CN113763346A - 基于双目视觉的立面作业效果与表面缺陷检测方法 - Google Patents
基于双目视觉的立面作业效果与表面缺陷检测方法 Download PDFInfo
- Publication number
- CN113763346A CN113763346A CN202111016263.8A CN202111016263A CN113763346A CN 113763346 A CN113763346 A CN 113763346A CN 202111016263 A CN202111016263 A CN 202111016263A CN 113763346 A CN113763346 A CN 113763346A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- histogram
- paint
- climbing robot
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000000694 effects Effects 0.000 title claims abstract description 31
- 239000003973 paint Substances 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 41
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 31
- 238000005507 spraying Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 20
- 239000007921 spray Substances 0.000 claims description 10
- 230000009194 climbing Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 abstract description 6
- 238000012937 correction Methods 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 16
- 238000013519 translation Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 230000009466 transformation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于双目视觉的立面作业效果与表面缺陷检测方法，其解决了现有爬壁机器人对船舶、储罐的立面除锈、喷漆后无法检测作业效果的技术问题，其首先确定当前立面作业机器人工作种类，分别为立面除锈、喷漆和表面缺陷检测，其次分别进行视觉检测，为机器人提供新的作业参数，然后对新作业参数下的作业效果继续检测，实时动态调整新的作业参数。本发明可广泛应用于船舶、储罐的立面除锈、喷漆等作业效果以及立面表面缺陷进行检测。
Description
技术领域
本发明涉及船舶、储罐的表面缺陷检测技术领域，具体而言，涉及一种基于双目视觉的立面作业效果与表面缺陷检测方法。
背景技术
船舶、储罐的立面需要进行除锈、喷漆和检测。船舶在海水中受到海水、大气以及海生物侵蚀的影响，采取防锈、喷漆措施能极大延长船舶使用寿命。船体防锈主要依靠油漆。由于铁锈是一种疏松、多孔、不断发展膨胀着的物质，如果不除净，在其上面涂漆，会因铁锈的发展膨胀，使涂装面发生变形，进而产生微小破裂而加速水、氧、腐蚀离子的进入，从而极大地影响漆膜防腐效果，导致船舶使用寿命大大缩减。
船舶除锈质量验收要求中规定大型船舶除锈要达到GB 8923中Sa2.5等级，即非常彻底的喷射或抛射除锈，钢材表面无可见的油脂、污垢、氧化皮、铁锈、油漆涂层等附着物，任何残留的痕迹仅是点状或条状的轻微色斑。
除锈后喷漆作业时产生有毒气体会危害人体健康，采用爬壁机器人进行喷漆在一定程度上改善了人工作业的风险。但是爬壁机器人的喷漆作业效果无法评估，现有的爬壁机器人可以参考申请公开号为CN112389559A的发明专利申请以及专利号为202021430043.0的实用新型专利，也可以参考德国Falch公司生产的Cleaning爬壁机器人。由于环境温度湿度高、船舶表面不平整、喷漆工艺差等原因，船舶油漆表面可能存在波纹和针孔。船舶喷漆检测内容包括：是否漏喷，喷漆表面是否存在波纹和针孔，目前这种检测依靠人工完成，存在劳动强度大、人工成本高、检测不准确的问题。
发明内容
本发明就是为了解决现有爬壁机器人对船舶、储罐的立面除锈、喷漆后无法检测作业效果的技术问题，提供一种将机器视觉与除锈喷涂相结合，使爬壁机器人实现自主化作业、最后对作业效果进行检测的基于双目视觉的立面作业效果与表面缺陷检测方法。
本发明提供一种基于双目视觉的立面作业效果与表面缺陷检测方法，包括以下步骤：
第一步，将双目相机安装到爬壁机器人上；
第二步，对双目相机进行标定；
第三步，爬壁机器人在船舶的立面进行除锈作业，双目相机对除锈作业后立面进行实时图像采集；控制器对采集到的图像进行校正；
第四步，控制器将校正后的图像与事先准备好的除锈效果合格的样板照片进行对比，相似度达到一定值时认为除锈作业合格；
第五步，爬壁机器人对船舶的立面除锈后的部分进行喷漆，双目相机对喷漆后的立面进行实时图像采集；
第六步，控制器将双目相机采集到的喷漆后图像与事先准备好的完全喷涂的样板照片进行对比，相似度达到一定程度时认为喷漆作业合格。
优选地，当检测到除锈不合格，调整爬壁机器人除锈作业参数；
当检测到喷漆作业不合格，则控制爬壁机器人向漏喷区域偏移一定距离，调整作业路线；
优选地，当检测到油漆面存在波纹缺陷，则减小爬壁机器人的枪口出漆量；当检测到油漆面存在针孔缺陷，系统报警提示操作人员调整油漆配比
优选地：第四步中，控制器将校正后的图像与事先准备好的除锈效果合格的样板照片进行对比，具体基于直方图对比的方法，图像直方图是用以表示数字图像中亮度分布的直方图，统计每一个强度值所具有的像素个数，根据除锈效果合格的样板照片计算得到直方图H1，再根据双目相机采集到的图像计算得到图像直方图Hi，设定一个衡量直方图相似度的阈值，将H1与Hi进行对比，相似度达到设定的阈值时认为除锈作业合格，否则认定为不合格；
第六步中，对比的具体过程是，漏喷检测采用基于直方图对比的方法，根据完全喷涂的样板照片计算出直方图H2，实时采集实际喷漆作业后的图像直方图Hj，设定对比标准，将H2与Hj对比，满足标准的认为无漏喷现象。
优选地，在第四步除锈过程之后，在第五步喷漆作业之前，对船舶立面的表面进行缺陷检测；具体过程是，首先利用模拟缺陷数据集训练YOLOV3的模型，经过多次迭代，得到检测权重模型，在彩色图中识别出缺陷的类别和位置；然后采用遍历像素的方法求出各缺陷的深度信息，具体过程为：将彩色图与深度图配准，在深度图中，以彩色图的检测框区域作为感兴趣区域，遍历感兴趣区域内所有像素点并记录对应的深度值，将对应的深度最大值和最小值求差，以此作为该处缺陷的深度信息；最后将目标检测结果与深度信息结合起来判断此处缺陷是否达到设定的缺陷标准，如果达到设定的缺陷标准则认为是缺陷。
本发明的有益效果是：对船舶、储罐的立面除锈、喷漆效果自动检测，取代人工检测，提高效率，降低人工成本，提高检测准确性。使爬壁机器人根据检测结果调整作业动作，实现爬壁机器人的自主化作业，智能化程度高。
本发明进一步的特征和方面，将在以下参考附图的具体实施方式的描述中，得以清楚地记载。
附图说明
图1是基于双目视觉的立面作业效果与表面缺陷检测方法的流程图；
图2是除锈工艺规划流程图；
图3是喷漆工艺规划流程图。
图4是坐标系之间的转换关系；
图5是畸变矫正前后图像，图(a)表示未畸变矫正图像，图(b)是畸变矫正后图像；
图6是校正后双目图像；
图7是表面缺陷检测流程图。
具体实施方式
以下参照附图，以具体实施例对本发明作进一步详细说明。
参考图1，基于双目视觉的立面作业效果与表面缺陷检测方法包括以下步骤：
第一步，选择小觅双目相机，将小觅双目相机安装到爬壁机器人上。
第二步，对小觅双目相机进行标定。
三维空间坐标投影到二维像素坐标之间的关系可以由坐标系的平移、旋转得到。世界坐标系到像素坐标系的转化关系如图4所示，假设O-XwYwZw为世界坐标系，Oc-XcYcWc为相机坐标系，o-xy为图像坐标系，uv为像素坐标系；f为Oc到o的距离(相机焦距)，世界坐标系下的Q点坐标为(Xw,Yw,Zw)，单位mm，对应像素坐标系下的q(x,y)，单位pixel。
可以得到世界坐标系下Q点到像素坐标系q点的映射关系如公式(1)：
公式(1)中，
称为内参矩阵，
称为外参矩阵，通过双目相机标可以求得相关的参数。
在现实世界中真实的相机成像过程，由于光线透过相机前的镜头时会产生方向偏差，从而使得目标物体在相机平面上的成像会与理想的位置产生偏移，造成了畸变现象。一般而言，图像畸变可以再细分为径向图像畸变和切向图像畸变。
(1)径向畸变主要是由于摄像机在制造过程中发生的几何外观制作误差而导致的，随着成像点与中心的距离的增加而增加，径向畸变的数学矫正模型如公式2所示。
公式(2)中(xcorrect,ycorrect)是被测物体经过校正后的像素点坐标；(xdietort,ydistort)是被测物体原始像素点坐标；r为该点到成像仪中心的距离，k1，k2，k3为径向畸变系数，如果径向畸变不是特别大，一般取k1，k2即可。
(2)切向畸变形成的主要原因是相机成像的时候切向透镜的整体安装面和位置高度误差较大所致，即安装偏差，成像透镜平面和切向透镜之间的不完全平行就可能会直接形成切向透镜畸变。使用如下公式进行矫正。
式中，p1、p2为切向畸变系数。
相机标定即获取相机内外参数。内参是由相机制造时决定的，内参矩阵是用来图像畸变矫正。外参描述的是世界与相机坐标系的位置转换关系，由参数R和T表示，获得的外参矩阵可用于立体匹配和测距。
张正友棋盘标定法是目前较为实用和高效的相机标定方法。张氏标定法使用平整的棋盘标定板的不同视角图像来计算相机参数。张正友标定技术原理的基本过程分为四步：1、计算单应性矩阵H；2、计算内外参矩阵；3、最大似然估计；4、径向畸变估计。实验选用的棋盘格规格为6*7，其中每个小方格的大小为70*70mm，按照张正友标定法的要求拍摄了40组图像。标定实验时对于每张标定用图像，要求重投影误差低于0.25。标定后得到的双目相机内外参数及畸变参数如表2所示。
表2双目相机内外参数及畸变参数
双目视觉立体矫正包括畸变矫正和立体校正两个部分。在上文中已经提到畸变可分为径向和切向两种，可以用(k1,k2,p1,p2,k3)来表示，利用张正友标定法已经得到了五个畸变系数的数值。通过Opencv提供的两个函数initUndistorRectifyMap和remap配合实现了畸变矫正过程，其中initUndistorRectifyMap函数是用来得到矫正过程中的畸变映射，remap函数是可以将映射在双目图像中使用。畸变矫正结果如图5所示。由图5可知畸变主要为桶形畸变，越靠近边缘位置的畸变越大，越靠近边缘位置的像素点越往内侧移动。而在进行完畸变矫正后，像素点都往外侧移动即被矫正到了正确的位置。
立体校正是基于Bouguet算法实现的，其思想是减少重投影畸变，使得其数值最小化，同时增大公共视野。其具体的校正过程如下：
(1)利用相机标定得到的旋转矩阵R使左右两个相机坐标系进行旋转，从而让左右图像共面，得到共面的两个坐标系，但是此时两坐标系的x轴并不共线，仍存在偏移即行不对准。
(2)利用相机标定得到的平移矩阵T构造Rrect矩阵，利用此矩阵旋转左右相机使得两坐标系的x轴共线，即实现行对准。
令平移矩阵T＝[Tx Ty 0],构造Rrect矩阵如公式4所示：
最后左右照相机坐标系中的原点之间的连接与图像平面要保持一定的平行距离，故可得
e2和e1正交，令e1与主光轴方向叉乘并归一化得
e3同时与e1和e2正交，可得：
e3＝e1×e2 (7)
将Rrect左乘R即为最终的立体校正矩阵，分解后可得旋转矩阵Rl和Rr，分别是左右图像所需的旋转矩阵，如公式8所示：
在Ubuntu16.04+Clion+Opencv环境下验证该校正效果，选取室内标定板进行该实验，实验结果如图6所示。通过一束平行的绿色线条可知，左右目图像基本实现行对准。
第三步，爬壁机器人在船舶的立面进行除锈作业，小觅双目相机对除锈作业后立面进行实时图像采集。控制器对采集到的图像进行校正，校正的具体过程可以是：首先根据畸变系数利用OpenCV进行畸变校正，再由旋转矩阵和平移矩阵参数进行立体校正，最终实现图像校正。
第四步，控制器将校正后的图像与事先准备好的除锈效果合格的样板照片进行对比，具体基于直方图对比的方法，图像直方图是用以表示数字图像中亮度分布的直方图，可以统计每一个强度值所具有的像素个数。根据除锈效果合格的样板照片计算得到直方图H1，再根据小觅双目相机采集到的图像计算得到图像直方图Hi。设定一个衡量直方图相似度的阈值，将H1与Hi进行对比，相似度达到设定的阈值时认为除锈作业合格，否则认定为不合格。对于不合格的情况可以设定等级，针对不同等级采取不同的除锈措施，例如对于不合格严重等级高的，采用多次除锈或加大除锈力度的措施。
第五步，爬壁机器人对船舶的立面除锈后的部分进行喷漆，小觅双目相机对喷漆后的立面进行实时图像采集。
第六步，控制器将小觅双目相机采集到的喷漆后图像与事先准备好的完全喷涂的样板照片进行对比，漏喷检测采用基于直方图对比的方法，根据完全喷涂的样板照片计算出直方图H2，实时采集实际喷漆作业后的图像直方图Hj，设定对比标准，将H2与Hj对比，满足标准的认为无漏喷现象。采用基于目标检测的方法对油漆表面的波纹、针孔进行检测，采用YOLO v3目标检测算法，实地采集数据集，训练得到检测模型；该检测模型可移植到机器人ROS软件中的darknet-ros功能包内，对波纹、针孔缺陷实时检测分类。
前述检测结果可以优化爬壁机器人除锈作业工艺规划，如图2所示。如果检测到除锈不合格，则增大水枪压力，加大除锈力度。机器人将按照新的作业参数继续工作，并根据效果检测信息动态调整新的作业参数。
前述检测结果可以优化爬壁机器人喷漆作业工艺规划，如图3所示，如果检测到漏喷信息，则控制爬壁机器人向漏喷区域偏移一定距离，调整作业路线；如果检测到油漆面存在波纹缺陷，则减小枪口出漆量；如果检测到油漆面存在针孔缺陷，系统报警提示操作人员调整油漆配比。最后机器人将按照新的作业参数继续工作，并根据喷漆效果检测信息动态调整新的作业参数。
需要说明的是，在第四步除锈过程之后，在第五步喷漆作业之前，可以对船舶立面的表面进行缺陷检测。如图7所示，具体过程是，首先利用模拟缺陷数据集训练YOLOV3的模型(本发明识别缺陷的三种类别，分别为凸起，凹陷和裂缝)，经过多次迭代，得到了精度较高且稳定的检测权重模型，可以在彩色图中识别出三种缺陷的类别和位置(画出检测框)。然后采用遍历像素的方法求出各缺陷的深度信息，具体过程为：将彩色图与深度图配准，保证深度图中对应位置的像素坐标与彩色图中的像素坐标相同。深度图的每个像素点都对应着一个深度信息，像素值就是物体到相机的距离。在深度图中，以彩色图的检测框区域作为感兴趣区域，遍历感兴趣区域内所有像素点并记录对应的深度值，将对应的深度最大值和最小值求差，以此作为该处缺陷的深度信息。最后将目标检测结果与深度信息结合起来判断此处缺陷是否达到中国造船质量标准规定的缺陷标准，即缺陷深度为船舶钢板厚度的20％或缺陷深度为25mm以上，则认为是缺陷。对达到缺陷标准的将进行系统报警，提示人工进行修复。
以上所述仅对本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。
Claims (5)
1.一种基于双目视觉的立面作业效果与表面缺陷检测方法，其特征在于，包括以下步骤：
第一步，将双目相机安装到爬壁机器人上；
第二步，对双目相机进行标定；
第三步，爬壁机器人在船舶的立面进行除锈作业，双目相机对除锈作业后立面进行实时图像采集；控制器对采集到的图像进行校正；
第四步，控制器将校正后的图像与事先准备好的除锈效果合格的样板照片进行对比，相似度达到一定值时认为除锈作业合格；
第五步，爬壁机器人对船舶的立面除锈后的部分进行喷漆，双目相机对喷漆后的立面进行实时图像采集；
第六步，控制器将双目相机采集到的喷漆后图像与事先准备好的完全喷涂的样板照片进行对比，相似度达到一定程度时认为喷漆作业合格。
2.根据权利要求1所述的基于双目视觉的立面作业效果与表面缺陷检测方法，其特征在于：
当检测到除锈不合格，调整爬壁机器人除锈作业参数；
当检测到喷漆作业不合格，则控制爬壁机器人向漏喷区域偏移一定距离，调整作业路线。
3.根据权利要求2所述的基于双目视觉的立面作业效果与表面缺陷检测方法，其特征在于：
当检测到油漆面存在波纹缺陷，则减小爬壁机器人的枪口出漆量；当检测到油漆面存在针孔缺陷，系统报警提示操作人员调整油漆配比。
4.根据权利要求1所述的基于双目视觉的立面作业效果与表面缺陷检测方法，其特征在于：
所述第四步中，控制器将校正后的图像与事先准备好的除锈效果合格的样板照片进行对比，具体基于直方图对比的方法，图像直方图是用以表示数字图像中亮度分布的直方图，统计每一个强度值所具有的像素个数，根据除锈效果合格的样板照片计算得到直方图H1，再根据双目相机采集到的图像计算得到图像直方图Hi，设定一个衡量直方图相似度的阈值，将H1与Hi进行对比，相似度达到设定的阈值时认为除锈作业合格，否则认定为不合格；
所述第六步中，对比的具体过程是，漏喷检测采用基于直方图对比的方法，根据完全喷涂的样板照片计算出直方图H2，实时采集实际喷漆作业后的图像直方图Hj，设定对比标准，将H2与Hj对比，满足标准的认为无漏喷现象。
5.根据权利要求1所述的基于双目视觉的立面作业效果与表面缺陷检测方法，其特征在于，在第四步除锈过程之后，在第五步喷漆作业之前，对船舶立面的表面进行缺陷检测；具体过程是，首先利用模拟缺陷数据集训练YOLOV3的模型，经过多次迭代，得到检测权重模型，在彩色图中识别出缺陷的类别和位置；然后采用遍历像素的方法求出各缺陷的深度信息，具体过程为：将彩色图与深度图配准，在深度图中，以彩色图的检测框区域作为感兴趣区域，遍历感兴趣区域内所有像素点并记录对应的深度值，将对应的深度最大值和最小值求差，以此作为该处缺陷的深度信息；最后将目标检测结果与深度信息结合起来判断此处缺陷是否达到设定的缺陷标准，如果达到设定的缺陷标准则认为是缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016263.8A CN113763346B (zh) | 2021-08-31 | 2021-08-31 | 基于双目视觉的立面作业效果与表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016263.8A CN113763346B (zh) | 2021-08-31 | 2021-08-31 | 基于双目视觉的立面作业效果与表面缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113763346A true CN113763346A (zh) | 2021-12-07 |
| CN113763346B CN113763346B (zh) | 2023-12-01 |
Family
ID=78792251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111016263.8A Active CN113763346B (zh) | 2021-08-31 | 2021-08-31 | 基于双目视觉的立面作业效果与表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113763346B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114454137A (zh) * | 2022-04-12 | 2022-05-10 | 西南交通大学 | 基于双目视觉的钢结构损伤智能巡检方法、系统及机器人 |
| CN114536362A (zh) * | 2022-02-24 | 2022-05-27 | 中国民用航空飞行学院 | 一种柔性飞机除漆机器人及其使用方法 |
| CN115661105A (zh) * | 2022-11-05 | 2023-01-31 | 东莞市蒂安斯实业有限公司 | 基于人工智能的汽车模型视觉检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004296592A (ja) * | 2003-03-26 | 2004-10-21 | Dainippon Screen Mfg Co Ltd | 欠陥分類装置、欠陥分類方法およびプログラム |
| CN102288613A (zh) * | 2011-05-11 | 2011-12-21 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
| CN206939014U (zh) * | 2017-06-29 | 2018-01-30 | 深圳市招科华域科技有限公司 | 一种爬壁式船舶外板智能激光除锈设备 |
| WO2018086348A1 (zh) * | 2016-11-09 | 2018-05-17 | 人加智能机器人技术（北京）有限公司 | 双目立体视觉系统及深度测量方法 |
| US20180322648A1 (en) * | 2015-11-11 | 2018-11-08 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for binocular stereo vision |
| CN109958263A (zh) * | 2019-05-09 | 2019-07-02 | 广东博智林机器人有限公司 | 喷涂机器人 |
| CN110702035A (zh) * | 2019-10-25 | 2020-01-17 | 四川大学青岛研究院 | 一种基于面结构光的家电喷涂质量检测系统及方法 |
| CN110852318A (zh) * | 2019-10-21 | 2020-02-28 | 武汉众智鸿图科技有限公司 | 一种排水管道缺陷精准定位方法及系统 |
| CN111815564A (zh) * | 2020-06-09 | 2020-10-23 | 浙江华睿科技有限公司 | 一种检测丝锭的方法、装置及丝锭分拣系统 |
| CN112150441A (zh) * | 2020-09-24 | 2020-12-29 | 菲特（天津）检测技术有限公司 | 一种基于机器视觉的光滑漆面表面缺陷检测方法 |
| CN112308832A (zh) * | 2020-10-29 | 2021-02-02 | 常熟理工学院 | 一种基于机器视觉的轴承质量检测方法 |
| CN213499232U (zh) * | 2020-09-21 | 2021-06-22 | 宝宇(武汉)激光技术有限公司 | 一种集激光清洗、喷涂防腐及检测于一体的一体化设备 |
-
2021
- 2021-08-31 CN CN202111016263.8A patent/CN113763346B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004296592A (ja) * | 2003-03-26 | 2004-10-21 | Dainippon Screen Mfg Co Ltd | 欠陥分類装置、欠陥分類方法およびプログラム |
| CN102288613A (zh) * | 2011-05-11 | 2011-12-21 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
| US20180322648A1 (en) * | 2015-11-11 | 2018-11-08 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for binocular stereo vision |
| WO2018086348A1 (zh) * | 2016-11-09 | 2018-05-17 | 人加智能机器人技术（北京）有限公司 | 双目立体视觉系统及深度测量方法 |
| CN206939014U (zh) * | 2017-06-29 | 2018-01-30 | 深圳市招科华域科技有限公司 | 一种爬壁式船舶外板智能激光除锈设备 |
| CN109958263A (zh) * | 2019-05-09 | 2019-07-02 | 广东博智林机器人有限公司 | 喷涂机器人 |
| CN110852318A (zh) * | 2019-10-21 | 2020-02-28 | 武汉众智鸿图科技有限公司 | 一种排水管道缺陷精准定位方法及系统 |
| CN110702035A (zh) * | 2019-10-25 | 2020-01-17 | 四川大学青岛研究院 | 一种基于面结构光的家电喷涂质量检测系统及方法 |
| CN111815564A (zh) * | 2020-06-09 | 2020-10-23 | 浙江华睿科技有限公司 | 一种检测丝锭的方法、装置及丝锭分拣系统 |
| CN213499232U (zh) * | 2020-09-21 | 2021-06-22 | 宝宇(武汉)激光技术有限公司 | 一种集激光清洗、喷涂防腐及检测于一体的一体化设备 |
| CN112150441A (zh) * | 2020-09-24 | 2020-12-29 | 菲特（天津）检测技术有限公司 | 一种基于机器视觉的光滑漆面表面缺陷检测方法 |
| CN112308832A (zh) * | 2020-10-29 | 2021-02-02 | 常熟理工学院 | 一种基于机器视觉的轴承质量检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郑冬凯;顿向明;: "船体涂装缺陷智能检测与修复机器人的设计", 机电一体化, no. 03 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114536362A (zh) * | 2022-02-24 | 2022-05-27 | 中国民用航空飞行学院 | 一种柔性飞机除漆机器人及其使用方法 |
| CN114454137A (zh) * | 2022-04-12 | 2022-05-10 | 西南交通大学 | 基于双目视觉的钢结构损伤智能巡检方法、系统及机器人 |
| CN115661105A (zh) * | 2022-11-05 | 2023-01-31 | 东莞市蒂安斯实业有限公司 | 基于人工智能的汽车模型视觉检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113763346B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113763346B (zh) | 基于双目视觉的立面作业效果与表面缺陷检测方法 | |
| CN113137920B (zh) | 一种水下测量的设备与水下测量方法 | |
| CN108181319B (zh) | 一种基于立体视觉的积尘检测装置及方法 | |
| CN113763562B (zh) | 基于双目视觉的立面特征检测及立面特征处理方法 | |
| CN111721259A (zh) | 基于双目视觉的水下机器人回收定位方法 | |
| CN112132874B (zh) | 无标定板异源图像配准方法、装置、电子设备及存储介质 | |
| CN108088845A (zh) | 一种基于微弱信息保留的成像校正方法与装置 | |
| CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
| CN114140439A (zh) | 基于深度学习的激光焊接焊缝特征点识别方法及装置 | |
| CN113538583A (zh) | 一种工件在机床上位置的精准定位方法及视觉系统 | |
| CN112767338A (zh) | 一种基于双目视觉的装配式桥梁预制构件吊装定位系统及其方法 | |
| CN115014248B (zh) | 一种激光投射线的识别与平面度判定方法 | |
| CN104966302B (zh) | 一种任意角度激光十字的检测定位方法 | |
| CN112465774A (zh) | 一种基于人工智能的气密性测试中的气孔定位方法及系统 | |
| CN109671059B (zh) | 一种基于OpenCV的电池盒图像处理方法及系统 | |
| CN114565565A (zh) | 一种视觉测量目标中心亚像素定位方法 | |
| CN108180825B (zh) | 一种基于线结构光的长方体形物体三维识别与定位方法 | |
| CN108550144B (zh) | 基于灰度信度的激光光条序列图像质量评价方法 | |
| CN108769459A (zh) | 基于图像处理的多点激光全自动斜角度拍摄校正系统 | |
| CN113109259B (zh) | 一种图像的智能导航方法及装置 | |
| CN116091603A (zh) | 一种基于点特征的箱体工件位姿测量方法 | |
| CN115797417A (zh) | 一种用于海上钻井平台的可见-红外相机图像快速配准方法 | |
| CN114841929A (zh) | 一种基于机器视觉的板宽检测方法 | |
| CN111047904B (zh) | 一种基于井字标定线的车辆位置信息检测系统及方法 | |
| CN113983951A (zh) | 三维目标的测量方法、装置、影像仪及存储介质 |
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 |