CN116086355A - 一种非完整车身r角小圆弧视觉测量方法及系统 - Google Patents
一种非完整车身r角小圆弧视觉测量方法及系统 Download PDFInfo
- Publication number
- CN116086355A CN116086355A CN202211097403.3A CN202211097403A CN116086355A CN 116086355 A CN116086355 A CN 116086355A CN 202211097403 A CN202211097403 A CN 202211097403A CN 116086355 A CN116086355 A CN 116086355A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- screening
- arc
- angle
- fitting
- 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
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 37
- 238000000691 measurement method Methods 0.000 title claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种非完整车身R角小圆弧视觉测量方法及系统包括，利用线结构光相机拍摄车身R角非完整小圆弧，获得拍摄后的点云轮廓数据；根据点云轮廓数据，进行最小二乘法直线拟合；对拟合后的直线进行斜率筛选，去除点云轮廓曲线中筛选出的直线点云，得到第一筛选点云；对第一筛选点云进行曲率筛选，去除与圆弧相连的直线点云以及其余直线点云，完成圆弧特征粗提取，得到第二筛选点云；利用算法对第二筛选点云进行精确圆弧特征点云提取，并用最小二乘法拟合得到圆弧半径及圆心坐标。相对比现有的仅以非完整小圆弧测量方法更加精确，本发明整个测量过程不需要人为干预，不需要已知非完整小圆弧半径的大致范围，且测量效率更高。
Description
技术领域
本发明涉及视觉检测测量技术领域，尤其涉及一种非完整车身R角小圆弧视觉测量方法及系统。
背景技术
随着生活水平逐步提高及设计、制造技术的不断升级，整车厂和消费者均对汽车造型提出了更高的要求。近年来车身棱线，逐渐成为表达车身造型设计理念的重要组成，如大众CC的侧围棱线、奔驰E级的发动机盖、日产天籁的前保棱线等，上述几款车型均以造型优势赢得了良好的用户口碑和不菲销量。车身棱线就是典型的非完整小圆弧，其轮廓尺寸的一致性是汽车外观精致美观的重要衡量标准之一。类似的，车辆间隙面差同样影响汽车外观精致美观，在提取圆弧特征后方可得到测量间隙面差的关键点信息，从而测得间隙面差。目前，在传统的整车开发和质量控制中常使用R规来测量非完整小圆弧的半径，但存在测量精度低、可靠性差、数据汇总难以及人工成本高等问题。使用机器视觉是当前质量控制和智能测量的主要趋势，能有效改善传统人工测量中的很多问题。但非完整小圆弧半径小且圆弧部分信息少，相机采集的点云中只有很小的一部分，即圆弧特征部分，能用于圆弧半径拟合，存在有效数据匮乏的难题。
针对非完整小圆弧的测量，目前普遍采用R规人工测量，具有精度低，稳定性差，效率低等问题；少数使用机器视觉相机测量，测量精度大多在0.1mm左右，且需使用昂贵的机器视觉相机，其精度受设备以及测量算法影响较大，检测成本也较高。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种非完整车身R角小圆弧视觉测量方法及系统，能够解决现有技术中检测精度低、无法满足车身钣金件多类型圆弧的测量、检测成本高以及效率低下等问题。
为解决上述技术问题，本发明提供如下技术方案，一种非完整车身R角小圆弧视觉测量方法，包括：
利用线结构光相机拍摄车身R角非完整小圆弧，获得拍摄后的点云轮廓数据；
根据所述点云轮廓数据，进行最小二乘法直线拟合；
对拟合后的点云进行斜率筛选，去除点云轮廓曲线中筛选出的直线点云，得到第一筛选点云；
对所述第一筛选点云进行曲率筛选，去除与圆弧相连的直线点云以及其余直线点云，完成圆弧特征粗提取，得到第二筛选点云；
利用算法对第二筛选点云进行精确圆弧特征点云提取，并用最小二乘法拟合得到圆弧半径及圆心坐标。
作为本发明所述的非完整车身R角小圆弧视觉测量方法的一种优选方案，其中：所述斜率筛选包括，
斜率差值的阈值：
W＝H2*m
σ＝tanθ
其中，θ为斜率筛选前后组直线夹角阈值角度，σ为两直线斜率差的阈值，H为前后组直线拟合区域宽度，m为构成线段的点，W为投影距离，H2为相机精度。
作为本发明所述的非完整车身R角小圆弧视觉测量方法的一种优选方案，其中：所述曲率筛选包括，
曲率阈值
其中，为曲率阈值，s为待测件曲率筛选阈值角度内的弧长，α为曲率阈值角度，曲率筛选每组点云跨度为斜率筛选的一半，α为斜率筛选阈值角度θ的一半，I为取样间隔点数，H为前后组直线拟合区域宽度，H2为相机精度。
作为本发明所述的非完整车身R角小圆弧视觉测量方法的一种优选方案，其中：所述精确圆弧特征点云提取包括，
设置RANSAC算法的迭代次数和内点距离阈值；
由三点拟合圆构建模型，用其它点来测试该模型，并统计内点数目；
重复迭代，提取内点数目最多的模型。
作为本发明所述的非完整车身R角小圆弧视觉测量方法的一种优选方案，其中：所述斜率筛选还包括，若前后两组点云数据拟合的斜率差小于σ，则认为后一组是点云轮廓曲线中的直线，予以剔除，否则予以保留。
作为本发明所述的非完整车身R角小圆弧视觉测量方法的一种优选方案，其中：所述曲率筛选还包括，三点拟合曲线，得到曲线参数方程，并计算曲线曲率，且以中间点作为曲线估计曲率；设置曲率阈值将小于曲率阈值的点云去除。
作为本发明所述的非完整车身R角小圆弧视觉测量方法的一种优选方案，其中：所述最小二乘法直线拟合包括，
将所有点云数据进行滚动分组，每组m个离散点云，使得后组数据包含前组数据的一半，在分组时出现数据量少于m/2个点的小组，直接去除，防止数据量过少拟合误差过大。
一种非完整车身R角小圆弧视觉测量系统，其特征在于：包括数据获取模块、数据拟合模块、第一点云筛选模块、第二点云筛选模块和特征提取与处理模块，
数据获取模块，所述数据获取模块用于获取外部拍摄设备拍摄车身R角非完整小圆弧后的点云轮廓数据；
数据拟合模块，所述数据拟合模块用于根据所述数据获取模块获取的云轮廓数据，进行最小二乘法直线拟合；
第一点云筛选模块，所述第一点云筛选模块用于对拟合后的直线进行斜率筛选，去除点云轮廓曲线中筛选出的直线点云，得到第一筛选点云；
第二点云筛选模块，所述第二点云筛选模块用于对所述第一筛选点云进行曲率筛选，去除与圆弧相连的直线点云以及其余直线点云，完成圆弧特征粗提取，得到第二筛选点云；
特征提取与处理模块，特征提取与处理模块用于利用算法对第二筛选点云进行精确圆弧特征点云提取，并用最小二乘法拟合得到圆弧半径及圆心坐标。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果：本发明提出一种非完整车身R角小圆弧视觉测量方法及系统，本发明通过对待测车身非完整小圆弧进行拍照与点云数据提取，筛选非完整小圆弧中圆弧特征点云，并计算拟合出非完整小圆弧半径大小的方法，来判断白车身中的非完整小圆弧是否满足制造质量要求。相对比现有的仅以非完整小圆弧测量方法更加精确，整个测量过程不需要人为干预，不需要已知非完整小圆弧半径的大致范围，且测量效率更高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种非完整车身R角小圆弧视觉测量方法及系统流程示意图；
图2为本发明一个实施例提供的一种非完整车身R角小圆弧视觉测量方法及系统的斜率筛选中前后组直线拟合效果图；
图3为本发明一个实施例提供的一种非完整车身R角小圆弧视觉测量方法及系统的斜率筛选中前后组直线拟合效果放大图；
图4为本发明一个实施例提供的一种非完整车身R角小圆弧视觉测量方法及系统的拟合的效果示意图；
图5为本发明一个实施例提供的一种非完整车身R角小圆弧视觉测量方法及系统的系统结构图；
图6为本发明一个实施例提供的一种非完整车身R角小圆弧视觉测量方法及系统的计算机设备的内部结构图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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、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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-6，为本发明的第一个实施例，该实施例提供了一种非完整车身R角小圆弧视觉测量方法，包括：
步骤102，利用线结构光相机拍摄车身R角非完整小圆弧，获得拍摄后的点云轮廓数据；
其中，线结构光相机拍摄时应进行多角度拍摄，拍摄角度范围为[-30°,30°]。
具体地，获得拍摄后的车身R角点云轮廓数据后从相机导出车身R角点云轮廓数据，将CSV格式的文档转化为TXT格式的文档，去除其中无效数据。
步骤104，根据所述点云轮廓数据，进行最小二乘法直线拟合；
其中，区分点云段数并分组，通过点云数据Z坐标阶跃变化得到点云分为几段，然后分别对每段数据进行分组，将所有点云数据进行滚动分组，每组m个离散点云，使得后组数据包含前组数据的一半。若在分组时出现数据量少于m/2个点的小组，直接去除，防止数据量过少拟合误差过大。
具体地，通过差分函数查找点云数据中有几处Z坐标阶跃变化，从而得到有几个间断点，从而区分点云数据划分了几段。将点云数据量足够的每组数据进行最小二乘法直线拟合，得到所拟合直线的斜率。用最小二乘法计算每组数据的斜率，通过斜率来区分直线与曲线。
步骤106，对拟合后的点云进行斜率筛选，去除点云轮廓曲线中筛选出的直线点云，得到第一筛选点云；
其中，若前后两组点云数据拟合的斜率差小于σ(斜率差值的阈值)，则认为后一组是点云轮廓曲线中的直线，予以剔除，否则予以保留。
具体地，由于待测对象的加工误差以及相机精度影响，采集的点云应在如图3所示的虚线区域内，记待测件加工误差H1，相机精度H2，则点云采集误差可由虚线区域的宽度H表示，H≤|H1|+|H2|。
更进一步地，如图3所示的两条拟合直线l1与l2恰好首尾点云落在点云采集范围的上下极限处，此时夹角θ取到最小值，作为斜率筛选角度阈值，从而得到两直线斜率差的阈值σ。相机精度为H2，则由m个点构成的线段l1与l2在X方向的投影距离W＝H2*m，因此：
σ＝tanθ
其中，θ为斜率筛选前后组直线夹角阈值角度，σ为两直线斜率差的阈值，H为前后组直线拟合区域宽度，m为构成线段的点，W为投影距离，H2为相机精度。
步骤108，对所述第一筛选点云进行曲率筛选，去除与圆弧相连的直线点云以及其余直线点云，完成圆弧特征粗提取，得到第二筛选点云；
其中，曲率筛选的方法包含如下过程三点拟合曲线，得到曲线参数方程，并计算曲线曲率，且以中间点作为曲线估计曲率；设置曲率阈值将小于曲率阈值的点云去除。两点相连可得到一条直线，三点可得到一条曲线，这里是利用这个原理得到曲线的参数方程。
具体地，记点云总数为N，取样间隔点数为I，则可将所有点云(D1，D2，...，DN)分成N-2I组，第一组为{D1，D1+I，D1+2I}，第i组为{Di，Di+I，Di+2I}。
进一步的，设对应每组数据包括(x1，y1)、(x2，y2)、(x3，y3)三个数据点，以中间的数据点(x2，y2)的曲率作为该组数据拟合的曲线的曲率估计值，参数方程如下：
进一步的，采用两段矢量的长度来作为取值范围：
进一步的，参数方程中的t满足如下条件：
(x,y)|t＝0＝(x2,y2)
则有：
以及：
进一步的，写成矩阵形式：
以及：
简写为：
X＝MA
Y＝MB
进一步的，求出(a1，a2，a3)和(b1，b2，b3)就有了曲线的解析方程，计算变量的一次导数和二次导数得到：
进一步的，该组3个数据点拟合的曲线最终的曲率k的计算方式为：
其中，a1,a2,a3,b1,b2,b3,都是常数，ta,tb就是三点拟合曲线中第一个点与第二个点的矢量长度，第二点与第三点的矢量长度。x1,x2,x3，y1,y2,y3就是三点拟合曲线的三个点的坐标。
更进一步地，将曲率小于曲率阈值的组别中3个数据点的中间数据点(x2，y2)去除。
更进一步地，为了达到细化点云分组的目的，在取点跨度上曲率筛选小于斜率筛选，但I取值过小则近似为直线，取值过大会剔除较多关键点，不符合曲率筛选要求。本发明取I＝m/4(即曲率筛选每组点云跨度为斜率筛选的一半)，所对应于曲率阈值角度α即为斜率筛选阈值角度θ的一半，s为待测件曲率筛选阈值角度内的弧长。曲率阈值的选择类似于斜率筛选，主要考虑采点的误差，易得：
其中，为曲率阈值，s为待测件曲率筛选阈值角度内的弧长，α为曲率阈值角度，曲率筛选每组点云跨度为斜率筛选的一半，α为斜率筛选阈值角度θ的一半，I为取样间隔点数，H为前后组直线拟合区域宽度，H2为相机精度。
步骤110，利用算法对第二筛选点云进行精确圆弧特征点云提取，并用最小二乘法拟合得到圆弧半径及圆心坐标。
其中，设置RANSAC算法的迭代次数和内点距离阈值；三点拟合圆构建模型，用其它点来测试该模型，并统计内点数目；重复迭代，提取内点数目最多的模型。
具体的，随机选取数据集里的三个点拟合圆，构建圆弧模型并用其它未选取的点来验证该模型，若未选取的点在该模型阈值范围内则为模型内点，反之为外点。通过不断迭代查找内点数最多的圆弧模型，并把内点数最多的圆弧模型作为最终模型，从而排除离群噪点影响，得到最佳拟合点云，提高拟合精度。
在本实施例中，本发明通过对待测车身非完整小圆弧进行拍照与点云数据提取，筛选非完整小圆弧中圆弧特征点云，并计算拟合出非完整小圆弧半径大小的方法，来判断白车身中的非完整小圆弧是否满足制造质量要求。相对比现有的仅以非完整小圆弧测量方法更加精确，整个测量过程不需要人为干预，不需要已知非完整小圆弧半径的大致范围，且测量效率更高。
可以理解的是，本发明通过点云轮廓拍摄及后续计算机处理，来判断汽车白车身的非完整小圆弧是否满足装配要求，由于整个检测过程受人为因素的影响很少，因此，具有良好的重复性和再现性。
在一个实施例中，如图5所示，提供了一种非完整车身R角小圆弧视觉测量系统，包括数据获取模块202、数据拟合模块204、第一点云筛选模块206、第二点云筛选模块208和特征提取与处理模块210，
数据获取模块202，所述数据获取模块202用于获取外部拍摄设备拍摄车身R角非完整小圆弧后的点云轮廓数据；
数据拟合模块204，所述数据拟合模块204用于根据所述数据获取模块获取的云轮廓数据，进行最小二乘法直线拟合；
第一点云筛选模块206，所述第一点云筛选模块206用于对拟合后的直线进行斜率筛选，去除点云轮廓曲线中筛选出的直线点云，得到第一筛选点云；
第二点云筛选模块208，所述第二点云筛选模块208用于对所述第一筛选点云进行曲率筛选，去除与圆弧相连的直线点云以及其余直线点云，完成圆弧特征粗提取，得到第二筛选点云；
特征提取与处理模块210，特征提取与处理模块210用于利用算法对第二筛选点云进行精确圆弧特征点云提取，并用最小二乘法拟合得到圆弧半径及圆心坐标。
上述各模块模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种非完整车身R角小圆弧视觉测量方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
利用线结构光相机拍摄车身R角非完整小圆弧，获得拍摄后的点云轮廓数据；
根据所述云轮廓数据，进行最小二乘法直线拟合；
对拟合后的直线进行斜率筛选，去除点云轮廓曲线中筛选出的直线点云，得到第一筛选点云；
对所述第一筛选点云进行曲率筛选，去除与圆弧相连的直线点云以及其余直线点云，完成圆弧特征粗提取，得到第二筛选点云；
利用算法对第二筛选点云进行精确圆弧特征点云提取，并用最小二乘法拟合得到圆弧半径及圆心坐标。
实施例2
参照图2-6，为本发明的一个实施例，提供了一种非完整车身R角小圆弧视觉测量方法及系统，为了验证本发明的有益效果，通过实验进行科学论证。
具体数值可见表1，表1为半径为1mm-5mm的标准件非完整圆弧R角测量数据。
表1标准件R角测量数据表
其中，将R角理论值为1mm的点云数据进行算法处理拟合，与采用R规、三坐标测量的结果进行对比，对比结果如下表2所示，单位mm。
表2测量的结果进行对比
其中：CMM_R为三坐标测量结果，R1为R规测量结果，R0为本发明的测量结果，Δ1为R规测量结果与三坐标之间的差值，Δ2为线激光测量结果与三坐标的差值。由此可见，本发明测量明显由于传统的R规测量。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种非完整车身R角小圆弧视觉测量方法，其特征在于：包括，
利用线结构光相机拍摄车身R角非完整小圆弧，获得拍摄后的点云轮廓数据；
根据所述点云轮廓数据，进行最小二乘法直线拟合；
对拟合后的点云进行斜率筛选，去除点云轮廓曲线中筛选出的直线点云，得到第一筛选点云；
对所述第一筛选点云进行曲率筛选，去除与圆弧相连的直线点云以及其余直线点云，完成圆弧特征粗提取，得到第二筛选点云；
利用算法对第二筛选点云进行精确圆弧特征点云提取，并用最小二乘法拟合得到圆弧半径及圆心坐标。
2.如权利要求1所述的非完整车身R角小圆弧视觉测量方法，其特征在于：所述斜率筛选包括，
斜率差值的阈值：
W＝H2*m
σ＝tanθ
其中，θ为斜率筛选前后组直线夹角阈值角度，σ为两直线斜率差的阈值，H为前后组直线拟合区域宽度，m为构成线段的点，W为投影距离，H2为相机精度。
3.如权利要求1或2所述的非完整车身R角小圆弧视觉测量方法，其特征在于：所述曲率筛选包括，
曲率阈值
其中，
为曲率阈值，s为待测件曲率筛选阈值角度内的弧长，α为曲率阈值角度，曲率筛选每组点云跨度为斜率筛选的一半，α为斜率筛选阈值角度θ的一半，I为取样间隔点数，H为前后组直线拟合区域宽度，H2为相机精度。
4.如权利要求3所述的非完整车身R角小圆弧视觉测量方法，其特征在于：所述精确圆弧特征点云提取包括，
设置RANSAC算法的迭代次数和内点距离阈值；
由三点拟合圆构建模型，用其它点来测试该模型，并统计内点数目；
重复迭代，提取内点数目最多的模型。
5.如权利要求4所述的非完整车身R角小圆弧视觉测量方法，其特征在于：所述斜率筛选还包括，若前后两组点云数据拟合的斜率差小于σ，则认为后一组是点云轮廓曲线中的直线，予以剔除，否则予以保留。
6.如权利要求5所述的非完整车身R角小圆弧视觉测量方法，其特征在于：所述曲率筛选还包括，三点拟合曲线，得到曲线参数方程，并计算曲线曲率，且以中间点作为曲线估计曲率；设置曲率阈值
将小于曲率阈值
的点云去除。
7.如权利要求4～6任一所述的非完整车身R角小圆弧视觉测量方法，其特征在于：所述最小二乘法直线拟合包括，
将所有点云数据进行滚动分组，每组m个离散点云，使得后组数据包含前组数据的一半，在分组时出现数据量少于m/2个点的小组，直接去除，防止数据量过少拟合误差过大。
8.一种非完整车身R角小圆弧视觉测量系统，其特征在于：包括数据获取模块、数据拟合模块、第一点云筛选模块、第二点云筛选模块和特征提取与处理模块，
数据获取模块，所述数据获取模块用于获取外部拍摄设备拍摄车身R角非完整小圆弧后的点云轮廓数据；
数据拟合模块，所述数据拟合模块用于根据所述数据获取模块获取的云轮廓数据，进行最小二乘法直线拟合；
第一点云筛选模块，所述第一点云筛选模块用于对拟合后的直线进行斜率筛选，去除点云轮廓曲线中筛选出的直线点云，得到第一筛选点云；
第二点云筛选模块，所述第二点云筛选模块用于对所述第一筛选点云进行曲率筛选，去除与圆弧相连的直线点云以及其余直线点云，完成圆弧特征粗提取，得到第二筛选点云；
特征提取与处理模块，特征提取与处理模块用于利用算法对第二筛选点云进行精确圆弧特征点云提取，并用最小二乘法拟合得到圆弧半径及圆心坐标。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211097403.3A CN116086355A (zh) | 2022-09-08 | 2022-09-08 | 一种非完整车身r角小圆弧视觉测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211097403.3A CN116086355A (zh) | 2022-09-08 | 2022-09-08 | 一种非完整车身r角小圆弧视觉测量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116086355A true CN116086355A (zh) | 2023-05-09 |
Family
ID=86185628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211097403.3A Pending CN116086355A (zh) | 2022-09-08 | 2022-09-08 | 一种非完整车身r角小圆弧视觉测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116086355A (zh) |
-
2022
- 2022-09-08 CN CN202211097403.3A patent/CN116086355A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798685B (zh) | 行人身高确定方法、装置及系统 | |
| CN111028220B (zh) | 一种点云铆钉齐平度自动检测方法 | |
| US20180255248A1 (en) | Camera configuration method and apparatus | |
| CN107492120B (zh) | 点云配准方法 | |
| CN109977466A (zh) | 一种三维扫描视点规划方法、装置及计算机可读存储介质 | |
| CN111798521B (zh) | 标定方法、装置、存储介质及电子设备 | |
| CN114332049B (zh) | 边缘检测方法、装置、电子设备及存储介质 | |
| CN113280752A (zh) | 一种凹槽深度测量方法、装置、系统及激光测量设备 | |
| CN109934211B (zh) | 指纹的校准方法及相关装置 | |
| CN116596935B (zh) | 形变检测方法、装置、计算机设备及计算机可读存储介质 | |
| CN114004981A (zh) | 一种非完整点云条件下的车身r角视觉检测方法及系统 | |
| CN116086355A (zh) | 一种非完整车身r角小圆弧视觉测量方法及系统 | |
| CN117392611A (zh) | 工地安全监测方法、系统、设备及存储介质 | |
| CN111784660A (zh) | 一种用于人脸图像的正脸程度的分析方法和系统 | |
| CN114743075A (zh) | 点云模型的检测方法和装置、电子设备和可读存储介质 | |
| CN111311627B (zh) | 一种车辆轮廓线的生成方法及系统、车辆、存储介质 | |
| CN113345079A (zh) | 面部三维模型可视化方法、装置、电子设备及存储介质 | |
| CN108062794A (zh) | 一种建筑物模型的获取方法、装置、服务器及存储介质 | |
| CN117392735B (zh) | 面部数据处理方法、装置、计算机设备和存储介质 | |
| JP3945311B2 (ja) | プレス成形品寸法精度評価方法およびその装置 | |
| WO2022228343A1 (en) | Volume measurement method and an apparatus based on a depth camera, and a computer-readable medium | |
| CN115620053B (zh) | 气道类型确定系统及电子设备 | |
| CN116933107B (zh) | 数据分布边界确定方法、装置、计算机设备和存储介质 | |
| CN115861520B (zh) | 高光检测方法、装置、计算机设备和存储介质 | |
| CN117029707A (zh) | 面向双目视触觉传感器的接触形变三维感知方法及装置 |
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 |