CN114964042B - 一种曲线轮廓在线测量中数据异常点判别与辨识方法 - Google Patents
一种曲线轮廓在线测量中数据异常点判别与辨识方法 Download PDFInfo
- Publication number
- CN114964042B CN114964042B CN202210552159.9A CN202210552159A CN114964042B CN 114964042 B CN114964042 B CN 114964042B CN 202210552159 A CN202210552159 A CN 202210552159A CN 114964042 B CN114964042 B CN 114964042B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- abnormal
- sequence
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 82
- 238000005259 measurement Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims description 23
- 230000035772 mutation Effects 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 238000006467 substitution reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
一种曲线轮廓在线测量中数据异常点判别与辨识方法，首先，对测量数据中异常数据点进行判别，判别其是否为数据异常点；然后，对异常数据进行识别，辨识出其异常类型与数据排序形式；最后，对不同类型的异常数据进行剔除与补偿，对不同类型异常数据按照一定的规则进行参数校正。本发明结合不同类型的异常数据形式与异常点在数据序列中的位置，采用不同的位置函数实现数据异常点判别与辨识；通过对数据异常点进行修正，可有效改善测量数据的准确性，提高曲线轮廓在线测量精度与测量效率。
Description
技术领域
本发明属于几何量精密测量技术领域，具体涉及一种曲线轮廓在线测量中数据异常点判别与辨识方法。
背景技术
随着工业技术及加工技术的不断发展与提高，复杂曲面及曲线轮廓常出现在机械产品中，因此，必须对被加工曲线轮廓形状进行有效的在线测量以准确获得具体的轮廓几何形状信息。由于复杂曲面与曲线形状的不规则与复杂性，需在加工过程中利用位移传感器对曲线轮廓进行形状与位置的测量。而在在线测量过程中，采用的传感器测量原理及轮廓形状的不同会造成输出的测量数据中存在不同类型与位置的异常点。异常点的存在具有一定随机性和任意性，利用常规办法并不能很好的将其识别与剔除，这给曲线轮廓形状的准确在线测量带来了一定的困难；另外，在线测量要求数据处理速度高于加工成形速度，因此对数据异常点判别与辨识就提出了更高的要求。
曲线轮廓在线测量中数据异常点的形式主要有非数、凸点与凹点，异常点由于轮廓的复杂形式会随机出现在数据序列的不同位置，而异常点位置的随机性不容易被控制，也并非传感器自身因素引起，测量过程及数据处理中难以对异常点出现的形式和位置进行辨识。利用信号处理及滤波方法对测量幅值会产生影响，促使处理结果不能真实反映实际被测量，造成误差难以抑制。因此，现有曲线轮廓接触与非接触在线测量中数据异常点无法有效剔除。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种曲线轮廓在线测量中数据异常点判别与辨识方法，结合不同类型的异常数据形式与异常点在数据序列中的位置，采用不同的位置函数实现数据异常点判别与辨识；通过对数据异常点进行修正，可有效改善测量数据的准确性，提高曲线轮廓在线测量精度与测量效率。
为了达到上述目的，本发明所采用的技术方案是：
一种曲线轮廓在线测量中数据异常点判别与辨识方法，首先，对测量数据中异常数据点进行判别，判别其是否为数据异常点；然后，对异常数据进行识别，辨识出其异常类型与数据排序形式；最后，对不同类型的异常数据进行剔除与补偿，对不同类型异常数据进行参数校正。
当在线测量曲线轮廓时，沿着曲线轮廓采集N测点，获得曲线轮廓的位移量数据为Si，设定对应的被测轮廓是Fi，其表达式为：
Fi＝L(Si)
式中，L为位移量，Si为第i点是位移传感器输出量。
一种曲线轮廓在线测量中数据异常点判别与辨识方法，包括非数异常数据的辨识和突变异常数据的辨识；
所述的非数异常数据的辨识包括：
按照数据序列对测量数据中包括的非数进行识别，照测量数据存在的形式搜索非数并保留搜索位置，并对非数参数进行补偿与替代，按照非数在数据序列中不同的位置，采用不同的测量幅值补偿策略；
当非数出现在数列的第一个或者最后一个数据位置时，用相邻测量值作为替代值；
S1'＝S2，SN'＝SN-1
式中，S1’代表序列第一个替代数据值，SN’代表序列最后一个替代数据值，N为数据序列的长度，S2代表序列第二个点数据值，SN-1代表序列第N-1个点数据值。
当非数出现在数列中某一个数据位置时，用这个数据位置的前续和后续位置测量值计算替代值；
式中，Si’代表序列中第i个替代值；
当非数出现在数列的中某连续几个数据位置时，对连续几个位置进行等间隔划分，同时利用前续和后续位置测量值计算替代值；
式中，Si代表序列中第i个值，n是连续几个数据位置之间距离的等间隔数，j是等间隔数n的序数。
所述的突变异常数据辨识包括：
按照对数组序列建立逐差比较函数f(d)，以应逐差值识别突变异常数据，逐差比较函数是两个测量值之间的二次差值；
fi(d)＝di+1-di，i＝2，3…,N-1.
