得最终3D模型；S7、测量最终3D模型。本发明的测量方法精准、有效且适用于工业复杂设备的全方位测量。

Description

一种工业复杂设备的全方位测量方法
技术领域
本发明涉及尺寸测量技术领域，具体来说，是一种工业复杂设备的全方位测量方法。
背景技术
近年来，随着生产生活中所需的设备功能提升，工业制造水平也进一步提升，但是对于工业复杂设备的检测却成了工业企业所面临的主要问题。由于工业复杂设备不像简单设备那样具有单一的构成，因此使用常规的检测方法对于工业复杂设备来说，其检测结果无法满足实际的测量需求。
通过深度学习进行3D图像重构是目前测量领域的主要建模方法，但其更多的应用于人脸或者针对有固定的形状的设备，其涉及的算法模型主要包括：通过渲染多个3D视图生成3D模型、通过3D-GAN网络的方法建立3D模型、基于KinectFusion算法建立3D模型、基于ElasticReconstruction算法建立3D模型等。使用上述方法只能对于拥有简单形状或对称形状的设备进行重构，对于呈现出复杂形状的工业设备来说，其重构效果并不理想。这是因为，一方面，工业复杂设备并没有像类似固定形状的设备有对称或可推测形状结构。另一方面，上述的方法都是针对单个角度的图像或者由多个角度的图像建立3D模型，工业复杂设备的结构并不像普通的正方体或者锥体其形状是简单可以通过学习的方法进行重构的。以上可见，仅仅使用深度学习的方法对于复杂工业设备进行预测，不仅对于网络训练的时间耗费比较长，生成的效果往往也无法达到需求。
使用雷达扫描仪可以实现通过点云的方式对不规则以及不对称工业精密设备实现重构，但是考虑到市面上的扫描仪价格通常比较高昂，对于市面上多种类型的工业复杂设备实现一种设备配备一种扫描仪的方法并不现实。
还有一种方法是通过人工建模的方式建立3D模型，这类模型通过长时间的建立和比对，建立的模型是最准确的一种，但是作为设备种类繁多的工厂，要对每一种类型的设备都建立相应的模型耗费的人工时力和物力都比较多，因此并不适合批量化生产的工厂。
综上，寻求一种精准、有效且适用于工业复杂设备的全方位测量方法，对工业测量领域来说，具有非凡的意义。
发明内容
鉴于以上，本发明旨在提供一种工业复杂设备的全方位测量方法。
一种工业复杂设备的全方位测量方法，其特殊之处在于，包括以下步骤：
S1、相机标定：使用标定板对多台深度相机的内参、外参进行标定；
S2、图像采集：用多台深度相机在不同角度对待测的工业复杂设备进行拍摄，获得工业复杂设备不同位置的多幅原图像；
S3、图像筛选：将S2中具有相同像素特征的多幅原图像进行两两配组，获得多组待拼接图像；
S4、图像拼接：利用一种多单应性估计的端到端的图像拼接网络模型对S3的多幅待拼图像进行拼接处理，获得多幅拼接图像；
S5、模型重构：将S4的多幅拼接图像进行3D模型重构，生成工业复杂设备的初步3D模型；
S6、利用生成对抗网络模型对S2的多幅原图像、S4的多幅拼接图像以及S5的初步3D模型进行训练，获得一个最大程度还原所述工业复杂设备结构轮廓的最终3D模型；
S7、测量S6获得的最终3D模型。
进一步地，所述S2中的多台深度相机配置在待测工业复杂设备的外围，分别用以采集待测工业复杂设备不同角度的图像。
进一步地，所述S3中的相同像素特征的原图像，来源于相邻的两台深度相机。
进一步地，所述S4图像拼接所涉及的多单应性估计的端到端的图像拼接网络模型，是将S3的多幅待拼接图像作为输入，并估计产生多个单应性矩阵、位移向量和权重向量，通过多个单应性矩阵生成全局变形向量，并用位移向量对其进行调整，再将调整后的多个全局变形向量分别对输入的多幅待拼接图像进行变形，产生多个变形后的图像，最后用权重向量对所有变形后的图像进行融合。
具体步骤如下：
S41、将具有相同像素特征的图像I L 和图像I R 输入拼接网络F，产生多个单应性矩阵H k 、位移向量D k 和权重向量W k ：
