CN116563391A - 一种基于机器视觉的激光结构自动标定方法 - Google Patents
一种基于机器视觉的激光结构自动标定方法 Download PDFInfo
- Publication number
- CN116563391A CN116563391A CN202310554834.6A CN202310554834A CN116563391A CN 116563391 A CN116563391 A CN 116563391A CN 202310554834 A CN202310554834 A CN 202310554834A CN 116563391 A CN116563391 A CN 116563391A
- Authority
- CN
- China
- Prior art keywords
- calibration
- information
- calibration plate
- laser
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 11
- 238000000547 structure data Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 4
- 238000003825 pressing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 108010063499 Sigma Factor Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及计算机图像处理和显示技术领域。本发明涉及一种基于机器视觉的激光结构自动标定方法。其包括以下步骤：放置标定板，对标定板表面划定为标定区域，在其标定区域每个角设置固定信息点，并将标定板放置指定位置；使用拍照设备对激光投影结构进行拍摄，以获取标定板与激光投影结构的图像，同时依次采集标定区域中每处固定信息点的反馈图像信息，并对其在此时的图像信息进行梯度分类。本发明采用机器视觉技术进行自动标定，使得标定的效率和准确度得到了显著提高，同时对通过对标定板放置环境进行分析，避免标定板受到外界因素干扰，导致水平角度出现问题，无法准确识别坐点信息。
Description
技术领域
本发明涉及计算机图像处理和显示技术领域，具体地说，涉及一种基于机器视觉的激光结构自动标定方法。
背景技术
在许多制造过程中，使用激光结构投影仪是必要的。这种设备通常用于测量和校准物体的位置和形状，从而实现自动化生产线上的高精度加工和装配过程。传统的激光结构标定方法需要经验丰富的工程师，对激光结构和标定板进行手动标识，并根据不同的角度、位置和灰度值进行计算，一次操作需要花费大量的时间和精力，且易受人为因素干扰，特别是在拍照检测过中，由于外界杂质的干扰，可能会出现拍摄图像被遮挡、杂质堆积在标定板底部造成标定板水平和指定位置水平不一，出现标定板的位置偏差，三维标点错误，导致激光结构标定点无法精准收集，即便多次校正，数据可靠性依旧较低，因此，提出一种基于机器视觉的激光结构自动标定方法。
发明内容
本发明的目的在于提供一种基于机器视觉的激光结构自动标定方法，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于机器视觉的激光结构自动标定方法，包括以下步骤：
S1、放置标定板，对标定板表面划定为标定区域，在其标定区域每个角设置固定信息点，并将标定板放置指定位置；
S2、使用拍照设备对激光投影结构进行拍摄，以获取标定板与激光投影结构的图像，同时依次采集标定区域中每处固定信息点的反馈图像信息，并对其在此时的图像信息进行梯度分类；
S3、基于S2所获取的图像信息，对其在不受到外界影响的前提下，将若干个数据图像信息进行融合规划，之后对其融合图像信息进行数据分析，通过数据分析从而提取标定板的四个角点；
S4、基于S2所获取的图像信息和S3四个角点，将所获取的图像信息和四个角点进行结合分析，从而计算获取标定板区域的位置和姿态信息；
S5、对激光结构数据进行信息采集，根据收集的激光数据信息对其使用坐标转换检测，并根据其检测结果判断该激光结构的偏差数据；
S6、基于S5所得出的偏差数据，对S3获取的标定区域信息进行二次分析核算，并同时根据核算完毕的数据信息来判断标定结果的可靠。
作为本技术方案的进一步改进，所述S1对标定板表面开设标定区域的步骤如下：
S1.1、根据标定板尺寸面积在表面划定指定区域，从而根据区域每个角位置不同均粘贴一颗标识点；
S1.2、根据标定板尺寸面积对拍摄范围的影响从而划定标定板放置指定位置，并采集该指定位置的周边环境进行分析。
作为本技术方案的进一步改进，所述S1.2中对指定位置周边环境的分析步骤如下：
S1.2.1、对该指定位置周边环境出现人为干扰因素进行分析；
S1.2.2、对该指定位置底部支撑处受力稳定进行分析；
S1.2.3、对该指定位置放置端处具有杂物干扰进行分析；
S1.2.4、收集上述对指定位置的分析结果，将其进行整合，得出标定板放置在该指定位置受环境干扰状况。
作为本技术方案的进一步改进，所述S2对图像信息进行梯度分类的步骤如下：
S2.1、对激光投影结构信息进行分析检测，根据检测信息判断激光投影设备运行状态；
S2.2、通过拍照装置采集标定板表面标定区域图像信息状态，收集标定板表面若干个不同点位；
S2.3、基于S2.2标定板收集的若干个点位，从中根据不同点位的反馈不同图像程度，将其图像显示不同程度类型进行分类。
作为本技术方案的进一步改进，所述S3对数据分析从而提取标定板四个角点的步骤如下：
S3.1、根据S2.3收集的点位信息，将其中仅有四个且反馈图像信息程度一致的四个点位进行单独提取；
S3.2、根据S2.2收集的标定板信息进行单独提取；
S3.3、通过将S3.1和S3.2收集的两种信息贯通之后四个点位数据为四个角点的精准信息。
作为本技术方案的进一步改进，所述根据S4计算获取标定板区域的位置和姿态信息步骤如下：
S4.1、将S3.3收集的四个角点精准信息输送至计算机；
S4.2、将S2.2收集的标定区域图像状态信息输送至计算机；
S4.3、根据S4.1和S4.2的四个角点位置信息在标定区域之间相距距离从而得出数据。
作为本技术方案的进一步改进，所述S5判断该激光结构数据偏差的步骤如下：
S5.1、将S3.3的四个角点三维坐标精确位置信息进行提取；
S5.2、将激光结构的三维坐标图系中标注四个角点的位置，并进行转换坐标位置自动得出激光结构标定信息。
作为本技术方案的进一步改进，所述S5.2转换坐标位置自动得出激光结构标定信息的步骤如下：
S5.2.1、通过坐标变换将激光结构的三维坐标变换为二维图像坐标；
S5.2.2、将S5.2.1分析得出二维图像坐标进行分析计算，从而得到标定板参数，根据标定板参数分析计算得到激光结构的自动标定。
作为本技术方案的进一步改进，所述S6来判断标定结果的可靠的步骤如下：
S6.1、基于S5.2得出自动标定信息通过计算机对其进行校验分析；
S6.2、对S6.1分析数据结合之前数据进行二次分析，从而判断标定数据的确信度；
S6.3、基于S6.2当需要处于第一次自动标定时，可对标定板进行二次自动标定，从而满足标定精度判断要求，从而得到精准自动标定数据。
与现有技术相比，本发明的有益效果：
该基于机器视觉的激光结构自动标定方法中，采用机器视觉技术进行自动标定，使得标定的效率和准确度得到了显著提高，同时对通过对标定板放置环境进行分析，避免标定板受到外界因素干扰，导致水平角度出现问题，无法准确识别坐点信息，同时本方法无需手工干预即可快速、准确地标定激光结构，且消除了人为因素的干扰，显著降低了标定的误差，提高了标定的可靠性和精度。
附图说明
图1为本发明的整体流程框图；
图2为本发明的对标定板表面开设标定区域的流程框图；
图3为本发明的对指定位置周边环境的分析的流程框图；
图4为本发明的对图像信息进行梯度分类的流程框图；
图5为本发明的对数据分析从而提取标定板四个角点的流程框图；
图6为本发明的计算获取标定板区域的位置和姿态信息的流程框图；
图7为本发明的判断该激光结构数据偏差的流程框图；
图8为本发明的转换坐标位置自动得出激光结构标定信息的流程框图；
图9为本发明的判断标定结果的可靠的流程框图。
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
请参阅图1-图9所示，本实施例目的在于，提供了一种基于机器视觉的激光结构自动标定方法，包括以下步骤：
S1、放置标定板，对标定板表面划定为标定区域，在其标定区域每个角设置固定信息点，并将标定板放置指定位置，并对指定位置环境分析；
S1对标定板表面开设标定区域的步骤如下：
S1.1、根据标定板尺寸面积在表面划定指定区域，从而根据区域每个角位置不同均粘贴一颗标识点；
S1.2、根据标定板尺寸面积对拍摄范围的影响从而划定标定板放置指定位置，并采集该指定位置的周边环境进行分析。
S1.2中对指定位置周边环境的分析步骤如下：
S1.2.1、对该指定位置周边环境出现人为干扰因素进行分析，对放置位置周边环境采用人工进行观察，表面周边机器加工或者人为走动触动标定板的位置，导致标定板位置和指定放置位置出现偏差；
S1.2.2、对该指定位置底部支撑处受力稳定进行分析，标定板放置在指定位置时，标定板下落会产生一定的作用力，作用力接触支撑处产生反弹导致标定板发生偏移；
S1.2.3、对该指定位置放置端处具有杂物干扰进行分析，杂物会导致标定板的水平角度出现偏差，出现三维坐标变化，影响三维坐标的精准性；
S1.2.4、收集上述对指定位置的分析结果，将其进行整合，得出标定板放置在该指定位置受环境干扰状况，从而方便有利于保证在进行标定时，根据干扰状况进行调整标定板的位置，提高后续检测准确性。
S2、使用拍照设备对激光投影结构进行拍摄，以获取标定板与激光投影结构的图像，同时依次采集标定区域中每处固定信息点的反馈图像信息，并对其在此时的图像信息进行梯度分类；
S2对图像信息进行梯度分类的步骤如下：
S2.1、对激光投影结构信息进行分析检测，根据检测信息判断激光投影设备运行状态，查看激光投影仪的安装正确状态。确保激光仪有足够的空间来正常运行，并且没有堵塞投影光路的物品。将电源线插入激光投影仪的电源接口，并将另一端插入电源插座。打开激光投影仪：按下激光投影仪的电源按键，确保连接正常，LED指示灯亮起，等待热身：激光投影仪启动后，需要进行热身。在热身期间，激光投影仪会自动调整和检查各个部件，确保其正常工作。在激光投影仪进行热身后，需要进行校正。将校正板放在摆放光路的表面，按下校正按键并星光校正，等待校正过程完成。校正完成后，需要进行聚焦设置。微调调节聚焦旋钮，直到显示器上的图像清晰且锐利，调整完毕后按下保存键，聚焦完成；
S2.2、通过拍照装置采集标定板表面标定区域图像信息状态，收集标定板表面若干个不同点位，拍摄状态＝像素数×每个像素的位数×帧率；
S2.3、基于S2.2标定板收集的若干个点位，从中根据不同点位的反馈不同图像程度，将其图像显示不同程度类型进行分类，便于精准快速提取四个角点。
S3、基于S2所获取的图像信息，对其在不受到外界影响的前提下，将若干个数据图像信息进行融合规划，之后对其融合图像信息进行数据分析，通过数据分析从而提取标定板的四个角点；
S3对数据分析从而提取标定板四个角点的步骤如下：
S3.1、根据S2.3收集的点位信息，将其中仅有四个且反馈图像信息程度一致的四个点位进行单独提取；
S3.2、根据S2.2收集的标定板信息进行单独提取；
S3.3、通过将S3.1和S3.2收集的两种信息贯通之后四个点位数据为四个角点的精准信息，提高后续结构精准性。
S4、基于S2所获取的图像信息和S3四个角点，将所获取的图像信息和四个角点进行结合分析，从而计算获取标定板区域的位置和姿态信息；
根据S4计算获取标定板区域的位置和姿态信息步骤如下：
S4.1、将S3.3收集的四个角点精准信息输送至计算机；
S4.2、将S2.2收集的标定区域图像状态信息输送至计算机；
S4.3、根据S4.1和S4.2的四个角点位置信息在标定区域之间相距距离从而得出数据，特征提取：可以使用SIFT(Scale-InvariantFeatureTransform)算法，根据对称性和尺度不变性找到关键点，并根据这些关键点构建局部特征描述符。可用公式表示为：
SIFT_KeyPoints＝DoG({G(I)},k*sigma,n,s,r)
其中，DoG表示高斯差分(DifferenceofGaussians)操作，G(I)表示对图像I进行高斯滤波，k表示尺度空间因子，sigma表示高斯函数的标准差，n表示每个点附近要检测的尺度层数量，s表示每个尺度要实现检测的时空域大小，r表示角点响应函数的阈值。
S5、对激光结构数据进行信息采集，根据收集的激光数据信息对其使用坐标转换检测，并根据其检测结果判断该激光结构的偏差数据；
S5判断该激光结构数据偏差的步骤如下：
S5.1、将S3.3的四个角点三维坐标精确位置信息进行提取；
S5.2、将激光结构的三维坐标图系中标注四个角点的位置，并进行转换坐标位置自动得出激光结构标定信息，自动标定点的标识点姿态计算：姿态可用旋转矩阵和平移向量表示，通过关键点间的对应关系可求解出标定板的姿态。姿态计算公式如下：
r_hat,t_hat＝RANSAC({2D_points},{3D_points})
其中，r_hat和t_hat分别表示标定板的旋转向量和平移向量，{2D_points}表示标识点在图像上的像素坐标，{3D_points}表示标识点在世界坐标系中的坐标。世界坐标计算：世界坐标可以通过已知的标定板规格和标识点固定距离计算得出。世界坐标计算公式如下：
X_w,Yw,Z_w＝SolvePnP({3D_points},{2D_points},cameraMatrix,distCoeffs)；
其中，cameraMatrix和distCoeffs分别为摄像机的内参数矩阵和畸变参数，{3D_points}和{2D_points}分别为标定板上标识点的3D坐标和2D像素坐标。
S5.2转换坐标位置自动得出激光结构标定信息的步骤如下：
S5.2.1、通过坐标变换将激光结构的三维坐标变换为二维图像坐标；
S5.2.2、将S5.2.1分析得出二维图像坐标进行分析计算，从而得到标定板参数，根据标定板参数分析计算得到激光结构的自动标定，具体利用坐标变换和反投影算法进行标定：通过坐标变换将激光结构的三维坐标变换为二维图像坐标，然后利用反投影算法进行计算，得到标定板的内外参数，从而完成激光结构的自动标定；
在坐标变换中，可以使用公式：
Pw＝R*Pc+t
其中Pw是标定点在世界坐标系中的坐标，R是旋转矩阵，t是平移向量，Pc是标定点在摄像机坐标系中的坐标；
在反投影算法中，可以使用函数cv::projectPoints()，该函数可以从3D对象坐标反投影(即将3D坐标转换成2D像素坐标)。反投影算法的公式为：
imagePoints,_＝cv::projectPoints(objectPoints,rotvecs,transvecs,cameraMatr
ix,distCoeffs)
其中，objectPoints表示3D对象坐标，rotvecs和transvecs是坐标变换得到的旋转向量和平移向量，cameraMatrix和distCoeffs分别为摄像机的内参和畸变系数，imagePoints表示反投影得到的2D像素坐标，其中，objectPoints和imagePoints分别表示世界坐标系中的点和图像中对应的像素坐标，imageSize表示图像大小，flags表示标定算法的选项。
S6、基于S5所得出的偏差数据，对S3获取的标定区域信息进行二次分析核算，并同时根据核算完毕的数据信息来判断标定结果的可靠。
S6来判断标定结果的可靠的步骤如下：
S6.1、基于S5.2得出自动标定信息通过计算机对其进行校验分析；
S6.2、对S6.1分析数据结合之前数据进行二次分析，从而判断标定数据的确信度，具体标定为重投影误差是指标定后使用标定参数对标定图像的标定点进行反投影，计算出的像素点与实际像素点之间的距离误差。通常的做法是对所有标定点进行重投影，然后计算重投影点与实际像素点之间的误差，最后计算出平均误差。重投影误差的公式如下：
error＝sqrt((x'-x)^2+(y'-y)^2)
其中，(x,y)是实际像素点坐标，(x',y')是通过标定参数反投影计算得到的像素点坐标；
同时采用校准精度指标法、协方差矩阵和区间估计法和重复标定和平均误差法；
校准精度指标法：是用来评价标定结果的精度和鲁棒性的一种指标，通常采用标定板上标定点在图像上的重合度来计算；
协方差矩阵和区间估计法：协方差矩阵是用来描述两个随机变量之间的线性关系的，因此在标定结果中也可以应用它来评估标定参数的方差和协方差；
重复标定和平均误差法：为了提高标定结果的可靠性，可以进行多次标定并计算平均误差来评估标定结果的精度和准确性。
S6.3、基于S6.2当需要处于第一次自动标定时，可对标定板进行二次自动标定，从而满足标定精度判断要求，提高了标定的可靠性和精度，从而得到精准自动标定数据。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于机器视觉的激光结构自动标定方法，其特征在于：包括以下步骤：
S1、放置标定板，对标定板表面划定为标定区域，在其标定区域每个角设置固定信息点，并将标定板放置指定位置，并对指定位置环境分析；
S2、使用拍照设备对激光投影结构进行拍摄，以获取标定板与激光投影结构的图像，同时依次采集标定区域中每处固定信息点的反馈图像信息，并对其在此时的图像信息进行梯度分类；
S3、基于S2所获取的图像信息，对其在不受到外界影响的前提下，将若干个数据图像信息进行融合规划，之后对其融合图像信息进行数据分析，通过数据分析从而提取标定板的四个角点；
S4、基于S2所获取的图像信息和S3四个角点，将所获取的图像信息和四个角点进行结合分析，从而计算获取标定板区域的位置和姿态信息；
S5、对激光结构数据进行信息采集，根据收集的激光数据信息对其使用坐标转换检测，并根据其检测结果判断该激光结构的偏差数据；
S6、基于S5所得出的偏差数据，对S3获取的标定区域信息进行二次分析核算，并同时根据核算完毕的数据信息来判断标定结果的可靠。
2.根据权利要求1所述的基于机器视觉的激光结构自动标定方法，其特征在于：所述S1对标定板表面开设标定区域的步骤如下：
S1.1、根据标定板尺寸面积在表面划定指定区域，从而根据区域每个角位置不同均粘贴一颗标识点；
S1.2、根据标定板尺寸面积对拍摄范围的影响从而划定标定板放置指定位置，并采集该指定位置的周边环境进行分析。
3.根据权利要求2所述的基于机器视觉的激光结构自动标定方法，其特征在于：所述S1.2中对指定位置周边环境的分析步骤如下：
S1.2.1、对该指定位置周边环境出现人为干扰因素进行分析；
S1.2.2、对该指定位置底部支撑处受力稳定进行分析；
S1.2.3、对该指定位置放置端处具有杂物干扰进行分析；
S1.2.4、收集上述对指定位置的分析结果，将其进行整合，得出标定板放置在该指定位置受环境干扰状况。
4.根据权利要求1所述的基于机器视觉的激光结构自动标定方法，其特征在于：所述S2对图像信息进行梯度分类的步骤如下：
S2.1、对激光投影结构信息进行分析检测，根据检测信息判断激光投影设备运行状态；
S2.2、通过拍照装置采集标定板表面标定区域图像信息状态，收集标定板表面若干个不同点位；
S2.3、基于S2.2标定板收集的若干个点位，从中根据不同点位的反馈不同图像程度，将其图像显示不同程度类型进行分类。
5.根据权利要求4所述的基于机器视觉的激光结构自动标定方法，其特征在于：所述S3对数据分析从而提取标定板四个角点的步骤如下：
S3.1、根据S2.3收集的点位信息，将其中仅有四个且反馈图像信息程度一致的四个点位进行单独提取；
S3.2、根据S2.2收集的标定板信息进行单独提取；
S3.3、通过将S3.1和S3.2收集的两种信息贯通之后，四个点位为四个角点的精准信息状态。
6.根据权利要求5所述的基于机器视觉的激光结构自动标定方法，其特征在于：所述根据S4计算获取标定板区域的位置和姿态信息步骤如下：
S4.1、将S3.3收集的四个角点精准信息输送至计算机；
S4.2、将S2.2收集的标定区域图像状态信息输送至计算机；
S4.3、根据S4.1和S4.2的四个角点位置信息在标定区域之间相距距离从而得出数据。
7.根据权利要求6所述的基于机器视觉的激光结构自动标定方法，其特征在于：所述S5判断该激光结构数据偏差的步骤如下：
S5.1、将S3.3的四个角点三维坐标精确位置信息进行提取；
S5.2、将激光结构的三维坐标图系中标注四个角点的位置，并进行转换坐标位置自动得出激光结构标定信息。
8.根据权利要求7所述的基于机器视觉的激光结构自动标定方法，其特征在于：所述S5.2转换坐标位置自动得出激光结构标定信息的步骤如下：
S5.2.1、通过坐标变换将激光结构的三维坐标变换为二维图像坐标；
S5.2.2、将S5.2.1分析得出二维图像坐标进行分析计算，以得到标定板参数，根据标定板参数分析计算得到激光结构的自动标定。
9.根据权利要求8所述的基于机器视觉的激光结构自动标定方法，其特征在于：所述S6来判断标定结果的可靠的步骤如下：
S6.1、基于S5.2得出自动标定信息通过计算机对其进行校验分析；
S6.2、对S6.1分析数据结合之前数据进行二次分析，从而判断标定数据的确信度；
S6.3、当需要处于第一次自动标定时，可对标定板进行二次自动标定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310554834.6A CN116563391B (zh) | 2023-05-16 | 2023-05-16 | 一种基于机器视觉的激光结构自动标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310554834.6A CN116563391B (zh) | 2023-05-16 | 2023-05-16 | 一种基于机器视觉的激光结构自动标定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116563391A true CN116563391A (zh) | 2023-08-08 |
| CN116563391B CN116563391B (zh) | 2024-02-02 |
Family
ID=87492715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310554834.6A Active CN116563391B (zh) | 2023-05-16 | 2023-05-16 | 一种基于机器视觉的激光结构自动标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563391B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116844075A (zh) * | 2023-08-28 | 2023-10-03 | 中国科学院东北地理与农业生态研究所 | 一种耕地环境判定方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942796A (zh) * | 2014-04-23 | 2014-07-23 | 清华大学 | 一种高精度的投影仪-摄像机标定系统及标定方法 |
| CN108717715A (zh) * | 2018-06-11 | 2018-10-30 | 华南理工大学 | 一种用于弧焊机器人的线结构光视觉系统自动标定方法 |
| CN112819903A (zh) * | 2021-03-02 | 2021-05-18 | 福州视驰科技有限公司 | 基于l型标定板的相机和激光雷达联合标定的方法 |
| CN113643380A (zh) * | 2021-08-16 | 2021-11-12 | 安徽元古纪智能科技有限公司 | 一种基于单目相机视觉标靶定位的机械臂引导方法 |
| WO2021238923A1 (zh) * | 2020-05-25 | 2021-12-02 | 追觅创新科技(苏州)有限公司 | 相机参数标定方法及装置 |
| CN114371472A (zh) * | 2021-12-15 | 2022-04-19 | 中电海康集团有限公司 | 一种激光雷达和相机的自动化联合标定装置及方法 |
| CN114399675A (zh) * | 2021-11-22 | 2022-04-26 | 北京航天自动控制研究所 | 一种基于机器视觉与激光雷达融合的目标检测方法和装置 |
| WO2022143796A1 (zh) * | 2020-12-29 | 2022-07-07 | 杭州海康机器人技术有限公司 | 一种线结构光测量系统的标定方法、标定装置、以及系统 |
| WO2022142759A1 (zh) * | 2020-12-31 | 2022-07-07 | 中国矿业大学 | 一种激光雷达与相机联合标定方法 |
| WO2022170847A1 (zh) * | 2021-02-09 | 2022-08-18 | 中国科学院深圳先进技术研究院 | 一种基于激光和视觉融合的在线标定方法 |
-
2023
- 2023-05-16 CN CN202310554834.6A patent/CN116563391B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942796A (zh) * | 2014-04-23 | 2014-07-23 | 清华大学 | 一种高精度的投影仪-摄像机标定系统及标定方法 |
| CN108717715A (zh) * | 2018-06-11 | 2018-10-30 | 华南理工大学 | 一种用于弧焊机器人的线结构光视觉系统自动标定方法 |
| WO2021238923A1 (zh) * | 2020-05-25 | 2021-12-02 | 追觅创新科技(苏州)有限公司 | 相机参数标定方法及装置 |
| WO2022143796A1 (zh) * | 2020-12-29 | 2022-07-07 | 杭州海康机器人技术有限公司 | 一种线结构光测量系统的标定方法、标定装置、以及系统 |
| WO2022142759A1 (zh) * | 2020-12-31 | 2022-07-07 | 中国矿业大学 | 一种激光雷达与相机联合标定方法 |
| WO2022170847A1 (zh) * | 2021-02-09 | 2022-08-18 | 中国科学院深圳先进技术研究院 | 一种基于激光和视觉融合的在线标定方法 |
| CN112819903A (zh) * | 2021-03-02 | 2021-05-18 | 福州视驰科技有限公司 | 基于l型标定板的相机和激光雷达联合标定的方法 |
| CN113643380A (zh) * | 2021-08-16 | 2021-11-12 | 安徽元古纪智能科技有限公司 | 一种基于单目相机视觉标靶定位的机械臂引导方法 |
| CN114399675A (zh) * | 2021-11-22 | 2022-04-26 | 北京航天自动控制研究所 | 一种基于机器视觉与激光雷达融合的目标检测方法和装置 |
| CN114371472A (zh) * | 2021-12-15 | 2022-04-19 | 中电海康集团有限公司 | 一种激光雷达和相机的自动化联合标定装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| SHAOYONG GUO 等: "Design of A Laser-based Calibration instrument for Robot\'s Location Positioning on A Curved Surface", ICRSA \'20: PROCEEDINGS OF THE 2020 3RD INTERNATIONAL CONFERENCE ON ROBOT SYSTEMS AND APPLICATIONS, pages 6 * |
| 贾子永;任国全;李冬伟;程子阳;: "基于梯形棋盘格的摄像机和激光雷达标定方法", 计算机应用, no. 07 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116844075A (zh) * | 2023-08-28 | 2023-10-03 | 中国科学院东北地理与农业生态研究所 | 一种耕地环境判定方法及系统 |
| CN116844075B (zh) * | 2023-08-28 | 2023-11-14 | 中国科学院东北地理与农业生态研究所 | 一种耕地环境判定方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116563391B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555889B (zh) | 一种基于CALTag和点云信息的深度相机手眼标定方法 | |
| JP6573354B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| EP3364214B1 (en) | Method of automatically positioning an x-ray source of an x-ray system and an x-ray system | |
| US8600192B2 (en) | System and method for finding correspondence between cameras in a three-dimensional vision system | |
| CN110580723B (zh) | 一种利用深度学习和计算机视觉进行精准定位的方法 | |
| US9124873B2 (en) | System and method for finding correspondence between cameras in a three-dimensional vision system | |
| US9787960B2 (en) | Image processing apparatus, image processing system, image processing method, and computer program | |
| US8559704B2 (en) | Three-dimensional vision sensor | |
| JP7037876B2 (ja) | 自動工業検査における３ｄビジョンの使用 | |
| US11488322B2 (en) | System and method for training a model in a plurality of non-perspective cameras and determining 3D pose of an object at runtime with the same | |
| EP2194725A1 (en) | Method and apparatus for correcting a depth image | |
| Wang et al. | Phocal: A multi-modal dataset for category-level object pose estimation with photometrically challenging objects | |
| Phuc Truong et al. | Registration of RGB and thermal point clouds generated by structure from motion | |
| WO2010071139A1 (ja) | 形状測定装置およびプログラム | |
| CN116563391B (zh) | 一种基于机器视觉的激光结构自动标定方法 | |
| Li et al. | A practical comparison between Zhang's and Tsai's calibration approaches | |
| CN111626995B (zh) | 一种针对工件的智能嵌件检测方法和装置 | |
| CN116310678A (zh) | 固态激光雷达与热成像视觉融合的火源识别及定位方法 | |
| CN115187612A (zh) | 一种基于机器视觉的平面面积测量方法、装置及系统 | |
| 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 | |
| CN114648544A (zh) | 一种亚像素椭圆提取方法 | |
| CN114964032A (zh) | 基于机器视觉的盲孔深度测量方法及装置 | |
| CN116758160B (zh) | 基于正交视觉系统的光学元件装配过程位姿检测方法及装配方法 | |
| CN113393383B (zh) | 一种双深度相机拍照图像的拼接方法 | |
| WO2012076979A1 (en) | Model-based pose estimation using a non-perspective camera |
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 |