CN116880353A - 一种基于两点间隙的机床对刀方法 - Google Patents
一种基于两点间隙的机床对刀方法 Download PDFInfo
- Publication number
- CN116880353A CN116880353A CN202310786004.6A CN202310786004A CN116880353A CN 116880353 A CN116880353 A CN 116880353A CN 202310786004 A CN202310786004 A CN 202310786004A CN 116880353 A CN116880353 A CN 116880353A
- Authority
- CN
- China
- Prior art keywords
- tool
- pixel
- point
- edge
- tool setting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000003754 machining Methods 0.000 abstract description 9
- 238000003708 edge detection Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明提供了一种基于两点间隙的机床对刀方法,包括对图像传感器进行像素当量标定;从布置在机床系统内部的图像传感器中获取包含刀具和工件的对刀图像;从采集的对刀图像中提取工件及刀具的边缘轮廓像素坐标;在提取到的边缘像素网格中生成精度更高的亚像素边缘坐标;根据边缘轮廓信息,提取工件对刀点以及刀具刀位点的亚像素坐标,并结合标定参数,计算对刀点及刀位点的两点间隙;将两点间隙映射到机床各运动轴,得到此时的刀偏值,结合刀具当前机床坐标,构建工件坐标系与机床坐标系的位置关系。本发明能够提高机床对刀效率,满足具有严格加工精度要求的数控机床对对刀过程的高精度以及高稳定性需求。
Description
技术领域
本发明涉及数控加工技术领域,具体是涉及一种使用机器视觉获取对刀点及刀位点的两点间隙,并结合当前刀具位置进而构建工件坐标系的机床对刀方法。
背景技术
数控机床是零件加工的关键设备,为保证数控加工的精度和效率,在进行加工前必须要完成对刀过程,即构建工件坐标系与机床坐标系的位置关系。
随着机器视觉技术的不断完善,机器视觉在数控加工中得以应用。相较于传统的人工对刀技术,基于机器视觉的对刀技术具有非接触、高效率以及易操作等特点,能够提高对刀过程的效率以及安全性。但同时,受传感器分辨力以及图像算法的性能限制,在具有严格加工精度要求的数控机床中难以满足其高精度以及高稳定性的对刀需求。
发明内容
本发明的主要目的在于提供一种基于两点间隙的机床对刀方法,采用该方法,提高对刀过程的效率,并且满足具有严格加工精度要求的数控机床对对刀过程的高精度以及高稳定性需求。
为达到上述目的,本发明提供一种基于两点间隙的机床对刀方法,包括如下步骤:
步骤M1,对图像传感器进行像素当量标定;
步骤M2,从布置在机床系统内部的图像传感器中获取包含刀具和工件的对刀图像;
步骤M3,从采集的对刀图像中提取工件及刀具的边缘轮廓像素坐标;
步骤M4,在提取到的边缘像素网格中生成精度更高的亚像素边缘坐标;
步骤M5,根据边缘轮廓信息,提取工件对刀点以及刀具刀位点的亚像素坐标,并结合标定参数,计算对刀点及刀位点的两点间隙;
步骤M6,将两点间隙映射到机床各运动轴,得到此时的刀偏值,结合刀具当前机床坐标,构建工件坐标系与机床坐标系的位置关系;
作为优化,所述步骤M1中,图像传感器像素当量的标定方法为:
步骤M1.1:将棋盘格标定板水平放置于工作平面,采集棋盘格标定图像并提取角点坐标;
步骤M1.2:将棋盘格同一行上相邻的两个角点构建为一个角点对,计算其像素间距;
步骤M1.3:将所有角点对真实间距和像素距离比值的均值作为像素当量的标定结果,角点对的真实间距由棋盘格的规格尺寸确定。
作为优化,所述步骤M3中,工件及刀具的边缘轮廓像素坐标获取方法为:
步骤M3.1:对图像进行预处理,包括图像灰度化、采用中值滤波的图像滤波去噪以及阈值分割;
步骤M3.2:采用基于连通域标记的方法,从对刀图像中分离出单独的工件及刀具图像;
步骤M3.2:采用Canny算法从单独的工件及刀具图像提取对应的边缘轮廓像素坐标,并记录对应图像采用Sobel算子卷积后的每个像素对应的梯度幅值和方向;
