CN116958101A - 锻造工件上凹陷标识的识别方法及系统、存储介质、数据处理终端 - Google Patents
锻造工件上凹陷标识的识别方法及系统、存储介质、数据处理终端 Download PDFInfo
- Publication number
- CN116958101A CN116958101A CN202310935982.2A CN202310935982A CN116958101A CN 116958101 A CN116958101 A CN 116958101A CN 202310935982 A CN202310935982 A CN 202310935982A CN 116958101 A CN116958101 A CN 116958101A
- Authority
- CN
- China
- Prior art keywords
- points
- identification
- data
- workpiece
- mark
- 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 41
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000003672 processing method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000005242 forging Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开一种锻造工件上凹陷标识方法及系统、存储介质、数据处理终端。识别时,采用3D激光传感器对锻造工件表面进行全覆盖扫描获得原始点云数据后,对获得的原始点云数据进行去噪预处理后进行分层处理,获得多层数据层;对每层数据层,采用局部拟合投影投影方法获得坐标范围内识别点的似然近邻点;比较每个识别点和似然近邻点的质心相对位置和梯度,计算凹陷程度,根据凹陷程度,从识别点中获得初始备选点;对多层数据层分析获得的初始备选点进行分析,滤除初始备选点中的无效备选点,得到最大概率的有效备选点,作为识别出的标识有效点;基于标识点识别出工件上的凹陷标识。本发明可实现对锻造工件表面的凹陷标识快速有效识别。
Description
技术领域
本发明涉及锻造工件标识识别技术领域,特别是涉及一种锻造工件上凹陷标识方法及系统、存储介质、数据处理终端。
背景技术
在关键金属构件的全流程加工过程中,由于数据没有以单件为粒度的数据融合,数据利用价值低,不能为工艺优化提供准确的现场工艺过程数据,因此开展单件追溯技术研究,形成单件锻件全流程工艺过程数据库,具有重要的意义。工件的表面标识对工件的质量追溯系统至关重要,工件在锻造区域下线以后要经过多道次的冷加工,因此工件表面打标是实现金属构件全过程质量追溯的重要环节。目前,金属工件表面标识采用气动点阵打标方式,将DataMatrix二维码通过点阵形式打标到工件表面上。工件表面的二维码标识易受到环境中脱模剂粉尘、工件被调制后表面变色、切削液、油污等影响,在物流辊道的流转过程中容易受到磨损的影响,通过工件表面标识来实现的金属构件单件追溯功能,十分依赖于二维码的稳定读取率、正确率以及二维码的纠错能力,因此工件的表面标识的自适应识别技术十分重要。
在对锻造工件生产过程中的,通常使用相机或摄像机对锻造工件上通过打印形成的凹陷结构的二维码标识或条形码标识进行拍照,获得二维码或条形码信息图片,然后使用包含识别模型的图片识别软件对二维码或条形码进行识别,获得二维码或条形码包含的工件信息。
由于在锻造工件的加工过程中,待识别区域受热或受磨损等都会其表面产生复杂的变化,因此用相机或摄像机获得的二维码或条形码标识图片因为上述变化产生大量干扰纹理,这样会导致图片识别软件或识别程序无法正确区分二维码或条形码标识和相应的干扰,凹陷结构的标识的识别通常会导致失败。
发明内容
本发明的目的是针对现有技术中的问题,而提供一种锻造工件上凹陷标识方法及系统、存储介质、数据处理终端,用于解决金属锻件加工处理冷却后表面图像变化导致其表面标识的识别难题。
本发明第一方面,提供一种锻造工件上凹陷标识方法,采用3D激光传感器对锻造工件表面进行全覆盖扫描获得原始点云数据后,通过以下数据处理方法识别锻造工件上的凹陷标识:
对获得的原始点云数据进行去噪预处理;
对去噪预计处理后获得的点云数据分层处理,获得多层数据层;
针对每层数据层,采用局部拟合投影投影方法获得坐标范围内识别点的似然近邻点;
比较每个识别点和似然近邻点的质心相对位置和梯度,计算凹陷程度,根据所述凹陷程度,从识别点中获得初始备选点;
对多层数据层分析获得的初始备选点进行分析,滤除初始备选点中的无效备选点,得到最大概率的有效备选点,作为识别出的标识有效点;
基于所述标识点识别出工件上的凹陷标识。
其中,所述的对去噪预计处理后获得的点云数据分层处理,获得多层数据层的步骤中,根据原始点云数据的法向量、数据密度分布的特征,确定对点云数据进行分层的数量、方向和厚度,然后根据确定的对点云数据进行分层的数量、方向和厚度,对点云数据进行分层处理。
其中,所述无效备选点包括起皮点。
其中,基于以下区分策略实现对标识有效点与起皮点的区分及筛选:
所述标识有效点集中且形成一个连续曲面,所述起皮点分散不连续分布;
所述标识有效点的总数量少于所述起皮点,
所述起皮点的凹陷程度随机度高于所述标识有效点的凹陷程度。
其中,所述3D激光传感器由直线模组通过编码器同步方式驱动进行工作,所述3D激光传感的扫描镜头面向所述锻造工件的扫描区域。
其中,所述3D激光传感器的波长选择蓝光。
其中,所述锻造工件上凹陷标识包括二维码、条形码。
本发明第二方面,提供一种锻造工件上凹陷标识的识别系统,包括3D激光传感器以及数据处理装置:所述3D激光传感器与直线模组驱动连接,由所述直线模组同步驱动对锻造工件表面进行全覆盖扫描获得原始点云数据后,所述数据处理装置通过本发明第一方面中所述的数据处理方法识别锻造工件上的凹陷标识:
本发明第三方面,提供一种存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现本发明第一方面中所述的数据处理方法识别锻造工件上的凹陷标识。
本发明第四方面,提供一种数据处理终端,所述数据处理终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如本发明第一方面中所述的数据处理方法识别锻造工件上的凹陷标识。
本发明锻造工件上凹陷标识方法及系统,通过3D激光传感器对锻造工件表面进行全覆盖扫描获得原始点云数据后,通过数据处理方法识别锻造工件上的凹陷标识,可以实现对锻造工件表面的凹陷标识快速有效识别,从而保证了对生产工序中的锻造工件的信息的有效识别,解决了锻件冷却后,表面图像变化导致的表面标识的识别难题。
附图说明
图1为本发明实施例锻造工件上凹陷标识的识别方法的流程示意图。
图2是本发明实施例的对点云数据进行分层的示意图。
图3是本发明实施例的对点云数据在预定方向进行分层的示意图。
图4是本发明实施例的对点云数据中选取点以及周围点进行投影确定似然近邻点的示意图。
图5是本发明实施例的从起皮点中识别出标识有效点的示意图。
图6为本发明实施例锻造工件凹陷标识的识别系统的结构原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
本发明是基于锻造工件在热加工前后,其标识区域的深度信息相对稳定的属性,提出使用激光传感器,进行三维扫描,利用三维信息来识别标识点云数据,以提取识别标识的特征,通过在识别时增加空间深度信息,从而提高识别度,从而实现对锻造工件上的凹陷标识进行识别的,解决了现有技术下采用相机自由拍摄图片无法有效识别出锻造工件上的凹陷标识的问题。
本发明实施例的第一方面,提供一种锻造工件上凹陷标识的识别方法,采用3D激光传感器对锻造工件表面进行全覆盖扫描获得原始点云数据后,通过以下数据处理方法识别锻造工件上的凹陷标识:
对获得的原始点云数据进行去噪预处理;
对去噪预计处理后获得的点云数据分层处理,获得多层数据层;
针对每层数据层,采用局部拟合投影投影方法获得坐标范围内识别点的似然近邻点;
比较每个识别点和似然近邻点的质心相对位置和梯度,计算凹陷程度,根据所述凹陷程度,从识别点中获得初始备选点;
对多层数据层分析获得的初始备选点进行分析,滤除初始备选点中的无效备选点,得到最大概率的有效备选点,作为识别出的标识有效点;
基于所述标识点识别出工件上的凹陷标识。
在对点云数据去噪时,可以是使用统计去噪方法进行点云数据的去噪,避免对信号点特征产生影响。其中统计参数可以是基于实验数据的积累获得。
其中,所述3D激光传感器由直线模组通过编码器同步方式驱动进行工作,所述3D激光传感的扫描镜头面向所述锻造工件的扫描区域,通过3D激光传感器与直线模组的电机通过编码器同步方式工作,能提供工件的点数据的扫描精度,以获得更高的空间精度数据,为后续的点云数据处理的打下基础。具体的,可以是被测工件固定不动,通过直线模组带动3D激光传感器做直线运动,完成对工件表面的三维扫描;或是3D激光传感器不动,直线模组带动被测工件做直线运动,完成激光对工件表面的三维扫描,从而获得需要的原始点云数据。
由于本发明实施例中,所述锻造工件在生产加工过程中,其生产是在高温环境下进行的,因此,所述3D激光传感器的波长选择蓝光,保证高温温度场景下的信号采集的抗干扰。
一些实施例中,所述的对去噪预计处理后获得的点云数据分层处理,获得多层数据层的步骤中,基于经验法则或是经验数据建立的分层模型或层析模型,根据原始点云数据的法向量、数据密度分布的特征,确定对点云数据进行分层的数量、方向和厚度,然后根据确定的对点云数据进行分层的数量、方向和厚度,对点云数据进行分层处理。通过点云数据的分层以及对分层后每层数据层的单独处理,可以降低数据维度,提高数据的处理速度,同时,为提高每一层数据的处理速度,采用局部拟合投影灯方法,来简化数据复杂度。通过数据的分层分析可以获得一个“薄层”数据,可以减少每一次处理的数据量,通过多层数据的组合分析,可以弥补分层过“薄”可能导致特征丢失,也可以适应标识填充造成的特征弱化,保证不会丢失数据,保证识别的准确率或准确性。
具体的分层过程,请参见图2、3所示,图2示出了对点云数据的分层处理,参见图2所示,对点云数据2通过多条分层线1进行分层,图中所示为三条分层线可以按不同的分层方向将点云数据分为厚度相同或不同的多层,图3示了对点云数据的分层方向的处理,一条分层线1按与水平面呈一定的倾斜的角度,以预设的角度或方向对点云数据进行分层。
现有技术中,对于标识的点云数据的处理进行标识点的识别,主要是识别标记点相对于“邻近点”存在空间“凹陷”特征。所述邻近点指,在三维空间,计算一个点与其他所有点之间的距离,取出与该点最近的K个点,即邻近点。凹陷特征的识别通过采用以下两种评估方法:1.计算邻近点的几何特征期望值,比如质心或者拟合平面,比较识别点和该期望值的关系,比如距离和方向,以判定“凹陷”程度特征,2.计算每个点与周围点的梯度值。传统的“凹陷”特征的识别算法需要建立每个三维点的“近邻”关系树,其算法处理复杂,对算力要求高,扫描点云包含100+万以上的数据点,算法处理的数据量大,传统的算法在使用CPU处理时速度很慢,使用GPU又导致成本增加,通用性差,而且标识的凹陷特征由于不同程度的填充现象,被弱化,且由于工件在热加式中容易表面起皮,会造成与标识类似的凹陷特征,容易误判,因此,本发明中,为了快速有效地标识的识别判断,降低处理器的压力,不建立精确的“近邻数”结构,快速获得“似然”近邻,以层析分析和曲面参数化方法减小数据量和复杂度,提高效率,基于正确的标识点应当在不同层会反复出现,通过概率仲裁,过滤掉“误识别”点或是无效备选点,最终获得有效备选点,即标识有效点。
具体的,在每层数据中采用局部似然近邻点并计算“凹陷”程度,不建立完整精确的近邻关系树,而是通过投影和划定坐标范围,来获得选取点的“似然”近邻点,减少计算量,提高处理速度,然后比较每个点和近邻点的质心相对位置和梯度,来计算凹陷程度,最终通过分析每层数据层所获得相应的所有的备选点,包括标识有效点(备选在效点)以及起皮点(备选无效点)。参见图4所示,在一个选取点3为例进行分析,通过投影形成选取投影点31,在其周围的点4通过投影形成的周围投影点41,在投影区域围在取投影点31的周围,然后通过在选取投影点31为圆心的坐标范围5来选择相应的周围投影点41,在该坐标范围5中的点为似然近邻点。
在点云数据中进行凹陷的识别需要先建立一个邻近点关系树,传统的近邻树建立需要计算所有点到被识别点的“距离”然后在进行筛选,在点云数据量巨大的情况下,消耗大量时间和算力。本申请中,通过似然近邻法计算“似然”近邻点,可以大大减少计算量,提高处理速度。
由于工件在热加工后表面会大量“起皮”, “起皮”处存在大量不真实的、假的深度信息或是凹陷信息,即真正的标识点和起皮点都可能具有相似的凹陷程度,以及基于“邻域”的和“频率”的滤波速度慢,容易误伤,因此,所述无效备选点为起皮点,通过将起皮点作为无效备选点滤除,可以确定得到的备选点的有效性。其中,在一些实施例中,可以是基于起皮点的特征与标识点的特征不同,基于以下区分策略实现对标识有效点6(图5中小面积的近似圆的多个颜色深的黑点)与起皮点7(图5中大面积的近似圆或椭圆的多个颜色浇的灰度点)的区分及筛选,参见图5所示:
所述标识有效点集中且形成一个连续曲面,所述起皮点分散不连续分布;所述标识有效点的总数量少于所述起皮点,所述起皮点的凹陷程度随机度高于所述标识有效点的凹陷程度。
本发明实施例基于统计标识点与起皮点的特征值的分布情况,相似性对“备选点”进行筛选,并对备选点间的空间连续性进行分析,获得更加精确的标识有效点,从而最终基于以上起皮点与标识点的不同,可以实现从所有备选点中滤除起皮点7,从而最终得到最大概率的备选点,即标识有效点6。通过分析出的该标识有效点即实现了对凹陷标识的识别。
其中,所述锻造工件上的凹陷标识包括二维码、条形码或是其它类似的通过机械加工在工件外表面上形成的表面凹陷形成的标识码。
本发明实施实施列的锻造工件上凹陷标识方法,通过3D激光传感器对锻造工件表面进行全覆盖扫描获得原始点云数据后,通过数据处理方法识别锻造工件上的凹陷标识,可以实现对锻造工件表面的凹陷标识快速有效识别,从而保证了对生产工序中的锻造工件的信息的有效识别,有利于生产顺利进行。
本发明实施例的第二方面,提供一种锻造工件上凹陷标识的识别系统,参见图6所示,包括3D激光传感器以及数据处理装置:所述3D激光传感器与直线模组驱动连接,由所述直线模组同步驱动对锻造工件表面进行全覆盖扫描获得原始点云数据后,所述数据处理装置通过本发明实施例第一方面所述的数据处理方法识别锻造工件上的凹陷标识,其具体的处理步骤,请参见图1所示。
本发明实施实施列的锻造工件上凹陷标识系统,通过3D激光传感器对锻造工件表面进行全覆盖扫描获得原始点云数据后,通过数据处理方法识别锻造工件上的凹陷标识,可以实现对锻造工件表面的凹陷标识快速有效识别,从而保证了对生产工序中的锻造工件的信息的有效识别,有利于生产顺利进行。
本发明实施例的第三方面,提供一种存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现本发明第一方面中所述的数据处理方法识别锻造工件上的凹陷标识。
其中,所述的存储介质中的指令、程序由处理器加载并执行时,其识别锻造工件上的凹陷标识的方法或步骤,请参见本发明实施例的锻造工件上凹陷标识方法涉及的数据处理方法的识别处理步骤,在此不再赘述。
本发明实施例的第四方面,提供一种数据处理终端或数据处理装置,所述数据处理终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如本发明第一方面中所述的数据处理方法识别锻造工件上的凹陷标识。
其中,所述的存储介质中的指令、程序由处理器加载并执行时,其识别锻造工件上的凹陷标识的方法或步骤,请参见本发明实施例的锻造工件上凹陷标识方法涉及的数据处理方法的识别处理步骤,在此不再赘述。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.锻造工件上凹陷标识的识别方法,其特征在于,采用3D激光传感器对锻造工件表面进行全覆盖扫描获得原始点云数据后,通过以下数据处理方法识别锻造工件上的凹陷标识:
对获得的原始点云数据进行去噪预处理;
对去噪预计处理后获得的点云数据分层处理,获得多层数据层;
针对每层数据层,采用局部拟合投影投影方法获得坐标范围内识别点的似然近邻点;
比较每个识别点和似然近邻点的质心相对位置和梯度,计算凹陷程度,根据所述凹陷程度,从识别点中获得初始备选点;
对多层数据层分析获得的初始备选点进行分析,滤除初始备选点中的无效备选点,得到最大概率的有效备选点,作为识别出的标识有效点;
基于所述标识点识别出工件上的凹陷标识。
2.根据权利要求1所述锻造工件上凹陷标识的识别方法,其特征在于,所述的对去噪预计处理后获得的点云数据分层处理,获得多层数据层的步骤中,根据原始点云数据的法向量、数据密度分布的特征,确定对点云数据进行分层的数量、方向和厚度,然后根据确定的对点云数据进行分层的数量、方向和厚度,对点云数据进行分层处理。
3.根据权利要求1所述锻造工件上凹陷标识的识别方法,其特征在于,所述无效备选点包括起皮点。
4.根据权利要求2所述锻造工件上凹陷标识的识别方法,其特征在于,基于以下区分策略实现对标识有效点与起皮点的区分及筛选:
所述标识有效点集中且形成一个连续曲面,所述起皮点分散不连续分布;
所述标识有效点的总数量少于所述起皮点,
所述起皮点的凹陷程度随机度高于所述标识有效点的凹陷程度。
5.根据权利要求1所述锻造工件上凹陷标识的识别方法,其特征在于,所述3D激光传感器由直线模组通过编码器同步方式驱动进行工作,所述3D激光传感的扫描镜头面向所述锻造工件的扫描区域。
6.根据权利要求1所述锻造工件上凹陷标识的识别方法,其特征在于,所述3D激光传感器的波长选择蓝光。
7.根据权利要求1所述锻造工件上凹陷标识的识别方法,其特征在于,所述锻造工件的上凹陷标识包括二维码、条形码。
8.一种锻造工件上凹陷标识的识别系统,其特征在于,包括3D激光传感器以及数据处理装置:所述3D激光传感器与直线模组驱动连接,由所述直线模组同步驱动对锻造工件表面进行全覆盖扫描获得原始点云数据后,所述数据处理装置通过权利要求1至7中任一项权利要求所述的数据处理方法识别锻造工件上的凹陷标识。
9.一种存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7中任一项权利要求所述的数据处理方法识别锻造工件上的凹陷标识。
10.一种数据处理终端,其特征在于,所述数据处理终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7中任一项权利要求所述的数据处理方法识别锻造工件上的凹陷标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935982.2A CN116958101A (zh) | 2023-07-28 | 2023-07-28 | 锻造工件上凹陷标识的识别方法及系统、存储介质、数据处理终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935982.2A CN116958101A (zh) | 2023-07-28 | 2023-07-28 | 锻造工件上凹陷标识的识别方法及系统、存储介质、数据处理终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958101A true CN116958101A (zh) | 2023-10-27 |
Family
ID=88454425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310935982.2A Pending CN116958101A (zh) | 2023-07-28 | 2023-07-28 | 锻造工件上凹陷标识的识别方法及系统、存储介质、数据处理终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958101A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152164A (zh) * | 2023-11-01 | 2023-12-01 | 武汉精一微仪器有限公司 | 一种透明多层材料的点云数据分层方法、装置及电子设备 |
-
2023
- 2023-07-28 CN CN202310935982.2A patent/CN116958101A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152164A (zh) * | 2023-11-01 | 2023-12-01 | 武汉精一微仪器有限公司 | 一种透明多层材料的点云数据分层方法、装置及电子设备 |
CN117152164B (zh) * | 2023-11-01 | 2024-02-09 | 武汉精一微仪器有限公司 | 一种透明多层材料的点云数据分层方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barone et al. | Three-dimensional point cloud alignment detecting fiducial markers by structured light stereo imaging | |
CN112801977B (zh) | 一种基于深度学习的装配体零件相对位姿估计监测方法 | |
CN116958101A (zh) | 锻造工件上凹陷标识的识别方法及系统、存储介质、数据处理终端 | |
CN113436207B (zh) | 一种对于规则表面的线结构光条纹中心快速精确提取方法 | |
CN111340834B (zh) | 基于激光雷达和双目相机数据融合的衬板装配系统及方法 | |
Guo et al. | SPEED: Semantic prior and extremely efficient dilated convolution network for real-time metal surface defects detection | |
CN115861368A (zh) | 一种针对多类图像的多类轮廓跟踪方法、装置和介质 | |
CN116228684A (zh) | 一种电池壳体外观缺陷图像处理方法及装置 | |
Usamentiaga et al. | Real-time inspection of long steel products using 3-D sensors: Calibration and registration | |
CN115235375A (zh) | 盖板类工件的多圆特征参数测量方法、检测方法和装置 | |
CN114820789A (zh) | 一种不规则目标智能识别及定位方法与系统 | |
US11348261B2 (en) | Method for processing three-dimensional point cloud data | |
CN109615603B (zh) | 一种基于任务驱动的视觉注意模型提取激光条纹的方法 | |
Hong et al. | A marker-less assembly stage recognition method based on corner feature | |
CN115796213A (zh) | 基于双二维码的混凝土试件防调换检验方法、系统 | |
CN115953563A (zh) | 基于点云矢量化骨架匹配的三维模型补全修复方法及系统 | |
CN115546139A (zh) | 一种基于机器视觉的缺陷检测方法、装置及电子设备 | |
CN114648686A (zh) | 一种融合激光点云与rgb图像数据的逆光水面目标识别方法、系统及装置 | |
CN111783877B (zh) | 基于单帧网格复合编码模板结构光的深度信息测量方法 | |
Cai et al. | DeepPCD: Enabling AutoCompletion of Indoor Point Clouds with Deep Learning | |
Fang et al. | One-shot monochromatic symbol pattern for 3D reconstruction using perfect submap coding | |
CN111191759A (zh) | 一种二维码的生成方法和基于gpu的定位、解码方法 | |
Ping et al. | Verification of turning insert specifications through three-dimensional vision system | |
Wang et al. | Highly-robust feature detection method in shape-coded structured light based on end-to-end deep neural network | |
CN113420580B (zh) | 用于对二维码进行辅助定位符定位的方法及装置、二维码扫描设备、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 |