CN115908182B - 基于数字化模型的模具磨损修复方法 - Google Patents
基于数字化模型的模具磨损修复方法 Download PDFInfo
- Publication number
- CN115908182B CN115908182B CN202211492912.6A CN202211492912A CN115908182B CN 115908182 B CN115908182 B CN 115908182B CN 202211492912 A CN202211492912 A CN 202211492912A CN 115908182 B CN115908182 B CN 115908182B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- die
- coordinate system
- mold
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005299 abrasion Methods 0.000 title abstract description 9
- 230000005477 standard model Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 abstract description 21
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
- Moulds For Moulding Plastics Or The Like (AREA)
Abstract
基于数字化模型的模具磨损修复方法,属于模具修复技术领域,本发明为解决现有模具修复对磨损区域的测量不够精确,导致修复精度低,以及修复效率低的问题。它包括:采用激光线扫描器对模具进行扫描,获得模具的点云数据;对获得的模具的点云数据进行拼接;对拼接后的点云数据进行去噪声处理,然后进行曲面重构,获得模具的三维模型;将模具的三维模型与标准模型进行对比,获取磨损区域,根据磨损程度制定修复方案,实现对模具的精确修复。本发明用于对破损的磨具进行精确修复。
Description
技术领域
本发明涉及一种基于数字化模型的模具磨损修复方法,属于模具修复技术领域。
背景技术
模具在制造业中有着极其重要的作用,对提高产品质量、提高生产效率、节约原材料都起着关键性的作用。但是,由于自然磨损,以及工作人员操作不当等原因,会导致模具存在磨损。重新制造模具费事费力,增加制造成本,影响成本,因此,模具磨损位置的修复尤为重要。
现有的模具修复方法,一般采用计量器具对磨损的区域进行检测,然后再对磨损位置进行修复,存在如下问题:
1、模具的磨损区域的数据检测不够精确,导致修复精度不够高;
2、对模具磨损区域的数据检测,需要极大地依赖工作人员的操作经验,这会导致磨损区域的数据检测效率较低。
发明内容
本发明目的是为了解决现有模具修复对磨损区域的测量不够精确,导致修复精度低,以及修复效率低的问题,提供了一种基于数字化模型的模具磨损修复方法。
本发明所述基于数字化模型的模具磨损修复方法,它包括:
采用激光线扫描器对模具进行扫描,获得模具的点云数据;
对获得的模具的点云数据进行拼接;
对拼接后的点云数据进行去噪声处理,然后进行曲面重构,获得模具的三维模型;
将模具的三维模型与标准模型进行对比,获取磨损区域,根据磨损程度制定修复方案,实现对模具的精确修复。
优选的,采用激光线扫描器对模具进行扫描,获得模具的点云数据的具体方法包括:
所述激光线扫描器包括激光器、移动平台和图像采集器;
将激光器和图像采集器均至于移动平台上,将移动平台至于模具侧方;
对图像采集器进行标定;
在移动平台的匀速移动过程中,激光器向模具发射线激光,使先激光扫描整个模具,同时采用图像采集器采集线激光照射下的条纹图像;
将获得的条纹图像利用三角法原理生成点云数据。
优选的,对图像采集器进行标定的具体方法包括:
将标定基准块放置在图像采集器侧方,将光栅投射到标定基准块上,调整标定基准块与图像采集器的相对位置,使标定基准块处于图像采集器的图像采集框的中央,此时,标定基准块的中心线与图像采集器的图像采集框的中心线重合。
优选的,对获得的模具的点云数据进行拼接的具体过程包括:
将点云数据的云坐标进行坐标转换,获得基准坐标系下的点云数据;
对基准坐标系下的点云数据,建立点云数据之间的拓扑结构;
