CN113888457A - 基于三维激光扫描技术的缺陷检测系统及方法 - Google Patents

基于三维激光扫描技术的缺陷检测系统及方法 Download PDF

Info

Publication number
CN113888457A
CN113888457A CN202010632218.4A CN202010632218A CN113888457A CN 113888457 A CN113888457 A CN 113888457A CN 202010632218 A CN202010632218 A CN 202010632218A CN 113888457 A CN113888457 A CN 113888457A
Authority
CN
China
Prior art keywords
dimensional
image
point cloud
information
points
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.)
Pending
Application number
CN202010632218.4A
Other languages
English (en)
Inventor
王琪
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.)
Shenzhen Liaoran Vision Technology Co ltd
Original Assignee
Shenzhen Liaoran Vision 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 Shenzhen Liaoran Vision Technology Co ltd filed Critical Shenzhen Liaoran Vision Technology Co ltd
Priority to CN202010632218.4A priority Critical patent/CN113888457A/zh
Publication of CN113888457A publication Critical patent/CN113888457A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

基于三维激光扫描技术的缺陷检测系统及方法，通过获取二维图像与相应的三维点云信息，将三维点云转换成强度图像，并且对强度图像与二维图像进行配准；根据配准结果，利用harris对二维图像与强度图像进行角点提取，并且在这些角点中实现相应的同名点的对应关系与提取；根据同名点的对应关系与共线方程，实现三维点云坐标二维图像的映射关系；提取二维图像的特征后，根据三维点云与二维图像的映射关系，映射出相应的三维特征点云信息，将得出的特征信息与标准件的三维点云信息进行比对，得出有无缺陷。本发明将较难处理的三维点云信息特征点提取转化为二维图像信息特征点提取，弥补了三维点云处理难度大、计算量大等缺陷，提高了检测效率。

