CN116977331A - 基于机器视觉的3d模型表面检测方法 - Google Patents
基于机器视觉的3d模型表面检测方法 Download PDFInfo
- Publication number
- CN116977331A CN116977331A CN202311225828.2A CN202311225828A CN116977331A CN 116977331 A CN116977331 A CN 116977331A CN 202311225828 A CN202311225828 A CN 202311225828A CN 116977331 A CN116977331 A CN 116977331A
- Authority
- CN
- China
- Prior art keywords
- model
- point cloud
- included angle
- normal vector
- cloud 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 226
- 238000005259 measurement Methods 0.000 claims abstract description 67
- 230000000875 corresponding effect Effects 0.000 claims description 193
- 238000000034 method Methods 0.000 claims description 59
- 230000035772 mutation Effects 0.000 claims description 59
- 230000005477 standard model Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000005452 bending Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000007547 defect Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010146 3D printing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于机器视觉的3D模型表面检测方法,该方法对待测3D模型点云图像和标准3D模型点云图像进行处理,根据模型点云数据点近邻的区域内的法向量夹角的分布情况,得到法向量夹角对应的模型夹角相似度,并结合模型夹角相似度的分布情况,得到每个模型点云数据点的3D结构变化强度;根据3D模型表面粗糙区域对模型点云数据点的法向量夹角的影响程度,得到3D模型粗糙程度;最后根据3D结构变化强度和3D模型粗糙程度得到的改进度量距离通过点云配准算法进行3D模型表面检测。本发明通过图像处理得到的改进度量距离进行3D模型表面瑕疵检测的准确度更高。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于机器视觉的3D模型表面检测方法。
背景技术
随着3D打印技术的飞速发展,市场上涌现出各种各样的3D打印模型。然而,3D打印得到的模型的表面通常存在一些瑕疵,比如表面粗糙度较高或平整性不佳。因此通常需要对3D模型表面进行检测,得到模型表面准确的瑕疵位置,进一步对这些瑕疵进行加工处理,以获得质量更好的3D模型。
现有技术通常根据图像处理的方法,利用点云配准算法对3D模型表面进行检测,但是传统的点云配准算法通常根据欧氏距离来获取匹配点对,忽略了3D模型的缺陷结构以及细节特征,容易产生一定数量的错误点对,导致点云配准的准确度较低,从而使得对3D模型表面瑕疵检测的准确度较低。
发明内容
为了解决现有技术点云配准算法对3D模型表面瑕疵检测的准确度较低的技术问题,本发明的目的在于提供一种基于机器视觉的3D模型表面检测方法,所采用的技术方案具体如下:
本发明提出了基于机器视觉的3D模型表面检测方法,所述方法包括:
获取待测3D模型点云图像和对应的标准3D模型点云图像;
在3D模型点云图像中,任选一个模型点云数据点作为目标模型点云数据点;将目标模型点云数据点及其近邻的模型点云数据点,作为参考模型点云数据点;根据参考模型点云数据点在所有参考模型点云数据点对应拟合曲面上的法向量之间的方向差异,得到至少两个法向量夹角;根据法向量夹角的异常突变情况以及对应的角度值分布情况,得到法向量夹角中的突变夹角;根据法向量夹角与突变夹角之间的角度差异,得到每个法向量夹角与所有突变夹角之间的模型夹角相似度;
根据法向量夹角的分布情况以及对应模型夹角相似度的差异分布情况,得到目标模型点云数据点对应的3D结构变化强度;根据所有参考模型点云数据点的空间位置分布情况以及对应的法向量夹角差异分布情况,得到目标模型点云数据点对应的3D模型粗糙程度;根据待测3D模型点云图像与对应的标准3D模型点云图像之间的3D结构变化强度差异,以及3D模型粗糙程度差异对点云配准算法中的度量距离进行改进,得到每个度量距离对应的改进度量距离;
根据改进度量距离通过点云配准算法进行3D模型表面检测。
进一步地,所述3D结构变化强度的获取方法包括:
将所有突变夹角随机排列,得到突变夹角序列;将每个法向量夹角与所有突变夹角之间的模型夹角相似度以突变夹角序列的顺序排列,得到每个法向量夹角的模型夹角相似度序列;将所有法向量夹角随机排列,得到法向量夹角序列;将法向量夹角序列中所有法向量夹角的角度值的变异系数,作为目标模型点云数据点的模型差异特征值;
在法向量夹角序列中,将最后一个法向量夹角作为第一个法向量夹角的前一个法向量夹角,根据每个法向量夹角与前一个法向量夹角对应的模型夹角相似度序列之间的动态时间弯曲距离,得到每个法向量夹角的模型整体相似指数;将每个法向量夹角对应的所有模型夹角相似度的负相关映射值的均值,作为每个法向量夹角的模型平均相似指数;将每个法向量夹角的模型整体相似指数与模型平均相似指数的乘积,作为每个法向量夹角的模型参考相似指数;将所有法向量夹角的模型参考相似指数的累加值,作为目标模型点云数据点的模型相似特征值;
根据所述模型差异特征值与所述模型相似特征值得到目标模型点云数据的3D结构变化强度,所述模型差异特征值与所述模型相似特征值均与所述3D结构变化强度呈正相关。
进一步地,所述3D模型粗糙程度的获取方法包括:
对3D模型点云图像通过SIFT算法进行特征点检测,得到3D模型点云图像中的所有特征点;
若参考模型点云数据点中的特征点数量少于两个,则根据角度值最小的法向量夹角与角度值最大的法向量夹角,构成目标模型点云数据点的特征点夹角序列;若参考模型点云数据点中的特征点数量大于或等于两个,则根据其中所有特征点的法向量夹角,构成目标模型点云数据点的特征点夹角序列;