如果fi(d)>0且大于设定的阀值，异常点为凸点；fi(d)<0且小于设定的阀值，异常点为凹点；
当突变异常数据出现在数列的第一个或者最后一个数据位置时，用相邻最近的正确测量值作为替代值；
S1'＝St，SN'＝St
式中，S1’代表序列第一个替代数据值，SN’代表序列最后一个替代数据值，St代表序列距离异常值最近的正确测量值；
当突变异常数据出现在数列的中某一个数据位置时，用这个数据位置测量值的逐差值计算替代值；
式中，Si’代表序列中第i个替代值；
当突变异常数据出现在数列中某连续几个数据位置时，对连续几个位置进行等间隔划分，同时利用前续和后续位置正确测量值计算替代值；
式中，Si代表序列中第i个值，n是连续几个数据位置之间距离的等间隔数，j是等间隔数n的序数。
所述的逐差比较函数的阀值需要按照测量精度及使用要求进行设置，或者按照误差分布进行限定；曲线轮廓在线测量中，Si’的替代值必须符合位移量残差分布的要求，尽量降低由于阀值过低造成的数据误判或增大轮廓测量误差；这种替代和补偿方式属于一种线性补偿，对于表面轮廓形状变化较快的情况，适当控制阀值的量值。
本发明的有益效果是：
1、本发明一种曲线轮廓在线测量中数据异常点判别与辨识方法，由于采取不同的异常数据分类识别与修正，改善了曲线轮廓在线测量数据自适应处理的问题，具有数据处理速度快、测量精度高的优点；
2、本发明通过对对不同类型的异常数据进行剔除与补偿，对不同类型异常数据按照一定的规则进行参数校正，这种数据异常点判别与辨识方法对可直接曲线轮廓在机在线测量中；
3、本发明不仅可用于曲线轮廓在线测量，也可应用于曲面曲线的廓形测量中数据异常点判别与辨识及误差补偿。
附图说明
图1是本发明中数据异常点自适应判别与辨识流程图。
图2是本发明中异常数据的类型分布图。
图3是本发明中非数异常点的实际特征图。
图4是本发明中突变异常点的实际特征图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。本实施例利用激光传感器沿着X轴测量曲线轮廓，轮廓坐标为Y轴的偏移量，由X和Y轴坐标组成了被测轮廓的直角坐标。
一种曲线轮廓在线测量中数据异常点判别与辨识方法，针对曲线轮廓测量中非数、凸点与凹点等异常数据形式，利用不同的判别辨识函数实现曲线轮廓在线测量中数据异常点的自适应判别与辨识，并可结合数据轮廓的重构方法与误差计算方法，优化测量数据的结构进而提高曲线轮廓的测量准确性及精度。
曲线轮廓的坐标由X轴和Y轴位移量表示，当传感器沿着轮廓线移动时，数据采集同时获得X轴和Y轴的位移量作为轮廓的坐标，在曲率变化较大的测量中测量数据将产生异常数据；如图1所示，本实施例数据异常点自适应判别与辨识流程，首先对非数异常数据进行识别，再对非数进行补偿替换，然后对突变异常数据辨识，并对突变异常数据进行补偿替换。
图2所示是本实施例异常数据在数列中的位置类型，图中表示了异常数据点出现的类型，包括非数(间断)、凸点(实线)、凹点(虚线)，以及出现的位置，包括在数据序列的开头、在数据序列的结尾、在数据序列的中部。根据不同的异常数据类型，采用不同的异常数据补偿与替代策略；当在线测量曲线轮廓时，沿着轮廓采集N测点，获得轮廓的位移量数据为Si，设定对应的被测轮廓是Fi，其表达式为：
Fi＝L(Si)
一种曲线轮廓在线测量中数据异常点判别与辨识方法，包括非数异常数据的辨识和突变异常数据的辨识；
图3所示是被测轮廓的非数异常点的实际特征，图中表示了非数异常点在曲线测量中出现的形式，在间隔采样下非数无法表达被测曲线轮廓数据中，并呈现数据点间断区域。所述的非数异常数据的辨识包括：
按照数据序列对测量数据中包括的非数进行识别，通常非数以“NaN”形式存在数据序列中，非数并一定不等于0，在曲线轮廓上以间断部分表现出来；按照测量数据存在的形式搜索非数并保留搜索位置，并对非数参数进行补偿与替代，按照非数在数据序列中不同的位置，采用不同的测量幅值补偿策略；
(1)当非数出现在数列的第一个或者最后一个数据位置时，可用相邻测量值作为替代值；
S1'＝S2，SN'＝SN-1
