CN117685879A - 一种全自动影像测量仪检测系统 - Google Patents
一种全自动影像测量仪检测系统 Download PDFInfo
- Publication number
- CN117685879A CN117685879A CN202311614699.6A CN202311614699A CN117685879A CN 117685879 A CN117685879 A CN 117685879A CN 202311614699 A CN202311614699 A CN 202311614699A CN 117685879 A CN117685879 A CN 117685879A
- Authority
- CN
- China
- Prior art keywords
- layer
- summation
- calibration
- module
- output
- 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
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 37
- 210000002569 neuron Anatomy 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种全自动影像测量仪检测系统,包括标定模块、检测模块和判定模块,属于影像测量仪技术领域,通过测量标样关键节点的影像坐标,计算影像坐标与实际坐标之间的测量误差,构建广义回归神经网络模型量化影像坐标与测量误差之间的非线性关系,以实现对待测物品的影像坐标校正。本发明解决了现有技术中由于计算误差因子属于参数方式,难以量化标定点在影像上的位置与其实际位置误差的非线性关系,导致标定结果不准确的问题,以及利用广义回归神经网络模型处理少量样本的优势,解决了由于需要测量大量的标定点以获取足够的样本进行拟合计算,导致的标定效率低问题。
Description
技术领域
本发明属于影像测量仪技术领域,涉及一种全自动影像测量仪检测系统。
背景技术
全自动影像测量仪可以利用计算机视觉和数字图像处理技术对目标物体进行高速、高精度、大规模的测量和检测,是目前最先进的测量技术之一,它承续了数字化仪器优异的运动精度与运动操控性能,融合机器软件的设计灵性,属于当今前沿光学尺寸检测设备。
影像测量仪获取的图像中物体可能存在一定的形变或扭曲,因此测量前通常需要标定。目前的标定方法大部分采用计算误差因子的方式对影像测量仪进行校正,然而,由于计算误差因子属于参数方式,难以量化标定点在影像上的位置与其实际位置误差的非线性关系,并且需要测量大量的标定点以获取足够的样本进行拟合计算,导致出现标定的准确度和效率降低的问题。
发明内容
为解决上述现有技术存在的问题,本发明提供了一种全自动影像测量仪检测系统,通过构建标样关键标定点的影像坐标与其测量误差之间的广义回归神经网络(GRNN)模型,对全自动影像测量仪进行标定,实现对待测物品的有效校正,再利用图像重合比对,确定待测物品的合格与否,本发明适用于利用影像测量仪对固定规格产品的检测。
本发明的目的可以通过以下技术方案实现:
一种全自动影像测量仪检测系统,包括标定模块、检测模块和判定模块,其中:
所述标定模块,用于采用标定方法对全自动影像测量仪进行标定;
所述检测模块,包括测量模块和校正模块;所述测量模块,用于测量并获取待测物品的影像坐标;所述校正模块,用于根据所述标定模块确定的影像坐标与实际坐标之间的误差,对待测物品的影像坐标进行校正,得到待测物品的实际坐标;
所述判定模块,用于计算待测物品与标样实际坐标之间的决定系数,判定待测物品是否达到合格的条件。
进一步地,标定模块中,所述标定方法,包括以下步骤:
S1、标定点选择:选择标样的关键节点作为标定点,采用全自动影像测量仪测定标定点的影像坐标;
S2、测量误差计算:通过对比标定点的影像坐标与实际坐标,计算测量误差;
S3、无效值剔除:剔除测量误差为0的标定点;
S4、构建广义回归神经网络模型,量化标定点影像坐标与其对应的测量误差之间的关系。
进一步地,步骤S1中,所述标样的关键节点,包括标样构造形状的边缘点、易发生畸变和形变的节点、不同部件之间的连接点和构造形状的端点。
进一步地,步骤S2中,所述计算测量误差,具体为利用标定点在x轴、y轴和z轴上的影像坐标,减去标定点在x轴、y轴和z轴上的实际坐标。
进一步地,步骤S3中,所述测量误差为0,具体为标定点的影像坐标与实际坐标在x轴、y轴和z轴上的测量误差都为0。
进一步地,步骤S4中,所述构建广义回归神经网络,包括以下步骤:
S41、模型结构确定:确定模型神经元的结构,以及它们之间的传输方式;
S42、模型参数调整:设定平滑因子的步长,计算不同步长模型的AIC值,确定AIC值最小的模型对应的平滑因子为最优平滑因子。