获取特征点夹角序列的差分序列,将差分序列中所有数据的数据熵,作为目标模型点云数据点的局部混乱程度;将差分序列中数值相等的数据作为一种数据,将所有种类数据对应的数据数量的负相关映射值的累加值,作为目标模型点云数据点的离散程度;
根据所述离散程度和所述局部混乱程度得到目标模型点云数据点的3D模型粗糙程度,所述离散程度和所述局部混乱程度均与所述3D模型粗糙程度呈正相关。
进一步地,所述改进度量距离的获取方法包括:
在待测3D模型点云图像中,任选一个模型点云数据点作为参考待测模型点云数据点;在标准3D模型点云图像中,任选一个模型点云数据点作为参考标准模型点云数据点;
将根据点云配准算法得到的参考待测模型点云数据点与参考标准模型点云数据点之间的度量距离,作为参考度量距离;将参考待测模型点云数据点与参考标准模型点云数据点之间的3D结构变化强度的差异,作为参考3D结构变化强度差异;将参考待测模型点云数据点与参考标准模型点云数据点之间的3D模型粗糙程度的差异,作为参考3D模型粗糙程度差异;将所述参考3D结构变化强度差异和所述参考3D模型粗糙程度差异之间的乘积与所述参考度量距离的和值,作为参考度量距离对应的改进度量距离。
进一步地,所述根据改进度量距离通过点云配准算法进行3D模型表面检测的方法包括:
将改进度量距离作为ICP点云配准算法中的度量距离继续进行点云配准,得到点云配准结果;根据点云配准结果中配准失败的模型点云数据点进行3D模型表面检测。
进一步地,所述模型夹角相似度的获取方法包括:
将每个法向量夹角与每个突变夹角之间的角度差异的负相关映射值,作为每个法向量夹角与每个突变夹角之间的模型夹角相似度。
进一步地,所述法向量夹角的获取方法包括:
将每个参考模型点云数据点在对应拟合曲面上的法向量,作为每个参考模型点云数据点对应的参考法向量;将任意两个参考法向量之间的夹角,作为法向量夹角。
进一步地,所述突变夹角的获取方法包括:
将所有法向量夹角随机排列,得到法向量夹角序列;
对所述法向量夹角序列进行突变点检测,若突变点检测结果中存在突变点,则将法向量夹角序列中的突变点对应的法向量夹角作为突变夹角;若突变点检测结果中不存在突变点,则将法向量夹角序列中角度值最大的法向量夹角作为突变夹角。
进一步地,所述根据所述模型差异特征值与所述模型相似特征值得到目标模型点云数据的3D结构变化强度的方法包括:
将所述模型差异特征值与所述模型相似特征值的乘积向下取整,得到目标模型点云数据的3D结构变化强度。
进一步地,所述根据所述离散程度和所述局部混乱程度得到目标模型点云数据点的3D模型粗糙程度的方法包括:
将所述离散程度和所述局部混乱程度的乘积的归一化值,作为目标模型点云数据点的3D模型粗糙程度。
本发明具有如下有益效果:
考虑到3D模型表面出现瑕疵的区域对应的结构通常会发生变化,例如局部材料过多导致的凸起,对应区域中的模型点云数据对应的法向量夹角之间的相似性会由于结构发生变化而减弱,并且对应区域的法向量夹角会存在较大的变化,因此本发明根据法向量夹角的分布情况以及对应模型夹角相似度的差异分布情况,得到各个模型点云数据点对应的3D结构变化强度,进一步根据标准3D模型点云图像与待测3D模型点云图像之间的3D结构变化强度差异,对点云配准算法中的度量距离进行改进,进一步提高点云配准的准确度。进一步地,考虑到3D模型表面出现瑕疵的区域通常较为粗糙,对应区域的模型点云数据点的空间位置以及法向量夹角分布通常较为混乱,因此本发明根据参考模型点云数据点的空间位置分布情况以及对应的法向量夹角差异分布情况,得到各个模型点云数据点对应的3D模型粗糙程度,进一步根据标准3D模型点云图像与待测3D模型点云图像之间的3D模型粗糙程度差异,对点云配准算法中的度量距离进行改进,进一步提高点云配准的准确度。综上所述,本发明通过待测3D模型点云图像与对应的标准3D模型点云图像之间的3D结构变化强度差异,以及3D模型粗糙程度差异对点云配准算法中的度量距离进行改进的方法,对应点云配准的准确度更高,从而使得对3D模型表面瑕疵检测的准确度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于机器视觉的3D模型表面检测方法流程图;
图2为本发明一个实施例所提供的一种基于机器视觉的3D模型表面点云配准算法的改进方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于机器视觉的3D模型表面检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
基于机器视觉的3D模型表面检测方法实施例:
下面结合附图具体的说明本发明所提供的一种基于机器视觉的3D模型表面检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的3D模型表面检测方法流程图,该方法包括:
步骤S1:获取待测3D模型点云图像和对应的标准3D模型点云图像。
本发明实施例旨在提供一种基于机器视觉的3D模型表面检测方法,基于图像处理的方法,根据待测3D模型点云图像与标准3D模型点云图像之间的3D结构变化强度差异,以及3D模型粗糙程度差异,对点云配准算法中的度量距离进行改进,并在改进度量距离的基础上通过点云配准算法进行3D模型表面检测,因此首先需要获取图像处理的对象。
本发明实施例首先获取待测3D模型点云图像和对应的标准3D模型点云图像。在本发明实施例中,通过三维激光线扫描设备对待测3D模型和对应的标准3D模型采用相同的角度进行扫描成像,生成三维效果相同的待测3D模型的待测3D模型初始点云图像,以及对应的标准3D模型的标准3D模型初始点云图像。并且为了减少扫描成像过程中外界干扰和噪声的影响,本发明实施例对待测3D模型初始点云图像和标准3D模型初始点云图像中的点云数据通过离群点检测算法进行预处理,得到本发明实施例所需要的待测3D模型点云图像和对应的标准3D模型点云图像。需要说明的是,离群点检测算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。进一步需要说明的是,实施者也可根据具体实施环境通过其他方法获取待测3D模型和对应的标准3D模型,且标准3D模型是与待测3D模型对应的模型相同,但表面不存在瑕疵的3D模型,在此不做进一步赘述。
步骤S2:在3D模型点云图像中,任选一个模型点云数据点作为目标模型点云数据点;将目标模型点云数据点及其近邻的模型点云数据点,作为参考模型点云数据点;根据参考模型点云数据点在所有参考模型点云数据点对应拟合曲面上的法向量之间的方向差异,得到至少两个法向量夹角;根据法向量夹角的异常突变情况以及对应的角度值分布情况,得到法向量夹角中的突变夹角;根据法向量夹角与突变夹角之间的角度差异,得到每个法向量夹角与所有突变夹角之间的模型夹角相似度。
