CN116433780A - 一种基于机器视觉的激光结构光自动标定方法 - Google Patents

一种基于机器视觉的激光结构光自动标定方法 Download PDF

Info

Publication number
CN116433780A
CN116433780A CN202310701900.8A CN202310701900A CN116433780A CN 116433780 A CN116433780 A CN 116433780A CN 202310701900 A CN202310701900 A CN 202310701900A CN 116433780 A CN116433780 A CN 116433780A
Authority
CN
China
Prior art keywords
calibration
laser
image
calibration plate
interference
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
CN202310701900.8A
Other languages
English (en)
Other versions
CN116433780B (zh
Inventor
李亚云
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.)
Shenzhen Hengxintong Intelligent Precision Technology Co ltd
Original Assignee
Shenzhen Hengxintong Intelligent Precision Technology 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 Shenzhen Hengxintong Intelligent Precision Technology Co ltd filed Critical Shenzhen Hengxintong Intelligent Precision Technology Co ltd
Priority to CN202310701900.8A priority Critical patent/CN116433780B/zh
Publication of CN116433780A publication Critical patent/CN116433780A/zh
Application granted granted Critical
Publication of CN116433780B publication Critical patent/CN116433780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • 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
    • 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
    • G01J1/4204—Photometry, e.g. photographic exposure meter using electric radiation detectors with determination of ambient light
    • 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
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Sustainable Development (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于机器视觉的激光结构光自动标定方法，涉及机器视觉工业化技术领域，包括建立准确的参考模型、检测标定板洁净度参数、分析环境光干扰参数，综合考虑环境光源的强度、颜色、方向和空间分布等因素，计算出激光定标的干扰度Gr，计算度量指标Zb、并依照度量指标Zb调整设备位置和方向，并覆盖整个测量范围，从而提高激光结构光自动标定的准确性和稳定性。在激光结构光自动标定过程中进行干扰度Gr的量化和处理，提高标定的精度和稳定性；可以根据激光定标干扰度Gr与阈值的比较，判断是否存在干扰，并进行相应的背光源调节操作。这将减少环境光对激光定标的干扰，提高标定的精度和稳定性。

Description

一种基于机器视觉的激光结构光自动标定方法
技术领域
本发明涉及机器视觉工业化技术领域，具体为一种基于机器视觉的激光结构光自动标定方法。
背景技术
激光切割机在使用过程中，由于受到多种因素的影响，如光路调整、机械结构变形、光源老化等，可能会导致切割误差或者切割质量下降。为了保证激光切割机的精度和质量，需要进行标定。长时间使用后：随着使用时间的增加，激光切割机可能会因为机械磨损、光源老化、光路变形等原因导致切割误差或者切割质量下降，此时需要进行标定以恢复切割质量和精度。更换光学元件后：激光切割机中的光学元件是非常重要的组成部分，更换光学元件后需要重新调整光路，以确保切割精度和质量。
机器视觉是一种利用计算机和相应的图像处理算法来模拟人类视觉的技术和科学领域。它使用相机或其他图像采集设备获取图像或视频，并利用计算机视觉算法对这些图像进行分析、处理和理解。激光标定的主要作用是提供对于机械系统的测量和校准。在机械加工和制造过程中，经常需要确定物体的位置和方向，以确保精度和可靠性。激光标定技术可以快速在三维空间中的位置和方向，可以处理大量数据，利用激光标定技术可以快速，准确的测量和校准各种机械设备。
现在在定标过程中，很容易因标定板的参数例如长时间使用的标定板上有污渍和灰尘，例如在户外或者强烈的室内照明过程中，环境光的亮度超过了激光光斑的亮度，可能会对激光标定过程中产生一定的影响，甚至会使激光光斑的形状和位置发生变化，影响标定的精度。
发明内容
针对现有技术的不足，本发明提供了一种基于机器视觉的激光结构光自动标定方法，在定标S1-S6步骤中，包括建立准确的参考模型、检测标定板洁净度参数、分析环境光干扰参数、计算度量指标、调整设备位置和方向，并覆盖整个测量范围，从而提高激光结构光自动标定的准确性和稳定性，减少因长时间而导致的标定板可能会积累污渍和灰尘，影响激光光斑在标定板上的投射和识别的情况，减少环境光的干扰导致的定标影响。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器视觉的激光结构光自动标定方法，包括以下步骤：
S1、在标定过程之前，采集标定板参数及环境内设备参数，建立三维实时模型；
S2、将标定板放置在目标清晰成像位置；通过相机采集标定板表面照片，提取特征后，分析获得标定板表面洁净度JJd；当识别标定板表面洁净度JJd达标时，使用激光投影仪投射激光光束，采用相机拍摄标定板上投射的第一激光结构光图像，作为第一图像；
S3、对定标环境光进行采集，获得环境光源数据，分析环境光源数据对激光定标干扰度Gr；
提取环境光源数据中的光源情况、光源特征和光谱分布参数，并计算获得激光定标干扰度Gr，并将激光定标干扰度Gr与预设阈值相对比，获得干扰结果，按照干扰结果加入背光源进行调节，在完成环境光源测试后，此时拍摄第二激光结构光图像作为第二图像；
S4、识别第一图像和第二图像，并将第一图像和第二图像进行中心点重叠的方式进行融合，获取融合差值，通过三维重建算法与三维实时模型基于融合差值计算度量指标Zb；
S5、将标定板位置输入三维实时模型中，基于度量指标Zb计算调节范围，通过精密仪器调整调节投影仪和相机位置和两者的夹角；
S6、在精密位移台上移动标定装置，每次移动1—3mm，覆盖整个测量范围，手机若干个标定位置的标定数据，在每个标定位置，进行两次拍摄和处理，重复S2至S6步骤，直到整个测量范围内标定结束。
优选的，所述S1包括：
（1）准备标定板，选择已知尺寸和几何形状的棋盘格标定板，将标定板尺寸参数进行存储；
（2）使用相机或三维扫描仪对标定板进行采集，采用不同角度和距离拍摄标定板的图像进行三维扫描来获取标定板的几何参数和形态信息；
（3）采集环境中其他设备的参数，包括相机的内部参数和激光器参数；
（4）建立三维实时模型，将标定板参数和设备参数整合，建立三维实时模型，以实时模型展示标定板和设备参数，该模型包含标定板的几何形状、特征点和设备参数信息。
优选的，所述S2包括，将所述标定板放在目标清晰成像位置，平行面对相机设备，并由相机采集标定板表面照片；对采集的标定板照片进行图像处理，提取出标定板表面的特征点或特征区域，经图像分析计算后，获得标定板表面洁净度JJd；
所述标定板表面洁净度JJd的计算方法通过以下图像处理步骤：
首先，根据设定的阈值，过滤掉误差距离超过阈值的特征点对；计算剩余的特征点对的数量作为过滤无差点Ncd的参数；对于剩余的特征点对，计算它们之间的欧氏距离，作为误差距离Ed；使用特征描述子或其他特征匹配算法，将标定板图像中的特征点与参考图像中的特征点进行匹配，计算匹配特征点Mpd的数量作为匹配特征点的参数；所述标定板表面洁净度JJd通过以下公式获得：
Figure SMS_1
；
式中：Ncd是过滤无差点的数量，Mpd是匹配特征点的数量，Ed是计算误差距离的结果；
Figure SMS_2
作为修正常数，是洁净度指标JJd计算获得一个归一化的值，设置在0到1之间，表示标定板表面的洁净程度。
优选的，根据所述标定板表面洁净度JJd与预设洁净度要求进行比较，判断标定板表面洁净度JJd是否达到要求，如果所述标定板表面洁净度JJd达标，继续下一步操作，如果不达标，需要进行清洁处理，减少洁净度指标不达标而导致定标有误差；
当标定板表面洁净度JJd达标后，启动激光投影仪，投射第一激光结构光至标定板上，设置为特定的结构光模式，包括条纹和格点形状；采用相机对标定板上投射的第一激光结构光进行拍摄，以获取第一图像；第一图像拍摄的条件为确保相机的设置能够捕捉到光斑的清晰图像，并使得标定板充满相机视野。
优选的，所述激光定标干扰度Gr通过以下计算公式获得：
Figure SMS_3
；
式中：I代表光源的强度，从当前环境光源数据中提取的亮度参数；C代表光源的颜色，对环境光源数据中提取的颜色空间参数；D代表光源的方向，对环境光源数据中提取的光源的方向向量参数；S代表光源的空间分布，对环境光源数据中提取的光源的均匀度或分布特征参数；其中，w1、w2、w3和w4分别是各个参数的权重值，
Figure SMS_4
，
Figure SMS_5
，/>
Figure SMS_6
，/>
Figure SMS_7
其中/>
Figure SMS_8
，
Figure SMS_9
表示为修正常数。
优选的，将计算得到的激光定标干扰度Gr与预设的阈值进行比较，根据激光定标干扰度Gr和阈值的大小关系判断是否存在干扰，得出干扰结果；
如果Gr>阈值，则判断存在干扰，否则判断无干扰；根据干扰结果，对背光源进行相应的调节操作；如果判断存在干扰，则需要调整背光源的参数，如亮度、颜色和方向，以减少或消除环境光对激光定标的干扰；如果判断无干扰，则设置保持背光源不变或进行适当的调整；
在调节背光源后，再次使用相机拍摄第二激光结构光图像作为第二图像，第二图像拍摄的条件为确保相机的设置能够捕捉到光斑的清晰图像，并使得标定板充满相机视野。
优选的，所述S4包括，识别第一图像和第二图像中的标定板的中心点，使用图像处理技术，角点检测算法找到标定板图案的中心点；将两个图像按照标定板中心点对齐并融合，形成第三图像；对第三图像进行分析，计算融合差值，通过比较每个像素的亮度值或颜色值的差异来获取融合差值；差异值较大的像素表示两个图像在此位置产生较大的差异；
基于融合差值和建立的三维实时模型，使用三维重建算法进行计算，得到度量指标Zb，度量指标Zb表示第一图像和第二图像之间的差异或匹配精度，用于评估标定的准确性和稳定。
优选的，所述度量指标Zb通过以下公式获得：
Figure SMS_10
；
式中：
Figure SMS_11
表示融合差值的综合，即所有像素的差异值的累加和；N表示融合差值的总数量，即图像中参与计算的像素点的数量；/>
Figure SMS_12
表示为修正常数，具体通过不同场景和标定要求进行修正。
优选的，所述S5包括使用三维实时模型，将标定板的位置信息输入模型中，帮助建立模型中的参考坐标系，根据度量指标Zb的值，计算出调节范围，所述调节范围是一个数值范围或参数空间，表示投影仪和相机位置以及两者夹角的可调节范围；使用精密仪器，包括微动平台和步进电机其中的一种或多种，以及相应的测量仪器，对投影仪和相机的位置和夹角进行微调；在调节完成后，重新进行标定过程，拍摄新的激光结构光图像，并计算度量指标Zb；通过对比新的度量指标Zb值与预设的要求或阈值，至少验证2次作为最终的调节结果。
优选的，将精密位移台按照设定的步长1—3mm逐步移动，覆盖整个测量范围；并按照预先设定的移动路径或网格状进行移动，以确保标定点的均匀分布；当到达一个标定位置时，按照S2至S6步骤中包括拍摄标定板上投射的第一激光结构光图像、采集环境光源数据、计算干扰度Gr、调节背光源、拍摄第二激光结构光图像，并计算度量指标Zb；继续移动精密位移台，移动到下一个标定位置，并重复S2和S3，以获得更多标定位置的标定数据，继续重复S2至S4，直到整个测量范围内的标定结束。
本发明提供了一种基于机器视觉的激光结构光自动标定方法。具备以下有益效果：
（1）该一种基于机器视觉的激光结构光自动标定方法，在定标S1-S6步骤中，包括建立准确的参考模型、检测标定板洁净度参数、分析环境光干扰参数、计算度量指标、调整设备位置和方向，并覆盖整个测量范围，从而提高激光结构光自动标定的准确性和稳定性，减少因长时间而导致的标定板可能会积累污渍和灰尘，影响激光光斑在标定板上的投射和识别的情况，减少环境光的干扰导致的定标影响。
（2）该一种基于机器视觉的激光结构光自动标定方法，对标定板表面进行洁净度评估，并获得洁净度指标JJd；这有助于判断标定板表面的清洁程度，以确保后续激光投影和图像采集的准确性和可靠性；通过对标定板表面的洁净度进行判断和处理，并获得第一激光结构光图像。这将为后续的激光结构光自动标定提供准确的输入数据，提高标定的精度和稳定性。
（3）该一种基于机器视觉的激光结构光自动标定方法，综合考虑环境光源的强度、颜色、方向和空间分布等因素，计算出激光定标的干扰度Gr。这个干扰度可以用于评估当前环境光场景对激光定标的影响程度，从而根据干扰度的结果进行后续的调节和优化；这种计算方式可以帮助准确评估环境光对激光定标的影响，并在激光结构光自动标定过程中进行干扰度的量化和处理，提高标定的精度和稳定性；可以根据激光定标干扰度Gr与阈值的比较，判断是否存在干扰，并进行相应的背光源调节操作。这将减少环境光对激光定标的干扰，提高标定的精度和稳定性。
（4）该一种基于机器视觉的激光结构光自动标定方法，可以根据度量指标Zb的值计算出调节范围，并使用精密仪器对投影仪和相机的位置和夹角进行微调。通过多次验证和调节，可以提高标定的准确性和稳定性，并获得更可靠的调节结果。
附图说明
图1为本发明基于机器视觉的激光结构光自动标定方法步骤示意图。
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。
实施例1：激光标定的主要作用是提供对于机械系统的测量和校准。在机械加工和制造过程中，经常需要确定物体的位置和方向，以确保精度和可靠性。激光标定技术可以快速在三维空间中的位置和方向，可以处理大量数据，利用激光标定技术可以快速，准确的测量和校准各种机械设备。
现在在定标过程中，很容易因标定板的参数例如长时间使用的标定板上有污渍和灰尘，例如在户外或者强烈的室内照明过程中，环境光的亮度超过了激光光斑的亮度，可能会对激光标定过程中产生一定的影响，甚至会使激光光斑的形状和位置发生变化，影响标定的精度。
本发明提供一种基于机器视觉的激光结构光自动标定方法，请参阅图1，包括以下步骤：
S1、在标定过程之前，采集标定板参数及环境内设备参数，建立三维实时模型；便于提供准确的参考坐标系和标定板位置信息；
S2、将标定板放置在目标清晰成像位置；通过相机采集标定板表面照片，提取特征后，分析获得标定板表面洁净度JJd；当识别标定板表面洁净度JJd达标时，使用激光投影仪投射激光光束，采用相机拍摄标定板上投射的第一激光结构光图像，作为第一图像；有助于确定标定板是否足够清洁，从而提供清晰可见的激光投影图像；
S3、对定标环境光进行采集，获得环境光源数据，分析环境光源数据对激光定标干扰度Gr：提取环境光源数据中的光源情况、光源特征和光谱分布参数，并计算获得激光定标干扰度Gr，并将激光定标干扰度Gr与预设阈值相对比，获得干扰结果，按照干扰结果加入背光源进行调节，在完成环境光源测试后，此时拍摄第二激光结构光图像作为第二图像；计算激光定标干扰度Gr并与预设阈值进行对比，可以评估环境光对激光定标的影响；
S4、识别第一图像和第二图像，并将第一图像和第二图像进行中心点重叠的方式进行融合，获取融合差值，通过三维重建算法与三维实时模型基于融合差值计算度量指标Zb；这个度量指标Zb可以评估标定的准确性和匹配精度；
S5、将标定板位置输入三维实时模型中，基于度量指标Zb计算调节范围，通过精密仪器调整调节投影仪和相机位置和两者的夹角；基于度量指标Zb的值，可以计算调节范围，以确定投影仪和相机位置以及两者夹角的可调节范围。这有助于精确调整设备的位置和方向，以优化激光标定的结果；
S6、在精密位移台上移动标定装置，每次移动1—3mm，覆盖整个测量范围，手机若干个标定位置的标定数据，在每个标定位置，进行两次拍摄和处理，重复S2至S6步骤，直到整个测量范围内标定结束。
本实施例中，在定标S1-S6步骤中，包括建立准确的参考模型、检测标定板洁净度、分析环境光干扰、计算度量指标、调整设备位置和方向，并覆盖整个测量范围，从而提高激光结构光自动标定的准确性和稳定性。
实施例2：本实施例中是对实施例1中进行的解释说明，具体的，所述S1包括：
（1）准备标定板，选择已知尺寸和几何形状的棋盘格标定板，将标定板尺寸参数进行存储；
（2）使用相机或三维扫描仪对标定板进行采集，采用不同角度和距离拍摄标定板的图像进行三维扫描来获取标定板的几何参数和形态信息；
（3）采集环境中其他设备的参数，包括相机的内部参数和激光器参数；
（4）建立三维实时模型，将标定板参数和设备参数整合，建立三维实时模型，以实时模型展示标定板和设备参数，该模型包含标定板的几何形状、特征点和设备参数信息。
本实施例中，通过准备好标定板，并获取相关的参数和数据，以建立三维实时模型。这将有助于后续的激光结构光自动标定过程，提高标定的准确性和稳定性。
实施例3：本实施例中是对实施例1中进行的解释说明，具体的，所述S2包括，将所述标定板放在目标清晰成像位置，平行面对相机设备，并由相机采集标定板表面照片；这样作为后续的图像处理和特征提取提供清晰的图像；对采集的标定板照片进行图像处理，提取出标定板表面的特征点或特征区域，经图像分析计算后，获得标定板表面洁净度JJd；
所述标定板表面洁净度JJd的计算方法通过以下图像处理步骤：
首先，根据设定的阈值，过滤掉误差距离超过阈值的特征点对；计算剩余的特征点对的数量作为过滤无差点Ncd的参数；对于剩余的特征点对，计算它们之间的欧氏距离，作为误差距离Ed；使用特征描述子或其他特征匹配算法，将标定板图像中的特征点与参考图像中的特征点进行匹配，计算匹配特征点Mpd的数量作为匹配特征点的参数；所述标定板表面洁净度JJd通过以下公式获得：
Figure SMS_13
；
式中：Ncd是过滤无差点的数量，Mpd是匹配特征点的数量，Ed是计算误差距离的结果；
Figure SMS_14
作为修正常数，是洁净度指标JJd计算获得一个归一化的值，设置在0到1之间，表示标定板表面的洁净程度。
本实施例中，通过S2步骤的实施，用于对标定板表面进行洁净度评估，并获得洁净度指标JJd；这有助于判断标定板表面的清洁程度，以确保后续激光投影和图像采集的准确性和可靠性。
实施例4：本实施例中是对实施例3中进行的解释说明，具体的，根据所述标定板表面洁净度JJd与预设洁净度要求进行比较，判断标定板表面洁净度JJd是否达到要求，如果所述标定板表面洁净度JJd达标，继续下一步操作，如果不达标，需要进行清洁处理，减少洁净度指标不达标而导致定标有误差；
当标定板表面洁净度JJd达标后，启动激光投影仪，投射第一激光结构光至标定板上，设置为特定的结构光模式，包括条纹和格点形状；采用相机对标定板上投射的第一激光结构光进行拍摄，以获取第一图像；第一图像拍摄的条件为确保相机的设置能够捕捉到光斑的清晰图像，并使得标定板充满相机视野。
本实施例中，通过对标定板表面的洁净度进行判断和处理，并获得第一激光结构光图像。这将为后续的激光结构光自动标定提供准确的输入数据，提高标定的精度和稳定性。
实施例5：本实施例中是对实施例4中进行的解释说明，具体的，所述激光定标干扰度Gr通过以下计算公式获得：
Figure SMS_15
；
式中：I代表光源的强度，从当前环境光源数据中提取的亮度参数；C代表光源的颜色，对环境光源数据中提取的颜色空间参数；D代表光源的方向，对环境光源数据中提取的光源的方向向量参数；S代表光源的空间分布，对环境光源数据中提取的光源的均匀度或分布特征参数；其中，w1、w2、w3和w4分别是各个参数的权重值，
Figure SMS_16
，
Figure SMS_17
，/>
Figure SMS_18
，/>
Figure SMS_19
其中/>
Figure SMS_20
，
Figure SMS_21
表示为修正常数。
本实施例，综合考虑光源的强度、颜色、方向和空间分布等因素，计算出激光定标的干扰度Gr。这个干扰度可以用于评估当前环境光场景对激光定标的影响程度，从而根据干扰度的结果进行后续的调节和优化；这种计算方式可以帮助准确评估环境光对激光定标的影响，并在激光结构光自动标定过程中进行干扰度的量化和处理，提高标定的精度和稳定性。
实施例6：本实施例中是对实施例5中进行的解释说明，具体的，将计算得到的激光定标干扰度Gr与预设的阈值进行比较，根据激光定标干扰度Gr和阈值的大小关系判断是否存在干扰，得出干扰结果；
如果Gr>阈值，则判断存在干扰，否则判断无干扰；根据干扰结果，对背光源进行相应的调节操作；如果判断存在干扰，则需要调整背光源的参数，如亮度、颜色和方向，以减少或消除环境光对激光定标的干扰；如果判断无干扰，则设置保持背光源不变或进行适当的调整；
在调节背光源后，再次使用相机拍摄第二激光结构光图像作为第二图像，第二图像拍摄的条件为确保相机的设置能够捕捉到光斑的清晰图像，并使得标定板充满相机视野。
本实施例中，可以根据激光定标干扰度Gr与阈值的比较，判断是否存在干扰，并进行相应的背光源调节操作。这将减少环境光对激光定标的干扰，提高标定的精度和稳定性。
实施例7：本实施例中是对实施例6中进行的解释说明，具体的，所述S4包括，识别第一图像和第二图像中的标定板的中心点，使用图像处理技术，角点检测算法找到标定板图案的中心点；将两个图像按照标定板中心点对齐并融合，形成第三图像；对第三图像进行分析，计算融合差值，通过比较每个像素的亮度值或颜色值的差异来获取融合差值；差异值较大的像素表示两个图像在此位置产生较大的差异；
基于融合差值和建立的三维实时模型，使用三维重建算法进行计算，得到度量指标Zb，度量指标Zb表示第一图像和第二图像之间的差异或匹配精度，用于评估标定的准确性和稳定。
具体的，所述度量指标Zb通过以下公式获得：
Figure SMS_22
；
式中：
Figure SMS_23
表示融合差值的综合，即所有像素的差异值的累加和；N表示融合差值的总数量，即图像中参与计算的像素点的数量；/>
Figure SMS_24
表示为修正常数，具体通过不同场景和标定要求进行修正。
本实施例中，可以识别图像中的标定板中心点，进行图像对齐和融合，并通过融合差值和三维重建算法计算出度量指标Zb；这个度量指标可以用于评估标定的准确性和稳定性，进一步优化激光结构光的自动标定过程，并进行调整和优化，以提高标定的准确性和稳定性。
实施例8：本实施例中是对实施例1中进行的解释说明，具体的，所述S5包括使用三维实时模型，将标定板的位置信息输入模型中，帮助建立模型中的参考坐标系，根据度量指标Zb的值，计算出调节范围，所述调节范围是一个数值范围或参数空间，表示投影仪和相机位置以及两者夹角的可调节范围；使用精密仪器，包括微动平台和步进电机其中的一种或多种，以及相应的测量仪器，对投影仪和相机的位置和夹角进行微调；在调节完成后，重新进行标定过程，拍摄新的激光结构光图像，并计算度量指标Zb；通过对比新的度量指标Zb值与预设的要求或阈值，至少验证2次作为最终的调节结果。
本实施例中，可以根据度量指标Zb的值计算出调节范围，并使用精密仪器对投影仪和相机的位置和夹角进行微调。通过多次验证和调节，可以提高标定的准确性和稳定性，并获得更可靠的调节结果。
实施例9：本实施例中是对实施例8中进行的解释说明，具体的，将精密位移台按照设定的步长1—3mm逐步移动，覆盖整个测量范围；并按照预先设定的移动路径或网格状进行移动，以确保标定点的均匀分布；当到达一个标定位置时，按照S2至S6步骤中包括拍摄标定板上投射的第一激光结构光图像、采集环境光源数据、计算干扰度Gr、调节背光源、拍摄第二激光结构光图像，并计算度量指标Zb；继续移动精密位移台，移动到下一个标定位置，并重复S2和S3，以获得更多标定位置的标定数据，继续重复S2至S4，直到整个测量范围内的标定结束。
本实施例中，可以在整个测量范围内进行标定，并获取足够的标定数据以支持后续的分析和校准。这样的方法可以确保标定的全面性和可靠性，以满足实际应用中的需求。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于机器视觉的激光结构光自动标定方法，其特征在于：包括以下步骤：
S1、在标定过程之前，采集标定板参数及环境内设备参数，建立三维实时模型；
S2、将标定板放置在目标清晰成像位置；通过相机采集标定板表面照片，提取特征后，分析获得标定板表面洁净度JJd；当识别标定板表面洁净度JJd达标时，使用激光投影仪投射激光光束，采用相机拍摄标定板上投射的第一激光结构光图像，作为第一图像；
S3、对定标环境光进行采集，获得环境光源数据，分析环境光源数据对激光定标干扰度Gr：
提取环境光源数据中的光源情况、光源特征和光谱分布参数，并计算获得激光定标干扰度Gr，并将激光定标干扰度Gr与预设阈值相对比，获得干扰结果，按照干扰结果加入背光源进行调节，在完成环境光源测试后，此时拍摄第二激光结构光图像作为第二图像；
S4、识别第一图像和第二图像，并将第一图像和第二图像进行中心点重叠的方式进行融合，获取融合差值，通过三维重建算法与三维实时模型基于融合差值计算度量指标Zb；
S5、将标定板位置输入三维实时模型中，基于度量指标Zb计算调节范围，通过精密仪器调整调节投影仪和相机位置和两者的夹角；
S6、在精密位移台上移动标定装置，每次移动1—3mm，覆盖整个测量范围，手机若干个标定位置的标定数据，在每个标定位置，进行两次拍摄和处理，重复S2至S6步骤，直到整个测量范围内标定结束。
2.根据权利要求1所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：所述S1包括：
（1）准备标定板，选择已知尺寸和几何形状的棋盘格标定板，将标定板尺寸参数进行存储；
（2）使用相机或三维扫描仪对标定板进行采集，采用不同角度和距离拍摄标定板的图像进行三维扫描来获取标定板的几何参数和形态信息；
（3）采集环境中其他设备的参数，包括相机的内部参数和激光器参数；
（4）建立三维实时模型，将标定板参数和设备参数整合，建立三维实时模型，以实时模型展示标定板和设备参数，该模型包含标定板的几何形状、特征点和设备参数信息。
3.根据权利要求1所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：所述S2包括，将所述标定板放在目标清晰成像位置，平行面对相机设备，并由相机采集标定板表面照片；对采集的标定板照片进行图像处理，提取出标定板表面的特征点或特征区域，经图像分析计算后，获得标定板表面洁净度JJd；
所述标定板表面洁净度JJd的计算方法通过以下图像处理步骤：
首先，根据设定的阈值，过滤掉误差距离超过阈值的特征点对；计算剩余的特征点对的数量作为过滤无差点Ncd的参数；对于剩余的特征点对，计算它们之间的欧氏距离，作为误差距离Ed；使用特征描述子或其他特征匹配算法，将标定板图像中的特征点与参考图像中的特征点进行匹配，计算匹配特征点Mpd的数量作为匹配特征点的参数；所述标定板表面洁净度JJd通过以下公式获得：
Figure QLYQS_1
；
式中：Ncd是过滤无差点的数量，Mpd是匹配特征点的数量，Ed是计算误差距离的结果；
Figure QLYQS_2
作为修正常数，是洁净度指标JJd计算获得一个归一化的值，设置在0到1之间，表示标定板表面的洁净程度。
4.根据权利要求3所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：根据所述标定板表面洁净度JJd与预设洁净度要求进行比较，判断标定板表面洁净度JJd是否达到要求，如果所述标定板表面洁净度JJd达标，继续下一步操作，如果不达标，需要进行清洁处理，减少洁净度指标不达标而导致定标有误差；
当标定板表面洁净度JJd达标后，启动激光投影仪，投射第一激光结构光至标定板上，设置为特定的结构光模式，包括条纹和格点形状；采用相机对标定板上投射的第一激光结构光进行拍摄，以获取第一图像；第一图像拍摄的条件为确保相机的设置能够捕捉到光斑的清晰图像，并使得标定板充满相机视野。
5.根据权利要求4所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：所述激光定标干扰度Gr通过以下计算公式获得：
Figure QLYQS_3
；
式中：I代表光源的强度，从当前环境光源数据中提取的亮度参数；C代表光源的颜色，对环境光源数据中提取的颜色空间参数；D代表光源的方向，对环境光源数据中提取的光源的方向向量参数；S代表光源的空间分布，对环境光源数据中提取的光源的均匀度或分布特征参数；其中，w1、w2、w3和w4分别是各个参数的权重值，
Figure QLYQS_4
，
Figure QLYQS_5
，/>
Figure QLYQS_6
，/>
Figure QLYQS_7
其中/>
Figure QLYQS_8
，
Figure QLYQS_9
表示为修正常数。
6.根据权利要求5所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：将计算得到的激光定标干扰度Gr与预设的阈值进行比较，根据激光定标干扰度Gr和阈值的大小关系判断是否存在干扰，得出干扰结果；
如果Gr>阈值，则判断存在干扰，否则判断无干扰；根据干扰结果，对背光源进行相应的调节操作；如果判断存在干扰，则需要调整背光源的参数，如亮度、颜色和方向，以减少或消除环境光对激光定标的干扰；如果判断无干扰，则设置保持背光源不变或进行适当的调整；
在调节背光源后，再次使用相机拍摄第二激光结构光图像作为第二图像，第二图像拍摄的条件为确保相机的设置能够捕捉到光斑的清晰图像，并使得标定板充满相机视野。
7.根据权利要求6所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：所述S4包括，识别第一图像和第二图像中的标定板的中心点，使用图像处理技术，角点检测算法找到标定板图案的中心点；将两个图像按照标定板中心点对齐并融合，形成第三图像；对第三图像进行分析，计算融合差值，通过比较每个像素的亮度值或颜色值的差异来获取融合差值；差异值较大的像素表示两个图像在此位置产生较大的差异；
基于融合差值和建立的三维实时模型，使用三维重建算法进行计算，得到度量指标Zb，度量指标Zb表示第一图像和第二图像之间的差异或匹配精度，用于评估标定的准确性和稳定。
8.根据权利要求7所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：所述度量指标Zb通过以下公式获得：
Figure QLYQS_10
；
式中：
Figure QLYQS_11
表示融合差值的综合，即所有像素的差异值的累加和；N表示融合差值的总数量，即图像中参与计算的像素点的数量；/>
Figure QLYQS_12
表示为修正常数，具体通过不同场景和标定要求进行修正。
9.根据权利要求8所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：所述S5包括使用三维实时模型，将标定板的位置信息输入模型中，帮助建立模型中的参考坐标系，根据度量指标Zb的值，计算出调节范围，所述调节范围是一个数值范围或参数空间，表示投影仪和相机位置以及两者夹角的可调节范围；使用精密仪器，包括微动平台和步进电机其中的一种或多种，以及相应的测量仪器，对投影仪和相机的位置和夹角进行微调；在调节完成后，重新进行标定过程，拍摄新的激光结构光图像，并计算度量指标Zb；通过对比新的度量指标Zb值与预设的要求或阈值，至少验证2次作为最终的调节结果。
10.根据权利要求9所述的一种基于机器视觉的激光结构光自动标定方法，其特征在于：将精密位移台按照设定的步长1—3mm逐步移动，覆盖整个测量范围；并按照预先设定的移动路径或网格状进行移动，以确保标定点的均匀分布；当到达一个标定位置时，按照S2至S6步骤中包括拍摄标定板上投射的第一激光结构光图像、采集环境光源数据、计算干扰度Gr、调节背光源、拍摄第二激光结构光图像，并计算度量指标Zb；继续移动精密位移台，移动到下一个标定位置，并重复S2和S3，以获得更多标定位置的标定数据，继续重复S2至S4，直到整个测量范围内的标定结束。
CN202310701900.8A 2023-06-14 2023-06-14 一种基于机器视觉的激光结构光自动标定方法 Active CN116433780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310701900.8A CN116433780B (zh) 2023-06-14 2023-06-14 一种基于机器视觉的激光结构光自动标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310701900.8A CN116433780B (zh) 2023-06-14 2023-06-14 一种基于机器视觉的激光结构光自动标定方法

Publications (2)

Publication Number Publication Date
CN116433780A true CN116433780A (zh) 2023-07-14
CN116433780B CN116433780B (zh) 2023-08-25

Family

ID=87087660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310701900.8A Active CN116433780B (zh) 2023-06-14 2023-06-14 一种基于机器视觉的激光结构光自动标定方法

Country Status (1)

Country Link
CN (1) CN116433780B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117600697A (zh) * 2024-01-22 2024-02-27 广东毕要科技有限公司 一种基于末端偏移量的焊接定位控制方法及相关装置
CN117635729A (zh) * 2023-11-28 2024-03-01 钛玛科（北京）工业科技有限公司 一种线相机背光标定器及方法
CN117653920A (zh) * 2023-12-29 2024-03-08 广州市芯科电子科技有限公司 一种稳定性好的美容用光谱仪系统及稳定方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100328476A1 (en) * 2009-06-29 2010-12-30 Ecolab Inc. Optical processing of surfaces to determine cleanliness
CN103192386A (zh) * 2012-01-06 2013-07-10 沈阳新松机器人自动化股份有限公司 基于图像视觉的洁净机器人自动化标定方法
CN103363902A (zh) * 2013-07-16 2013-10-23 清华大学 基于红外激光的粉尘环境中运动目标位姿检测装置及方法
CN109633575A (zh) * 2018-10-26 2019-04-16 上海无线电设备研究所 一种星载微波光学复合雷达的三轴标定系统及方法
WO2019153877A1 (zh) * 2018-02-06 2019-08-15 北京三快在线科技有限公司 激光点云数据的处理
CN112346036A (zh) * 2020-11-12 2021-02-09 北京理工大学 一种抗外界光干扰的固态面阵激光雷达标定装置及方法
CN114970769A (zh) * 2022-07-13 2022-08-30 深圳市恒鑫通智能精密科技有限公司 一种五金机械配件的脱油及异常分析方法
CN115205151A (zh) * 2022-07-25 2022-10-18 山东科技大学 基于大气散射模型的采煤工作面尘雾图像清晰化方法
CN115588051A (zh) * 2022-09-29 2023-01-10 中国矿业大学(北京) 矿石加工环节的激光雷达和相机空间位置自动标定方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100328476A1 (en) * 2009-06-29 2010-12-30 Ecolab Inc. Optical processing of surfaces to determine cleanliness
CN103192386A (zh) * 2012-01-06 2013-07-10 沈阳新松机器人自动化股份有限公司 基于图像视觉的洁净机器人自动化标定方法
CN103363902A (zh) * 2013-07-16 2013-10-23 清华大学 基于红外激光的粉尘环境中运动目标位姿检测装置及方法
WO2019153877A1 (zh) * 2018-02-06 2019-08-15 北京三快在线科技有限公司 激光点云数据的处理
CN109633575A (zh) * 2018-10-26 2019-04-16 上海无线电设备研究所 一种星载微波光学复合雷达的三轴标定系统及方法
CN112346036A (zh) * 2020-11-12 2021-02-09 北京理工大学 一种抗外界光干扰的固态面阵激光雷达标定装置及方法
CN114970769A (zh) * 2022-07-13 2022-08-30 深圳市恒鑫通智能精密科技有限公司 一种五金机械配件的脱油及异常分析方法
CN115205151A (zh) * 2022-07-25 2022-10-18 山东科技大学 基于大气散射模型的采煤工作面尘雾图像清晰化方法
CN115588051A (zh) * 2022-09-29 2023-01-10 中国矿业大学(北京) 矿石加工环节的激光雷达和相机空间位置自动标定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KUNYU SUN 等: "CALC: Calibration for Ambient Light Correction in Screen-to-Camera Visible Light Communication", 《ELSEVIER》 *
徐亮;高立民;赵建科;刘峰;周艳;李朝辉;杨菲;赵青;: "基于点源透过率测试系统的杂散光标定", 光学精密工程, no. 07 *
王海青 等: "基于激光的燃烧场温度诊断方法综述", 《气体物理》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635729A (zh) * 2023-11-28 2024-03-01 钛玛科（北京）工业科技有限公司 一种线相机背光标定器及方法
CN117635729B (zh) * 2023-11-28 2024-06-11 钛玛科（北京）工业科技有限公司 一种线相机背光标定器及方法
CN117653920A (zh) * 2023-12-29 2024-03-08 广州市芯科电子科技有限公司 一种稳定性好的美容用光谱仪系统及稳定方法
CN117653920B (zh) * 2023-12-29 2024-05-07 广州市芯科电子科技有限公司 一种稳定性好的美容用光谱仪系统及稳定方法
CN117600697A (zh) * 2024-01-22 2024-02-27 广东毕要科技有限公司 一种基于末端偏移量的焊接定位控制方法及相关装置
CN117600697B (zh) * 2024-01-22 2024-03-22 广东毕要科技有限公司 一种基于末端偏移量的焊接定位控制方法及相关装置

Also Published As

Publication number Publication date
CN116433780B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN116433780B (zh) 一种基于机器视觉的激光结构光自动标定方法
US7545512B2 (en) Method for automated measurement of three-dimensional shape of circuit boards
CN112116576A (zh) 基于偏振结构光成像和改进Mask R-CNN的缺陷检测方法
Douxchamps et al. High-accuracy and robust localization of large control markers for geometric camera calibration
TWI484283B (zh) 影像計算量測方法、影像計算量測裝置及影像檢查裝置
CN105953741B (zh) 一种钢结构局部几何变形的测量系统和方法
CN107063644B (zh) 有限物距畸变测量方法及系统
CN112815843B (zh) 一种3d打印过程中工件表面打印偏差的在线监测方法
CN110261069B (zh) 一种用于光学镜头的检测方法
CN210322247U (zh) 一种光学模组装调测试装置
JP2016024052A (ja) ３次元計測システム、３次元計測方法及びプログラム
CN113935948A (zh) 光栅图像目标定位优化、波长特性分析方法及装置
CN111376254A (zh) 平面测距方法及系统和机械手调校平面的方法及系统
CN111970500A (zh) 用于投影设备的自动距步校准方法及系统
Lavecchia et al. The influence of software algorithms on photogrammetric micro-feature measurement’s uncertainty
CN103297799B (zh) 测试相机部件的光学特征
CN117579814B (zh) 基于对焦检测的镜头快速检测方法
CN114979469A (zh) 一种基于机器视觉比对的摄像机机械误差校准方法及系统
JP2024115523A (ja) オーバーレイ計測装置およびオーバーレイ計測方法
CN109389648B (zh) 一种通过数据迭代减小测量数据误差的方法
WO2019087253A1 (ja) ステレオカメラのキャリブレーション方法
CN115514943B (zh) 一种自由曲面镜片成像质量的检测方法
CN114909994B (zh) 影像测量仪的校准方法
TW201317587A (zh) 尺寸檢測裝置及方法
CN115103124A (zh) 一种用于摄像头模组主动对准的方法

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