Figure 863504DEST_PATH_IMAGE001
，其中，
Figure 869506DEST_PATH_IMAGE002
表示拼接网络F的可学习参数，K是单应性指数；
S42、图像I L 和图像I R 通过与多个单应性矩阵H k 进行单应性变换，分别生成图像I L 和图像I R 的全局变形向量G k :
Figure 366347DEST_PATH_IMAGE003
S43、利用位移向量D k 分别对图像I L 和图像I R 的全局变形向量G k 进行调整，得到调整后的全局变形向量M k :
Figure 875825DEST_PATH_IMAGE004
；
S44、通过全局变形向量M k 分别对图像I L 和图像I R 进行变形，得到变形后的图像
Figure 534340DEST_PATH_IMAGE005
：
Figure 27638DEST_PATH_IMAGE006
其中，warp是一个映射函数；
S45、利用权重向量W k 将变形后的图像
Figure 62590DEST_PATH_IMAGE005
进行融合，生成输出图像I O ：
Figure 957734DEST_PATH_IMAGE007
其中，
Figure 52729DEST_PATH_IMAGE008
代表的是同位元素相乘。
为了使拼接后输出的图像I O 外观上更加逼近于真实图像I gt ，本发明利用外观匹配损失函数对多单应性估计的端到端的图像拼接网络进行训练，具体包括：
a、将训练集中两张具有相同像素特征的图像进行拼接，生成输出图像I O ；
b、将输出图像I O 与训练集中的真实图像I gt 输入到外观匹配损失函数L ap 中，利用该外观匹配损失函数计算每次迭代的前向计算结果与真实值的差距，从而指导下一步的训练向正确的方向进行，直至达到最终目标要求；
Figure 33323DEST_PATH_IMAGE009
其中，SSIM是用于衡量两幅图像相似度的指标；
Figure 871966DEST_PATH_IMAGE010
是平衡两个损失函数的权重，通常取0.85。
进一步地，所述S6中，首先将S2的多幅原图像、S4的多幅拼接图像输入对抗网络中，将S5的初步3D模型输入到生成网络中，通过对抗网络中的多幅原图像和多幅拼接图像对生成网络中的初步3D模型进行循环对抗学习，直至获得满足真实反映所述工业复杂设备结构轮廓的最终3D模型。
进一步地，所述S7中，选择测绘软件对S6获得的最终3D模型的长、宽、高进行测量。
本发明的一种全方位工业精密设备测量方法，能够实现对工业复杂设备进行有效精准测量。一方面，本发明将多角度采集的多幅原图像通过多单应性估计的端到端的图像拼接网络进行拼接，将多张图像拼接为视野更广的图像，这一做法相较于仅采用单张或者多张不同角度拍摄的图像来建立3D模型的传统算法来说，得到的模型精度更高。此外，与现有的图像拼接技术相比，本发明的方法在拼接的结果上，尤其是在有相同像素特征的重合部分，拼接后的图像不会出现重影以及相同图像特征出现多次的情况，这样反应的设备结构更加逼近于真实情况。另一方面，本发明将已构建好初步3D模型作为生成网络的输入，利用对抗网络中的原图像和拼接图像对生成网络中的初步3D模型进行对抗训练，从而获得更加优化的3D模型，相对于当前主流生成对抗网络中一般只将随机向量输入生成网络的做法来说，不仅减少了不必要的从随机向量到建立3D模型的时间，并且通过对抗优化的模型与真实设备的结构更加接近，测量精度更高。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面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作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。