考虑到3D模型点云图像表面出现瑕疵时,对应的瑕疵在3D模型点云图像上通常表现为局部区域的模型点云数据点的结构发生变化。并且后续所改进的度量距离是在待测3D模型点云图像与对应的标准3D模型点云图像之间的两个模型点云数据点进行分析的,所以本发明实施例对每个模型点云数据点的局部区域进行分析,并且考虑到对待测3D模型点云图像与对应的标准3D模型点云图像的分析方法均相同,因此本发明实施例在3D模型点云图像中,任选一个模型点云数据点作为目标模型点云数据点;将目标模型点云数据点及其近邻的模型点云数据点,作为参考模型点云数据点。
待测3D模型点云图像与对应的标准3D模型点云图像均为3D模型点云图像,因此本发明实施例对3D模型点云图像分析的过程,也即对待测3D模型点云图像与对应的标准3D模型点云图像进行分析的过程。并且由于参考模型点云数据点与目标模型点云数据点是近邻的,因此通过参考模型点云数据点对应的区域来表征目标模型点云数据点对应局部区域,使得后续在对每个模型点云数据点进行分析的同时,引入对局部区域的分析。本发明实施例将目标模型点云数据点及其最近邻的预设数量个最近邻的模型点云数据点,作为参考模型点云数据点。在本发明实施例中,预设数量设置为100。需要说明的是,实施者可根据具体实施环境自行调整预设数量的大小,在此不做进一步赘述。
由于不存在瑕疵的3D模型表面的大部分区域较为平整,若从局部区域的模型点云数据点进行分析,则各个模型点云数据点对应的法向量之间通常平行或者具有较小的夹角,也即两两法向量之间的夹角具有较强的相似性。而当模型表面局部区域出现瑕疵时,对应的平整性会被破坏,则法向量之间夹角的相似性会被减弱。因此可根据法向量之间的夹角来进一步表征对应局部区域的结构特征。首先需要获取法向量夹角,本发明实施例根据参考模型点云数据点在所有参考模型点云数据点对应拟合曲面上的法向量之间的方向差异,得到至少两个法向量夹角。在本发明实施例中,通过曲面拟合算法得到所有参考模型点云数据对应的拟合曲面。需要说明的是,曲面拟合算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
优选地,法向量夹角的获取方法包括:
将每个参考模型点云数据点在对应拟合曲面上的法向量,作为每个参考模型点云数据点对应的参考法向量;将任意两个参考法向量之间的夹角,作为法向量夹角。由于是拟合曲面,因此当目标模型点云数据点对应的局部区域出现瑕疵时,对应部分参考模型点云数据点在拟合曲面上的参考法向量对应的方向与其他参考法向量通常会存在明显的差异,并且由于法向量具有方向,因此法向量夹角的角度值的取值范围为0到180。需要说明的是,本发明实施例中所有参考法向量对应的方向均是朝向3D模型外侧,实施者也可根据具体实施环境将朝向3D模型里侧的方向作为参考法向量对应的方向,在此不做进一步赘述。
由于不存在瑕疵的3D模型表面的大部分区域较为平整,对应的所有法向量夹角较为相似,而当目标模型点云数据点对应的局部区域内出现瑕疵时,会出现部分的法向量夹角与其他法向量夹角存在较大的差异,从而影响整体法向量夹角的相似性。为了能够更好的反映局部区域的瑕疵特征,本发明实施例根据法向量夹角的异常突变情况以及对应的角度值分布情况,得到法向量夹角中的突变夹角。通过突变夹角来进一步反映目标模型点云数据点对应局部区域内的结构变化或瑕疵。
优选地,突变夹角的获取方法包括:
将所有法向量夹角随机排列,得到法向量夹角序列;对法向量夹角序列进行突变点检测。考虑到突变点检测并不是一定能够得到突变点,当目标模型点云数据点对应的所有参考模型点云数据点构成的局部区域内过平整时,可能会出现不存在突变点的情况。因此为了方便后续分析,也即使得每个目标模型点云数据点都能得到对应的突变夹角。本发明实施例对突变点检测结果中是否存在突变点的情况进行分别分析。若突变点检测结果中存在突变点,则将法向量夹角序列中的突变点对应的法向量夹角作为突变夹角。由于突变夹角最突出的特点在于其对应的角度相对较大,因此若突变点检测结果中不存在突变点,则将法向量夹角序列中角度值最大的法向量夹角作为突变夹角。需要说明的是,为了避免法向量夹角序列中排序随机性的影响,实施者可获取多个法向量夹角序列,使得得到的突变点结果更加准确,且突变点检测为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
考虑到当目标模型点云数据点对应的局部区域内的瑕疵特征越明显时,对应的突变夹角与法向量之间的差异越大,也即对应的夹角越不相似,因此为了进一步根据相似度表征目标模型点云数据点对应局部区域内的瑕疵特征,本发明实施例根据法向量夹角与突变夹角之间的角度差异,得到每个法向量夹角与所有突变夹角之间的模型夹角相似度。
优选地,模型夹角相似度的获取方法包括:
将每个法向量夹角与每个突变夹角之间的角度差异的负相关映射值,作为每个法向量夹角与每个突变夹角之间的模型夹角相似度。由于法向量夹角与突变夹角之间的角度差异越小时,说明法向量夹角与突变夹角越相似,因此将该角度差异的负相关映射值作为模型夹角相似度。
在本发明实施例中,第个法向量夹角与第/>个突变夹角之间的模型夹角相似度的获取方法在公式上表现为:
其中,为第/>个法向量夹角与第/>个突变夹角之间的模型夹角相似度,/>为第/>个法向量夹角对应的角度值,/>为第/>个突变夹角对应的角度值,/>为绝对值符号,/>为以自然常数e为底的对数函数,/>为向下取整函数;/>为预设第一调节参数,用于防止模型夹角相似程度为无限大,在本发明实施例中,预设第一调节参数设置为0.0001,实施者可根据具体实施环境自行调整预设第一调节参数的大小,在此不做进一步赘述。
此外,实施者也可通过其他形式的公式得到第个法向量夹角与第/>个突变夹角之间的模型夹角相似度,例如:
其中,为预设第二调节参数,用于防止分母为0;其余参数含义与本发明实施例中第/>个法向量夹角与第/>个突变夹角之间的模型夹角相似度的获取方法对应的公式相同;在本发明实施例中,预设第二调节参数设置为0.01,实施者可根据具体实施环境自行调整预设第二调节参数的大小,在此不做进一步赘述。
步骤S3:根据法向量夹角的分布情况以及对应模型夹角相似度的差异分布情况,得到目标模型点云数据点对应的3D结构变化强度;根据所有参考模型点云数据点的空间位置分布情况以及对应的法向量夹角差异分布情况,得到目标模型点云数据点对应的3D模型粗糙程度;根据待测3D模型点云图像与对应的标准3D模型点云图像之间的3D结构变化强度差异,以及3D模型粗糙程度差异对点云配准算法中的度量距离进行改进,得到每个度量距离对应的改进度量距离。
至此,得到目标模型点云数据点对应的所有法向量夹角,以及每个法向量夹角与所有突变夹角之间对应的各个模型夹角相似度。考虑到对于目标模型点云数据点而言,若其局部区域内较为平滑,对应的瑕疵特征并不明显时,其对应的各个法向量夹角较为相似,即法向量夹角对应的角度值之间差异不大,分布较为集中,并且各个法向量夹角对应的模型夹角相似度之间也具有一定的相似性;而若其局部区域内存在明显的瑕疵特征,其对应的各个法向量夹角之间的相似性会受到影响,对应角度值分布的集中程度会降低,并且各个法向量夹角对应的模型夹角相似度之间的相似性也会受到影响。本发明实施例根据法向量夹角的分布情况以及对应模型夹角相似度的差异分布情况,得到目标模型点云数据点对应的3D结构变化强度。3D结构变化强度即目标模型点云数据点对应的局部区域内受到瑕疵影响后,对应表面结构发生变化的程度,也即目标模型点云数据点受到瑕疵的影响越大,对应局部区域的瑕疵特征越明显,对应的3D结构变化强度越大。
优选地,3D结构变化强度的获取方法包括:
将所有突变夹角随机排列,得到突变夹角序列;将每个法向量夹角与所有突变夹角之间的模型夹角相似度以突变夹角序列的顺序排列,得到每个法向量夹角的模型夹角相似度序列;将所有法向量夹角随机排列,得到法向量夹角序列;将法向量夹角序列中所有法向量夹角的角度值的变异系数,作为目标模型点云数据点的模型差异特征值。根据变异系数的定义可知,所有法向量夹角的角度值的变异系数能够表征所有法向量夹角的角度值的离散程度,对应的变异系数越大,对应的角度值越离散。并且对于法向量夹角而言,若对应的所有角度值越离散,说明整体法向量夹角的相似性越差,也即目标模型点云数据点对应的局部区域的瑕疵特征越明显;即模型差异特征值越大,对应的3D结构变化强度越大。需要说明的是,变异系数为标准差与均值的比值,在此不做进一步赘述。
在法向量夹角序列中,将最后一个法向量夹角作为第一个法向量夹角的前一个法向量夹角,根据每个法向量夹角与前一个法向量夹角对应的模型夹角相似度序列之间的动态时间弯曲距离,得到每个法向量夹角的模型整体相似指数。将最后一个法向量夹角作为第一个法向量夹角的前一个法向量夹角的目的是:防止后续根据每个法向量夹角与前一个法向量夹角对应的模型夹角相似度序列之间的动态时间弯曲距离进行计算时,出现第一个法向量夹角由于不存在前一个法向量夹角而无法参与计算的问题。需要说明的是,动态时间弯曲距离的计算方法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
由于模型夹角相似度序列是根据对应的突变夹角序列的顺序得到的,因此每个法向量夹角的模型夹角相似度序列的序列长度相同,并且其中各个模型夹角相似度的顺序也互相对应,所以对于每个法向量夹角而言,如果其与前一个法向量夹角之间的差异不大时,则该法向量夹角与前一个法向量夹角对应的模型夹角相似度序列之间的序列相似度通常较大,即动态弯曲距离较小,也即对应的模型整体相似指数通常较小。也即目标模型点云数据点对应的法向量夹角之间越相似时,对应的动态弯曲距离越小,对应的模型整体相似指数越小,对应局部区域内的瑕疵特征越不明显。
将每个法向量夹角对应的所有模型夹角相似度的负相关映射值的均值,作为每个法向量夹角的模型平均相似指数。对于每个法向量夹角对应的所有模型夹角相似度而言,其对应的负相关映射值的均值通常与突变夹角的整体大小有关,对应的突变夹角整体越大,也即整体负相关映射值的均值越大时,说明目标模型点云数据点对应局部区域内的瑕疵特征越明显,说明对应的局部平整性越差,对应的结构变化越大,即3D结构变化强度越大。
由于目标模型点云数据点通常对应多个法向量夹角,而每个法向量夹角都能对应一个模型整体相似指数和模型平均相似指数,因此为了将所有的整体相似指数和模型平均相似指数结合,本发明实施例将每个法向量夹角的模型整体相似指数与模型平均相似指数的乘积,作为每个法向量夹角的模型参考相似指数;将所有法向量夹角的模型参考相似指数的累加值,作为目标模型点云数据点的模型相似特征值。由于整体相似指数越大,模型平均相似指数越大时,对应的3D结构变化强度也越大,因此模型相似特征值与3D结构变化强度呈正相关。
在得到目标模型点云数据点的模型差异特征值和模型相似特征指数后,进一步根据模型差异特征值与模型相似特征值得到目标模型点云数据的3D结构变化强度,模型差异特征值和模型相似特征值均与3D结构变化强度呈正相关。优选地,本发明实施例将所述模型差异特征值与所述模型相似特征值的乘积向下取整,得到目标模型点云数据的3D结构变化强度。需要说明的是,实施者也可根据具体实施环境通过其他方法根据模型差异特征值与模型相似特征值,得到对应的3D结构变化强度,但需要保证模型差异特征值和模型相似特征值与3D结构变化强度均呈正相关,在此不做进一步赘述。
在本发明实施例中,目标模型点云数据点的3D结构变化强度的获取方法在公式上表现为:
其中,为目标模型点云数据点的3D结构变化强度;/>为目标模型点云数据点的模型差异特征值,也即目标模型点云数据点对应的所有法向量夹角的角度值的变异系数;/>为目标模型点云数据点对应的法向量夹角的数量;/>为法向量夹角序列中第/>个法向量夹角与前一个法向量夹角对应的模型夹角相似度序列之间的动态时间弯曲距离,也即法向量夹角序列中第/>个法向量夹角的模型整体相似指数;/>为目标模型点云数据点对应的突变夹角的数量,即突变夹角序列的长度,也即每个模型夹角相似度序列的长度;/>为法向量夹角序列中第/>个法向量夹角对应的模型夹角相似度序列中第/>个模型夹角相似度;为以自然常数e为底的指数函数,/>为向下取整函数,/>为法向量夹角序列中第/>个法向量夹角的模型平均相似指数,/>为法向量夹角序列中第/>个法向量夹角的模型参考相似指数,/>为目标模型点云数据点的模型相似特征值。
至此,得到目标模型点云数据点对应的3D结构变化强度。考虑到3D模型表面的瑕疵除了会影响3D模型对应的3D结构变化强度外,还会影响对应表面的粗糙程度,即需要对目标模型点云数据点对应局部区域的粗糙性特征进行分析。考虑到当目标模型点云数据点的局部区域内越粗糙时,对应的表面通常会凹凸不平,对应参考模型点云数据的空间位置分布情况会与不存在粗糙时的情况存在差异,并且对应法向量夹角的角度值分布通常较为混乱。本发明实施例根据所有参考模型点云数据点的空间位置分布情况以及对应的法向量夹角差异分布情况,得到目标模型点云数据点对应的3D模型粗糙程度。
优选地,3D模型粗糙程度的获取方法包括:
对3D模型点云图像通过尺度不变特征变换(Scale-Invariant FeatureTransform,SIFT)算法进行特征点检测,得到3D模型点云图像中的所有特征点。由于当3D模型点云图像表面较为粗糙时,对应的表面通常会凹凸不平,因此通过SIFT算法进行特征点检测时,通常会得到较多的特征点。需要说明的是,SIFT算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
但是需要考虑到可能存在并不粗糙的区域,导致采样SIFT算法进行特征点检测时得不到特征点,因此为了能够方便后续分析,使得每个目标模型点云数据点都能够得到数据数量足够的特征点夹角序列,本发明实施例根据SIFT算法的特征点检测结果进行分别分析:由于后续需要对特征点夹角序列的差分序列进行分析,所以需要保证特征点夹角序列中的数据数量至少为两个,因此若参考模型点云数据点中的特征点数量大于或等于两个,则根据其中所有特征点的法向量夹角,构成目标模型点云数据点的特征点夹角序列。由于获取特征点夹角序列的差分序列的目的是对特征点的法向量夹角之间的差异进行分析,因此特征点夹角序列中特征点对应的法向量夹角的差异通常较大。因此若参考模型点云数据点中的特征点数量少于两个,则根据角度值最小的法向量夹角与角度值最大的法向量夹角,构成目标模型点云数据点的特征点夹角序列。
至此得到目标模型点云数据点对应的特征点夹角序列,为了能够根据特征点夹角序列对目标模型点云数据点对应局部区域的粗糙性表征更加准确,本发明实施例通过差分的方式将特征点对应的法向量夹角之间的差异进行量化,即本发明实施例获取特征点夹角序列的差分序列。需要说明的是,差分序列的获取方法为本领域技术人员所熟知的技术手段,在此不做进一步限定和赘述。
将差分序列中所有数据的数据熵,作为目标模型点云数据点的局部混乱程度;将差分序列中数值相等的数据作为一种数据,将所有种类数据对应的数据数量的负相关映射值的累加值,作为目标模型点云数据点的离散程度。当目标模型点云数据点的局部区域越粗糙时,其对应的特征点夹角序列中的法向量夹角的角度值通常越混乱,也即对应的差分序列中的数据越混乱,因此本发明实施例通过差分序列中所有数据的数据熵表征目标模型点云数据的局部混乱程度。并且考虑到对应的局部区域越粗糙时,对应的差分数值的密集性通常越差,因此本发明实施例通过计算对应的离散程度,来进一步表征目标模型点云数据点对应的局部区域的粗糙程度。需要说明的是,数据熵的计算方法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
由于目标模型点云数据点对应的离散程度和局部混乱程度越大时,对应的局部区域越粗糙,因此本发明实施例根据离散程度和局部混乱程度得到目标模型点云数据点的3D模型粗糙程度,离散程度和局部混乱程度均与3D模型粗糙程度呈正相关。优选地,本发明实施例将所述离散程度和所述局部混乱程度的乘积的归一化值,作为目标模型点云数据点的3D模型粗糙程度。需要说明的是,实施者也可通过其他方法根据离散程度和局部混乱程度得到对应的3D模型粗糙程度,例如将离散程度和局部混乱程度的和值的归一化值作为对应的3D模型粗糙程度,在此不做进一步赘述。
在本发明实施例中,目标模型点云数据点的3D模型粗糙程度的获取方法在公式上表现为:
其中,为目标模型点云数据点的3D模型粗糙程度;/>为目标模型点云数据点的局部混乱程度,也即目标模型点云数据点的对应差分序列中所有数据的数据熵;/>为目标模型点云数据点的差分序列中第/>种数据的数据数量,/>为目标模型点云数据点的差分序列中的数据种类数量,/>为目标模型点云数据点的离散程度。
由于目标模型点云数据点为3D模型点云图像中的任选一个模型点云数据点,所以至此已经得到3D模型点云图像中各个模型点云数据点对应的3D结构变化强度,以及3D模型粗糙程度。由于待测3D模型点云图像与对应的标准3D模型点云图像对应的分析方法相同,且均为3D模型点云图像,因此能够得到待测3D模型点云图像中各个模型点云数据点的3D结构变化强度和3D模型粗糙程度,以及对应的标准3D模型点云图像中各个模型点云数据点的3D结构变化强度和3D模型粗糙程度。考虑到传统的点云配准算法通常是根据模型点云数据点之间的欧氏距离计算对应的点对,导致损失较多的局部特征信息,以至于使得点云配准的准确度较低。因此基于3D结构变化强度和3D模型粗糙程度,本发明实施例根据待测3D模型点云图像与对应的标准3D模型点云图像之间的3D结构变化强度差异,以及3D模型粗糙程度差异对点云配准算法中的度量距离进行改进,得到每个度量距离对应的改进度量距离。在本发明实施例中,点云配准算法采用ICP点云配准算法。需要说明的是,ICP点云配准算法为本领域技术人员所熟知的技术手段,在此不做进一步限定和赘述。
优选地,改进度量距离的获取方法包括:
在待测3D模型点云图像中,任选一个模型点云数据点作为参考待测模型点云数据点;在标准3D模型点云图像中,任选一个模型点云数据点作为参考标准模型点云数据点;将根据点云配准算法得到的参考待测模型点云数据点与参考标准模型点云数据点之间的度量距离,作为参考度量距离。参考度量距离即在传统点云配准算法的基础上得到的度量距离,也即改进前的度量距离。需要说明的是,点云配准算法中度量距离的获取方法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
将参考待测模型点云数据点与参考标准模型点云数据点之间的3D结构变化强度的差异,作为参考3D结构变化强度差异;将参考待测模型点云数据点与参考标准模型点云数据点之间的3D模型粗糙程度的差异,作为参考3D模型粗糙程度差异;将参考3D结构变化强度差异和参考3D模型粗糙程度差异之间的乘积与参考度量距离的和值,作为参考度量距离对应的改进度量距离。度量距离即在空间距离上参考待测模型点云数据点与标准模型点云数据点之间的靠近程度,而3D模型粗糙程度和3D结构变化强度能够表征3D模型表面局部特征信息,因此本发明实施例通过参考3D模型粗糙程度差异和参考3D结构变化强度差异,来表征局部特征信息上参考待测模型点云数据点与标准模型点云数据点之间的靠近程度。进一步将空间距离上个靠近程度和局部特征信息上的靠近程度结合,得到改进度量距离。
在本发明实施例中,参考待测模型点云数据点和参考标准模型点云数据点/>之间的改进度量距离的获取方法在公式上表现为:
其中,为参考待测模型点云数据点/>和参考标准模型点云数据点/>之间的改进度量距离;/>为参考待测模型点云数据点/>和参考标准模型点云数据点/>之间的参考度量距离,也即改进前的度量距离;/>为参考待测模型点云数据点/>的3D结构变化强度,/>为参考标准模型点云数据点/>的3D结构变化强度,/>为参考待测模型点云数据点/>的3D模型粗糙程度,/>为参考标准模型点云数据点/>的3D模型粗糙程度;/>为参考待测模型点云数据点/>和参考标准模型点云数据点/>之间的3D结构变化强度的差异,也即参考3D结构变化强度差异;/>为参考待测模型点云数据点/>和参考标准模型点云数据点/>之间的3D模型粗糙程度的差异,也即参考3D模型粗糙程度差异。
此外,实施者也可通过其他形式的公式得到参考待测模型点云数据点和参考标准模型点云数据点/>之间的改进度量距离,例如:
其中,该公式所有参数的含义与本发明实施例中改进度量距离的获取方法对应的公式相同,在此不做进一步赘述。
步骤S4:根据改进度量距离通过点云配准算法进行3D模型表面检测。
至此,对点云配准算法中度量距离的获取方法进行改进,得到改进度量距离。进一步需要在改进度量距离的基础上继续进行点云配准,即本发明实施例根据改进度量距离通过点云配准算法进行3D模型表面检测。
优选地,根据改进度量距离通过点云配准算法进行3D模型表面检测的方法包括:
将改进度量距离作为ICP点云配准算法中的度量距离继续进行点云配准,得到点云配准结果;根据点云配准结果中配准失败的模型点云数据点进行3D模型表面检测。由于点云配准的过程结合了3D模型表面的局部特征信息,因此配准失败的模型点云数据通常对应的局部信息变化较大,进一步根据局部信息变化较大的配准失败的模型点云数据进行3D模型表面检测。
综上所述,该方法对待测3D模型点云图像和标准3D模型点云图像进行分析,根据每个模型点云数据点近邻的区域内的法向量夹角的分布情况,得到每个法向量夹角对应的模型夹角相似度,并结合模型夹角相似度的分布情况,得到每个模型点云数据点的3D结构变化强度;进一步根据3D模型表面粗糙区域对模型点云数据点的法向量夹角的影响程度,得到3D模型粗糙程度;最后根据3D结构变化强度和3D模型粗糙程度得到的改进度量距离通过点云配准算法进行3D模型表面检测。本发明通过图像处理得到的改进度量距离进行3D模型表面瑕疵检测的准确度更高。
基于机器视觉的3D模型表面点云配准算法的改进方法实施例:
现有的对3D模型表面进行点云配准时的点云配准算法,通常根据待测3D模型点云图像和对应的标准3D模型点云图像对应模型点云数据点之间欧氏距离来获取匹配点对,忽略了3D模型的缺陷结构以及细节特征,容易产生一定数量的错误点对,导致点云配准算法的准确度较低。为了解决现有技术中用于3D模型表面的点云配准算法的准确度较低的问题,本发明实施例提供一种基于机器视觉的3D模型表面点云配准算法的改进方法。请参阅图2,其示出了一种基于机器视觉的3D模型表面点云配准算法的改进方法流程图,该方法包括:
步骤S1:获取待测3D模型点云图像和对应的标准3D模型点云图像;
步骤S2:在3D模型点云图像中,任选一个模型点云数据点作为目标模型点云数据点;将目标模型点云数据点及其近邻的模型点云数据点,作为参考模型点云数据点;根据参考模型点云数据点在所有参考模型点云数据点对应拟合曲面上的法向量之间的方向差异,得到至少两个法向量夹角;根据法向量夹角的异常突变情况以及对应的角度值分布情况,得到法向量夹角中的突变夹角;根据法向量夹角与突变夹角之间的角度差异,得到每个法向量夹角与所有突变夹角之间的模型夹角相似度;
步骤S3:根据法向量夹角的分布情况以及对应模型夹角相似度的差异分布情况,得到目标模型点云数据点对应的3D结构变化强度;根据所有参考模型点云数据点的空间位置分布情况以及对应的法向量夹角差异分布情况,得到目标模型点云数据点对应的3D模型粗糙程度;根据待测3D模型点云图像与对应的标准3D模型点云图像之间的3D结构变化强度差异,以及3D模型粗糙程度差异对点云配准算法中的度量距离进行改进,得到每个度量距离对应的改进度量距离。
其中,步骤S1、步骤S2和步骤S3在上述基于机器视觉的3D模型表面检测方法实施例已给出了详细说明,不再进一步赘述。
考虑到3D模型表面出现瑕疵的区域对应的结构通常会发生变化,例如局部材料过多导致的凸起,对应区域中的模型点云数据对应的法向量夹角之间的相似性会由于结构发生变化而减弱,并且对应区域的法向量夹角会存在较大的变化,因此本发明根据法向量夹角的分布情况以及对应模型夹角相似度的差异分布情况,得到各个模型点云数据点对应的3D结构变化强度,进一步根据标准3D模型点云图像与待测3D模型点云图像之间的3D结构变化强度差异,对点云配准算法中的度量距离进行改进,进一步提高点云配准的准确度。进一步地,考虑到3D模型表面出现瑕疵的区域通常较为粗糙,对应区域的模型点云数据点的空间位置以及法向量夹角分布通常较为混乱,因此本发明根据参考模型点云数据点的空间位置分布情况以及对应的法向量夹角差异分布情况,得到各个模型点云数据点对应的3D模型粗糙程度,进一步根据标准3D模型点云图像与待测3D模型点云图像之间的3D模型粗糙程度差异,对点云配准算法中的度量距离进行改进,进一步提高点云配准的准确度。综上所述,本发明通过待测3D模型点云图像与对应的标准3D模型点云图像之间的3D结构变化强度差异,以及3D模型粗糙程度差异对点云配准算法中的度量距离进行改进的方法,对应点云配准算法的点云配准的准确度更高。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.基于机器视觉的3D模型表面检测方法,其特征在于,所述方法包括:
获取待测3D模型点云图像和对应的标准3D模型点云图像;
在3D模型点云图像中,任选一个模型点云数据点作为目标模型点云数据点;将目标模型点云数据点及其近邻的模型点云数据点,作为参考模型点云数据点;根据参考模型点云数据点在所有参考模型点云数据点对应拟合曲面上的法向量之间的方向差异,得到至少两个法向量夹角;根据法向量夹角的异常突变情况以及对应的角度值分布情况,得到法向量夹角中的突变夹角;根据法向量夹角与突变夹角之间的角度差异,得到每个法向量夹角与所有突变夹角之间的模型夹角相似度;
根据法向量夹角的分布情况以及对应模型夹角相似度的差异分布情况,得到目标模型点云数据点对应的3D结构变化强度;根据所有参考模型点云数据点的空间位置分布情况以及对应的法向量夹角差异分布情况,得到目标模型点云数据点对应的3D模型粗糙程度;根据待测3D模型点云图像与对应的标准3D模型点云图像之间的3D结构变化强度差异,以及3D模型粗糙程度差异对点云配准算法中的度量距离进行改进,得到每个度量距离对应的改进度量距离;
根据改进度量距离通过点云配准算法进行3D模型表面检测。
2.根据权利要求1所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述3D结构变化强度的获取方法包括:
将所有突变夹角随机排列,得到突变夹角序列;将每个法向量夹角与所有突变夹角之间的模型夹角相似度以突变夹角序列的顺序排列,得到每个法向量夹角的模型夹角相似度序列;将所有法向量夹角随机排列,得到法向量夹角序列;将法向量夹角序列中所有法向量夹角的角度值的变异系数,作为目标模型点云数据点的模型差异特征值;
在法向量夹角序列中,将最后一个法向量夹角作为第一个法向量夹角的前一个法向量夹角,根据每个法向量夹角与前一个法向量夹角对应的模型夹角相似度序列之间的动态时间弯曲距离,得到每个法向量夹角的模型整体相似指数;将每个法向量夹角对应的所有模型夹角相似度的负相关映射值的均值,作为每个法向量夹角的模型平均相似指数;将每个法向量夹角的模型整体相似指数与模型平均相似指数的乘积,作为每个法向量夹角的模型参考相似指数;将所有法向量夹角的模型参考相似指数的累加值,作为目标模型点云数据点的模型相似特征值;
根据所述模型差异特征值与所述模型相似特征值得到目标模型点云数据的3D结构变化强度,所述模型差异特征值与所述模型相似特征值均与所述3D结构变化强度呈正相关。
3.根据权利要求1所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述3D模型粗糙程度的获取方法包括:
对3D模型点云图像通过SIFT算法进行特征点检测,得到3D模型点云图像中的所有特征点;
若参考模型点云数据点中的特征点数量少于两个,则根据角度值最小的法向量夹角与角度值最大的法向量夹角,构成目标模型点云数据点的特征点夹角序列;若参考模型点云数据点中的特征点数量大于或等于两个,则根据其中所有特征点的法向量夹角,构成目标模型点云数据点的特征点夹角序列;
获取特征点夹角序列的差分序列,将差分序列中所有数据的数据熵,作为目标模型点云数据点的局部混乱程度;将差分序列中数值相等的数据作为一种数据,将所有种类数据对应的数据数量的负相关映射值的累加值,作为目标模型点云数据点的离散程度;
根据所述离散程度和所述局部混乱程度得到目标模型点云数据点的3D模型粗糙程度,所述离散程度和所述局部混乱程度均与所述3D模型粗糙程度呈正相关。
4.根据权利要求1所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述改进度量距离的获取方法包括:
在待测3D模型点云图像中,任选一个模型点云数据点作为参考待测模型点云数据点;在标准3D模型点云图像中,任选一个模型点云数据点作为参考标准模型点云数据点;
将根据点云配准算法得到的参考待测模型点云数据点与参考标准模型点云数据点之间的度量距离,作为参考度量距离;将参考待测模型点云数据点与参考标准模型点云数据点之间的3D结构变化强度的差异,作为参考3D结构变化强度差异;将参考待测模型点云数据点与参考标准模型点云数据点之间的3D模型粗糙程度的差异,作为参考3D模型粗糙程度差异;将所述参考3D结构变化强度差异和所述参考3D模型粗糙程度差异之间的乘积与所述参考度量距离的和值,作为参考度量距离对应的改进度量距离。
5.根据权利要求1所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述根据改进度量距离通过点云配准算法进行3D模型表面检测的方法包括:
将改进度量距离作为ICP点云配准算法中的度量距离继续进行点云配准,得到点云配准结果;根据点云配准结果中配准失败的模型点云数据点进行3D模型表面检测。
6.根据权利要求1所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述模型夹角相似度的获取方法包括:
将每个法向量夹角与每个突变夹角之间的角度差异的负相关映射值,作为每个法向量夹角与每个突变夹角之间的模型夹角相似度。
7.根据权利要求1所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述法向量夹角的获取方法包括:
将每个参考模型点云数据点在对应拟合曲面上的法向量,作为每个参考模型点云数据点对应的参考法向量;将任意两个参考法向量之间的夹角,作为法向量夹角。
8.根据权利要求1所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述突变夹角的获取方法包括:
将所有法向量夹角随机排列,得到法向量夹角序列;
对所述法向量夹角序列进行突变点检测,若突变点检测结果中存在突变点,则将法向量夹角序列中的突变点对应的法向量夹角作为突变夹角;若突变点检测结果中不存在突变点,则将法向量夹角序列中角度值最大的法向量夹角作为突变夹角。
9.根据权利要求2所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述根据所述模型差异特征值与所述模型相似特征值得到目标模型点云数据的3D结构变化强度的方法包括:
将所述模型差异特征值与所述模型相似特征值的乘积向下取整,得到目标模型点云数据的3D结构变化强度。
10.根据权利要求3所述的基于机器视觉的3D模型表面检测方法,其特征在于,所述根据所述离散程度和所述局部混乱程度得到目标模型点云数据点的3D模型粗糙程度的方法包括:
将所述离散程度和所述局部混乱程度的乘积的归一化值,作为目标模型点云数据点的3D模型粗糙程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225828.2A CN116977331B (zh) | 2023-09-22 | 2023-09-22 | 基于机器视觉的3d模型表面检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225828.2A CN116977331B (zh) | 2023-09-22 | 2023-09-22 | 基于机器视觉的3d模型表面检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977331A true CN116977331A (zh) | 2023-10-31 |
CN116977331B CN116977331B (zh) | 2023-12-12 |
Family
ID=88475263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311225828.2A Active CN116977331B (zh) | 2023-09-22 | 2023-09-22 | 基于机器视觉的3d模型表面检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977331B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019045199A (ja) * | 2017-08-30 | 2019-03-22 | コニカミノルタ株式会社 | 物体検出システム及び物体検出プログラム |
CN111561885A (zh) * | 2020-05-14 | 2020-08-21 | 昆山市建设工程质量检测中心 | 基于白光扫描的预制构件条状凹槽结合面粗糙度测评方法 |
CN113096094A (zh) * | 2021-04-12 | 2021-07-09 | 成都市览图科技有限公司 | 三维物体表面缺陷检测方法 |
CN113947623A (zh) * | 2021-10-18 | 2022-01-18 | 深圳大方智能科技有限公司 | 一种粗糙度检测方法、slam定位方法及施工方法 |
US20220156914A1 (en) * | 2019-04-03 | 2022-05-19 | Nec Corporation | Surface abnormality detection device and system |
CN114565616A (zh) * | 2022-03-03 | 2022-05-31 | 湖南大学无锡智能控制研究院 | 一种非结构化道路状态参数估计方法及系统 |
CN114648445A (zh) * | 2022-03-03 | 2022-06-21 | 电子科技大学 | 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 |
CN115523935A (zh) * | 2022-09-09 | 2022-12-27 | 芜湖雄狮汽车科技有限公司 | 点云地面检测方法、装置、车辆及存储介质 |
WO2023060683A1 (zh) * | 2021-10-13 | 2023-04-20 | 东南大学 | 一种基于三维点云模型的预制梁段表面平整度检测方法 |
CN116012423A (zh) * | 2022-11-18 | 2023-04-25 | 中国地质大学(武汉) | 基于特征点法线与全局点云曲率优化的点云配准方法 |
-
2023
- 2023-09-22 CN CN202311225828.2A patent/CN116977331B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019045199A (ja) * | 2017-08-30 | 2019-03-22 | コニカミノルタ株式会社 | 物体検出システム及び物体検出プログラム |
US20220156914A1 (en) * | 2019-04-03 | 2022-05-19 | Nec Corporation | Surface abnormality detection device and system |
CN111561885A (zh) * | 2020-05-14 | 2020-08-21 | 昆山市建设工程质量检测中心 | 基于白光扫描的预制构件条状凹槽结合面粗糙度测评方法 |
CN113096094A (zh) * | 2021-04-12 | 2021-07-09 | 成都市览图科技有限公司 | 三维物体表面缺陷检测方法 |
WO2023060683A1 (zh) * | 2021-10-13 | 2023-04-20 | 东南大学 | 一种基于三维点云模型的预制梁段表面平整度检测方法 |
CN113947623A (zh) * | 2021-10-18 | 2022-01-18 | 深圳大方智能科技有限公司 | 一种粗糙度检测方法、slam定位方法及施工方法 |
CN114565616A (zh) * | 2022-03-03 | 2022-05-31 | 湖南大学无锡智能控制研究院 | 一种非结构化道路状态参数估计方法及系统 |
CN114648445A (zh) * | 2022-03-03 | 2022-06-21 | 电子科技大学 | 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 |
CN115523935A (zh) * | 2022-09-09 | 2022-12-27 | 芜湖雄狮汽车科技有限公司 | 点云地面检测方法、装置、车辆及存储介质 |
CN116012423A (zh) * | 2022-11-18 | 2023-04-25 | 中国地质大学(武汉) | 基于特征点法线与全局点云曲率优化的点云配准方法 |
Non-Patent Citations (3)
Title |
---|
GHASSAN A. AL-KINDI 等: "An evaluation of surface roughness parameters measurement using vision-based data", 《ELSEVIER》, pages 697 - 708 * |
孔庆超: "大尺寸航天结构件装配的半实物模型点云处理关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 031 - 18 * |
蔡文娜 等: "一种基于法向量夹角的点云配准方法", 《天津理工大学学报》, vol. 34, no. 3, pages 17 - 20 * |
Also Published As
Publication number | Publication date |
---|---|
CN116977331B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN111539908B (zh) | 对样本的缺陷检测的方法及其系统 | |
US7212949B2 (en) | Automated system and method for tool mark analysis | |
CN109523506B (zh) | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 | |
Abouelatta | 3D surface roughness measurement using a light sectioning vision system | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
US20190180432A1 (en) | Color Quality Assessment Based on Multispectral Imaging | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN113689415A (zh) | 一种基于机器视觉的钢管壁厚在线检测方法 | |
US20020141647A1 (en) | Pattern evaluation method, pattern evaluation system and computer-readable recorded medium | |
CN109270079B (zh) | 一种基于点云模型的工件表面缺陷精确检测方法 | |
CN113792725B (zh) | 元器件检测装置和方法 | |
CN117495852B (zh) | 一种基于图像分析的数字印刷质量检测方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN116977331B (zh) | 基于机器视觉的3d模型表面检测方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN114998408B (zh) | 基于激光测量的冲床线ccd视觉检测系统 | |
US20040258311A1 (en) | Method for generating geometric models for optical partial recognition | |
CN115184362A (zh) | 一种基于结构光投影的快速缺陷检测方法 | |
CN114877826A (zh) | 一种双目立体匹配三维测量方法、系统及存储介质 | |
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 | |
CN117372435B (zh) | 基于图像特征的连接器针脚检测方法 | |
Fauzi et al. | Estimation of Volume and Weight of Apple by Using 2D Contactless Computer Vision Measuring Method |
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 |