CN115307731A - 一种激光投线仪的出射激光线检测方法 - Google Patents
一种激光投线仪的出射激光线检测方法 Download PDFInfo
- Publication number
- CN115307731A CN115307731A CN202211161722.6A CN202211161722A CN115307731A CN 115307731 A CN115307731 A CN 115307731A CN 202211161722 A CN202211161722 A CN 202211161722A CN 115307731 A CN115307731 A CN 115307731A
- Authority
- CN
- China
- Prior art keywords
- laser
- emergent
- characteristic data
- detected
- laser line
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000007613 environmental effect Effects 0.000 claims abstract description 45
- 238000013441 quality evaluation Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000013139 quantization Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J1/4257—Photometry, e.g. photographic exposure meter using electric radiation detectors applied to monitoring the characteristics of a beam, e.g. laser beam, headlamp beam
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种激光投线仪的出射激光线检测方法，包括以下步骤：步骤S1、选取检测合格的激光投线仪作为标准投线仪，并将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，以及获取表征特征环境的环境特征数据；步骤S2、基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型。本发明将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，可以模拟在实际应用环境下进行出射激光线的质量评估，更贴近使用场景以提高检测可靠性，模型检测提高效率。
Description
技术领域
本发明涉及激光线质量检测技术领域，具体涉及一种激光投线仪的出射激光线检测方法。
背景技术
激光水平仪通常射出水平和垂直的激光射线，通过激光的直线性好，能量强等特点来标定水平和铅垂线位置，在建筑和土木领域都有极广的应用。检测出合格的激光水平仪产品具有重要的价值和意义。
近年来，随着现代工业和智能制造技术的不断发展，各行各业都或多或少的在实际的生活、生产中使用了现代化智能自动化检测设备来替代传统的人工检测。其中，工业视觉检测技术也在快速发展，并且已经发展成为了一门系统的新兴边缘交叉综合工程学科。由于计算机技术、机器视觉技术、人工智能技术和控制理论的不断进步，机器视觉工业检测与产品标准判断等应用提供了系统的理论工具和分析方法。
目前，国内的激光水平仪的出射激光线检测都是采用人工的方式肉眼判断。这样检测效率很低，同时不同技术工人由于经验和知识层次不同，判断标准也参差不齐。而近年来，随着国家对智能检测技术方面的重视，工业企业也纷纷引进了国内外先进的视觉检测设备。然而在激光水平仪检测的方面还比较传统，多数激光水平仪产品的检测还是停留在人工肉眼检测，没有实现自动化，也不能够智能判断出射激光线的质量优劣的功能。
发明内容
本发明的目的在于提供一种激光投线仪的出射激光线检测方法，以解决现有技术中多数激光水平仪产品的检测还是停留在人工肉眼检测，没有实现自动化，也不能够智能判断出射激光线的质量优劣的功能的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种激光投线仪的出射激光线检测方法，包括以下步骤：
步骤S1、选取检测合格的激光投线仪作为标准投线仪，并将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，以及获取表征特征环境的环境特征数据；
步骤S2、基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型；
步骤S3、对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，并将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，将待检测环境特征数据输入至出射预测模型得到预测出射特征数据；
步骤S4、将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据所述质量评估值对待检测激光投线仪进行质量评估和等级分类。
作为本发明的一种优选方案，所述选取检测合格的激光投线仪作为标准投线仪，包括：
将检测环境设置为标准试验环境，将多个激光投线仪在标准试验环境下进行出射激光线的数据采集得到多个出射激光线图像，并依次在每个出射激光线图像中提取出激光线位置特征数据、激光线轮廓特征数据作为表征激光线出射特征的出射特征数据；
将多个激光投线仪按出射特征数据利用Kmeans++进行聚类分簇得到多组投线仪簇，并在多组投线仪簇内中选取包含激光投线仪数量最多的一组投线仪簇作为标准投线仪簇，将标准投线仪簇中的激光投线仪标记为标准投线仪。
作为本发明的一种优选方案，所述将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，包括：
将检测环境依次设置为多种实际使用环境，将标准投线仪在每个检测环境下进行出射激光线的数据采集得到多个出射激光线标准图像，并依次在每个出射激光线标准图像中提取出激光线位置特征数据、激光线轮廓特征数据作为标准投线仪的出射特征数据。
作为本发明的一种优选方案，所述基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，包括：
将环境特征数据作为BP神经网络的输入项，将出射特征数据作为BP神经网络的输出项，将BP神经网络基于所述输入项和输出项进行网络卷积训练得到所述出射预测模型，所述出射预测模型的模型表达式为：
式中，X为环境特征数据的模型标识符，S为出射特征数据的模型标识符，BP为BP神经网络的模型标识符。
作为本发明的一种优选方案，所述对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，包括：
设置检测环境为任一实际使用环境，对待检测激光投线仪在检测环境下进行出射激光线的数据采集得到待检测激光投线仪的出射激光线图像，并在待检测激光投线仪的出射激光线图像中提取出待检测激光投线仪的激光线位置特征数据、激光线轮廓特征数据作为待检测出射特征数据。
作为本发明的一种优选方案，所述将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，包括：
对待检测激光投线仪的任一实际使用环境进行检测环境特征的数据提取得到待检测环境特征数据。
作为本发明的一种优选方案，所述将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，包括：
利用欧几里得距离计算出射特征数据与待检测出射特征数据的相似度，所述相似度量化公式为：
式中，J为预测出射特征数据与待检测出射特征数据的相似度，Y为预测出射特征数据的向量形式，Z为待检测出射特征数据的向量形式，|Y-Z|为Y与Z的欧几里得距离；
将出射特征数据与待检测出射特征数据的相似度作为待检测激光投线仪的质量评估值。
作为本发明的一种优选方案，所述根据所述质量评估值对待检测激光投线仪进行质量评估和等级分类，包括：
设定质量评估的评估阈值，其中，
若待检测激光投线仪低于评估阈值，则将待检测激光投线仪标定为合格品；
若待检测激光投线仪高于或等于评估阈值，则将待检测激光投线仪标定为非合格品；
设定合格品的等级置信区间，将合格品的质量评估值与所述等级置信区间进行匹配得到合格品的质量等级，以获得作为合格品的待检测激光投线仪的质量等级。
作为本发明的一种优选方案，所述待检测激光投线仪的出射激光线图像与出射激光线标准图像进行位置标定以确保表征出射激光线的像素点的特征可比性。
作为本发明的一种优选方案，所述环境特征数据在参与计算前进行各分量的归一化处理。
本发明与现有技术相比较具有如下有益效果：
本发明基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，将待检测环境特征数据输入至出射预测模型得到预测出射特征数据，将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据所述质量评估值对待检测激光投线仪进行质量评估和等级分类，可以模拟在实际应用环境下进行出射激光线的质量评估，更贴近使用场景以提高检测可靠性，模型检测提高效率。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的出射激光线检测方法流程图。
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。
如图1所示，本发明提供了一种激光投线仪的出射激光线检测方法，包括以下步骤：
步骤S1、选取检测合格的激光投线仪作为标准投线仪，并将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，以及获取表征特征环境的环境特征数据；
选取检测合格的激光投线仪作为标准投线仪，包括：
将检测环境设置为标准试验环境，将多个激光投线仪在标准试验环境下进行出射激光线的数据采集得到多个出射激光线图像，并依次在每个出射激光线图像中提取出激光线位置特征数据、激光线轮廓特征数据作为表征激光线出射特征的出射特征数据；
将多个激光投线仪按出射特征数据利用Kmeans++进行聚类分簇得到多组投线仪簇，并在多组投线仪簇内中选取包含激光投线仪数量最多的一组投线仪簇作为标准投线仪簇，将标准投线仪簇中的激光投线仪标记为标准投线仪。
在成熟生产线的激光投线仪生产过程中，生产出合格的激光投线仪是大概率事件，而生产出非合格的激光投线仪是小概率事件，因此在利用出射特征数据进行大数量激光投线仪的聚类分簇时，合格的激光投线仪会产生自驱聚类的现象，而且合格的激光投线仪的大概率事件映射在聚类分簇上，会使得包含激光投线仪数量最多的投线仪簇中的激光投线仪为合格品，并标记为标准投线仪。
将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，包括：
将检测环境依次设置为多种实际使用环境，将标准投线仪在每个检测环境下进行出射激光线的数据采集得到多个出射激光线标准图像，并依次在每个出射激光线标准图像中提取出激光线位置特征数据、激光线轮廓特征数据作为标准投线仪的出射特征数据。
对标准投线仪进行出射特征数据的采集，可充分获取到作为合格品的激光投线仪的出射激光线出射特征，利用合格品的激光投线仪的出射特征与环境特征进行模型训练，可得到表征出射特征和环境特征映射关系的出射预测模型，从而可了解到在实际使用场景下的激光投线仪的出射激光线，将出射特征进行场景化，比在标准实验室下进行激光检测，更具场景可靠性，考虑场景特征对激光投线仪的使用影响，场景性检测精度也更高，更符合实际情况。
步骤S2、基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型；
基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，包括：
将环境特征数据作为BP神经网络的输入项，将出射特征数据作为BP神经网络的输出项，将BP神经网络基于输入项和输出项进行网络卷积训练得到出射预测模型，出射预测模型的模型表达式为：
式中，X为环境特征数据的模型标识符，S为出射特征数据的模型标识符，BP为BP神经网络的模型标识符。
步骤S3、对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，并将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，将待检测环境特征数据输入至出射预测模型得到预测出射特征数据；
对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，包括：
设置检测环境为任一实际使用环境，对待检测激光投线仪在检测环境下进行出射激光线的数据采集得到待检测激光投线仪的出射激光线图像，并在待检测激光投线仪的出射激光线图像中提取出待检测激光投线仪的激光线位置特征数据、激光线轮廓特征数据作为待检测出射特征数据。
将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，包括：
对待检测激光投线仪的任一实际使用环境进行检测环境特征的数据提取得到待检测环境特征数据。
通过出射预测模型由待检测环境特征数据预测出待检测激光投线仪的预测出射特征数据，表明在该检测环境下合格的激光检测仪应该出现的出射特征，即在该检测环境下的出射激光线的出射特征期望值，获取表征该检测环境下的出射激光线的出射特征实际值的待检测出射特征数据，将待检测出射特征数据与预测出射特征数据进行相似度量化，二者相似度越高，则表明出射特征实际值越接近出射特征期望值，因此表明待检测激光投线仪的质量越好。
步骤S4、将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据质量评估值对待检测激光投线仪进行质量评估和等级分类。
将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，包括：
利用欧几里得距离计算出射特征数据与待检测出射特征数据的相似度，相似度量化公式为：
式中，J为预测出射特征数据与待检测出射特征数据的相似度，Y为预测出射特征数据的向量形式，Z为待检测出射特征数据的向量形式，|Y-Z|为Y与Z的欧几里得距离；
将出射特征数据与待检测出射特征数据的相似度作为待检测激光投线仪的质量评估值。
根据质量评估值对待检测激光投线仪进行质量评估和等级分类，包括：
设定质量评估的评估阈值，其中，
若待检测激光投线仪低于评估阈值，则将待检测激光投线仪标定为合格品；
若待检测激光投线仪高于或等于评估阈值，则将待检测激光投线仪标定为非合格品；
设定合格品的等级置信区间，将合格品的质量评估值与等级置信区间进行匹配得到合格品的质量等级，以获得作为合格品的待检测激光投线仪的质量等级。
可有效将待检测激光投线仪进行合格品和非合格品的划分，若待检测激光投线仪标定为合格品后，还可以进行利用等级置信区间进行质量等级的划分。
待检测激光投线仪的出射激光线图像与出射激光线标准图像进行位置标定以确保表征出射激光线的像素点的特征可比性。
环境特征数据在参与计算前进行各分量的归一化处理。
本发明基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，将待检测环境特征数据输入至出射预测模型得到预测出射特征数据，将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据质量评估值对待检测激光投线仪进行质量评估和等级分类，可以模拟在实际应用环境下进行出射激光线的质量评估，更贴近使用场景以提高检测可靠性，模型检测提高效率。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种激光投线仪的出射激光线检测方法，其特征在于，包括以下步骤：
步骤S1、选取检测合格的激光投线仪作为标准投线仪，并将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，以及获取表征特征环境的环境特征数据；
步骤S2、基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型；
步骤S3、对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，并将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，将待检测环境特征数据输入至出射预测模型得到预测出射特征数据；
步骤S4、将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据所述质量评估值对待检测激光投线仪进行质量评估和等级分类。
2.权利要求1所述的一种激光投线仪的出射激光线检测方法，其特征在于：所述选取检测合格的激光投线仪作为标准投线仪，包括：
将检测环境设置为标准试验环境，将多个激光投线仪在标准试验环境下进行出射激光线的数据采集得到多个出射激光线图像，并依次在每个出射激光线图像中提取出激光线位置特征数据、激光线轮廓特征数据作为表征激光线出射特征的出射特征数据；
将多个激光投线仪按出射特征数据利用Kmeans++进行聚类分簇得到多组投线仪簇，并在多组投线仪簇内中选取包含激光投线仪数量最多的一组投线仪簇作为标准投线仪簇，将标准投线仪簇中的激光投线仪标记为标准投线仪。
3.根据权利要求2所述的一种激光投线仪的出射激光线检测方法，其特征在于：所述将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，包括：
将检测环境依次设置为多种实际使用环境，将标准投线仪在每个检测环境下进行出射激光线的数据采集得到多个出射激光线标准图像，并依次在每个出射激光线标准图像中提取出激光线位置特征数据、激光线轮廓特征数据作为标准投线仪的出射特征数据。
4.根据权利要求3所述的一种激光投线仪的出射激光线检测方法，其特征在于：所述基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，包括：
将环境特征数据作为BP神经网络的输入项，将出射特征数据作为BP神经网络的输出项，将BP神经网络基于所述输入项和输出项进行网络卷积训练得到所述出射预测模型，所述出射预测模型的模型表达式为：
式中，X为环境特征数据的模型标识符，S为出射特征数据的模型标识符，BP为BP神经网络的模型标识符。
5.根据权利要求4所述的一种激光投线仪的出射激光线检测方法，其特征在于：所述对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，包括：
设置检测环境为任一实际使用环境，对待检测激光投线仪在检测环境下进行出射激光线的数据采集得到待检测激光投线仪的出射激光线图像，并在待检测激光投线仪的出射激光线图像中提取出待检测激光投线仪的激光线位置特征数据、激光线轮廓特征数据作为待检测出射特征数据。
6.根据权利要求5所述的一种激光投线仪的出射激光线检测方法，其特征在于：所述将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，包括：
对待检测激光投线仪的任一实际使用环境进行检测环境特征的数据提取得到待检测环境特征数据。
7.根据权利要求6所述的一种激光投线仪的出射激光线检测方法，其特征在于，所述将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，包括：
利用欧几里得距离计算出射特征数据与待检测出射特征数据的相似度，所述相似度量化公式为：
式中，J为预测出射特征数据与待检测出射特征数据的相似度，Y为预测出射特征数据的向量形式，Z为待检测出射特征数据的向量形式，|Y-Z|为Y与Z的欧几里得距离；
将出射特征数据与待检测出射特征数据的相似度作为待检测激光投线仪的质量评估值。
8.根据权利要求7所述的一种激光投线仪的出射激光线检测方法，其特征在于，所述根据所述质量评估值对待检测激光投线仪进行质量评估和等级分类，包括：
设定质量评估的评估阈值，其中，
若待检测激光投线仪低于评估阈值，则将待检测激光投线仪标定为合格品；
若待检测激光投线仪高于或等于评估阈值，则将待检测激光投线仪标定为非合格品；
设定合格品的等级置信区间，将合格品的质量评估值与所述等级置信区间进行匹配得到合格品的质量等级，以获得作为合格品的待检测激光投线仪的质量等级。
9.根据权利要求8所述的一种激光投线仪的出射激光线检测方法，其特征在于，所述待检测激光投线仪的出射激光线图像与出射激光线标准图像进行位置标定以确保表征出射激光线的像素点的特征可比性。
10.根据权利要求9所述的一种激光投线仪的出射激光线检测方法，其特征在于，所述环境特征数据在参与计算前进行各分量的归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211161722.6A CN115307731B (zh) | 2022-09-23 | 2022-09-23 | 一种激光投线仪的出射激光线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211161722.6A CN115307731B (zh) | 2022-09-23 | 2022-09-23 | 一种激光投线仪的出射激光线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115307731A true CN115307731A (zh) | 2022-11-08 |
| CN115307731B CN115307731B (zh) | 2022-12-23 |
Family
ID=83867303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211161722.6A Active CN115307731B (zh) | 2022-09-23 | 2022-09-23 | 一种激光投线仪的出射激光线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115307731B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180040119A1 (en) * | 2016-08-03 | 2018-02-08 | Sightline Innovation Inc. | System and method for integrated laser scanning and signal processing |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| US10223793B1 (en) * | 2015-08-05 | 2019-03-05 | Al Incorporated | Laser distance measuring method and system |
| CN112699713A (zh) * | 2019-10-23 | 2021-04-23 | 阿里巴巴集团控股有限公司 | 一种语义线段信息的检测方法及装置 |
| CN114485968A (zh) * | 2022-01-14 | 2022-05-13 | 深圳市微特精密科技股份有限公司 | 视觉激光校准平台系统 |
-
2022
- 2022-09-23 CN CN202211161722.6A patent/CN115307731B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10223793B1 (en) * | 2015-08-05 | 2019-03-05 | Al Incorporated | Laser distance measuring method and system |
| US20180040119A1 (en) * | 2016-08-03 | 2018-02-08 | Sightline Innovation Inc. | System and method for integrated laser scanning and signal processing |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| CN112699713A (zh) * | 2019-10-23 | 2021-04-23 | 阿里巴巴集团控股有限公司 | 一种语义线段信息的检测方法及装置 |
| CN114485968A (zh) * | 2022-01-14 | 2022-05-13 | 深圳市微特精密科技股份有限公司 | 视觉激光校准平台系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115307731B (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
| CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
| CN108596221B (zh) | 标尺读数的图像识别方法及设备 | |
| CN104573706A (zh) | 一种物体图像识别方法及其系统 | |
| CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
| CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
| CN114994061A (zh) | 一种基于机器视觉的钢轨智能化检测方法及系统 | |
| CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
| CN106651906A (zh) | 基于改进混合高斯模型的高压断路器运动特性测试方法 | |
| CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
| CN108682003B (zh) | 一种产品质量检测方法 | |
| CN114066848A (zh) | 一种fpca外观缺陷视觉检测系统 | |
| CN110781913A (zh) | 一种拉链布带缺陷检测方法 | |
| CN115169855A (zh) | 一种基于数字孪生车间混合数据集的不安全状态检测方法 | |
| CN112149597A (zh) | 一种基于深度学习的河流表面流速检测方法 | |
| CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
| CN115565020A (zh) | 一种基于改进神经网络的齿面损伤识别方法及装置 | |
| CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
| CN113822842A (zh) | 一种基于多任务学习的工业缺陷检测方法 | |
| CN115307731B (zh) | 一种激光投线仪的出射激光线检测方法 | |
| CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
| CN116778269A (zh) | 一种基于自编码器重构产品表面缺陷检测模型构建方法 | |
| CN115908988A (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN109636838A (zh) | 一种基于遥感影像变化检测的燃气隐患分析方法及装置 | |
| CN113920450A (zh) | 基于本征图像分解的绝缘子rtv涂层识别方法及装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 226200 No. 118, Lvsi Zhongxin Road, Taiyangmiao Village, Lvsigang Town, Qidong City, Nantong City, Jiangsu Province Applicant after: Jiangsu aoxun Electronic Technology Co.,Ltd. Address before: No. 118, Lvsi Zhongxin Road, Taiyangmiao Village, Lvsigang Town, Nantong City, Jiangsu Province 226200 Applicant before: Jiangsu aoxun Electronic Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |