CN117346656A - 车轮踏面和不圆度的测量方法、装置、终端及存储介质 - Google Patents
车轮踏面和不圆度的测量方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN117346656A CN117346656A CN202311235764.4A CN202311235764A CN117346656A CN 117346656 A CN117346656 A CN 117346656A CN 202311235764 A CN202311235764 A CN 202311235764A CN 117346656 A CN117346656 A CN 117346656A
- Authority
- CN
- China
- Prior art keywords
- image
- wheel
- dimensional reconstruction
- tread
- roundness
- 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 39
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 27
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 241000519995 Stachys sylvatica Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种车轮踏面和不圆度的测量方法、装置、终端及存储介质。该方法包括：分别获取第一采集设备和第二采集设备所采集的实时图像；对实时图像进行滤噪处理，得到降噪图像；对降噪图像进行裁剪，得到包含重点区域的裁剪图像；对裁剪图像进行三维重建，得到三维重建模型；获取第一采集设备与待测车轮的踏面之间的最小水平距离，并根据最小水平距离以及三维重建模型，确定待测车轮的踏面尺寸和不圆度。本发明能够提升车轮踏面和不圆度的测量效率。
Description
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种车轮踏面和不圆度的测量方法、装置、终端及存储介质。
背景技术
列车车轮的踏面缺陷和不圆度会引起轨道振动，影响列车行车安全。由此，需要对列车车轮的踏面和不圆度进行定期检测，以保证列车安全运行。
现有技术中，在对列车车轮的踏面进行检测时，通常采用激光间距测量的方式获取车轮踏面的外形尺寸数据。但该种方式只能获取车轮单一位置下的踏面尺寸数据，若想要得到车轮其他位置处的踏面尺寸数据，需要重复进行多次测量。在对列车车轮的不圆度进行检测时，通常采用传感器实时采集车轮踏面单一位置处的位移数据周向距离数据，从而获得列车车轮的不圆度。该种方式只能获取车轮踏面上某一固定位置所形成的不圆度，若要观测车轮踏面多个位置处的不圆度，则需要多次测量。
综上，现有技术中对于不圆度和踏面的测量技术是分开进行的，需要分别进行测量。并且，在进行不圆度和踏面测量时，需要重复进行多次测量，才能确定整个列车车轮的不圆度及踏面尺寸。由此可见，现有的不圆度和踏面测量技术存在操作繁琐、测量效率低的问题。
发明内容
本发明实施例提供了一种车轮踏面和不圆度的测量方法、装置、终端及存储介质，以解决现有的不圆度和踏面测量技术所存在的操作繁琐、测量效率低的问题。
第一方面，本发明实施例提供了一种车轮踏面和不圆度的测量方法，待测车轮处于转动状态；所述待测车轮的当前踏面的正前方设置有第一采集设备；所述待测车轮的当前踏面的左右两侧分别设置至少一个第二采集设备，所述第一采集设备的拍摄视野和所述至少一个第二采集设备的拍摄视野共同覆盖所述待测车轮的当前踏面，且所述至少一个第二采集设备和所述第一采集设备位于同一水平面上；所述测量方法包括：
分别获取所述第一采集设备和所述第二采集设备所采集的实时图像；
对所述实时图像进行滤噪处理，得到降噪图像；
对所述降噪图像进行裁剪，得到包含重点区域的裁剪图像；
对所述裁剪图像进行三维重建，得到三维重建模型；
获取所述第一采集设备与所述待测车轮的踏面之间的最小水平距离，并根据所述最小水平距离以及所述三维重建模型，确定待测车轮的踏面尺寸和不圆度。
在一种可能的实现方式中，所述对所述实时图像进行滤噪处理，得到降噪图像，包括：
分别获取所述实时图像上各像素点的RGB值，并基于所述RGB值确定所述实时图像中的过曝噪声点；
分别以各过曝噪声点为中心，对应设置滤波窗口，并对应计算各滤波窗口所对应的RGB均值矩阵；
分别根据所述RGB均值矩阵，对应更新各过曝噪声点的RGB值，得到降噪图像。
在一种可能的实现方式中，所述分别根据所述RGB均值矩阵，对应更新各过曝噪声点的RGB值，得到降噪图像，包括：
针对每一个过曝噪声点，分别获取该过曝噪声点所对应的滤波窗口内各像素点所对应的RGB矩阵，并计算各像素点所对应的RGB矩阵与所述RGB均值矩阵之间的欧几得里距离；
将欧几得里距离最小值所对应得到像素点的RGB值，更新为该过曝噪声点的RGB值；
对所有过曝噪声点的RGB值进行更新，得到所述降噪图像。
在一种可能的实现方式中，所述对所述裁剪图像进行三维重建，得到三维重建模型，包括：
分别提取各裁剪图像中的特征点，并基于所述特征点进行图像匹配，得到多组图像连接图；
从所述多组图像连接图中，确定一组最佳图像连接图；
对所述最佳图像连接图进行位姿估计，得到图像位姿；
对所述最佳图像连接图进行三维重建，得到所述最佳图像连接图中各匹配点的三维坐标；
对所述图像位姿和所述各匹配点的三维坐标进行优化，得到三维重建图像，并将所述三维重建图像添加至上一三维重建图像中；
从剩余的多组图像连接图中，重新确定一组最佳图像连接图，并跳转到“对所述最佳图像连接图进行位姿估计，得到图像位姿”步骤继续执行，直到将所有三维重建图像添加至上一三维重建图像中，得到三维重建模型。
在一种可能的实现方式中，根据所述最小水平距离以及所述三维重建模型，确定待测车轮的踏面尺寸和不圆度，包括：
基于所述最小水平距离，计算所述三维重建模型中的单位像素距离；
获取所述三维重建模型中的待测车轮的踏面所对应的像素数量，并基于所述像素数量和所述单位像素距离，确定所述待测车轮的踏面尺寸和不圆度。
在一种可能的实现方式中，所述基于所述最小水平距离，计算所述三维重建模型中单位像素距离，包括：
根据所述最小水平距离，计算所述三维重建模型所对应的真实高度；
基于所述真实高度及其所对应的像素数量，确定所述三维重建模型中的单位像素距离。
在一种可能的实现方式中，所述根据所述最小水平距离，确定所述三维重建模型所对应的真实高度，包括：
根据确定所述三维重建模型所对应的真实高度；
其中，f表示所述第一采集设备的镜头焦距，L表示所述最小水平距离，h表示所述第一采集设备的镜头靶面尺寸高度，H表示所述真实高度。
所述基于所述真实高度及其所对应的像素数量，确定所述三维重建模型中的单位像素距离，包括：
根据确定所述三维重建模型中的单位像素距离；
其中，p表示所述单位像素距离，n表示所述真实高度所对应的像素数量。
第二方面，本发明实施例提供了一种车轮踏面和不圆度的测量装置，包括：
获取模块，用于分别获取所述第一采集设备和所述第二采集设备所采集的实时图像；
重建模块，用于对所述实时图像进行滤噪处理，得到降噪图像；
所述重建模块，还用于对所述降噪图像进行裁剪，得到包含重点区域的裁剪图像；
所述重建模块，还用于对所述裁剪图像进行三维重建，得到三维重建模型；
测量模块，用于获取所述第一采集设备与所述待测车轮的踏面之间的最小水平距离，并根据所述最小水平距离以及所述三维重建模型，确定待测车轮的踏面尺寸和不圆度。
第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种车轮踏面和不圆度的测量方法、装置、终端及存储介质，通过对待测车轮进行图像采集，并进行三维重建，从而得到包含待测车轮的真实踏面尺寸的三维重建模型。基于该三维重建模型以及第一采集设备与待测车轮的踏面之间的最小水平距离，即可确定待测车轮的真实踏面尺寸和不圆度。无需重复多次测量，可以有效提升测量效率，同时，还能提升测量精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的第一采集设备与待测车轮之间的位置关系左视图；
图2是本发明实施例提供的第一采集设备与待测车轮之间的位置关系俯视图；
图3是本发明实施例提供的第一采集设备、第二采集设备与待测车轮之间的位置关系俯视图；
图4是本发明实施例提供的第一采集设备、第二采集设备和第三采集设备之间的位置示意图；
图5是本发明实施例提供的第一采集设备、第二采集设备和第三采集设备之间的位置关系俯视图；
图6是本发明实施例提供的车轮踏面和不圆度的测量方法的实现流程图；
图7是本发明实施例提供的对实时图像进行滤噪处理，得到降噪图像的实现流程图；
图8是本发明实施例提供的对裁剪图像进行三维重建，得到三维重建模型的实现流程图；
图9是本发明实施例提供的空间点与各采集设备的光心之间的三角关系示意图；
图10是本发明实施例提供的车轮踏面和不圆度的测量装置的结构示意图；
图11是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
在对待测车轮的踏面缺陷和不圆度进行测量前，可以预先在待测车轮周围设置采集设备，以实时拍摄待测车轮的踏面图像，从而实现对于车轮踏面缺陷和不圆度的测量。具体参见图1、图2和图3，待测车轮设置于某一固定位置且处于转动状态。为避免车轮振动而影响各采集设备的采集效果，可以采用支撑设备将待测车轮悬浮于地面上方。以免出现因车轮振动而导致采集设备抖动的情况发生，从而影响各采集设备所采集的图像清晰度。
待测车轮的当前踏面的正前方设置有第一采集设备11，第一采集设备11实时拍摄待测车轮的当前踏面图像。这些踏面图像后续用于进行三维重建，以生成待测车轮的三维重建模型。为保证后续三维重建的完整度，还可以在待测车轮的当前踏面的左右两侧分别设置至少一个第二采集设备12。第一采集设备11的拍摄视野和至少一个第二采集设备12的拍摄视野共同覆盖待测车轮的当前踏面。第一采集设备11和第二采集设备12用于从不同拍摄角度拍摄待测车轮的同一踏面，以便于后续建立完整的车轮模型，避免出现遗漏车轮踏面特征的情况。其中，第一采集设备设置于待测车轮的当前踏面的正前方，用于最大限度采集待测车轮的踏面特征，第二采集设备设置于左右两侧，用于采集踏面边缘特征。为保证各采集设备能够从不同角度拍摄待测车轮的同一踏面，可以将第一采集设备11和第二采集设备12设置于同一水平面上。
参见图4和图5，为保证上述第一采集设备和第二采集设备能够处于同一水平面上，且拍摄视野能够共同覆盖待测车轮的当前踏面，可以将第一采集设备和第二采集设备设置于同一底盘上。底盘上设置有可调节夹角和间距的支架，第二采集设备设置于支架上，通过调节支架的夹角和间距，可以调整各第二采集设备的位置，从而保证各第二采集设备能够配合第一采集设备共同拍摄待测车轮的当前踏面。同时，为便于后续的图像处理工作，可以保持第一采集设备的设备参数和第二采集设备的设备参数一致，进而使得各实时图像的图像参数一致。这里的图像参数指的是图像分辨率和图像尺寸等。
需要说明的是，图1-图5仅作为示例性附图，示出了两个第二采集设备。这并不作为对于第二采集设备的数量限定。用户可根据自身需求，自行设定第二采集设备的数量。本发明实施例对此不作具体限定。
基于上述硬件设置，可以获取待测车轮的踏面的多张图像。基于多张踏面图像，可以重建车轮模型，以便测量待测车轮的踏面和不圆度。
图6为本发明实施例提供的车轮踏面和不圆度的测量方法的实现流程图，详述如下：
步骤601，分别获取第一采集设备和第二采集设备所采集的实时图像。
待测车轮处于转动状态。第一采集设备和第二采集设备分别从不同的拍摄角度对待测车轮的当前踏面进行实时拍摄，得到实时图像。实时图像用于后续进行三维重建，以生成包含待测车轮的实际踏面尺寸的三维重建模型。
步骤602，对实时图像进行滤噪处理，得到降噪图像。
由于待测车轮的踏面可能会存在高亮位置。高亮位置所反射的光线会对采集设备的曝光位置进行冲击，使得像素点过曝，出现过曝像素点。过曝像素点会在实时图像中以白色斑点的形式出现，使得实时图像失真，影响后续的测量精度。由此，本发明实施例预先对实时图像进行滤噪处理，以去除过曝光噪声点，提升图像清晰度。
在一些实施例中，参见图7，步骤602可以包括：
步骤621，分别获取实时图像上各像素点的RGB值，并基于RGB值确定实时图像中的过曝噪声点。
遍历实时图像中的每一个像素点，分别获取各像素点的RGB值。将RGB值均超过第一预设值的像素点，确定为过曝像素点。示例性地，这里的第一预设值可以245至255之间的任一数值。例如，250。
步骤622，分别以各过曝噪声点为中心，对应设置滤波窗口，并对应计算各滤波窗口所对应的RGB均值矩阵。
滤波窗口的尺寸及形状可由用户自行设定，本发明实施例对此不作具体限定。示例性地，本发明实施例采用正方形区域作为滤波窗口。同时，为提升滤噪效果，可以将滤波窗口的边长设置大些。例如，滤波窗口的边长可以是大于5的奇数。例如，滤波窗口的边长可以是7。
针对滤波窗口内除过曝噪声点外的所有像素点，分别计算所有像素点的R值的平均值、所有像素点的G值的平均值以及所有像素点的B值的平均值。上述三个平均值共同构成该滤波窗口所对应的RGB均值矩阵。RGB均值矩阵可以表示为[RJ,GJ,BJ]。其中，RJ表示所有像素点的R值的平均值，GJ表示所有像素点的G值的平均值，GJ表示所有像素点的B值的平均值。
步骤623，分别根据RGB均值矩阵，对应更新各过曝噪声点的RGB值，得到降噪图像。
对应更新各过曝噪声点时，可按照下述步骤执行：
针对每一个过曝噪声点，分别获取该过曝噪声点所对应的滤波窗口内各像素点所对应的RGB矩阵，并计算各像素点所对应的RGB矩阵与RGB均值矩阵之间的欧几里得距离。
滤波窗口内各像素点所对应的RGB矩阵可以表示为[Rij,Gij,Bij]，其中，Rij表示第i行第j列的像素点的R值，Gij表示第i行第j列的像素点的G值，Bij表示第i行第j列的像素点的B值。根据可以分别计算得到各像素点所对应的RGB矩阵与RGB均值矩阵之间的欧几里得距离。d表示欧几得里距离。
将欧几得里距离最小值所对应得到像素点的RGB值，更新为该过曝噪声点的RGB值。
对所有过曝噪声点的RGB值进行更新，得到降噪图像。
通过去除过曝噪声点，可以有效去除实时图像中的白色斑点，从而提升实时图像的清晰度，以免影响后续测量精度。
步骤603，对降噪图像进行裁剪，得到包含重点区域的裁剪图像。
为降低数据量，便于后续进行三维重建处理，可以预先对降噪图像进行裁剪，得到包含重点区域的裁剪图像。进行三维重建时，只针对包含重点区域的裁剪图像进行三维重建即可。
在确定重点区域时，可以将降噪图像通过显示器进行实时显示，以便于用户可以自行对降噪图像进行框选，从而确定降噪图像中的重点区域。
根据上述，降噪图像包含对应于第一采集设备的第一图像和对应于第二采集设备的第二图像。显示器实时显示上述第一图像或第二图像。用户对显示的第一图像或第二图像进行框选。响应于用户对第一图像或第二图像的框选动作，对第一图像和第二图像进行裁剪，得到包含重点区域的裁剪图像。需要说明的是，用户框选的区域，即为重点区域。
第一图像和第二图像的图像尺寸相同，当用户输入选择框对第一图像或第二图像进行框选之后，可以将用户所输入的选择框分配给所有的降噪图像，以进行裁剪处理。示例性地，显示屏显示第一图像，用户输入矩形选择框，用于框选第一图像的中心位置处。则可以基于该矩形选择框对第一图像的中心位置进行裁剪，得到裁剪图像。相应地，第二图像的中心位置处也对应生成矩形选择框，并基于该矩形选择框对第二图像的中心位置进行裁剪，得到裁剪图像。
通过对各降噪图像进行裁剪，可以有效减少三维重建数据量，便于提升三维重建效率。
步骤604，对裁剪图像进行三维重建，得到三维重建模型。
待测车轮处于转动状态，这就使得裁剪图像包含待测车轮的不同踏面。通过对所有裁剪图像进行三维重建，可以将多张二维车轮踏面图像，重建生成车轮三维重建模型。且该三维重建模型与待测车轮的实际尺寸对应。基于该三维重建模型，即可测量待测车轮的踏面尺寸和不圆度。
在一些实施例中，参见图8，对裁剪图像进行三维重建时，可按照下述步骤执行：
步骤641，分别提取各裁剪图像中的特征点，并基于特征点进行图像匹配，得到多组图像连接图。
提取各裁剪图像的特征点时，可以采用尺度不变特征转换(Scale-invariantfeature transform，SIFT)算法或方向性FAST特征点检测和旋转BRIEF描述子(OrientedFAST and Rotated BRIEF，ORB)算法等。本发明实施例对比不做具体限定。示例性地，本发明实施例采用SIFT算法提取各裁剪图像中的特征点。
遍历所有裁剪图像中的特征点，并依次计算不同裁剪图像之间的特征点距离，从而确定不同裁剪图像之间的匹配点，进而确定不同裁剪图像之间的匹配关系。即，得到多组图像连接图。同时，为避免出现错误匹配的情况，还可以采用随机抽样一致性(RandomSample Consensus,RANSAC)算法计算每组图像连接图之间的基础矩阵，从而剔除不符合要求的图像连接图，形成最终的图像连接图。
步骤642，从多组图像连接图中，确定一组最佳图像连接图。
在确定最佳图像连接图时，可以选择匹配点数量较多的图像连接图，以便于得到较多的稀疏点云。同时，由于视差角度和基线长度成正比，而基线长度太小，在后续确定各特征点的三维坐标时，会产生较大误差；基线长度太大，则图像连接图之间的重叠度以及匹配点的数量则较少。因此可以选择匹配点数量较多，且视差角度适中的图像连接图确定为最佳图像连接图。
在进行三维重建时，第一组最佳图像连接图的选取对于重建质量至关重要。示例性地，本发明实施例选择匹配点数量大于100，且视差角度大于5°的图像连接图中作为第一组最佳图像连接图。
步骤643，对最佳图像连接图进行位姿估计，得到图像位姿。
本发明实施例在对最佳图像连接图进行位姿估计时采用Perspective-n-Point算法。用户也可选择其他算法进行位姿估计，本发明实施例对此不作具体限定。
步骤644，对最佳图像连接图进行三维重建，得到最佳图像连接图中各匹配点的三维坐标。
本发明实施例中设置第一采集设备和两个第二采集设备。在世界坐标系下，空间点P的三维坐标为X，对应于上述三个采集设备，空间点P投影在最佳图像连接图中的匹配点分别为p1、p2-1和p2-2。其中，p1对应第一采集设备。p2-1对应第一个第二采集设备。p2-2对应第二个第二采集设备。p1、p2-1和p2-2对应在各自的采集设备坐标系中的归一化坐标分别为x1、x2-1和x2-2。第一采集设备和两个第二采集设备的光心分别为O1、O2-1和O2-2。P点到各采集设备的成像平面的深度分别为s1、s2-1和s2-2。T1是O1与O2-1之间的平移矩阵，T2是O1与O2-2之间的平移矩阵。R1是第一个第二采集设备相对第一采集设备的旋转矩阵，R2是第二个采集设备相对第一采集设备的旋转矩阵。按照堆积几何定义：
s1x1＝s2-1R1x2-1+T1 (1)
s1x1＝s2-2R2x2-2+T2 (2)
对上述公式(1)、公式(2)左右两边同时乘反对称矩阵得到下述公式：
通过公式(3)、公式(4)可以求的P点到各采集设备的成像平面的深度s1、s2-1、s2-2。
p1在世界坐标系中的坐标为s1x1。p2-1在世界坐标系中的坐标为s2-1x2-1。p2-2在世界坐标系中的坐标为s2-2x2-2。
根据任两个采集设备的光心与空间点P之间会形成固定的三角关系。示例性地，第一采集设备的光心、第一个第二采集设备的光心与空间点P之间形成如图9所示的三角关系。相应地，匹配点p1和p2-1也满足该三角关系。从而可以根据光心和匹配点的坐标，可以对应计算得到P点的坐标值。
根据p1、p2-1、O1与O2-1的坐标值，可以计算得到由第一采集设备和第一个第二采集设备所确定的空间点P的坐标。同理，根据p1、p2-2、O1与O2-2的坐标值，可以计算得到由第一采集设备和第二个第二采集设备所确定的空间点P的坐标。
通过计算两个坐标的均值，来确定空间点P的最终坐标。需要说明的是，该最终坐标为二维坐标，该二维坐标和深度值s1共同构成空间点P的三维坐标X。
可以理解的是，单独根据第一采集设备和第一个第二采集设备所确定的空间点P的坐标，以及单独根据第一采集设备和第二个第二采集设备所确定的空间点P的坐标，都可能会存在偏差。由此，本发明实施例通过计算均值，来提升空间点P的坐标精度。
步骤645，对图像位姿和各匹配点的三维坐标进行优化，得到三维重建图像，并将三维重建图像添加至上一三维重建图像中。
采用局部光束平差法(Bundle Adjustment,BA)算法可以对图像位姿和三维坐标进行优化，得到一组三维重建图像。并将该组三维重建图像添加至上一组三维重建图像中。也就是说，每生成一组三维重建图像，就将其添加至上一三维重建图像中，最终使得所有三维重建图像共同构成三维重建模型。
步骤646，从剩余的多组图像连接图中，重新确定一组最佳图像连接图，并跳转到步骤643继续执行，直到将所有三维重建图像添加至上一三维重建图像中，得到三维重建模型。
按照各组图像连接图中的匹配点数量以及视差角度，依次对各组图像连接图进行三维重建，对应生成三维重建图像。所有三维重建图像共同构成三维重建模型。
需要说明的是，若之前的三维重建图像存在误差，则每添加一张三维重建图像便会相应产生累计误差，甚至出现重建结果漂移的现象。因此可以在添加完所有的三维重建图像之后，采用全局BA算法优化图像位姿和匹配点的三维坐标。并根据重投影误差剔除一部分外点，保证三维重建的可靠性。
步骤605，获取第一采集设备与待测车轮的踏面之间的最小水平距离，并根据最小水平距离以及三维重建模型，确定待测车轮的踏面尺寸和不圆度。
参见图1，第一采集设备与待测车轮的踏面之间的最小水平距离为L。根据最小水平距离和第一采集设备的设备参数，即可得到三维重建模型与待测车轮之间的尺寸比例关系。从而根据三维重建模型确定待测车轮的真实踏面尺寸和不圆度。
在一些实施例中，根据最小水平距离以及三维重建模型，确定待测车轮的踏面尺寸和不圆度，可以包括：
基于最小水平距离，计算三维重建模型中的单位像素距离。
获取三维重建模型中的待测车轮的踏面所对应的像素数量，并基于像素数量和单位像素距离，确定待测车轮的踏面尺寸和不圆度。
根据最小水平距离和第一采集设备的设备参数，可以计算得到三维重建模型中的单位像素距离，即，三维重建模型中一个像素点所对应的真实长度。通过获取三维重建模型中的踏面所对应的像素数量，即可得到待测车轮的踏面尺寸。单位像素距离与上述像素数量的乘积，即为待测车轮的真实踏面尺寸。在得到真实踏面尺寸的基础上，即可获得待测车轮的不圆度。
在一些实施例中，基于最小水平距离，计算三维重建模型中单位像素距离，可以包括：
根据最小水平距离，计算三维重建模型所对应的真实高度。
根据可以确定三维重建模型所对应的真实高度；
其中，f表示第一采集设备的镜头焦距，L表示最小水平距离，h表示第一采集设备的镜头靶面尺寸高度，H表示真实高度。
根据上述公式可以计算得到三维重建模型所对应的真实高度。在此基础上，获取三维重建模型的高度方向上的像素数量，即可计算得到三维重建模型中的单位像素距离。
基于真实高度及其所对应的像素数量，确定三维重建模型中的单位像素距离。
根据可以确定三维重建模型中的单位像素距离。
其中，p表示单位像素距离，n表示真实高度所对应的像素数量。
相比于现有技术，本发明实施例的有益效果在于：
本发明实施例通过对待测车轮进行图像采集，并进行三维重建，从而得到包含待测车轮的真实踏面尺寸的三维重建模型。基于该三维重建模型以及第一采集设备与待测车轮的踏面之间的最小水平距离，即可确定待测车轮的真实踏面尺寸和不圆度。无需重复多次测量，可以有效提升测量效率，同时，还能提升测量精度。
另外，本发明实施例还对实时图像进行滤噪处理，以提升实时图像的清晰度，进而提升测量精度。并且，本发明实施例在进行三维重建前，预先进行图像裁剪，以减小数据量，提升三维重建效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图10示出了本发明实施例提供的车轮踏面和不圆度的测量装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图10所示，车轮踏面和不圆度的测量装置10包括：获取模块101、重建模块102和测量模块103。
获取模块101，用于分别获取第一采集设备和第二采集设备所采集的实时图像。
重建模块102，用于对实时图像进行滤噪处理，得到降噪图像。
重建模块102，还用于对降噪图像进行裁剪，得到包含重点区域的裁剪图像。
重建模块102，还用于对裁剪图像进行三维重建，得到三维重建模型。
测量模块103，用于获取第一采集设备与待测车轮的踏面之间的最小水平距离，并根据最小水平距离以及三维重建模型，确定待测车轮的踏面尺寸和不圆度。
在一种可能的实现方式中，重建模块102，用于分别获取实时图像上各像素点的RGB值，并基于RGB值确定实时图像中的过曝噪声点。
重建模块102，还用于分别以各过曝噪声点为中心，对应设置滤波窗口，并对应计算各滤波窗口所对应的RGB均值矩阵。
重建模块102，还用于分别根据RGB均值矩阵，对应更新各过曝噪声点的RGB值，得到降噪图像。
在一种可能的实现方式中，重建模块102，用于针对每一个过曝噪声点，分别获取该过曝噪声点所对应的滤波窗口内各像素点所对应的RGB矩阵，并计算各像素点所对应的RGB矩阵与RGB均值矩阵之间的欧几得里距离。
重建模块102，还用于将欧几得里距离最小值所对应得到像素点的RGB值，更新为该过曝噪声点的RGB值。
重建模块102，还用于对所有过曝噪声点的RGB值进行更新，得到降噪图像。
在一种可能的实现方式中，重建模块102，用于分别提取各裁剪图像中的特征点，并基于特征点进行图像匹配，得到多组图像连接图。
重建模块102，还用于从多组图像连接图中，确定一组最佳图像连接图。
重建模块102，还用于对最佳图像连接图进行位姿估计，得到图像位姿。
重建模块102，还用于对最佳图像连接图进行三维重建，得到最佳图像连接图中各匹配点的三维坐标。
重建模块102，还用于对图像位姿和各匹配点的三维坐标进行优化，得到三维重建图像，并将三维重建图像添加至上一三维重建图像中。
重建模块102，还用于从剩余的多组图像连接图中，重新确定一组最佳图像连接图，并跳转到“对最佳图像连接图进行位姿估计，得到图像位姿”步骤继续执行，直到将所有三维重建图像添加至上一三维重建图像中，得到三维重建模型。
在一种可能的实现方式中，测量模块103，用于基于最小水平距离，计算三维重建模型中的单位像素距离；
测量模块103，还用于获取三维重建模型中的待测车轮的踏面所对应的像素数量，并基于像素数量和单位像素距离，确定待测车轮的踏面尺寸和不圆度。
在一种可能的实现方式中，测量模块103，还用于根据最小水平距离，计算三维重建模型所对应的真实高度。
测量模块103，还用于基于真实高度及其所对应的像素数量，确定三维重建模型中的单位像素距离。
在一种可能的实现方式中，测量模块103，还用于根据确定三维重建模型所对应的真实高度；
其中，f表示第一采集设备的镜头焦距，L表示最小水平距离，h表示第一采集设备的镜头靶面尺寸高度，H表示真实高度。
测量模块103，还用于根据确定三维重建模型中的单位像素距离；
其中，p表示单位像素距离，n表示真实高度所对应的像素数量。
相比于现有技术，本发明实施例的有益效果在于：
获取模块101对待测车轮进行图像采集，重建模块102对采集到的图像进行三维重建，从而得到包含待测车轮的真实踏面尺寸的三维重建模型。测量模块103基于该三维重建模型以及第一采集设备与待测车轮的踏面之间的最小水平距离，即可确定待测车轮的真实踏面尺寸和不圆度。无需重复多次测量，可以有效提升测量效率，同时，还能提升测量精度。
另外，重建模块102还对实时图像进行滤噪处理，以提升实时图像的清晰度，进而提升测量精度。并且，重建模块102在进行三维重建前，预先进行图像裁剪，以减小数据量，提升三维重建效率。
图11是本发明实施例提供的终端的示意图。如图11所示，该实施例的终端包括：处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112。所述处理器110执行所述计算机程序112时实现上述各个车轮踏面和不圆度的测量方法实施例中的步骤，例如图6所示的步骤601至步骤605。或者，所述处理器110执行所述计算机程序112时实现上述各装置实施例中各模块/单元的功能，例如图10所示模块101至103的功能。
示例性的，所述计算机程序112可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器111中，并由所述处理器110执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序112在所述终端11中的执行过程。例如，所述计算机程序112可以被分割成图11所示的模块111至113。
所述终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图11仅仅是终端的示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器111可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器111也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器111还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个车轮踏面和不圆度的测量方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种车轮踏面和不圆度的测量方法，其特征在于，待测车轮处于转动状态；所述待测车轮的当前踏面的正前方设置有第一采集设备；所述待测车轮的当前踏面的左右两侧分别设置至少一个第二采集设备，所述第一采集设备的拍摄视野和所述至少一个第二采集设备的拍摄视野共同覆盖所述待测车轮的当前踏面，且所述至少一个第二采集设备和所述第一采集设备位于同一水平面上；所述测量方法包括：
分别获取所述第一采集设备和所述第二采集设备所采集的实时图像；
对所述实时图像进行滤噪处理，得到降噪图像；
对所述降噪图像进行裁剪，得到包含重点区域的裁剪图像；
对所述裁剪图像进行三维重建，得到三维重建模型；
获取所述第一采集设备与所述待测车轮的踏面之间的最小水平距离，并根据所述最小水平距离以及所述三维重建模型，确定待测车轮的踏面尺寸和不圆度。
2.根据权利要求1所述的车轮踏面和不圆度的测量方法，其特征在于，所述对所述实时图像进行滤噪处理，得到降噪图像，包括：
分别获取所述实时图像上各像素点的RGB值，并基于所述RGB值确定所述实时图像中的过曝噪声点；
分别以各过曝噪声点为中心，对应设置滤波窗口，并对应计算各滤波窗口所对应的RGB均值矩阵；
分别根据所述RGB均值矩阵，对应更新各过曝噪声点的RGB值，得到降噪图像。
3.根据权利要求2所述的车轮踏面和不圆度的测量方法，其特征在于，所述分别根据所述RGB均值矩阵，对应更新各过曝噪声点的RGB值，得到降噪图像，包括：
针对每一个过曝噪声点，分别获取该过曝噪声点所对应的滤波窗口内各像素点所对应的RGB矩阵，并计算各像素点所对应的RGB矩阵与所述RGB均值矩阵之间的欧几得里距离；
将欧几得里距离最小值所对应得到像素点的RGB值，更新为该过曝噪声点的RGB值；
对所有过曝噪声点的RGB值进行更新，得到所述降噪图像。
4.根据权利要求1所述的车轮踏面和不圆度的测量方法，其特征在于，所述对所述裁剪图像进行三维重建，得到三维重建模型，包括：
分别提取各裁剪图像中的特征点，并基于所述特征点进行图像匹配，得到多组图像连接图；
从所述多组图像连接图中，确定一组最佳图像连接图；
对所述最佳图像连接图进行位姿估计，得到图像位姿；
对所述最佳图像连接图进行三维重建，得到所述最佳图像连接图中各匹配点的三维坐标；
对所述图像位姿和所述各匹配点的三维坐标进行优化，得到三维重建图像，并将所述三维重建图像添加至上一三维重建图像中；
从剩余的多组图像连接图中，重新确定一组最佳图像连接图，并跳转到“对所述最佳图像连接图进行位姿估计，得到图像位姿”步骤继续执行，直到将所有三维重建图像添加至上一三维重建图像中，得到三维重建模型。
5.根据权利要求1所述的车轮踏面和不圆度的测量方法，其特征在于，根据所述最小水平距离以及所述三维重建模型，确定待测车轮的踏面尺寸和不圆度，包括：
基于所述最小水平距离，计算所述三维重建模型中的单位像素距离；
获取所述三维重建模型中的待测车轮的踏面所对应的像素数量，并基于所述像素数量和所述单位像素距离，确定所述待测车轮的踏面尺寸和不圆度。
6.根据权利要求5所述的车轮踏面和不圆度的测量方法，其特征在于，所述基于所述最小水平距离，计算所述三维重建模型中单位像素距离，包括：
根据所述最小水平距离，计算所述三维重建模型所对应的真实高度；
基于所述真实高度及其所对应的像素数量，确定所述三维重建模型中的单位像素距离。
7.根据权利要求6所述的车轮踏面和不圆度的测量方法，其特征在于，所述根据所述最小水平距离，确定所述三维重建模型所对应的真实高度，包括：
根据确定所述三维重建模型所对应的真实高度；
其中，f表示所述第一采集设备的镜头焦距，L表示所述最小水平距离，h表示所述第一采集设备的镜头靶面尺寸高度，H表示所述真实高度。
所述基于所述真实高度及其所对应的像素数量，确定所述三维重建模型中的单位像素距离，包括：
根据确定所述三维重建模型中的单位像素距离；
其中，p表示所述单位像素距离，n表示所述真实高度所对应的像素数量。
8.一种车轮踏面和不圆度的测量装置，其特征在于，包括：
获取模块，用于分别获取所述第一采集设备和所述第二采集设备所采集的实时图像；
重建模块，用于对所述实时图像进行滤噪处理，得到降噪图像；
所述重建模块，还用于对所述降噪图像进行裁剪，得到包含重点区域的裁剪图像；
所述重建模块，还用于对所述裁剪图像进行三维重建，得到三维重建模型；
测量模块，用于获取所述第一采集设备与所述待测车轮的踏面之间的最小水平距离，并根据所述最小水平距离以及所述三维重建模型，确定待测车轮的踏面尺寸和不圆度。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述车轮踏面和不圆度的测量方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述车轮踏面和不圆度的测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311235764.4A CN117346656A (zh) | 2023-09-22 | 2023-09-22 | 车轮踏面和不圆度的测量方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311235764.4A CN117346656A (zh) | 2023-09-22 | 2023-09-22 | 车轮踏面和不圆度的测量方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117346656A true CN117346656A (zh) | 2024-01-05 |
Family
ID=89355007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311235764.4A Pending CN117346656A (zh) | 2023-09-22 | 2023-09-22 | 车轮踏面和不圆度的测量方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117346656A (zh) |
-
2023
- 2023-09-22 CN CN202311235764.4A patent/CN117346656A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363858B (zh) | 一种三维人脸重建方法及系统 | |
| CN109737874B (zh) | 基于三维视觉技术的物体尺寸测量方法及装置 | |
| CN111179358B (zh) | 标定方法、装置、设备及存储介质 | |
| CN112270713B (zh) | 标定方法以及装置、存储介质、电子装置 | |
| CN112581629B (zh) | 增强现实显示方法、装置、电子设备及存储介质 | |
| KR101554241B1 (ko) | 3차원 이미지에서의 결함성 픽셀 깊이 데이터 값의 깊이 맵 품질 향상을 위한 방법 | |
| KR101643672B1 (ko) | 광류 추적 방법 및 장치 | |
| CN106780590A (zh) | 一种深度图的获取方法及系统 | |
| JP2008123141A (ja) | 対応点探索方法および３次元位置計測方法 | |
| JP2012517651A (ja) | ２ｄ電子光学的画像データに対する３ｄ点群データの登録 | |
| US20130028482A1 (en) | Method and System for Thinning a Point Cloud | |
| CN112233076B (zh) | 基于红色圆标靶图像处理的结构振动位移测量方法及装置 | |
| US20150104097A1 (en) | Image processing apparatus and image processing method | |
| CN110619660A (zh) | 一种物体定位方法、装置、计算机可读存储介质及机器人 | |
| CN111383264B (zh) | 一种定位方法、装置、终端及计算机存储介质 | |
| CN105466399A (zh) | 快速半全局密集匹配方法和装置 | |
| CN113763478A (zh) | 无人车相机标定方法、装置、设备、存储介质及系统 | |
| CN116433843A (zh) | 基于双目视觉重建路线的三维模型重建方法及装置 | |
| CN111161348B (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
| CN112446926B (zh) | 一种激光雷达与多目鱼眼相机的相对位置标定方法及装置 | |
| CN118212117A (zh) | 一种红外热力信息映射三维点云的方法及其系统 | |
| CN117671159A (zh) | 三维模型的生成方法及装置、设备、存储介质 | |
| CN109859313B (zh) | 3d点云数据获取方法、装置、3d数据生成方法及系统 | |
| JP3862402B2 (ja) | ３次元モデル生成装置および３次元モデル生成プログラムを記録したコンピュータ読取可能な記録媒体 | |
| CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 |
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 |