式中，S1’代表序列第一个替代数据值，SN’代表序列最后一个替代数据值，N为数据序列的长度，S2代表序列第二个点数据值，SN-1代表序列第N-1个点数据值。
(2)当非数出现在数列中某一个数据位置时，可用这个数据位置的前续和后续位置测量值计算替代值；
式中，Si’代表序列中第i个替代值；
(3)当非数出现在数列的中某连续几个数据位置时，可对连续几个位置进行等间隔划分，同时利用前续和后续位置测量值计算替代值；
式中，Si代表序列中第i个值，n是连续几个数据位置之间距离的等间隔数，j是等间隔数n的序数。
图4所示是被测轮廓的突变异常点的实际特征，图中表示了突变异常点在曲线测量中出现的形式，在间隔采样下突变异常点随机地以尖峰或凹峰出现在被测曲线轮廓图形中，在轮廓数据列中以离群值形式存在。所述的突变异常数据辨识包括：
按照对数组序列建立逐差比较函数f(d)，以应逐差值识别突变异常数据。逐差比较函数是两个测量值之间的二次差值；
fi(d)＝di+1-di，i＝2，3…,N-1.
如果fi(d)>0且大于设定的阀值，异常点为凸点；fi(d)<0且小于设定的阀值，异常点为凹点；
(1)当突变异常数据出现在数列的第一个或者最后一个数据位置时，可用相邻最近的正确测量值作为替代值。
S1'＝St，SN'＝St
式中，S1’代表序列第一个替代数据值，SN’代表序列最后一个替代数据值，St代表序列距离异常值最近的正确测量值；
(2)当突变异常数据出现在数列的中某一个数据位置时，可用这个数据位置测量值的逐差值计算替代值。
式中，Si’代表序列中第i个替代值。
(3)当突变异常数据出现在数列中某连续几个数据位置时，可对连续几个位置进行等间隔划分，同时利用前续和后续位置正确测量值计算替代值；
式中，Si代表序列中第i个值，n是连续几个数据位置之间距离的等间隔数，j是等间隔数n的序数。
所述的逐差比较函数的阀值需要按照测量精度及使用要求进行设置，或者按照误差分布进行限定；曲线轮廓在线测量中，Si’的替代值必须符合位移量残差分布的要求，尽量降低由于阀值过低造成的数据误判或增大轮廓测量误差，这种替代和补偿方式属于一种线性补偿，对于表面轮廓形状变化较快的情况，可适当控制阀值的量值。
Claims (3)
1.一种曲线轮廓在线测量中数据异常点判别与辨识方法，其特征在于：首先，对测量数据中异常数据点进行判别，判别其是否为数据异常点；然后，对异常数据进行识别，辨识出其异常类型与数据排序形式；最后，对不同类型的异常数据进行剔除与补偿，对不同类型异常数据进行参数校正；
当在线测量曲线轮廓时，沿着曲线轮廓采集N测点，获得曲线轮廓的位移量数据为Si，设定对应的被测轮廓是Fi，其表达式为：
Fi＝L(Si)
式中，L为位移量，Si为第i点是位移传感器输出量；
所述的一种曲线轮廓在线测量中数据异常点判别与辨识方法，包括非数异常数据的辨识和突变异常数据的辨识；
所述的非数异常数据的辨识包括：
按照数据序列对测量数据中包括的非数进行识别，照测量数据存在的形式搜索非数并保留搜索位置，并对非数参数进行补偿与替代，按照非数在数据序列中不同的位置，采用不同的测量幅值补偿策略；
当非数出现在数列的第一个或者最后一个数据位置时，用相邻测量值作为替代值；
S1'＝S2，SN'＝SN-1
式中，S1’代表序列第一个替代数据值，SN’代表序列最后一个替代数据值，N为数据序列的长度；S2代表序列第二个点数据值，SN-1代表序列第N-1个点数据值；
当非数出现在数列中某一个数据位置时，用这个数据位置的前续和后续位置测量值计算替代值；
式中，Si’代表序列中第i个替代值；
当非数出现在数列的中某连续几个数据位置时，对连续几个位置进行等间隔划分，同时利用前续和后续位置测量值计算替代值；
式中，Si代表序列中第i个值，n是连续几个数据位置之间距离的等间隔数，j是等间隔数n的序数。
2.根据权利要求1所述的一种曲线轮廓在线测量中数据异常点判别与辨识方法，其特征在于：所述的突变异常数据辨识包括：
按照对数组序列建立逐差比较函数f(d)，以应逐差值识别突变异常数据，逐差比较函数是两个测量值之间的二次差值；
fi(d)＝di+1-di，i＝2，3…,N-1.
如果fi(d)>0且大于设定的阀值，异常点为凸点；fi(d)<0且小于设定的阀值，异常点为凹点；
当突变异常数据出现在数列的第一个或者最后一个数据位置时，用相邻最近的正确测量值作为替代值；
S1'＝St，SN'＝St
式中，S1’代表序列第一个替代数据值，SN’代表序列最后一个替代数据值，St代表序列距离异常值最近的正确测量值；
当突变异常数据出现在数列的中某一个数据位置时，用这个数据位置测量值的逐差值计算替代值；
式中，Si’代表序列中第i个替代值；
当突变异常数据出现在数列中某连续几个数据位置时，对连续几个位置进行等间隔划分，同时利用前续和后续位置正确测量值计算替代值；
式中，Si代表序列中第i个值，n是连续几个数据位置之间距离的等间隔数，j是等间隔数n的序数。
3.根据权利要求2所述的一种曲线轮廓在线测量中数据异常点判别与辨识方法，其特征在于：所述的逐差比较函数的阀值需要按照测量精度及使用要求进行设置，或者按照误差分布进行限定；曲线轮廓在线测量中，Si’的替代值必须符合位移量残差分布的要求，尽量降低由于阀值过低造成的数据误判或增大轮廓测量误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210552159.9A CN114964042B (zh) | 2022-05-20 | 2022-05-20 | 一种曲线轮廓在线测量中数据异常点判别与辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210552159.9A CN114964042B (zh) | 2022-05-20 | 2022-05-20 | 一种曲线轮廓在线测量中数据异常点判别与辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114964042A CN114964042A (zh) | 2022-08-30 |
| CN114964042B true CN114964042B (zh) | 2023-10-20 |
Family
ID=82985846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210552159.9A Active CN114964042B (zh) | 2022-05-20 | 2022-05-20 | 一种曲线轮廓在线测量中数据异常点判别与辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114964042B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06278422A (ja) * | 1993-03-29 | 1994-10-04 | Mazda Motor Corp | タイヤ空気圧警報装置 |
| CN104500030A (zh) * | 2014-11-21 | 2015-04-08 | 中国石油天然气股份有限公司 | 超高压气藏生产动态异常数据诊断及修正方法 |
| CN105423909A (zh) * | 2015-10-15 | 2016-03-23 | 哈尔滨工业大学 | 大型高速回转装备非连续表面轮廓测量及数据处理方法 |
| CN106294001A (zh) * | 2016-07-25 | 2017-01-04 | 中国科学院国家天文台 | 一种用于月球环形坑异常地形数据的修复方法 |
| CN109190184A (zh) * | 2018-08-09 | 2019-01-11 | 天津大学 | 一种供热系统历史数据预处理方法 |
| CN109785247A (zh) * | 2018-12-18 | 2019-05-21 | 歌尔股份有限公司 | 激光雷达异常点云数据的修正方法、装置及存储介质 |
| CN111060968A (zh) * | 2019-12-24 | 2020-04-24 | 恒泰艾普（北京）能源科技研究院有限公司 | 一种用于球面扩散补偿精确井控速度校正方法 |
| CN112101468A (zh) * | 2020-09-18 | 2020-12-18 | 刘吉耘 | 一种在序列组合中判定异常序列的方法 |
| CN113551636A (zh) * | 2021-07-02 | 2021-10-26 | 武汉光谷卓越科技股份有限公司 | 基于异常数据矫正的平整度检测方法 |
-
2022
- 2022-05-20 CN CN202210552159.9A patent/CN114964042B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06278422A (ja) * | 1993-03-29 | 1994-10-04 | Mazda Motor Corp | タイヤ空気圧警報装置 |
| CN104500030A (zh) * | 2014-11-21 | 2015-04-08 | 中国石油天然气股份有限公司 | 超高压气藏生产动态异常数据诊断及修正方法 |
| CN105423909A (zh) * | 2015-10-15 | 2016-03-23 | 哈尔滨工业大学 | 大型高速回转装备非连续表面轮廓测量及数据处理方法 |