实施例一
一种工业复杂设备的全方位测量方法，包括以下步骤：
S1、相机标定：使用标定板对多台深度相机的内参、外参进行标定。
S2、图像采集：利用配置在待测工业复杂设备外围的多台深度相机在不同角度对待测的工业复杂设备进行拍摄，获得工业复杂设备不同位置的多幅原图像。
S3、图像筛选：将S2中具有相同像素特征的多幅原图像进行两两配组，获得多组待拼接图像，所述相同像素特征的原图像，来源于相邻的两台深度相机。
S4、图像拼接：利用一种多单应性估计的端到端的图像拼接网络模型对S3的多幅待拼图像进行拼接处理，获得多幅拼接图像；
具体包括以下步骤：
S41、将具有相同像素特征的图像I L 和图像I R 输入拼接网络F，产生多个单应性矩阵H k 、位移向量D k 和权重向量W k ：
Figure 356037DEST_PATH_IMAGE001
，其中
Figure 621933DEST_PATH_IMAGE002
表示拼接网络F的可学习参数，K是单应性指数；
S42、图像I L 和图像I R 通过与多个单应性矩阵H k 进行单应性变换，分别生成图像I L 和图像I R 的全局变形向量G k :
Figure 824245DEST_PATH_IMAGE003
S43、利用位移向量D k 分别对图像I L 和图像I R 的全局变形向量G k 进行调整，得到调整后的全局变形向量M k :
Figure 466578DEST_PATH_IMAGE004
；
S44、通过全局变形向量M k 分别对图像I L 和图像I R 进行变形，得到变形后的图像
Figure 70735DEST_PATH_IMAGE005
：
Figure 507533DEST_PATH_IMAGE006
其中，warp是一个映射函数；
S45、利用权重向量W k 将变形后的图像
Figure 197140DEST_PATH_IMAGE005
进行融合，生成输出图像I O ：
Figure 377586DEST_PATH_IMAGE007
其中，
Figure 836249DEST_PATH_IMAGE008
代表的是同位元素相乘。
为了使拼接后输出的图像I O 外观上更加逼近于真实图像I gt ，本发明利用外观匹配损失函数对多单应性估计的端到端的图像拼接网络进行训练，具体包括：
a、将训练集中两张具有相同像素特征的图像进行拼接，生成输出图像I O ；
b、将输出图像I O 与训练集中的真实图像I gt 输入到外观匹配损失函数L ap 中，利用该外观匹配损失函数计算每次迭代的前向计算结果与真实值的差距，从而指导下一步的训练向正确的方向进行，直至达到最终目标要求；
Figure 709527DEST_PATH_IMAGE009
其中，SSIM是用于衡量两幅图像相似度的指标；
Figure 761797DEST_PATH_IMAGE010
是平衡两个损失函数的权重，通常取0.85。
S5、模型重构：将S4的多幅拼接图像进行3D模型重构，生成工业复杂设备的初步3D模型。
S6、利用生成对抗网络模型对S2的多幅原图像、S4的多幅拼接图像以及S5的初步3D模型进行训练，首先将S2的多幅原图像、S4的多幅拼接图像输入对抗网络中，将S5的初步3D模型输入到生成网络中，通过对抗网络中的多幅原图像和多幅拼接图像对生成网络中的初步3D模型进行循环对抗学习，直至获得满足真实反映所述工业复杂设备结构轮廓的最终3D模型。
S7、选择测绘软件对S6获得的最终3D模型的长、宽、高进行测量。
综上所述，虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明，任何熟习此技艺者，在不脱离本发明的精神和范围内，当可作各种更动与润饰，因此本发明的保护范围当视后附的申请专利范围所界定者为准。

Claims (6)

1.一种工业复杂设备的全方位测量方法，其特征在于，包括以下步骤：
S1、相机标定：使用标定板对多台深度相机的内参、外参进行标定；
S2、图像采集：用多台深度相机在不同角度对待测的工业复杂设备进行拍摄，获得工业复杂设备不同位置的多幅原图像；
S3、图像筛选：将S2中具有相同像素特征的多幅原图像进行两两配组，获得多组待拼接图像；
S4、图像拼接：利用一种多单应性估计的端到端的图像拼接网络模型对S3的多幅待拼图像进行拼接处理，获得多幅拼接图像；
S5、模型重构：将S4的多幅拼接图像进行3D模型重构，生成工业复杂设备的初步3D模型；
S6、利用生成对抗网络模型对S2的多幅原图像、S4的多幅拼接图像以及S5的初步3D模型进行训练，获得一个最大程度还原所述工业复杂设备结构轮廓的最终3D模型；
S7、测量S6获得的最终3D模型；
所述S4图像拼接所涉及的多单应性估计的端到端的图像拼接网络模型，是将S3的多幅待拼接图像作为输入，并估计产生多个单应性矩阵、位移向量和权重向量，通过多个单应性矩阵生成全局变形向量，并用位移向量对其进行调整，再将调整后的多个全局变形向量分别对输入的多幅待拼接图像进行变形，产生多个变形后的图像，最后用权重向量对所有变形后的图像进行融合；
图像拼接的具体步骤如下：
S41、将具有相同像素特征的图像I L 和图像I R 输入拼接网络F，产生多个单应性矩阵H k 、位移向量D k 和权重向量W k ：
Figure 811744DEST_PATH_IMAGE001
，其中
Figure 653798DEST_PATH_IMAGE002
表示拼接网络F的可学习参数，K是单应性指数；
S42、图像I L 和图像I R 通过与多个单应性矩阵H k 进行单应性变换，分别生成图像I L 和图像I R 的全局变形向量G k :
Figure 580166DEST_PATH_IMAGE003
S43、利用位移向量D k 分别对图像I L 和图像I R 的全局变形向量G k 进行调整，得到调整后的全局变形向量M k :
Figure 191276DEST_PATH_IMAGE004
；
S44、通过全局变形向量M k 分别对图像I L 和图像I R 进行变形，得到变形后的图像
Figure 544897DEST_PATH_IMAGE005
：
Figure 343089DEST_PATH_IMAGE006
其中，warp是一个映射函数；
S45、利用权重向量W k 将变形后的图像
Figure 73147DEST_PATH_IMAGE005
进行融合，生成输出图像I O ：
Figure 538764DEST_PATH_IMAGE007
其中，
Figure 63286DEST_PATH_IMAGE008
代表的是同位元素相乘。
2.如权利要求1所述的一种工业复杂设备的全方位测量方法，其特征在于，
所述S2中的多台深度相机配置在待测工业复杂设备的外围，分别用以采集待测工业复杂设备不同角度的图像。
3.如权利要求1所述的一种工业复杂设备的全方位测量方法，其特征在于，
所述S3中的相同像素特征的原图像，来源于相邻的两台深度相机。
4.如权利要求1所述的一种工业复杂设备的全方位测量方法，其特征在于，
利用外观匹配损失函数对多单应性估计的端到端的图像拼接网络进行训练，具体包括：
a、将训练集中两张具有相同像素特征的图像进行拼接，生成输出图像I O ；
b、将输出图像I O 与训练集中的真实图像I gt 输入到外观匹配损失函数L ap 中，利用该外观匹配损失函数计算每次迭代的前向计算结果与真实值的差距，从而指导下一步的训练向正确的方向进行，直至达到最终目标要求；
Figure 879932DEST_PATH_IMAGE009
其中，SSIM是用于衡量两幅图像相似度的指标；
Figure 413682DEST_PATH_IMAGE010
是平衡两个损失函数的权重值。
5.如权利要求1所述的一种工业复杂设备的全方位测量方法，其特征在于，
所述S6中，首先将S2的多幅原图像、S4的多幅拼接图像输入对抗网络中，将S5的初步3D模型输入到生成网络中，通过对抗网络中的多幅原图像和多幅拼接图像对生成网络中的初步3D模型进行循环对抗学习，直至获得满足真实反映所述工业复杂设备结构轮廓的最终3D模型。
6.如权利要求1所述的一种工业复杂设备的全方位测量方法，其特征在于，
选择测绘软件对S6获得的最终3D模型的长、宽、高进行测量。
CN202110810295.9A 2021-07-19 2021-07-19 一种工业复杂设备的全方位测量方法 Active CN113313771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110810295.9A CN113313771B (zh) 2021-07-19 2021-07-19 一种工业复杂设备的全方位测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110810295.9A CN113313771B (zh) 2021-07-19 2021-07-19 一种工业复杂设备的全方位测量方法

Publications (2)

Publication Number Publication Date
CN113313771A CN113313771A (zh) 2021-08-27
CN113313771B true CN113313771B (zh) 2021-10-12

Family

ID=77381693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110810295.9A Active CN113313771B (zh) 2021-07-19 2021-07-19 一种工业复杂设备的全方位测量方法

Country Status (1)

Country Link
CN (1) CN113313771B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109788270A (zh) * 2018-12-28 2019-05-21 南京美乐威电子科技有限公司 3d-360度全景图像生成方法及装置
CN110335340A (zh) * 2019-05-14 2019-10-15 广东康云科技有限公司 基于超像素的对象三维模型生成方法、系统及存储介质
CN110335337A (zh) * 2019-04-28 2019-10-15 厦门大学 一种基于端到端半监督生成对抗网络的视觉里程计的方法
CN110544297A (zh) * 2019-08-06 2019-12-06 北京工业大学 一种单幅图像的三维模型重建方法
CN111724443A (zh) * 2020-06-09 2020-09-29 中国科学院自动化研究所 基于生成式对抗网络的统一场景视觉定位方法
CN112163997A (zh) * 2020-09-15 2021-01-01 郑州金惠计算机系统工程有限公司 图片可拼接虚拟样本生成方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023086B (zh) * 2016-07-06 2019-02-22 中国电子科技集团公司第二十八研究所 一种基于orb特征匹配的航拍影像及地理数据拼接方法
CN112801870B (zh) * 2021-01-28 2022-05-17 中南大学 一种基于网格优化的图像拼接方法，拼接系统及可读存储介质
CN113129383A (zh) * 2021-03-15 2021-07-16 中建科技集团有限公司 手眼标定方法、装置、通信设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109788270A (zh) * 2018-12-28 2019-05-21 南京美乐威电子科技有限公司 3d-360度全景图像生成方法及装置
CN110335337A (zh) * 2019-04-28 2019-10-15 厦门大学 一种基于端到端半监督生成对抗网络的视觉里程计的方法
CN110335340A (zh) * 2019-05-14 2019-10-15 广东康云科技有限公司 基于超像素的对象三维模型生成方法、系统及存储介质
CN110544297A (zh) * 2019-08-06 2019-12-06 北京工业大学 一种单幅图像的三维模型重建方法
CN111724443A (zh) * 2020-06-09 2020-09-29 中国科学院自动化研究所 基于生成式对抗网络的统一场景视觉定位方法
CN112163997A (zh) * 2020-09-15 2021-01-01 郑州金惠计算机系统工程有限公司 图片可拼接虚拟样本生成方法、装置、设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Deep Metric Learning on Point Sets for 3D Industry Elements Recognition;Kuan Xu 等;《International Symposium on Optoelectronic Technology and Application》;20181231;正文第1-6页 *
Defect Image Sample Generation With GAN for Improving Defect Recognition;Shuanlong Niu 等;《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》;20200731;第1611-1622页 *
复杂场景下的人体轮廓提取及尺寸测量;吴泽斌 等;《图学学报》;20201031;第740-749页 *
应用三维全景虚拟现实技术在虚拟展馆构建中的初步探索;王涛 等;《科学技术创新》;20181031;第58-60页 *
数字化线上展馆的应用及研究;王涛 等;《应用研究》;20181231;第58-60页 *
数字电影产业中三维图像重构技术改进;甘霖 等;《现代电子技术》;20170930;第104-106页 *

Also Published As

Publication number Publication date
CN113313771A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN108510573B (zh) 一种基于深度学习的多视点人脸三维模型重建的方法
CN110021069B (zh) 一种基于网格形变的三维模型重建方法
US11715258B2 (en) Method for reconstructing a 3D object based on dynamic graph network
CN107492127B (zh) 光场相机参数标定方法、装置、存储介质和计算机设备
CN101887589B (zh) 一种基于立体视觉的实拍低纹理图像重建方法
CN110345921B (zh) 立体视场视觉测量及垂轴像差和轴向像差校正方法及系统
CN106682673A (zh) 图像处理装置以及方法
CN104794713B (zh) 基于arm和双目视觉的温室作物数字化成像方法
US20210044787A1 (en) Three-dimensional reconstruction method, three-dimensional reconstruction device, and computer
CN109523595A (zh) 一种建筑工程直线棱角间距视觉测量方法
CN103366360A (zh) 信息处理设备和信息处理方法
CN111028281B (zh) 基于光场双目系统的深度信息计算方法及装置
JPH10124658A (ja) 神経回路網を利用したカメラの映像歪補正方法
CN103886595B (zh) 一种基于广义统一模型的折反射相机自标定方法
Santoši et al. Evaluation of synthetically generated patterns for image-based 3D reconstruction of texture-less objects
CN112929626A (zh) 一种基于智能手机影像的三维信息提取方法
CN108898550B (zh) 基于空间三角面片拟合的图像拼接方法
CN117579753A (zh) 三维扫描方法、装置、计算机设备以及存储介质
CN113313771B (zh) 一种工业复杂设备的全方位测量方法
CN117197333A (zh) 基于多目视觉的空间目标重构与位姿估计方法及系统
CN116309844A (zh) 一种基于无人机单张航空图片的三维测量方法
CN112819900B (zh) 一种智能立体摄影内方位、相对定向和畸变系数标定方法
CN115326025A (zh) 一种用于海浪的双目影像测量与预测方法
Kim et al. Multi-view 3D reconstruction from uncalibrated radially-symmetric cameras
CN111932670B (zh) 基于单个rgbd相机的三维人体自画像重建方法及系统

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