作为优化,所述步骤M4中,根据边缘像素附近灰度呈S型分布的特性,采用基于Sigmoid函数拟合的方法,在提取到的边缘像素网格中生成精度更高的亚像素边缘坐标,其具体方法为:
步骤M4.1:遍历边缘像素网格,沿其梯度方向上在3X3邻域内提取包括自身在内的3个离散灰度点作为待拟合灰度数据;
步骤M4.2:归一化待拟合灰度数据,归一化方法为:
其中,P1、P2、P3为梯度方向上灰度值g由大到小的三个待拟合数据点。
步骤M4.3:明确Sigmoid拟合函数表达式为:
S(x)=1/(1+e-(10+λ)x+5)
通过求解拟合数据点到曲线S(x)距离平方和最小的优化问题,计算得待拟合参数λ:
步骤M4.4:采用如下公式在整像素边缘像素网格(u,v)中生成对应的亚像素坐标(x,y):
i=3d/cosθ
d=0.5-xR
其中,θ为梯度方向与像素坐标系水平正方向的夹角大小,i为亚像素边缘点在梯度方向上距离像素中心的距离。d为灰度分布函数S(x)上确定的亚像素边缘点横坐标xR与其中心坐标的差值,S(x)上对应的亚像素边缘点在其二阶导数为零的地方取得。
作为优化,所述步骤M5中,根据所得边缘轮廓信息提取工件对刀点及刀具刀位点的亚像素坐标并计算两点间隙,主要包括如下步骤:
步骤M5.1:将工件上的对刀点和刀具上的刀位点,采用对应边缘轮廓上特定直线的交点进行描述;
步骤M5.2:根据得到的边缘像素坐标,采用基于Freeman链码的直线检测方法,实现边缘轮廓上的直线检测;
步骤M5.3:采用线段质心的阈值条件对检测出的直线边缘进行聚类,以解决同一条直线边缘中检测出间断的多条线段边缘问题,具体方法为:
步骤M5.3.1:视检测到的所有线段为一个集合,计算每条线段的质心,从第一条线段开始判断;
步骤M5.3.2:判断当前线段质心与下一条线段质心构成的向量与原本线段的夹角是否小于一定阈值;
步骤M5.3.3:小于阈值则视两线段属同一条直线,合并对应像素点坐标集合,并视该集合为新的线段;大于阈值则视两条线段属不同直线,跳过当前线段。重复步骤M5.3.2对下一条线段进行判断;
步骤M5.3.4:判断完所有线段后,于原线段集合中剔除已确定属同一直线的线段。
步骤M5.3.5:重复上述步骤,对剩下的线段进行判断,直至待聚类的线段集合为空或当前线段集合只剩一条线段。
步骤M5.4:记录检测到线段的像素坐标集合所对应的亚像素坐标,采用最小二乘法拟合直线方程,计算特定直线方程的交点,作为对应的对刀点及刀位点亚像素坐标。
步骤M5.5:采用如下公式计算两点间隙:
其中,(u1,v1),(u2,v2)分别表示对刀点和刀位点的亚像素坐标。
本发明采用多角点对标定像素当量,具有较高的图像标定精度;采用从边缘像素网格中生成精度更高的亚像素边缘坐标的方法,避免了对高分辨力图像传感器的依赖;采用线段质心的阈值条件对直线检测结果进行聚类,提高了图像算法的稳定性。相对于传统对刀方法,采用本发明所提供的方法,能够提高对刀的效率,并且满足具有严格加工精度要求的数控机床对对刀过程的高精度以及高稳定性需求。
附图说明
图1为基于两点间隙的机床对刀方法流程图
图2为理想边缘和实际边缘的灰度分布示意图
图3为不同参数的Sigmoid灰度分布拟合函数图
图4为工件亚像素边缘检测效果图
图5为砂轮亚像素边缘检测效果图
图6为砂轮整像素边缘坐标及亚像素边缘坐标示意图
图7为对刀点和刀位点示意图
图8为工件直线检测示意图
图9为砂轮直线检测示意图
具体实施方法
下面结合附图对本发明作进一步详细说明。
本实施例基于如图1所示的基于两点间隙的机床对刀方法流程,以HBW2350型高速外圆磨床为例,具体实施步骤为:
(1)采集标定图像,完成图像传感器像素当量的标定
本实例中,图像传感器即工业相机,所采用视觉系统的硬件设施组成为600万像素CMOS工业相机、35mm相机镜头、LED背向光源以及12*9陶瓷基棋盘格标定板。相机竖直安装在工件装夹位置的上方,相机光轴与磨床工作平面具有较好垂直度。LED背向光源放置在工件装夹位置下方,采用背光照明使成像具有较好的对比度,以突出边缘轮廓信息。放置棋盘格标定板的工作平面为过夹具回转轴线的水平面,通过夹具夹持棋盘格标定板,旋转标定板至水平,采集棋盘格标定图像,根据本发明的像素当量标定步骤,获取到80个角点对,结合棋盘格的规格尺寸,标定出此时相机的像素当量约为0.022mm/pix。该方法不需要手动对标定物的像素尺寸进行测量,避免了传统方法通过人工测量标定物的像素尺寸引入较大误差的弊端,具有较高的标定精度。
(2)采集对刀图像,提取工件及砂轮的边缘轮廓像素坐标
本实例中,视觉系统采集对刀图像,所述图像中同时包含工件及砂轮。
根据本文边缘轮廓像素坐标提取步骤,首先对采集图像进行预处理,而后采用基于连通域标记的方法,从对刀图像中分离出单独的工件及砂轮图像,最后对分离出的图像,分别采用Canny算法进行边缘检测。
所述图像预处理包括灰度化、图像滤波去噪以及阈值分割三个步骤。灰度化的目的在于将工业相机采集的三通道彩色图像转化为单通道灰度图,满足后续图像分析和检测的需求。图像滤波去噪的目的在于对图像采集或传输过程中产生的噪声进行抑制,提高图像的质量。由于磨削环境对视觉系统的检测精度具有较高要求,特别是对图像中的边缘部分,应当妥善处理。为此本发明采用中值滤波作为滤波方案,能够对图像的进行噪声抑制的同时较好地保留图像边缘信息。阈值分割的目的在于将灰度图像转化成二值图像,方便后续进行图像连通域的标记,具体采用最大类间方差法,能够根据图像的灰度信息自动确定阈值大小。
所述基于连通域标记的图像分离方法,通过对图像中具有相邻关系的二值像素进行标记,从而赋予图像中工件和砂轮部分以不同的标号,根据具有相同标号的像素坐标集合,实现从对刀图像中分离出单独的工件及刀具图像。采用分离后的图像进行Canny边缘检测,将不同主体的边缘数据单独保存在对应的坐标集合中,避免了后续操作中不同主体的边缘轮廓数据之间产生干扰。
(3)在提取到的边缘像素网格中生成精度更高的亚像素边缘坐标
如图2所示为理想边缘和实际边缘的灰度分布特性,理想的边缘呈阶跃分布,而实际的边缘呈S型曲线。因此采用本发明提供Sigmoid函数,其函数图像如图3所示,对边缘像素网格领域的灰度分布进行函数拟合,进一步地生成精度更高的亚像素边缘坐标。根据本发明提供的亚像素边缘坐标提取步骤,在Canny算法提取到的边缘像素网格内,对其3X3邻域内沿梯度方向上对灰度分布采用Sigmoid函数进行拟合,得到工件及砂轮对应的亚像素坐标如图4、图5所示。以检测出的砂轮边缘为例,其整像素和亚像素坐标对比效果如图6所示,可以看出本发明提出的边缘检测方法,不依赖于高分辨力的图像传感器,具有较高的边缘定位精度,提高了系统对边缘辨识的分辨力。
(4)根据边缘轮廓信息,提取工件对刀点以及砂轮刀位点的亚像素坐标,并结合标定参数,计算对刀点及刀位点的两点间隙
本实例中,采用阶梯轴作为试验工件,如图7所示,以砂轮越程槽在图像中表现出的边缘直线和待磨削轴段边缘直线的交点作为对刀点,以图像中表现出的砂轮外圆母线和端面边缘直线的交点作为刀位点。根据本发明的步骤,对其像素边缘进行直线检测,并对检测结果进行聚类,对所得直线边缘的亚像素坐标采用最小二乘法进行直线拟合,方程表达式描述如下:
y=kx+b
本实例中,直线边缘检测结果如图8、图9所示。对应的对刀点为工件检测结果中直线l4和l5的交点,计算得其亚像素坐标为(957.4777,1678.1413)。对应的刀位点为砂轮检测结果中直线l1和l2的交点,计算得其像素坐标为(1205.1519,695.1356)。相较于传统方法采用边缘整像素坐标进行直线拟合,本发明涉及的方法采用在边缘像素网格中生成的亚像素坐标拟合直线方程,所得刀位点及对刀点具有更高的定位精度。
(5)将两点间隙映射到磨床的X轴、Z轴,得到此时的刀偏值
在本实例中,得到对刀点及刀位点的像素坐标后,为实现对刀过程,需要知道对刀间隙,即刀位点和对刀点之间的物理距离,而后求出其在X轴、Z轴上的分量,其代表了完成对刀过程后,各运动轴方向上的刀偏值。本发明提供了对刀间隙计算方法,应用所述方法计算得到对刀间隙为22.3020mm。采用如下公式完成对刀间隙在X轴、Z轴上的映射:
其中,α为像素坐标系中对刀点和刀位点构成向量与砂轮母线的夹角。计算得X轴、Z轴上对应的分量分别为21.6747mm和5.2479mm,将其输入数控系统即完成磨床对刀。
以上所述仅为本发明的较佳实施例而已,并不以本发明为限制,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于两点间隙的机床对刀方法,其特征在于,包括如下步骤:
步骤M1,对图像传感器进行像素当量标定;
步骤M2,从布置在机床系统内部的图像传感器中获取包含刀具和工件的对刀图像;
步骤M3,从采集的对刀图像中提取工件及刀具的边缘轮廓像素坐标;
步骤M4,在提取到的边缘像素网格中生成精度更高的亚像素边缘坐标;
步骤M5,根据边缘轮廓信息,提取工件对刀点以及刀具刀位点的亚像素坐标,并结合标定参数,计算对刀点及刀位点的两点间隙。
步骤M6,将两点间隙映射到机床各运动轴,得到此时的刀偏值,结合刀具当前机床坐标,构建工件坐标系与机床坐标系的位置关系;
2.如权利要求1所述的基于两点间隙的机床对刀方法,其特征在于,所述步骤M1中图像传感器像素当量的标定具体包括如下步骤:
步骤M1.1:将棋盘格标定板水平放置于工作平面,采集棋盘格标定图像并提取角点坐标;
步骤M1.2:将棋盘格同一行上相邻的两个角点构建为一个角点对,计算其像素间距;
步骤M1.3:将所有角点对真实间距和像素距离比值的均值作为像素当量的标定结果,角点对的真实间距由棋盘格的规格尺寸确定。
3.如权利要求1所述的基于两点间隙的机床对刀方法,其特征在于,所述步骤M3中工件及刀具的边缘轮廓像素坐标获取具体包括如下步骤:
步骤M3.1:对图像进行预处理,包括图像灰度化、采用中值滤波的图像滤波去噪以及阈值分割;
步骤M3.2:采用基于连通域标记的方法,从对刀图像中分离出单独的工件及刀具图像;
步骤M3.2:采用Canny算法从单独的工件及刀具图像提取对应的边缘轮廓像素坐标,并记录对应图像采用Sobel算子卷积后每个像素对应的梯度幅值和方向。
4.如权利要求1所述的基于两点间隙的机床对刀方法,其特征在于,所述步骤M4中,在提取到的边缘像素网格中生成精度更高的亚像素边缘坐标具体包括如下步骤:
步骤M4.1:遍历边缘像素网格,沿其梯度方向上在3X3邻域内提取包括自身在内的3个离散灰度点作为待拟合灰度数据;
步骤M4.2:归一化待拟合灰度数据,归一化方法为:
其中,P1、P2、P3为梯度方向上灰度值g由大到小的三个待拟合数据点。
步骤M4.3:明确Sigmoid拟合函数表达式为:
S(x)=1/(1+e-(10+λ)x+5)
通过求解拟合数据点到曲线S(x)距离平方和最小的优化问题,计算得待拟合参数λ:
步骤M4.4:采用如下公式在整像素边缘像素网格(u,v)中生成对应的亚像素坐标(x,y):
i=3d/cosθ
d=0.5-xR
其中,θ为梯度方向与像素坐标系水平正方向的夹角大小,i为亚像素边缘点在梯度方向上距离像素中心的距离。d为灰度分布函数S(x)上确定的亚像素边缘点横坐标xR与其中心坐标的差值,S(x)上对应的亚像素边缘点在其二阶导数为零的地方取得。
5.如权利要求1所述的基于两点间隙的机床对刀方法,其特征在于,所述步骤M5中,根据所得边缘轮廓信息提取工件对刀点及刀具刀位点的亚像素坐标并计算两点间隙,具体包括如下步骤:
步骤M5.1:将工件上的对刀点和刀具上的刀位点,采用对应边缘轮廓上特定直线的交点进行描述;
步骤M5.2:根据得到的边缘像素坐标,采用基于Freeman链码的直线检测方法,实现边缘轮廓上的直线检测;
步骤M5.3:采用线段质心的阈值条件对检测出的直线边缘进行聚类,具体方法为:
步骤M5.3.1:视检测到的所有线段为一个集合,计算每条线段的质心,从第一条线段开始判断;
步骤M5.3.2:判断当前线段质心与下一条线段质心构成的向量与原本线段的夹角是否小于一定阈值;
步骤M5.3.3:小于阈值则视两线段属同一条直线,合并对应像素点坐标集合,并视该集合为新的线段。大于阈值则视两条线段属不同直线,跳过当前线段。重复步骤M5.3.2对下一条线段进行判断;
步骤M5.3.4:判断完所有线段后,于原线段集合中剔除已确定属同一直线的线段。
步骤M5.3.5:重复上述步骤,对剩下的线段进行判断,直至待聚类的线段集合为空或当前线段集合只剩一条线段。
步骤M5.4:记录检测到线段的像素坐标集合所对应的亚像素坐标,采用最小二乘法拟合直线方程,计算特定直线方程的交点,作为对应的对刀点及刀位点亚像素坐标。
步骤M5.5:采用如下公式计算两点间隙:
其中,(u1,v1),(u2,v2)分别表示对刀点和刀位点的亚像素坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310786004.6A CN116880353A (zh) | 2023-06-29 | 2023-06-29 | 一种基于两点间隙的机床对刀方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310786004.6A CN116880353A (zh) | 2023-06-29 | 2023-06-29 | 一种基于两点间隙的机床对刀方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116880353A true CN116880353A (zh) | 2023-10-13 |
Family
ID=88254034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310786004.6A Pending CN116880353A (zh) | 2023-06-29 | 2023-06-29 | 一种基于两点间隙的机床对刀方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116880353A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117308801A (zh) * | 2023-11-29 | 2023-12-29 | 克恩-里伯斯(太仓)有限公司 | 一种检测涡卷弹簧最小间隙的方法 |
-
2023
- 2023-06-29 CN CN202310786004.6A patent/CN116880353A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117308801A (zh) * | 2023-11-29 | 2023-12-29 | 克恩-里伯斯(太仓)有限公司 | 一种检测涡卷弹簧最小间隙的方法 |
CN117308801B (zh) * | 2023-11-29 | 2024-02-13 | 克恩-里伯斯(太仓)有限公司 | 一种检测涡卷弹簧最小间隙的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689579B (zh) | 基于合作目标的快速单目视觉位姿测量方法及测量系统 | |
CN109612390B (zh) | 基于机器视觉的大尺寸工件自动测量系统 | |
CN106651828B (zh) | 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法 | |
CN105740856B (zh) | 一种基于机器视觉的指针式仪表示数读取方法 | |
CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
CN107358628B (zh) | 基于靶标的线阵图像处理方法 | |
CN109558871B (zh) | 一种指针式仪表读数识别方法及装置 | |
CN112613429A (zh) | 一种基于机器视觉适用于多视角图像指针式仪表读数方法 | |
CN108716890A (zh) | 一种基于机器视觉的高精度尺寸检测方法 | |
CN110608685A (zh) | 一种基于树莓派的物体尺寸快速测量方法 | |
CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
CN115482195B (zh) | 一种基于三维点云的列车部件变形检测方法 | |
CN116880353A (zh) | 一种基于两点间隙的机床对刀方法 | |
CN114029946A (zh) | 一种基于3d光栅引导机器人定位抓取的方法、装置及设备 | |
CN113222955A (zh) | 一种基于机器视觉的齿轮尺寸参数自动测量方法 | |
CN113607058B (zh) | 一种基于机器视觉的直刃刀尺寸检测方法及系统 | |
CN112634375B (zh) | 一种ai智能检测中的平面标定和三维重建方法 | |
CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
CN115760860B (zh) | 一种基于dxf文件导入的多类型工件尺寸视觉测量方法 | |
CN110751690B (zh) | 铣床刀头视觉定位方法 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN109084721B (zh) | 用于确定半导体器件中的目标结构的形貌参数的方法和设备 | |
CN113689478B (zh) | 量测设备的对齐方法、装置及系统 | |
CN114049304A (zh) | 一种3d光栅检测方法、装置、计算机设备及可读存储介质 |
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 |