点云数据之间的拓扑结构即为点云数据的拼接模型。
优选的,将点云数据的云坐标进行坐标转换,获得基准坐标系下的点云数据的具体方法包括:
其中,(x,y,z)表示基准坐标系下的点云数据坐标,(u,r,h)表示云坐标系下的点云数据坐标,R表示三阶旋转矩阵,T表示平移向量。
优选的,建立点云数据之间拓扑结构,获得点云数据的拼接模型的具体方法包括:
以点(xmax,ymax,zmax)和点(xmin,ymin,zmin)为对角点、平行于空间坐标系的平面为表面构建空间六面体;
其中,xmax为点云数据在空间坐标系x轴的最大值,ymax为点云数据在空间坐标系y轴的最大值,zmax为点云数据在空间坐标系z轴的最大值,xmin为点云数据在空间坐标系x轴的最小值,ymin为点云数据在空间坐标系y轴的最小值,zmin为点云数据在空间坐标系z轴的最小值;
将空间六面体以ε为单位长度进行等间距栅格划分;
将点云数据按坐标值依次放入对应的栅格内;
栅格之间的邻域关系即为点云数据之间的拓扑关系;
点云之间的拓扑关系为:
其中,M表示点云数据的拼接模型,A11∩A21表示第一行第一列栅格A11中的点云数据与第一行第二列栅格A21中的点云数据的拓扑关系,A21∩A31表示第一行第二列栅格A21中的点云数据与第一行第三列栅格A31中的点云数据的拓扑关系,A(i-1)1∩Ai1表示第一行第i-1列栅格A(i-1)1中的点云数据与第一行第i列栅格Ai1中的点云数据的拓扑关系,…,A(i-1)j∩Aij表示第j行第i-1列栅格A(i-1)j中的点云数据与第j行第i列栅格Aij中的点云数据的拓扑关系。
优选的,对拼接后的点云数据进行去噪声处理的具体过程包括:
提取点云数据的分布特征,所述分布特征包括:线式点云数据、阵列式点云数据、三角化点云数据和散乱式点云数据;
根据点云数据的分布特征对点云数据进行区块划分,其中,线式点云数据和阵列式点云数据划分为有序点云数据区块,三角化点云数据划分为部分有序点云数据区块,散乱式点云数据划分为无序点云数据区块;
对有序点云数据区块和部分有序点云数据区块,采用平滑滤波进行噪声去除;
对无序点云数据区块,对点云数据进行网格划分,然后采用网格模型进行噪声去除。
优选的,进行曲面重构,获得模具的三维模型的具体过程包括:
将去除噪声后的点云数据再次进行分布特征提取和区块划分;
对有序点云数据区块和部分有序点云数据区块,采用四边域网格曲面建模进行曲面重构;
对无序点云数据区块,采用三角域曲面建模进行曲面重构。
本发明提出的基于数字化模型的模具磨损修复方法,具有如下优点:
1、本发明通过采集模具的点云数据,对点云数据进行拼接、去噪处理,然后进行曲面重构,获得模具的三维模型,在三维模型的基础上,将三维模型与标准模型进行对比,获得磨损区域的参数,根据磨损程度制定修复方案,实现对模具的精确修复。提高了模具的修复精度和修复效率,延长了模具的使用寿命。
2、对点云数据进行坐标转换,然后建立点云数据之间的拓扑结构,在满足分割效率和自动化要求的情况下提高了点云分割准确性,能够得到精确的分割结果。
3、在对模具进行扫描的过程中,必须有重叠范围,重叠范围最小不能小于18%,一般为30%~40%,这样在拼接时能够保证点云数据的拼接精度,因此,在对点云数据拼接时对重叠部分进行去噪处理,保证了点云拼接的准确性,进而保证了重建模型的精度。
附图说明
图1是本发明所述基于数字化模型的模具磨损修复方法的原理框图。
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作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例1:
下面结合图1说明本实施方式,本实施方式所述基于数字化模型的模具磨损修复方法,它包括:
采用激光线扫描器对模具进行扫描,获得模具的点云数据;
对获得的模具的点云数据进行拼接;
对拼接后的点云数据进行去噪声处理,然后进行曲面重构,获得模具的三维模型;
将模具的三维模型与标准模型进行对比,获取磨损区域,根据磨损程度制定修复方案,实现对模具的精确修复。
进一步的,采用激光线扫描器对模具进行扫描,获得模具的点云数据的具体方法包括:
所述激光线扫描器包括激光器、移动平台和图像采集器;
将激光器和图像采集器均至于移动平台上,将移动平台至于模具侧方;
对图像采集器进行标定;
在移动平台的匀速移动过程中,激光器向模具发射线激光,使先激光扫描整个模具,同时采用图像采集器采集线激光照射下的条纹图像;
将获得的条纹图像利用三角法原理生成点云数据。
再进一步的,所述对图像采集器进行标定的具体方法包括:
将标定基准块放置在图像采集器侧方,将光栅投射到标定基准块上,调整标定基准块与图像采集器的相对位置,使标定基准块处于图像采集器的图像采集框的中央,此时,标定基准块的中心线与图像采集器的图像采集框的中心线重合。
本实施方式中,通过采集模具的点云数据,对点云数据进行拼接、去噪处理,然后进行曲面重构,获得模具的三维模型,在三维模型的基础上,将三维模型与标准模型进行对比,获得磨损区域的参数,根据磨损程度制定修复方案,实现对模具的精确修复。提高了模具的修复精度和修复效率,延长了模具的使用寿命。
本实施方式中,所述图像采集器可以采用CCD相机实现。CCD相机采集获得的图像,对其进行高斯滤波处理可以减少图像中的噪声和伪影;再经过差分运算,把两幅图像对应的像素值相减,削弱图像的相似部分,突出显示由于物体高度变化而发生调制的激光条纹图像。对差分图像进行高斯平滑,进一步减少噪点对后续图像处理的干扰。找出每列最亮像素并对其Hough变换,即对激光条纹图像做细化处理,以提高后续运算的效率和精度。
本实施方式中,标定后的图像采集器采集的点云数据误差更小。
实施例2:
下面结合图1说明本实施方式,本实施方式所述基于数字化模型的模具磨损修复方法,对获得的模具的点云数据进行拼接的具体过程包括:
将点云数据的云坐标进行坐标转换,获得基准坐标系下的点云数据;
对基准坐标系下的点云数据,建立点云数据之间的拓扑结构;
点云数据之间的拓扑结构即为点云数据的拼接模型。
进一步的,将点云数据的云坐标进行坐标转换,获得基准坐标系下的点云数据的具体方法包括:
其中,(x,y,z)表示基准坐标系下的点云数据坐标,(u,r,h)表示云坐标系下的点云数据坐标,R表示三阶旋转矩阵,T表示平移向量。
再进一步的,建立点云数据之间拓扑结构,获得点云数据的拼接模型的具体方法包括:
以点(xmax,ymax,zmax)和点(xmin,ymin,zmin)为对角点、平行于空间坐标系的平面为表面构建空间六面体;
其中,xmax为点云数据在空间坐标系x轴的最大值,ymax为点云数据在空间坐标系y轴的最大值,zmax为点云数据在空间坐标系z轴的最大值,xmin为点云数据在空间坐标系x轴的最小值,ymin为点云数据在空间坐标系y轴的最小值,zmin为点云数据在空间坐标系z轴的最小值;
将空间六面体以ε为单位长度进行等间距栅格划分;
将点云数据按坐标值依次放入对应的栅格内;
栅格之间的邻域关系即为点云数据之间的拓扑关系;
点云之间的拓扑关系为:
其中,M表示点云数据的拼接模型,A11∩A21表示第一行第一列栅格A11中的点云数据与第一行第二列栅格A21中的点云数据的拓扑关系,A21∩A31表示第一行第二列栅格A21中的点云数据与第一行第三列栅格A31中的点云数据的拓扑关系,A(i-1)1∩Ai1表示第一行第i-1列栅格A(i-1)1中的点云数据与第一行第i列栅格Ai1中的点云数据的拓扑关系,…,A(i-1)j∩Aij表示第j行第i-1列栅格A(i-1)j中的点云数据与第j行第i列栅格Aij中的点云数据的拓扑关系。
本实施方式中,建立拓扑结构,在满足分割效率和自动化要求的情况下提高了点云分割准确性,能够得到精确的分割结果。
实施例3:
下面结合图1说明本实施方式,本实施方式所述基于数字化模型的模具磨损修复方法,对拼接后的点云数据进行去噪声处理的具体过程包括:
提取点云数据的分布特征,所述分布特征包括:线式点云数据、阵列式点云数据、三角化点云数据和散乱式点云数据;
根据点云数据的分布特征对点云数据进行区块划分,其中,线式点云数据和阵列式点云数据划分为有序点云数据区块,三角化点云数据划分为部分有序点云数据区块,散乱式点云数据划分为无序点云数据区块;
对有序点云数据区块和部分有序点云数据区块,采用平滑滤波进行噪声去除;
对无序点云数据区块,对点云数据进行网格划分,然后采用网格模型进行噪声去除。
进一步的,进行曲面重构,获得模具的三维模型的具体过程包括:
将去除噪声后的点云数据再次进行分布特征提取和区块划分;
对有序点云数据区块和部分有序点云数据区块,采用四边域网格曲面建模进行曲面重构;
对无序点云数据区块,采用三角域曲面建模进行曲面重构。
本实施方式中,在扫描时必须有重叠范围,重叠范围最小不能小于18%,一般为30%~40%,这样在拼接时能够保证点云数据的拼接精度,因此,在进行点云数据拼接时,需要对重叠部分进行去噪处理,点云数据的噪声降低了点云数据的质量,在后期建模时,严重影响重建模型的精度,去噪处理能够保证点云拼接的准确性。
本实施方式中,针对测量得到的大量散乱数据,使用三角域曲面造型和四边域曲面造型技术相结合的方法完成了曲面的重构工作。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (6)
1.基于数字化模型的模具磨损修复方法,其特征在于,它包括:
采用激光线扫描器对模具进行扫描,获得模具的点云数据;
对获得的模具的点云数据进行拼接;
对拼接后的点云数据进行去噪声处理,然后进行曲面重构,获得模具的三维模型;
将模具的三维模型与标准模型进行对比,获取磨损区域,根据磨损程度制定修复方案,实现对模具的精确修复;
所述对拼接后的点云数据进行去噪声处理的具体过程包括:
提取点云数据的分布特征,所述分布特征包括:线式点云数据、阵列式点云数据、三角化点云数据和散乱式点云数据;
根据点云数据的分布特征对点云数据进行区块划分,其中,线式点云数据和阵列式点云数据划分为有序点云数据区块,三角化点云数据划分为部分有序点云数据区块,散乱式点云数据划分为无序点云数据区块;
对有序点云数据区块和部分有序点云数据区块,采用平滑滤波进行噪声去除;
对无序点云数据区块,对点云数据进行网格划分,然后采用网格模型进行噪声去除;
所述进行曲面重构,获得模具的三维模型的具体过程包括:
将去除噪声后的点云数据再次进行分布特征提取和区块划分;
对有序点云数据区块和部分有序点云数据区块,采用四边域网格曲面建模进行曲面重构;
对无序点云数据区块,采用三角域曲面建模进行曲面重构。
2.根据权利要求1所述的基于数字化模型的模具磨损修复方法,其特征在于,所述采用激光线扫描器对模具进行扫描,获得模具的点云数据的具体方法包括:
所述激光线扫描器包括激光器、移动平台和图像采集器;
将激光器和图像采集器均至于移动平台上,将移动平台至于模具侧方;
对图像采集器进行标定;
在移动平台的匀速移动过程中,激光器向模具发射线激光,使先激光扫描整个模具,同时采用图像采集器采集线激光照射下的条纹图像;
将获得的条纹图像利用三角法原理生成点云数据。
3.根据权利要求2所述的基于数字化模型的模具磨损修复方法,其特征在于,所述对图像采集器进行标定的具体方法包括:
将标定基准块放置在图像采集器侧方,将光栅投射到标定基准块上,调整标定基准块与图像采集器的相对位置,使标定基准块处于图像采集器的图像采集框的中央,此时,标定基准块的中心线与图像采集器的图像采集框的中心线重合。
4.根据权利要求1所述的基于数字化模型的模具磨损修复方法,其特征在于,所述对获得的模具的点云数据进行拼接的具体过程包括:
将点云数据的云坐标进行坐标转换,获得基准坐标系下的点云数据;
对基准坐标系下的点云数据,建立点云数据之间的拓扑结构;
点云数据之间的拓扑结构即为点云数据的拼接模型。
5.根据权利要求4所述的基于数字化模型的模具磨损修复方法,其特征在于,所述将点云数据的云坐标进行坐标转换,获得基准坐标系下的点云数据的具体方法包括:
其中,(x,y,z)表示基准坐标系下的点云数据坐标,(u,r,h)表示云坐标系下的点云数据坐标,R表示三阶旋转矩阵,T表示平移向量。
6.根据权利要求5所述的基于数字化模型的模具磨损修复方法,其特征在于,所述建立点云数据之间拓扑结构,获得点云数据的拼接模型的具体方法包括:
以点(xmax,ymax,zmax)和点(xmin,ymin,zmin)为对角点、平行于空间坐标系的平面为表面构建空间六面体;
其中,xmax为点云数据在空间坐标系x轴的最大值,ymax为点云数据在空间坐标系y轴的最大值,zmax为点云数据在空间坐标系z轴的最大值,xmin为点云数据在空间坐标系x轴的最小值,ymin为点云数据在空间坐标系y轴的最小值,zmin为点云数据在空间坐标系z轴的最小值;
将空间六面体以ε为单位长度进行等间距栅格划分;
将点云数据按坐标值依次放入对应的栅格内;
栅格之间的邻域关系即为点云数据之间的拓扑关系;
点云之间的拓扑关系为:
其中,M表示点云数据的拼接模型,A11∩A21表示第一行第一列栅格A11中的点云数据与第一行第二列栅格A21中的点云数据的拓扑关系,A21∩A31表示第一行第二列栅格A21中的点云数据与第一行第三列栅格A31中的点云数据的拓扑关系,A(i-1)1∩Ai1表示第一行第i-1列栅格A(i-1)1中的点云数据与第一行第i列栅格Ai1中的点云数据的拓扑关系,…,A(i-1)j∩Aij表示第j行第i-1列栅格A(i-1)j中的点云数据与第j行第i列栅格Aij中的点云数据的拓扑关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211492912.6A CN115908182B (zh) | 2022-11-25 | 2022-11-25 | 基于数字化模型的模具磨损修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211492912.6A CN115908182B (zh) | 2022-11-25 | 2022-11-25 | 基于数字化模型的模具磨损修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908182A CN115908182A (zh) | 2023-04-04 |
CN115908182B true CN115908182B (zh) | 2023-12-29 |
Family
ID=86477478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211492912.6A Active CN115908182B (zh) | 2022-11-25 | 2022-11-25 | 基于数字化模型的模具磨损修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908182B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294421A (zh) * | 2013-06-13 | 2013-09-11 | 福州大学 | 三维复印装置 |
CN105574929A (zh) * | 2015-12-15 | 2016-05-11 | 电子科技大学 | 一种基于地面LiDAR点云数据的单株植被三维建模方法 |
CN106846392A (zh) * | 2016-12-12 | 2017-06-13 | 国网北京市电力公司 | 三维建模的方法和装置 |
CN107239612A (zh) * | 2017-06-05 | 2017-10-10 | 吉林大学 | 一种基于断裂面三维重构的裂解连杆建模方法 |
CN107818590A (zh) * | 2017-09-11 | 2018-03-20 | 童和平 | 基于三维光学扫描的自由曲面产品逆向工程建模成型方法 |
CN108629849A (zh) * | 2018-05-16 | 2018-10-09 | 浙江大学 | 一种基于bim和点云技术的构件质检系统 |
CN110599449A (zh) * | 2019-07-31 | 2019-12-20 | 众宏(上海)自动化股份有限公司 | 一种模板匹配及点云对比的齿轮扫描算法 |
CN111145240A (zh) * | 2019-11-18 | 2020-05-12 | 西宁市动物疫病预防控制中心(挂西宁市畜牧兽医站牌子) | 一种基于3d相机的活体西门塔尔牛体尺在线测量方法 |
CN114119628A (zh) * | 2021-10-25 | 2022-03-01 | 南京航空航天大学 | 一种基于特征模板的点云精确分割方法 |
CN114459378A (zh) * | 2022-02-16 | 2022-05-10 | 河南城建学院 | 一种隧道工程三维激光扫描分段测量方法及测量系统 |
-
2022
- 2022-11-25 CN CN202211492912.6A patent/CN115908182B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294421A (zh) * | 2013-06-13 | 2013-09-11 | 福州大学 | 三维复印装置 |
CN105574929A (zh) * | 2015-12-15 | 2016-05-11 | 电子科技大学 | 一种基于地面LiDAR点云数据的单株植被三维建模方法 |
CN106846392A (zh) * | 2016-12-12 | 2017-06-13 | 国网北京市电力公司 | 三维建模的方法和装置 |
CN107239612A (zh) * | 2017-06-05 | 2017-10-10 | 吉林大学 | 一种基于断裂面三维重构的裂解连杆建模方法 |
CN107818590A (zh) * | 2017-09-11 | 2018-03-20 | 童和平 | 基于三维光学扫描的自由曲面产品逆向工程建模成型方法 |
CN108629849A (zh) * | 2018-05-16 | 2018-10-09 | 浙江大学 | 一种基于bim和点云技术的构件质检系统 |
CN110599449A (zh) * | 2019-07-31 | 2019-12-20 | 众宏(上海)自动化股份有限公司 | 一种模板匹配及点云对比的齿轮扫描算法 |
CN111145240A (zh) * | 2019-11-18 | 2020-05-12 | 西宁市动物疫病预防控制中心(挂西宁市畜牧兽医站牌子) | 一种基于3d相机的活体西门塔尔牛体尺在线测量方法 |
CN114119628A (zh) * | 2021-10-25 | 2022-03-01 | 南京航空航天大学 | 一种基于特征模板的点云精确分割方法 |
CN114459378A (zh) * | 2022-02-16 | 2022-05-10 | 河南城建学院 | 一种隧道工程三维激光扫描分段测量方法及测量系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115908182A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110017773B (zh) | 一种基于机器视觉的包裹体积测量方法 | |
CN106709947B (zh) | 一种基于rgbd相机的三维人体快速建模系统 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN109272524B (zh) | 一种基于阈值分割的小尺度点云噪声去噪方法 | |
CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
CN111415376B (zh) | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 | |
CN110728667A (zh) | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 | |
CN114821114A (zh) | 一种基于视觉系统的坡口切割机器人图像处理方法 | |
CN101487838A (zh) | 一种异形纤维的尺度形状特征的提取方法 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
CN114279357A (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
CN114119488A (zh) | 一种面向工厂化的预制叠合板尺寸质量智能检测方法 | |
CN111524154B (zh) | 一种基于影像的隧道管片自动化分割方法 | |
CN112734662A (zh) | 一种针对锥齿轮磨损的机器视觉检测方法及系统 | |
CN113781585A (zh) | 一种增材制造零件表面缺陷在线检测方法及系统 | |
CN112184725A (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
CN116358449A (zh) | 一种基于双目面结构光的飞机铆钉凹凸量测量方法 | |
CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
CN115908182B (zh) | 基于数字化模型的模具磨损修复方法 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN111415378B (zh) | 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法 | |
CN116539619B (zh) | 产品缺陷检测方法、系统、装置及存储介质 | |
CN117292181A (zh) | 基于3d点云处理的钣金件孔组分类及全尺寸测量方法 | |
CN116907381A (zh) | 一种半导体晶圆Bump三维形貌测量方法 |
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 |