Description

基于三维激光扫描技术的缺陷检测系统及方法
技术领域
本发明涉及一种基于三维激光扫描技术的缺陷检测系统及方法，属于缺陷检测技术领域。
背景技术
对于缺陷检测技术领域来说，应用较为广泛的方法为二维图像处理，拍摄出待检测对象的二维图像，根据相应的图像处理方法与缺陷特征实现对象的缺陷提取与识别。对于二维图像来说，具备特征提取等基本的图像处理运算速度较快的优点。然而，二维图像检测有其固有的缺陷，其不能检测对于深度方向上的缺陷信息，只能检测对象平面上的信息。对于对象为三维的立体图像同时对于深度信息检测有较大要求时，仅仅应用二维图像进行检测是不能满足最终的检测需求的，从而引入三维点云检测。三维点云信息能够完整的反映出对象的三维特征信息，对于有深度检测要求的系统来说无疑是较好的选择。然而，三维点云检测所获取的信息量大，所需处理的三维数据量大，处理运算时间较长，耗费系统内存的同时降低了检测效率。
现有技术中，发动机缺陷检测主要是采集待检测物体的二维平面图像，并对图像进行相应的处理，通过提取缺陷的特征进行识别。但二维图像只能采集到物体的平面信息，当检测物体的特征对深度信息有较大要求时，二维检测就无法满足。且当物体与背景色颜色相近时，传统的二维检测难于得到清晰的轮廓，即便通过外加光源增加对比度识别的结果也没有三维检测可靠稳定。但三维点云检测采集到的的信息量大，所需处理的三维数据量大，处理运算时间较长，耗费系统内存的同时降低了检测效率。
发明内容
为解决上述技术问题，本发明提供一种基于三维激光扫描技术的缺陷检测系统及方法，将二维图像处理与三维点云信息处理相互结合起来，该方法将较难处理的三维点云信息特征点提取转化为二维图像信息的特征点提取，不仅弥补了整个检测过程中对三维点云处理难度大、计算量大等技术缺陷，同时也提高了三维点云特征点的检测效率。
本发明采取的技术方案为：
基于三维激光扫描技术的缺陷检测系统，该系统包括：
数据获取模块，用于获取被检测对象的二维图像与三维点云数据信息；
显示模块，用于显示未配准前后的二维图像与三维点云、强度图像、配准后的强度图像与二维图像、配准后的二维图像与三维点云信息，同时进行相应的人机交互；
存储模块，用于存储获取的二维图像、三维点云、错误信息、系统日志信息；
数据处理模块，用于实现三维点云数据转换成对应的强度图像；强度图像与二维图像配准；三维点云与二维图像的配准、二维图像特征提取、特征映射、三维点云特征提取功能。
所述二维图像、三维点云信息均通过3D线激光扫描仪获取。
所述三维点云转换成强度图像，对强度图像与二维图像进行配准；根据配准结果，利用harris对二维图像与强度图像进行角点提取，并且在这些角点中实现相应的同名点的对应关系与提取；根据上述同名点的对应关系与共线方程，实现三维点云坐标二维图像的映射关系；提取二维图像的特征后，根据三维点云与二维图像的映射关系，映射出相应的三维特征点云信息，将得出的特征信息与发动机摇臂标准件的三维点云信息进行比对，最后得出有无缺陷。
基于三维激光扫描技术的发动机缺陷检测方法，包括以下步骤：
步骤1：应用上述系统获取二维图像与相应的三维点云信息，将三维点云转换成强度图像，并且对强度图像与二维图像进行配准；
步骤2：根据步骤1的配准结果，利用harris对二维图像与强度图像进行角点提取，并且在这些角点中实现相应的同名点的对应关系与提取；
步骤3：根据步骤2同名点的对应关系与共线方程，实现三维点云坐标二维图像的映射关系；
步骤4：提取二维图像的特征后，根据三维点云与二维图像的映射关系，映射出相应的三维特征点云信息，将得出的特征信息与发动机标准件的三维点云信息进行比对，最后得出有无缺陷。
基于三维激光扫描技术的发动机摇臂缺陷检测方法，首先，进行发动机摇臂的空间三维信息的获取；其次，将发动机摇臂的二维图像与三维点云信息进行了配准，并且通过提取发动机摇臂的二维图像的特征信息来进一步的提取发动机三维点云特征信息；最后，将获取的三维特征信息与原始标准件特征信息进行比对，以此实现发动机摇臂的缺陷检测。
本发明基于三维激光扫描技术的缺陷检测系统及方法，将较难处理的三维点云信息特征点提取转化为二维图像信息的特征点提取，不仅弥补了整个检测过程中对三维点云处理难度大、计算量大等缺陷，同时也提高了三维点云特征点检测效率。
附图说明
图1为本发明的检测过程示意图。
图2为本发明的三维点云到强度图像的映射变换示意图。
图3为本发明的三维点云与二维图像的配准过程示意图。
具体实施方式
基于三维激光扫描技术的缺陷检测系统，以发动机缺陷检测为例：
该系统由PC机、机械臂、3D线激光扫描仪、激光控制器、机械臂控制器、发动机等六大部分硬件组成。3D线激光扫描仪通过紧固件与机械臂末端进行刚性连接。发动机属于待检测部件，待检测部件为发动机摇臂、也可以为发动机气缸、凸轮轴、连接法兰等汽车其他部件。
该缺陷检测系统软件系统包括：
数据获取模块，用于获取被检测对象的二维图像与三维点云数据信息；
显示模块，用于显示未配准前后的二维图像与三维点云、强度图像、配准后的强度图像与二维图像、配准后的二维图像与三维点云信息，同时进行相应的人机交互；
存储模块，用于存储获取的二维图像、三维点云、错误信息、系统日志信息；
数据处理模块，用于实现三维点云数据转换成对应的强度图像；强度图像与二维图像配准；三维点云与二维图像的配准、二维图像特征提取、特征映射、三维点云特征提取功能。
所述二维图像、三维点云信息均通过3D线激光扫描仪获取，3D线激光扫描仪通过紧固件与机械臂末端进行刚性连接。
所述三维点云转换成强度图像，对强度图像与二维图像进行配准；根据配准结果，利用harris对二维图像与强度图像进行角点提取，并且在这些角点中实现相应的同名点的对应关系与提取；根据上述同名点的对应关系与共线方程，实现三维点云坐标二维图像的映射关系；提取二维图像的特征后，根据三维点云与二维图像的映射关系，映射出相应的三维特征点云信息，将得出的特征信息与发动机摇臂标准件的三维点云信息进行比对，最后得出有无缺陷。
基于三维激光扫描技术的发动机缺陷检测方法，包括以下步骤：
步骤1：应用3D线激光扫描仪，获取待检测部件的二维图像与3D点云信息；
步骤2：对步骤1获取的二维图像跟三维点云信息，分别进行预处理，对于二维图像的预处理为高斯滤波，增强对比度同时进行边缘增强；对三维点云信息的预处理为高斯滤波，孔洞的点云修补和点云的下采样；
步骤3：对预处理后的二维图像进行灰度化处理，得到相应的灰度化图像；
步骤4:将预处理后的三维点云信息根据图2的映射关系转换成相应的强度图像，在此强度图像为二维图像；
步骤5：应用图3所示的配准方法，实现灰度图与强度图像的配准，应用Harris角点提取获取两幅图像的角点信息，同时获取其相应的同名点坐标，最后实现三维点云信息与二维图像的对应关系；
步骤6：获取二维灰度图像的特征信息，并且根据步骤5所获取的映射关系，获取三维点云对应的特征信息；
步骤7：将步骤6获取的特征信息与待检测部件的三维特征信息进行比对，根据比对结果判断有无缺陷存在，最终实现缺陷检测。
上述步骤4中，关于三维点云信息转换成相应的强度图像，其具体步骤为：
步骤4.1：对于三维点云p3d(xi,yi,zi)，1≤i≤n,寻找其x、y、z方向上的最大值与最小值，xmin、ymin、zmin、xmax、ymax、zmax。
xi表示三维点云X轴上的位置坐标；
yi表示三维点云y轴上的位置坐标；
yi表示三维点云z轴上的位置坐标
i表示在1到n中的任意值；
n表示采集的三维点云的总数。
步骤4.2：根据公式(1-1)，将三维点云中的点进行映射，形成具有灰度值的强度图像p(xi,yi),其中zi的转换为对应点的灰度值；
Figure BDA0002569462370000041
xmin、ymin、zmin为三维点云P在x、y、z方向上的最小值。
xmax、ymax、zmax为三维点云P在x、y、z方向上的最大值。
xi、yi为强度图像p分别在x轴，y轴的位置坐标。
zi为对应点的灰度值；
W为图像的宽，H为图像的长。
上述步骤5中，关于三维点云与二维图像的配准过程，其主要步骤为：
步骤5.1：将二维图像作为基准图像，同时将实施例2中步骤4所获取的强度图像作为配准图像，同时对其进行高斯滤波与图像增强的预处理；
步骤5.2：计算图像增强后的基准图像与配准图像的互信息，即：
Figure BDA0002569462370000051
公式(1-2)中，p(x,y)为事件X与事件Y的联合概率分布，p(x)、p(y)分别为事件X与事件Y的边缘分布概率；
步骤5.3：以互信息作为相似性测度，即互信息取最大值Max(I(X,Y))时，公式(1-3)中的对应的tx、ty、Sx、Sy、θ值。
Figure BDA0002569462370000052
公式(1-3)为配准方程，[xy 1]为p(x,y)为强度图像中的点对应的齐次坐标，[x’y’
1]为p’(x’,y’)二维图像的点对应的齐次坐标，tx、ty分别表示强度图像各点在x、y方向分别需要平移的步数；Sx、Sy分别表示在x、y方向需要缩放的比例；θ表示强度图像需要绕原点逆时针旋转的度数。
步骤5.4：根据公式(1-3)，对配准图像即强度图像进行配准，即做相应的平移、旋转、缩放运算。
步骤5.5：对配准后的强度图像应用Harris角点提取方法提取相应的角点信息记录为Pi(xi，yi)1≤i≤n；同时对图像增强后的基准图像即二维图像进行相应的Harris角点提取，角点记录为qj(xj,yj)1≤j≤m。
步骤5.6：在基准图像的角点中寻找配准后强度图像角点对应的同名点，即以基准图像角点Pi’(xi+tx，yi+ty)为窗口中心，以2个像素宽度为窗口的边长，对i＝1到i＝n上对应的qj角点进行搜索，如果qj中有相应的角点落于窗口中，并且num＝1，则其便是基准图像角点对应配准图像的同名点，即为q’k(xk，yk)，k＝k+1，k≤n；如果num>1，证明有多个基准图像的角点落于窗口内，则选定其中与窗口中心点距离最小的角点作为对应的同名点；如果num＝0，则没有对应的同名点；
步骤5.7：找出对应的同名点后，再根据图2所示的对应关系的逆运算，得出相应的点云的同名点；根据这些对应的同名点与相应的共线方程，计算出三维点云信息与二维图像之间的映射关系。
配准CCD图像和点云的过程实际就是求解世界坐标系(点云坐标系)与图像坐标系的转换矩阵的过程。通常两个坐标系之间的转换关系可以分解为一次绕坐标原点的旋转和一次平移。世界坐标系与图像坐标系之间的转换因为维数的差异，因此需要引入中间的转换过程，首先计算世界坐标系(点云坐标系)与摄像机坐标系的转换关系，接下来计算后者与图像坐标系的转换关系，综合可以得出世界坐标系(点云坐标系)与图像坐标系的转换关系。
Figure BDA0002569462370000061
即为：
Figure BDA0002569462370000062
其中，(x，y)是图像中像素点的坐标，(X，Y、Z)是该点在世界坐标系中(点云坐标)的坐标。x0，y0，f是摄像机内方位元素。(Xs，Ys，Zs)是摄像机中心在世界坐标系中的坐标。a1到c3是图像的3个外方位角组成的9个方向余弦。
对相机进行标定，以获取相机内方位元素。现在的关键问题是要求解出共线方程中的各项未知数。在上一小节中，通过CCD图像和点云强度图像的配准，已经得到了一系列的同名点，通过将这些同名点以及相机的内方位参数代入式(1-4)，根据近景摄影测量学中单像空间后交会原理，解算出a1到c3，以及Xs，Ys，Zs。
以待检测部件为发动机摇臂为例：
基于三维激光扫描技术的发动机摇臂缺陷检测方法，首先，实现了发动机摇臂的空间三维信息的获取；其次，将发动机摇臂的二维图像与三维点云信息进行了配准，并且通过提取发动机摇臂的二维图像的特征信息来进一步的提取发动机三维点云特征信息；最后，将获取的三维特征信息与原始标准件特征信息进行比对，以此实现发动机摇臂的缺陷检测。

Claims (10)

1.基于三维激光扫描技术的缺陷检测系统，其特征在于该系统包括：
数据获取模块，用于获取被检测对象的二维图像与三维点云数据信息；
显示模块，用于显示未配准前后的二维图像与三维点云、强度图像、配准后的强度图像与二维图像、配准后的二维图像与三维点云信息，同时进行相应的人机交互；
存储模块，用于存储获取的二维图像、三维点云、错误信息、系统日志信息；
数据处理模块，用于实现三维点云数据转换成对应的强度图像；强度图像与二维图像配准；三维点云与二维图像的配准、二维图像特征提取、特征映射、三维点云特征提取功能。
2.根据权利要求1所述基于三维激光扫描技术的缺陷检测系统，其特征在于：所述二维图像、三维点云信息均通过3D线激光扫描仪获取。
3.根据权利要求1所述基于三维激光扫描技术的缺陷检测系统，其特征在于：三维点云转换成强度图像，对强度图像与二维图像进行配准；
根据配准结果，利用harris对二维图像与强度图像进行角点提取，并且在这些角点中实现相应的同名点的对应关系与提取；
根据上述同名点的对应关系与共线方程，实现三维点云坐标二维图像的映射关系；
提取二维图像的特征后，根据三维点云与二维图像的映射关系，映射出相应的三维特征点云信息，将得出的特征信息与发动机标准件的三维点云信息进行比对，最后得出有无缺陷。
4.采用如权利要求1或2或3所述任意一种缺陷检测系统的发动机缺陷检测方法，其特征在于包括以下步骤：
步骤1：应用所述检测系统获取二维图像与相应的三维点云信息，将三维点云转换成强度图像，并且对强度图像与二维图像进行配准；
步骤2：根据步骤1的配准结果，利用harris对二维图像与强度图像进行角点提取，并且在这些角点中实现相应的同名点的对应关系与提取；
步骤3：根据步骤2同名点的对应关系与共线方程，实现三维点云坐标二维图像的映射关系；
步骤4：提取二维图像的特征后，根据三维点云与二维图像的映射关系，映射出相应的三维特征点云信息，将得出的特征信息与发动机标准件的三维点云信息进行比对，最后得出有无缺陷。
5.根据权利要求4所述的发动机缺陷检测方法，其特征在于：
所述步骤1中，三维点云转换成相应的强度图像，其具体包括以下步骤：
步骤1.1：对于三维点云p3d(xi,yi,zi)，1≤i≤n,寻找其x、y、z方向上的最大值与最小值，xmin、ymin、zmin、xmax、ymax、zmax；
步骤1.2：根据公式(1-1)，将三维点云中的点进行映射，形成具有灰度值的强度图像p(xi,yi),其中，zi的转换为对应点的灰度值；
Figure FDA0002569462360000021
6.根据权利要求4所述的发动机缺陷检测方法，其特征在于：
所述步骤1中，三维点云与二维图像的配准过程，包括以下步骤：
步骤1.3：将二维图像作为基准图像，同时将三维点云转换成相应的强度图像作为配准图像，同时对其进行高斯滤波与图像增强的预处理；
步骤1.4：计算图像增强后的基准图像与配准图像的互信息，即：
Figure FDA0002569462360000022
公式(1-2)中，p(x,y)为事件X与事件Y的联合概率分布，p(x)、p(y)分别为事件X与事件Y的边缘分布概率；
步骤1.5：以互信息作为相似性测度，即互信息取最大值Max(I(X,Y))时，公式(1-3)中的对应的tx、ty、Sx、Sy、θ值；
Figure FDA0002569462360000023
公式(1-3)为配准方程，[xy 1]为p(x,y)为强度图像中的点对应的齐次坐标，[x’y’ 1]为p’(x’,y’)二维图像的点对应的齐次坐标，tx、ty分别表示强度图像各点在x、y方向分别需要平移的步数；Sx、Sy分别表示在x、y方向需要缩放的比例；θ表示强度图像需要绕原点逆时针旋转的度数；
步骤1.6：根据公式(1-3)对配准图像即强度图像进行配准，即做相应的平移、旋转、缩放运算。
7.根据权利要求4所述的发动机缺陷检测方法，其特征在于：所述步骤2中，对配准后的强度图像，应用Harris角点提取方法提取相应的角点信息记录为Pi(xi，yi)1≤i≤n；同时对图像增强后的基准图像即二维图像进行相应的Harris角点提取，角点记录为qj(xj,yj)1≤j≤m。
8.根据权利要求4所述的发动机缺陷检测方法，其特征在于，所述步骤3包括以下步骤：步骤3.1：在基准图像的角点中，寻找配准后强度图像角点对应的同名点，即以基准图像角点Pi’(xi+tx，yi+ty)为窗口中心，以2个像素宽度为窗口的边长，对i＝1到i＝n上对应的qj角点进行搜索，如果qj中有相应的角点落于窗口中，并且num＝1，则其便是基准图像角点对应配准图像的同名点，即为q’k(xk，yk)，k＝k+1，k≤n；如果num>1，证明有多个基准图像的角点落于窗口内，则选定其中与窗口中心点距离最小的角点作为对应的同名点；如果num＝0，则没有对应的同名点；
步骤3.2：找出对应的同名点后，再根据对应关系的逆运算，得出相应的点云的同名点；根据这些对应的同名点与相应的共线方程，计算出三维点云信息与二维图像之间的映射关系。
9.如权利要求4-8所述任意一项发动机缺陷检测方法，其特征在于：应用于发动机摇臂、发动机气缸、发动机凸轮轴、或者发动机连接法兰缺陷检测中。
10.基于三维激光扫描技术的发动机摇臂缺陷检测方法，其特征在于：首先，进行发动机摇臂的空间三维信息的获取；其次，将发动机摇臂的二维图像与三维点云信息进行了配准，并且通过提取发动机摇臂的二维图像的特征信息来进一步的提取发动机三维点云特征信息；最后，将获取的三维特征信息与原始标准件特征信息进行比对，以此实现发动机摇臂的缺陷检测。
CN202010632218.4A 2020-07-03 2020-07-03 基于三维激光扫描技术的缺陷检测系统及方法 Pending CN113888457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010632218.4A CN113888457A (zh) 2020-07-03 2020-07-03 基于三维激光扫描技术的缺陷检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010632218.4A CN113888457A (zh) 2020-07-03 2020-07-03 基于三维激光扫描技术的缺陷检测系统及方法

Publications (1)

Publication Number Publication Date
CN113888457A true CN113888457A (zh) 2022-01-04

Family

ID=79012548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010632218.4A Pending CN113888457A (zh) 2020-07-03 2020-07-03 基于三维激光扫描技术的缺陷检测系统及方法

Country Status (1)

Country Link
CN (1) CN113888457A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460093A (zh) * 2022-01-29 2022-05-10 新拓三维技术(深圳)有限公司 一种航空发动机缺陷检测方法及系统
CN114782342A (zh) * 2022-04-12 2022-07-22 北京瓦特曼智能科技有限公司 城市硬件设施缺陷的检测方法及装置
CN115131344A (zh) * 2022-08-25 2022-09-30 泉州华中科技大学智能制造研究院 一种通过光强数据实现制鞋成型胶线提取的方法
CN115908519A (zh) * 2023-02-24 2023-04-04 南京航空航天大学 一种大型复合材料构件三维测量配准误差控制方法
CN115931871A (zh) * 2022-12-01 2023-04-07 华中科技大学 一种用于永磁电机转子外轮廓缺陷检测装置及方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460093A (zh) * 2022-01-29 2022-05-10 新拓三维技术(深圳)有限公司 一种航空发动机缺陷检测方法及系统
CN114460093B (zh) * 2022-01-29 2024-05-28 新拓三维技术(深圳)有限公司 一种航空发动机缺陷检测方法及系统
CN114782342A (zh) * 2022-04-12 2022-07-22 北京瓦特曼智能科技有限公司 城市硬件设施缺陷的检测方法及装置
CN114782342B (zh) * 2022-04-12 2024-02-09 北京瓦特曼智能科技有限公司 城市硬件设施缺陷的检测方法及装置
CN115131344A (zh) * 2022-08-25 2022-09-30 泉州华中科技大学智能制造研究院 一种通过光强数据实现制鞋成型胶线提取的方法
CN115131344B (zh) * 2022-08-25 2022-11-08 泉州华中科技大学智能制造研究院 一种通过光强数据实现制鞋成型胶线提取的方法
CN115931871A (zh) * 2022-12-01 2023-04-07 华中科技大学 一种用于永磁电机转子外轮廓缺陷检测装置及方法
CN115908519A (zh) * 2023-02-24 2023-04-04 南京航空航天大学 一种大型复合材料构件三维测量配准误差控制方法

Similar Documents

Publication Publication Date Title
CN113888457A (zh) 基于三维激光扫描技术的缺陷检测系统及方法
CN109087274B (zh) 基于多维融合及语义分割的电子器件缺陷检测方法及装置
CN111784778B (zh) 基于线性求解非线性优化的双目相机外参标定方法和系统
CN103093191B (zh) 一种三维点云数据结合数字影像数据的物体识别方法
CN103424409B (zh) 一种基于dsp的视觉检测系统
CN109447068A (zh) 一种从图像中分离印章并校准印章的方法
CN106897995B (zh) 一种面向机械装配过程的零部件自动识别方法
TWI745204B (zh) 基於深度學習之高效率光達物件偵測方法
CN112184811A (zh) 单目空间结构光系统结构校准方法及装置
CN117557565B (zh) 一种锂电池极片的检测方法及其装置
JP2003216931A (ja) 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置
CN108182700B (zh) 一种基于两次特征检测的图像配准方法
CN111539951B (zh) 一种陶瓷砂轮头轮廓尺寸视觉检测方法
CN110969650B (zh) 一种基于中心投影的强度图像与纹理序列间的配准方法
CN117351078A (zh) 基于形状先验的目标尺寸与6d姿态估计方法
CN112819935A (zh) 基于双目立体视觉实现工件三维重建的方法
CN116935369A (zh) 基于计算机视觉的船舶水尺读数方法及系统
CN116416234A (zh) 一种轨道机车表面缺陷检测方法及系统
Qi et al. Center detection algorithm for printed circuit board circular marks based on image space and parameter space
Chen Image Edge Detection Algorithm of Machined Parts Based on Mathematical Morphology
CN115034577A (zh) 一种基于虚实边缘匹配的机电产品漏装检测方法
CN114998624A (zh) 图像查找方法和装置
JP2992446B2 (ja) 画像認識方法およびその装置
Liang Mechanical parts pose detection system based on orb key frame matching algorithm
CN110619650A (zh) 一种基于线结构激光点云的边缘点提取方法和装置

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