| CN106294001A (zh) * | 2016-07-25 | 2017-01-04 | 中国科学院国家天文台 | 一种用于月球环形坑异常地形数据的修复方法 |
| CN109190184A (zh) * | 2018-08-09 | 2019-01-11 | 天津大学 | 一种供热系统历史数据预处理方法 |
| CN109785247A (zh) * | 2018-12-18 | 2019-05-21 | 歌尔股份有限公司 | 激光雷达异常点云数据的修正方法、装置及存储介质 |
| CN111060968A (zh) * | 2019-12-24 | 2020-04-24 | 恒泰艾普（北京）能源科技研究院有限公司 | 一种用于球面扩散补偿精确井控速度校正方法 |
| CN112101468A (zh) * | 2020-09-18 | 2020-12-18 | 刘吉耘 | 一种在序列组合中判定异常序列的方法 |
| CN113551636A (zh) * | 2021-07-02 | 2021-10-26 | 武汉光谷卓越科技股份有限公司 | 基于异常数据矫正的平整度检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| On-Machine Measurement of Wheel Tread Profile With the 1-D Laser Sensor;liufei;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;全文 * |
| Research on Data Fusion Processing Method of Radar Countermeasure Reconnaissance Based on Multi-Sensor;Jun Han;《 ICMLCA 2021》;全文 * |
| 不落轮对镟床车轮踏面非圆化在机测量系统;罗春刚;《组合机床与自动化加工技术》;全文 * |
| 机车车轮踏面轮廓镟修在机测量与评价;刘飞;《仪器仪表学报》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114964042A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116071387B (zh) | 基于机器视觉的枕轨生产质量检测方法 | |
| CN109855562B (zh) | 钢轨磨耗测量方法及装置 | |
| CN102589435B (zh) | 噪声环境下激光束中心高效精确检测方法 | |
| CN104385052B (zh) | 基于激光位移传感器的蒙皮自适应加工方法 | |
| CN105203731B (zh) | 一种带钢横断面轮廓缺陷局部高点量化方法及装置 | |
| CN104625876B (zh) | 基于在机测量的增压器叶轮叶片加工方法 | |
| CN103707132A (zh) | 一种基于对刀测量头的感知部位为球形触头的数控机床对刀方法 | |
| CN111047588A (zh) | 一种轴型小零件尺寸的图像化测量方法 | |
| CN111085902B (zh) | 一种视觉在线检测及修正的工件打磨系统 | |
| CN114964042B (zh) | 一种曲线轮廓在线测量中数据异常点判别与辨识方法 | |
| CN105701471A (zh) | 一种激光扫描波形异常数据的修正方法 | |
| CN116168024B (zh) | 基于计算机视觉的瓦楞纸生产质量实时检测方法 | |
| CN112058920A (zh) | 轧机及导卫的孔型校准方法及校准系统 | |
| CN111462216A (zh) | 一种圆形阵列标定板中圆心像素坐标确定方法 | |
| CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
| CN115575407A (zh) | 一种应用于轨道与隧道的检测方法 | |
| JP3697015B2 (ja) | 鉄道用レールの柱厚判定方法 | |
| CN101844324B (zh) | 避免盘形凸轮表面产生接刀痕的方法 | |
| JP2005104093A (ja) | 回折光学素子の製造方法および回折光学素子 | |
| CN114777670A (zh) | 一种基于接触式测头的曲面在机测量方法 | |
| CN114061524A (zh) | 一种钢卷轮廓测量方法及装置 | |
| CN112113517A (zh) | 一种滑板砖平面度的检测方法 | |
| Yu et al. | Rail straightness detection method based on the cooperation of dual laser sensors | |
| CN113188447B (zh) | 一种提高高频激光扫描仪精度的办法 | |
| CN113787101B (zh) | 一种热轧带钢的板型凸度控制方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |