CN115615342A - 一种基于视触觉传感器的光度立体视觉系统标定方法 - Google Patents

一种基于视触觉传感器的光度立体视觉系统标定方法 Download PDF

Info

Publication number
CN115615342A
CN115615342A CN202211465209.6A CN202211465209A CN115615342A CN 115615342 A CN115615342 A CN 115615342A CN 202211465209 A CN202211465209 A CN 202211465209A CN 115615342 A CN115615342 A CN 115615342A
Authority
CN
China
Prior art keywords
information
touch sensor
imaging
gradient
visual touch
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
Application number
CN202211465209.6A
Other languages
English (en)
Other versions
CN115615342B (zh
Inventor
傅维
孙恺
曹宇男
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.)
Suzhou Elite Robot Co Ltd
Original Assignee
Suzhou Elite Robot 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 Suzhou Elite Robot Co Ltd filed Critical Suzhou Elite Robot Co Ltd
Priority to CN202211465209.6A priority Critical patent/CN115615342B/zh
Publication of CN115615342A publication Critical patent/CN115615342A/zh
Application granted granted Critical
Publication of CN115615342B publication Critical patent/CN115615342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • G01B21/042—Calibration or calibration artifacts
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于视触觉传感器的光度立体视觉系统标定方法，包括：S1、视触觉传感器采集初始光强信息；S2、通过球形标定物分区域按压视触觉传感器的弹性体成像区域，获取按压的成像信息和修正光强信息；S3、根据成像信息追踪并标记单次成像区域；S4、根据标定物的半径和标记的单次成像区域获知弹性体成像区域的整体梯度信息；S5、获知图像的衍生变量，产生数据集合；S6、将待测梯度作为优化目标训练回归树模型；S7、根据回归树模型和视触觉传感器接触待测物体的图像信息获知待测物体的梯度信息，以获知待测物体的表面深度信息。该方法基于图像处理和机器学习完成颜色—梯度信息的标定，以应对复杂的光场环境。

Description

一种基于视触觉传感器的光度立体视觉系统标定方法
技术领域
本发明属于视触觉传感器技术领域，特别是涉及一种基于视触觉传感器的光度立体视觉系统标定方法。
背景技术
光度立体算法是利用不同方向光源投射，产生具有不同光度信息图像进行物体表面恢复的方法，一般的光度立体法有以下两个基本条件：1、入射光线为平行光或者无限远处光源；2、假设物体表面反射模型为朗伯反射模型，入射光均匀反射到各个方向，观察者从任何一个角度观察都是一样。
视触觉传感器包括设置于表面的弹性体，当与待测物体接触时，弹性体发生变形，从而根据视触觉传感器拍摄的图像分析获知待测物体的形状。视触觉传感器通常具有较小的体积，因为所使用的光源必须是近点的线光源或者点光源，不能满足传统光度立体算法的使用环境要求。同时，视触觉传感器工作时，光线以一定角度入射到亚克力板层，最后照亮弹性体表面的涂料层，但亚克力板和弹性体层存在材质不均匀的现象，会使得拍摄的图像呈现随机分布的光斑点。此外，为了加强反射光的强度，提高弹性体形变的可辨识性，弹性体表面的涂层带有一定的镜面反射的特性，会呈现出非朗伯体反射的效果。
基于视触觉传感器条件的光场条件不佳的背景，传统的标定方案，通过标定光源强度或者标定光线方向的方式，不能适应视触觉传感器复杂的光场情况，影响视触觉传感器的检测准确性。
发明内容
本发明的目的在于提供一种基于视触觉传感器的光度立体视觉系统标定方法，该方法基于机器学习的方式建立光照强度以及梯度的映射关系，考虑不同区域光强差异、光斑噪音等问题，综合确定待测梯度信息，因而能够适应复杂的光场环境，应对光场噪音，同时不用建立复杂的近点光源模型以及光线折射率模型，降低了物理建模的成本。
为解决上述技术问题，本申请提供一种基于视触觉传感器的光度立体视觉系统标定方法，包括以下步骤：
S1、视触觉传感器包括至少三个不同方向的光源，当视触觉传感器未接触物体时，采集三个光源通道的初始光强信息
Figure 705140DEST_PATH_IMAGE001
和
Figure 226251DEST_PATH_IMAGE002
；
S2、提供覆盖有漫反射材料的标准球形标定物，将视触觉传感器的弹性体成像区域划分为多个子区域，将所述标定物分别在所述子区域处按压，获取视触觉传感器每次按压的成像信息，根据每次按压的成像信息获知修正光强信息；
S3、根据所述成像信息进行单次成像区域的追踪，标记单次成像区域的圆心和半径；
S4、根据所述标定物的球形半径、以及所述单次成像区域的圆心和半径，获知弹性体成像区域的整体梯度信息；
S5、根据每次按压的成像信息，卷积处理以获知图像的衍生变量，生成数据集合，所述数据集合包括所述修正光强信息、衍生变量以及成像信息中各样本点的位置坐标；
S6、将待测梯度
Figure 102066DEST_PATH_IMAGE003
作为优化目标，根据所述数据集合和整体梯度信息训练回归树模型；
S7、采集视触觉传感器接触待测物体的图像信息，根据所述图像信息和训练后的回归树模型获知待测物体的梯度信息，对所述待测物体的梯度信息进行积分处理获知待测物体的表面深度信息。
本申请的实施例提供的技术方案至少带来以下有益效果：1、基于图像信息处理和机器学习，建立光照强度和梯度的映射关系，考虑不同区域的光强差异、光斑噪音等问题，该方案能够适应复杂的光场变化，应对更多的光场噪音；2、基于视触觉传感器的体积限制，通过机器学习，同时引入一阶算子、二阶算子等衍生变量，能够识别成像区域的细节信息，提升梯度信息的精准度，同时不用建立复杂的近点光源模型和光线折射模型，降低了物理建模的成本。
附图说明
图1是本发明一个实施例的标定方法应用环境的示意图；
图2是本发明一个实施例的标定方法的流程图。
具体实施方式
为使本发明的技术方案更加清楚明了，下面将结合附图来描述本发明的实施例。应当理解的是，对实施方式的具体说明仅用于示教本领域技术人员如何实施本发明，而不是用于穷举本发明的所有可行方式，更不是用于限制本发明的具体实施范围。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、或以特定的方位构造和操作，因此不能理解为对本发明的限制。
视触觉传感器通过视觉图像对触觉信息进行表征，示例性的，参图1，图1示出了本发明一个实施例的标定方法的应用环境图，视触觉传感器包括弹性体14、光源12、相机11和透明玻璃材料13，当视触觉传感器的弹性体14接触待测物体时，弹性体14发生形变，相机11能够捕获反射光的光照信息图像来分析触觉信息。图中设置有标准球形标定物20，当所述标定物20与弹性体14接触时，弹性体14产生形变，通过获知弹性体的形变情况确定标定物20的梯度信息。
本发明具体实施例保护一种基于视触觉传感器的光度立体视觉系统标定方法，参图2，所述方法具体包括以下步骤：
S1、视触觉传感器包括至少三个不同方向的光源，当视触觉传感器未接触物体时，采集三个光源通道的初始光强信息
Figure 477552DEST_PATH_IMAGE004
和
Figure 337710DEST_PATH_IMAGE005
；
具体的，当视触觉传感器未接触物体时，此时弹性体未发生变形，获取三个光源通道的初始光强信息
Figure 768954DEST_PATH_IMAGE006
和
Figure 212574DEST_PATH_IMAGE005
；
S2、提供覆盖有漫反射材料的标准球形标定物，将视触觉传感器的弹性体成像区域划分为多个子区域，将所述标定物分别在所述子区域处按压，获取视触觉传感器每次按压的成像信息，根据每次按压的成像信息获知修正光强信息；
具体的，提供一个标准球形标定物，通过球形标定物按压时，在任何位置按压，接触面为球面，受力均匀易于观测；由于视触觉传感器通常会存在透光的情况，优选的，所述球形标定物表面覆盖白色漫反射材料，以获得准确的按压图像信息。
具体的，获取视触觉传感器每次按压的成像信息，根据每次按压的成像信息获知修正光强信息包括：
视触觉传感器每次按压后获取成像信息，根据所述成像信息采集三个光源通道的按压光强信息，通过所述按压光强信息和初始光强信息计算修正光强信息。具体的，通过每次按压的成像信息获取样本点，根据每一个样本点确定按压光强信息，通过初始光强信息
Figure 675523DEST_PATH_IMAGE007
和
Figure 828287DEST_PATH_IMAGE005
和按压光强信息确定修正光强信息，示例性的，通过比例计算等方式确定修正光强信息，也即，根据初始光强信息和每个样本点的按压光强信息进行比例计算处理得到修正光强信息，记作
Figure 510941DEST_PATH_IMAGE008
, 其中i=1,2,3,......N, i是第i个样本点。
具体的，弹性体的成像区域划分为多个子区域，示例性的，可以将弹性体的成像区域划分为10*10的网格，并分别通过所述标定物按压所述成像区域的每个网格，从而使得成像区域的每个位置均进行按压，获取了每次按压的成像信息。其中，弹性体成像区域的子区域划分根据标定物的大小确定，当标的物体积大时，划分的子区域数量少，反之，增加子区域数量，以保证收集足够的成像样本数量。
S3、根据所述成像信息进行单次成像区域的追踪，标记单次成像区域的圆心和半径，计算视触觉传感器的弹性体形变区域的梯度，以获知弹性体成像区域的整体梯度信息；
具体的，如前所述，标定物为球形，当发生按压时，理论上相机每次收集到的图像是圆形，因此，可以通过圆形对单次成像区域进行拟合处理，示例性的，通过霍夫圆检测算法标记单次成像区域的圆心
Figure 728558DEST_PATH_IMAGE009
以及半径tolr，其中XY是弹性体成像区域的平面，Z轴垂直于XY平面且朝向视触觉传感器的内部。
S4、根据所述标定物的球形半径、以及所述单次成像区域的圆心和半径，获知弹性体成像区域的整体梯度信息；
具体的， 确定弹性体的深度信息：
Figure 758263DEST_PATH_IMAGE010
其中 r0是标定物的球形半径，
Figure 472141DEST_PATH_IMAGE011
，
Figure 612397DEST_PATH_IMAGE012
表示形变区域；则弹性体成像区域的整体梯度信息为
Figure 83306DEST_PATH_IMAGE013
。
S5、根据每次按压的成像信息，卷积处理以获知图像的衍生变量，生成数据集合，所述数据集合包括所述修正光强信息、衍生变量以及成像信息中各样本点的位置坐标；
具体的，根据每次按压的成像信息，进行一阶算子和二阶算子的卷积处理，建立衍生变量，所述衍生变量用于反映图像边缘信息和细节信息。示例性的，通过prewitt算子、LOG算子等建立一阶算子及二阶算子以反映图像细节信息，记作
Figure 756732DEST_PATH_IMAGE014
和
Figure 205294DEST_PATH_IMAGE015
，所述图像细节信息包括轮廓边缘信息以及光强度变化信息等；同时，获取每个样本点的位置坐标，记作
Figure 534644DEST_PATH_IMAGE016
；生成数据集合
Figure 815102DEST_PATH_IMAGE017
，其中i=1,2,3,......N,，所述数据集合包括修正光强信息
Figure 156085DEST_PATH_IMAGE018
，衍生变量
Figure 775547DEST_PATH_IMAGE019
，以及各样本点的位置坐标
Figure 920090DEST_PATH_IMAGE020
，其中，数据集合
Figure 608166DEST_PATH_IMAGE021
,待测梯度
Figure 803656DEST_PATH_IMAGE022
，
Figure 154871DEST_PATH_IMAGE023
和
Figure 22595DEST_PATH_IMAGE024
为样本点的待测梯度的参数。
S6、将待测梯度
Figure 687932DEST_PATH_IMAGE022
作为优化目标，根据所述数据集合和整体梯度信息训练回归树模型；
具体的，步骤S6包括以下步骤：
S61、将待测梯度的参数
Figure 972150DEST_PATH_IMAGE025
作为优化目标，用
Figure 431950DEST_PATH_IMAGE026
作为训练集合训练一颗回归树模型，输入变量x的特征向量记作
Figure 521391DEST_PATH_IMAGE027
，
其中，k为对应的第k个特征；
S62、遍历每个特征k与每个切分点s,计算求解：
Figure 803468DEST_PATH_IMAGE028
其中
Figure 222817DEST_PATH_IMAGE029
和
Figure 883212DEST_PATH_IMAGE030
为数据集合，
Figure 692905DEST_PATH_IMAGE031
为组内平均值；
Figure 139192DEST_PATH_IMAGE032
S63、在每个子集
Figure 616310DEST_PATH_IMAGE033
和
Figure 187886DEST_PATH_IMAGE034
上重复执行步骤S62，当满足预设的停止条件时，停止执行S61并生成训练后的回归树模型
Figure 812772DEST_PATH_IMAGE035
；
其中，所述停止条件包括：最多切分次数达到预设值，和/或，组内误差不超过预设值。
该回归树模型将空间划分为M个区域
Figure 125067DEST_PATH_IMAGE036
,在推理执行阶段，针对输入的特征x，查找对应属于哪一个集合，就可以计算出预测值：
Figure 456691DEST_PATH_IMAGE037
，其中
Figure 507823DEST_PATH_IMAGE038
。
以上，完成了对待测梯度的参数
Figure 384119DEST_PATH_IMAGE039
的训练，通过类似的手段，对待测梯度的参数
Figure 280531DEST_PATH_IMAGE024
进行训练。
具体的，包括步骤S64、将待测梯度的参数
Figure 794558DEST_PATH_IMAGE040
作为优化目标，用
Figure 751012DEST_PATH_IMAGE041
作为训练集合，重复执行S62，当满足预设的停止条件时，停止执行并生成训练后的回归树模型
Figure 789638DEST_PATH_IMAGE042
。
类似的，停止条件包括：最多切分次数达到预设值，和/或，组内误差不超过预设值。
具体的，回归树模型将空间划分为M个区域
Figure 207850DEST_PATH_IMAGE043
...
Figure 741163DEST_PATH_IMAGE044
在推理执行阶段，针对输入的特征x，查找对应属于哪一个集合，就可以计算出回归树模型
Figure 586628DEST_PATH_IMAGE045
)。
通过上述步骤，实现了对待测梯度
Figure 643708DEST_PATH_IMAGE046
的回归树模型训练。之后，通过训练好的回归树模型，在推理执行阶段，通过收集图像数据，获知必要的参数，根据回归树模型可得知预测的待测梯度。
具体的，步骤S7、采集视触觉传感器接触待测物体的图像信息，根据所述图像信息和训练后的回归树模型获知待测物体的梯度信息，对所述待测物体的梯度信息进行积分处理获知待测物体的表面深度信息。
当完成回归树模型的训练后，视触觉传感器接触待测物体，弹性体发生形变，视触觉传感器的相机捕捉多张图像，根据图像信息获知衍生变量，更新数据集合，根据所述数据集合和训练后的回归树模型获知待测物体的梯度信息。
具体的，根据图像信息获知衍生变量，如前所述，对图像信息的原始变量进行一阶算子和二阶算子的卷积处理，建立衍生变量，所述衍生变量用于反映图像边缘信息和细节信息，示例性的，所述衍生变量包括一阶算子和二阶算子。具体的，所述数据集合包括修正光强、衍生变量和样本点的位置坐标，示例性的，根据视触觉传感器接触待测物体的图像信息获知衍生变量，以及图像中各样本点的位置坐标，更新数据集合，根据更新后的数据集合以及训练后的回归树模型预测待测物体的梯度信息。具体的，对待测物体的梯度信息进行积分处理，求出物体表面的深度点云并做平滑滤波处理，获知待测物体的表面深度信息，根据表面深度信息绘制待测物体的表面三维重建图，以获知待测物体的形状信息。
以上优选实施例的有益效果在于：当视触觉传感器的体积限制光度立体的光场条件时，对光度梯度信息进行标定，通过机器学习的方案建立起光照强度好梯度信息的映射关系，训练好的模型能够考虑不同区域的光强差异、光斑噪音等问题，能够适应复杂的光场变化；同时，方案中加入了图像光强的衍生信息，例如样本点位置坐标、一阶信息和二阶信息等，能够有效识别成像细节信息，通过多种图像处理的因子加强机器学习的效果，以得到更精确的梯度信息。
最后还需要指出，由于文字表达的有限性，上述说明仅是示例性的，并非穷尽性的，本发明并不限于所披露的各实施方式，在不偏离上述示例的范围和精神的情况下，对于本领域的技术人员来说还可以作若干改进和修饰，这些改进和修饰也应视为本发明的保护范围。因此本发明的保护范围应以权利要求为准。

Claims (8)

1.一种基于视触觉传感器的光度立体视觉系统标定方法，其特征在于，所述方法包括如下步骤：
S1、视触觉传感器包括至少三个不同方向的光源(12)，当视触觉传感器未接触物体时，采集三个光源通道的初始光强信息
Figure 589016DEST_PATH_IMAGE001
和
Figure 630790DEST_PATH_IMAGE002
；
S2、提供覆盖有漫反射材料的标准球形标定物（20），将视触觉传感器的弹性体成像区域划分为多个子区域，将所述标定物（20）分别在所述子区域处按压，获取视触觉传感器每次按压的成像信息，根据每次按压的成像信息获知修正光强信息；
S3、根据所述成像信息进行单次成像区域的追踪，标记单次成像区域的圆心和半径；
S4、根据所述标定物（20）的球形半径、以及所述单次成像区域的圆心和半径，获知弹性体成像区域的整体梯度信息；
S5、根据每次按压的成像信息，卷积处理以获知图像的衍生变量，生成数据集合，所述数据集合包括所述修正光强信息、衍生变量以及成像信息中各样本点的位置坐标；
S6、将待测梯度
Figure 82631DEST_PATH_IMAGE003
作为优化目标，根据所述数据集合和整体梯度信息训练回归树模型；
S7、采集视触觉传感器接触待测物体产生的图像信息，根据所述图像信息和训练后的回归树模型获知待测物体的梯度信息，对所述待测物体的梯度信息进行积分处理获知待测物体的表面深度信息。
2.根据权利要求1所述的基于视触觉传感器的光度立体视觉系统标定方法，其特征在于，步骤S2获取视触觉传感器每次按压的成像信息，根据每次按压的成像信息获知修正光强信息包括：
视触觉传感器每次按压后获取成像信息，根据所述成像信息采集三个光源通道的按压光强信息，根据所述初始光强信息和按压光强信息计算修正光强信息。
3.根据权利要求2所述的基于视触觉传感器的光度立体视觉系统标定方法，其特征在于，根据成像信息采集三个光源通道的按压光强信息包括：
根据每次按压的成像信息，每个像素作为一个样本点，提取多个样本点，针对每个样本点获取按压光强信息。
4.根据权利要求1所述的基于视触觉传感器的光度立体视觉系统标定方法，其特征在于，步骤S3根据成像信息进行单次成像区域的追踪，标记单次成像区域的圆心和半径包括：
对单次成像区域进行拟合处理，通过霍夫圆检测算法标记单次成像区域的圆心
Figure 428906DEST_PATH_IMAGE004
以及半径tolr，其中XY是弹性体成像区域平面，Z轴垂直于XY平面且朝向视触觉传感器的内部。
5.根据权利要求4所述的基于视触觉传感器的光度立体视觉系统标定方法，其特征在于，步骤S4根据标定物（20）的球形半径，以及单次成像区域的圆心和半径，获知弹性体成像区域的整体梯度信息包括：
确定弹性体（14）的深度信息：
Figure 367912DEST_PATH_IMAGE005
其中 r0是标定物（20）的球形半径，
Figure 550894DEST_PATH_IMAGE006
，
Figure 208140DEST_PATH_IMAGE007
表示形变区域；则弹性体成像区域的整体梯度信息为
Figure 36068DEST_PATH_IMAGE008
。
6.根据权利要求1所述的基于视触觉传感器的光度立体视觉系统标定方法，其特征在于，步骤S5根据每次按压的成像信息，卷积处理以获知图像的衍生变量包括：
根据每次按压的成像信息，进行一阶算子和二阶算子的卷积处理，以建立衍生变量，所述衍生变量用于反映图像细节信息。
7.根据权利要求1所述的基于视触觉传感器的光度立体视觉系统标定方法，其特征在于，步骤S6将待测梯度
Figure 564002DEST_PATH_IMAGE009
作为优化目标，根据所述数据集合和整体梯度信息训练回归树模型包括：
S61、将待测梯度的参数
Figure 183464DEST_PATH_IMAGE010
作为优化目标，用
Figure 328007DEST_PATH_IMAGE011
作为训练集合训练一颗回归树模型，输入变量x的特征向量记作
Figure 688187DEST_PATH_IMAGE012
，k为对应的第k个特征；
S62、遍历每个特征k与每个切分点s,计算求解：
Figure 336206DEST_PATH_IMAGE013
，
其中
Figure 126570DEST_PATH_IMAGE014
和
Figure 758409DEST_PATH_IMAGE015
为数据集合，
Figure 322946DEST_PATH_IMAGE016
为组内平均值；
Figure 418946DEST_PATH_IMAGE018
;
S63、在每个子集
Figure 380211DEST_PATH_IMAGE019
和
Figure 781237DEST_PATH_IMAGE015
上重复执行步骤S62，当满足预设的停止条件时，停止执行步骤S62并生成训练后的回归树模型
Figure 984685DEST_PATH_IMAGE020
；
S64、将将待测梯度的参数
Figure 292782DEST_PATH_IMAGE021
作为优化目标，用
Figure 956107DEST_PATH_IMAGE022
作为训练集合重复执行步骤S62，当满足预设的停止条件时，停止执行并生成训练后的回归树模型
Figure 31379DEST_PATH_IMAGE023
。
8.根据权利要求1所述的基于视触觉传感器的光度立体视觉系统标定方法，其特征在于，步骤S7采集视触觉传感器接触待测物体的图像信息，根据所述图像信息和训练后的回归树模型获知待测物体的梯度信息包括：
采集视触觉传感器接触待测物体的图像信息，对所述图像信息进行卷积处理计算衍生变量，根据所述衍生变量更新数据集合，根据所述数据集合和回归树模型获知待测物体的梯度信息。
CN202211465209.6A 2022-11-22 2022-11-22 一种基于视触觉传感器的光度立体视觉系统标定方法 Active CN115615342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211465209.6A CN115615342B (zh) 2022-11-22 2022-11-22 一种基于视触觉传感器的光度立体视觉系统标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211465209.6A CN115615342B (zh) 2022-11-22 2022-11-22 一种基于视触觉传感器的光度立体视觉系统标定方法

Publications (2)

Publication Number Publication Date
CN115615342A true CN115615342A (zh) 2023-01-17
CN115615342B CN115615342B (zh) 2023-07-07

Family

ID=84879504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211465209.6A Active CN115615342B (zh) 2022-11-22 2022-11-22 一种基于视触觉传感器的光度立体视觉系统标定方法

Country Status (1)

Country Link
CN (1) CN115615342B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100310128A1 (en) * 2009-06-03 2010-12-09 Athanasios Iliopoulos System and Method for Remote Measurement of Displacement and Strain Fields
CN107830814A (zh) * 2017-10-16 2018-03-23 北京科技大学 一种基于光度学的测量表面变形的方法
JP2018163097A (ja) * 2017-03-27 2018-10-18 株式会社トヨタプロダクションエンジニアリング 測定装置、測定方法及び測定プログラム
CN109510949A (zh) * 2018-10-24 2019-03-22 浙江大学 基于图像特征点有效亮度的相机自动曝光方法
CN111553954A (zh) * 2020-04-26 2020-08-18 东华大学 一种基于直接法单目slam的在线光度标定方法
CN112729143A (zh) * 2020-12-16 2021-04-30 江苏大学 基于比率荧光技术的发光光弹性涂层应变测量系统及方法
CN114241059A (zh) * 2021-12-17 2022-03-25 东南大学 一种光度立体视觉系统中相机和光源的同步标定方法
CN114732577A (zh) * 2022-03-22 2022-07-12 浙江工业大学 一种基于相机与肌电信号的假肢手控制系统及方法
CN114998308A (zh) * 2022-07-06 2022-09-02 江苏科技大学 一种基于光度立体的缺陷检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100310128A1 (en) * 2009-06-03 2010-12-09 Athanasios Iliopoulos System and Method for Remote Measurement of Displacement and Strain Fields
JP2018163097A (ja) * 2017-03-27 2018-10-18 株式会社トヨタプロダクションエンジニアリング 測定装置、測定方法及び測定プログラム
CN107830814A (zh) * 2017-10-16 2018-03-23 北京科技大学 一种基于光度学的测量表面变形的方法
CN109510949A (zh) * 2018-10-24 2019-03-22 浙江大学 基于图像特征点有效亮度的相机自动曝光方法
CN111553954A (zh) * 2020-04-26 2020-08-18 东华大学 一种基于直接法单目slam的在线光度标定方法
CN112729143A (zh) * 2020-12-16 2021-04-30 江苏大学 基于比率荧光技术的发光光弹性涂层应变测量系统及方法
CN114241059A (zh) * 2021-12-17 2022-03-25 东南大学 一种光度立体视觉系统中相机和光源的同步标定方法
CN114732577A (zh) * 2022-03-22 2022-07-12 浙江工业大学 一种基于相机与肌电信号的假肢手控制系统及方法
CN114998308A (zh) * 2022-07-06 2022-09-02 江苏科技大学 一种基于光度立体的缺陷检测方法及系统

Also Published As

Publication number Publication date
CN115615342B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN110599541B (zh) 一种对多传感器进行标定的方法、装置和存储介质
CN107229930B (zh) 一种指针式仪表数值智能识别方法
US6590669B1 (en) Method for optically detecting the shape of objects
JP6525459B2 (ja) ３ｄ画像データにおける３ｄポーズの改良されたスコアリング及び偽ポイント除去のためのシステム及び方法
CN109883533B (zh) 基于机器视觉的低频振动测量方法
CN102782721B (zh) 用于相机校准误差的运行时测定的系统和方法
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
US20080166040A1 (en) Apparatus, and Corresponding Method, For Detecting the Anatomic Shape of a Subject
CN101292255A (zh) 三维成像中的人工痕迹消除
JP2012521005A (ja) 光学式ゲージ及び３次元表面プロファイル測定方法
US9471984B2 (en) Method for self-calibration of a microscope apparatus
CN109341668B (zh) 基于折射投影模型和光束追踪法的多相机测量方法
CN108562250A (zh) 基于结构光成像的键盘键帽平整度快速测量方法与装置
JP2008512667A (ja) ３次元オブジェクトを、単一視点方式の光学系を用いるシャドウグラフ法により光伝搬の光学法則を使用して測定する方法
CN109781003B (zh) 一种结构光视觉系统的下一最佳测量位姿确定方法
CN107796718A (zh) 布氏硬度测量系统及方法
CN114360043B (zh) 模型参数标定方法、视线追踪方法、装置、介质及设备
JP3887807B2 (ja) 画像計測装置
CN108917595A (zh) 基于机器视觉的玻璃在线检测装置
CN115615342A (zh) 一种基于视触觉传感器的光度立体视觉系统标定方法
KR102022888B1 (ko) 광학 컴포넌트의 기하 구조 측정 방법 및 장치
KR102602369B1 (ko) 매끄러운 표면을 지닌 측정 대상물의 광학 측정 영상 처리 방법 및 그 측정 시스템
CN108921863B (zh) 一种足部数据采集装置的采集方法
CN113689397A (zh) 工件圆孔特征检测方法和工件圆孔特征检测装置
Spence et al. Automotive sheet metal and grid digitizing solutions

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