进一步地,步骤S41中,所述模型神经元包括输入层、模式层、求和层和输出层,所述输入层,用于将输入向量传输给模式层,输入层层数等于输入向量的样本数;所述模式层,用于采用高斯函数对输入数据进行处理,并传输给求和层;所述求和层,用于对模式层神经元进行求和,包括神经元输出求和,以及输出向量加权求和;所述输出层,用于利用求和层的输出求出估计输出结果;所述输入向量为标定点的坐标数据,输出向量为标定点坐标的测量误差。
进一步地,所述模式层中,所述高斯函数,计算公式为:
式中,pi表示第i个输入层的模式层神经元输出;X表示网络输入向量;Xi表示第i个输入层神经元对应的学习样本;σ表示平滑因子。
进一步地,所述求和层中,所述神经元输出求和,计算公式为:
式中,SD表示求和层神经元输出总和;pi表示第i个输入层的模式层神经元输出;n为样本数;
所述输出向量加权求和,计算公式为:
式中,SNj表示第j个求和层的输出向量加权求和,j=1,2,……,k,k为求和层层数;yij表示第j个求和层的输出向量。
进一步地,所述输出层中,所述利用求和层的输出求出估计输出结果,估计输出结果的计算公如下:
式中,SNj表示第j个求和层的输出向量加权求和,j=1,2,……,k,k为求和层层数;SD表示求和层神经元输出总和;yj表示第j个求和层的估计输出结果。
进一步地,判定模块中,所述决定系数,计算公式为:
式中,R2为决定系数;yi为待测物品的实际坐标;zi为待测物品的影像坐标;为待测物品的实际坐标平均值;n为样本数。
本发明的有益效果为:
(1)通过构建广义回归神经网络模型,量化影像坐标与实际坐标测量误差之间的关系,解决了现有技术中由于计算误差因子属于参数方式,难以量化标定点在影像上的位置与其实际位置误差的非线性关系,导致标定结果不准确的问题;
(2)利用广义回归神经网络具有处理小样本量的优势,通过选择标样的关键节点作为标定点,以及剔除测量误差为0的标定点的方式,减小建模所需的样本量,加快了模型的收敛速度,解决了现有技术中由于需要测量大量的标定点以获取足够的样本进行拟合计算,导致出现标定效率低的问题。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步地说明。
图1为本发明中一种全自动影像测量仪检测系统的结构图。
具体实施方式
为更进一步阐述本发明为实现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,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如后。
请参阅图1,本发明提供了一种全自动影像测量仪检测系统,包括标定模块、检测模块和判定模块,其中:
所述标定模块,用于采用标定方法对全自动影像测量仪进行标定;
所述检测模块,包括测量模块和校正模块;所述测量模块,用于测量并获取待测物品的影像坐标;所述校正模块,用于根据所述标定模块确定的影像坐标与实际坐标之间的误差,对待测物品的影像坐标进行校正,得到待测物品的实际坐标;
所述判定模块,用于计算待测物品与标样实际坐标之间的决定系数,判定待测物品是否达到合格的条件,当决定系数≥0.99时,待测物品合格。
进一步地,标定模块中,所述标定方法,包括以下步骤:
S1、标定点选择:选择标样的关键节点作为标定点,采用全自动影像测量仪测定标定点的影像坐标;
S2、测量误差计算:通过对比标定点的影像坐标与实际坐标,计算测量误差;
S3、无效值剔除:剔除测量误差为0的标定点;
S4、构建广义回归神经网络模型,量化标定点影像坐标与其对应的测量误差之间的关系。
本实施例中,适用于检测与标样相同规格的产品,在实际工作中,影像测量仪测量物体时,可能出现影像的点、线或面发生扭曲或形变的现象,其主要是由于测量的影像坐标与实际坐标出现偏差导致的。而测量的影像坐标与测量误差之间的关系往往较为复杂,难以用参数方法去量化它们,因此本发明的实施例中采用广义回归神经网络量化二者之间的非线性关系。广义回归神经网络是建立在非参数估计基础上的径向基(RBF)神经网络,其结构和RBF神经网络很相似。在网络训练的过程中其实就是确定平滑因子的过程,在样本数据较少的时候,其训练效果也很好,尤其是在逼近能力和学习速度上比RBF神经网络和BP神经网络具有更强的优势,而且最后能收敛于样本聚集较多的优化回归面。正是因为具有很强的局部非线性逼近能力以及高度的容错性和鲁棒性,收敛速度快,所以它能很好地解决非线性问题。
进一步地,步骤S1中,所述标样的关键节点,包括标样构造形状的边缘点、易发生畸变和形变的节点、不同部件之间的连接点和构造形状的端点。
进一步地,步骤S2中,所述计算测量误差,具体为利用标定点在x轴、y轴和z轴上的影像坐标,减去标定点在x轴、y轴和z轴上的实际坐标。
进一步地,步骤S3中,所述测量误差为0,具体为标定点的影像坐标与实际坐标在x轴、y轴和z轴上的测量误差都为0。
本实施例与以往的标定方式不同的是,在标定点上仅选择了标样的关键节点,并剔除了测量误差为0的标定点,这是因为当测量误差为0时,表示影像测量仪能够准确测量该坐标,将其引入模型构建可能导致模型结果不准确。这个过程既减少了数据样本量,又充分利用了广义回归神经网络对于处理小样本量的优势,提高了测量误差估计的效率和准确性。
进一步地,步骤S4中,所述构建广义回归神经网络,包括以下步骤:
S41、模型结构确定:确定模型神经元的数目和连接方式;
S42、模型参数调整:设定平滑因子的步长,计算不同步长模型的AIC值,确定AIC值最小的模型对应的平滑因子为最优平滑因子。
进一步地,步骤S41中,所述模型神经元包括输入层、模式层、求和层和输出层,所述输入层,用于将输入向量传输给模式层,输入层层数等于输入向量的样本数;所述模式层,用于采用高斯函数对输入数据进行处理,并传输给求和层;所述求和层,用于对模式层神经元进行求和,包括神经元输出求和,以及输出向量加权求和;所述输出层,用于利用求和层的输出求出估计输出结果;所述输入向量为标定点的坐标数据,输出向量为标定点坐标的测量误差。
进一步地,所述模式层中,所述高斯函数,计算公式为:
式中,pi表示第i个输入层的模式层神经元输出;X表示网络输入向量;Xi表示第i个输入层神经元对应的学习样本;σ表示平滑因子。
进一步地,所述求和层中,所述神经元输出求和,计算公式为:
式中,SD表示求和层神经元输出总和;pi表示第i个输入层的模式层神经元输出;n为样本数;
所述输出向量加权求和,计算公式为:
式中,SNj表示第j个求和层的输出向量加权求和,j=1,2,……,k,k为求和层层数;yij表示第j个求和层的输出向量。
进一步地,所述输出层中,所述利用求和层的输出求出估计输出结果,估计输出结果的计算公如下:
式中,SNj表示第j个求和层的输出向量加权求和,j=1,2,……,k,k为求和层层数;SD表示求和层神经元输出总和;yj表示第j个求和层的估计输出结果。
进一步地,判定模块中,所述决定系数,计算公式为:
式中,R2为决定系数;yi为待测物品的实际坐标;zi为待测物品的影像坐标;为待测物品的实际坐标平均值;n为样本数。
本发明的有益效果为:
(1)通过构建广义回归神经网络模型,量化影像坐标与实际坐标测量误差之间的关系,解决了现有技术中由于计算误差因子属于参数方式,难以量化标定点在影像上的位置与其实际位置误差的非线性关系,导致标定结果不准确的问题;
(2)利用广义回归神经网络具有处理小样本量的优势,通过选择标样的关键节点作为标定点,以及剔除测量误差为0的标定点的方式,减小建模所需的样本量,加快了模型的收敛速度,解决了现有技术中由于需要测量大量的标定点以获取足够的样本进行拟合计算,导致出现标定效率低的问题。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种全自动影像测量仪检测系统,其特征在于:包括标定模块、检测模块和判定模块,其中:
所述标定模块,用于采用标定方法对全自动影像测量仪进行标定;
所述检测模块,包括测量模块和校正模块;所述测量模块,用于测量并获取待测物品的影像坐标;所述校正模块,用于根据所述标定模块确定的影像坐标与实际坐标之间的误差,对待测物品的影像坐标进行校正,得到待测物品的实际坐标;
所述判定模块,用于计算待测物品与标样实际坐标之间的决定系数,判定待测物品是否达到合格的条件;
其中,所述标定模块,所述标定方法,包括以下步骤:
S1、标定点选择:选择标样的关键节点作为标定点,采用全自动影像测量仪测定标定点的影像坐标;
S2、测量误差计算:通过对比标定点的影像坐标与实际坐标,计算测量误差;
S3、无效值剔除:剔除测量误差为0的标定点;
S4、构建广义回归神经网络模型,量化标定点影像坐标与其对应的测量误差之间的关系。
2.根据权利要求1所述的一种全自动影像测量仪检测系统,其特征在于:步骤S1中,所述标样的关键节点,包括标样构造形状的边缘点、易发生畸变和形变的节点、不同部件之间的连接点和构造形状的端点。
3.根据权利要求1所述的一种全自动影像测量仪检测系统,其特征在于:步骤S2中,所述计算测量误差,具体为利用标定点在x轴、y轴和z轴上的影像坐标,减去标定点在x轴、y轴和z轴上的实际坐标。
4.根据权利要求1所述的一种全自动影像测量仪检测系统,其特征在于:步骤S3中,所述测量误差为0,具体为标定点的影像坐标与实际坐标在x轴、y轴和z轴上的测量误差都为0。
5.根据权利要求1所述的一种全自动影像测量仪检测系统,其特征在于:步骤S4中,所述构建广义回归神经网络,包括以下步骤:
S41、模型结构确定:确定模型神经元的结构,以及它们之间的传输方式;
S42、模型参数调整:设定平滑因子的步长,计算不同步长模型的AIC值,确定AIC值最小的模型对应的平滑因子为最优平滑因子。
6.根据权利要求5所述的一种全自动影像测量仪检测系统,其特征在于:步骤S41中,所述模型神经元包括输入层、模式层、求和层和输出层,所述输入层,用于将输入向量传输给模式层,输入层层数等于输入向量的样本数;所述模式层,用于采用高斯函数对输入数据进行处理,并传输给求和层;所述求和层,用于对模式层神经元进行求和,包括神经元输出求和,以及输出向量加权求和;所述输出层,用于利用求和层的输出求出估计输出结果;所述输入向量为标定点的坐标数据,输出向量为标定点坐标的测量误差。
7.根据权利要求6所述的一种全自动影像测量仪检测系统,其特征在于:所述模式层中,所述高斯函数,计算公式为:
式中,pi表示第i个输入层的模式层神经元输出;X表示网络输入向量;Xi表示第i个输入层神经元对应的学习样本;σ表示平滑因子。
8.根据权利要求6所述的一种全自动影像测量仪检测系统,其特征在于:所述求和层中,所述神经元输出求和,计算公式为:
式中,SD表示求和层神经元输出总和;pi表示第i个输入层的模式层神经元输出;n为样本数;
所述输出向量加权求和,计算公式为:
式中,SNj表示第j个求和层的输出向量加权求和,j=1,2,……,k,k为求和层层数;yij表示第j个求和层的输出向量。
9.根据权利要求6所述的一种全自动影像测量仪检测系统,其特征在于:所述输出层中,所述利用求和层的输出求出估计输出结果,估计输出结果的计算公如下:
式中,SNj表示第j个求和层的输出向量加权求和,j=1,2,……,k,k为求和层层数;SD表示求和层神经元输出总和;yj表示第j个求和层的估计输出结果。
10.根据权利要求1所述的一种全自动影像测量仪检测系统,其特征在于:判定模块中,所述决定系数,计算公式为:
式中,R2为决定系数;yi为待测物品的实际坐标;zi为待测物品的影像坐标;为待测物品的实际坐标平均值;n为样本数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311614699.6A CN117685879A (zh) | 2023-11-29 | 2023-11-29 | 一种全自动影像测量仪检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311614699.6A CN117685879A (zh) | 2023-11-29 | 2023-11-29 | 一种全自动影像测量仪检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117685879A true CN117685879A (zh) | 2024-03-12 |
Family
ID=90131026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311614699.6A Pending CN117685879A (zh) | 2023-11-29 | 2023-11-29 | 一种全自动影像测量仪检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117685879A (zh) |
-
2023
- 2023-11-29 CN CN202311614699.6A patent/CN117685879A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115950557B (zh) | 一种基于压力变送器的温度智能补偿方法 | |
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN108985373B (zh) | 一种多传感器数据加权融合方法 | |
CN108960334B (zh) | 一种多传感器数据加权融合方法 | |
CN114018379B (zh) | 基于计算机视觉的动态称重角差补偿方法 | |
CN114897675A (zh) | 一种数字图像相关中用于相关性加权的指数窗法 | |
CN114239796A (zh) | 一种基于扩展卡尔曼滤波的电力系统状态估计方法 | |
CN117685879A (zh) | 一种全自动影像测量仪检测系统 | |
CN114266776B (zh) | 一种应用复合裂纹位移场函数的数字图像相关方法 | |
CN115855133A (zh) | 传感器的校准方法、装置、计算机设备和可读存储介质 | |
CN117131469B (zh) | 一种智能差压变送器的误差校验方法 | |
CN108921278B (zh) | 一种水表检定装置的台位差计算方法 | |
CN115184859B (zh) | 一种构建非视距传播场景下测距和测角误差消除方法 | |
CN110955013A (zh) | 主镜位置控制方法、装置、大口径望远镜及可读存储介质 | |
CN118095110B (zh) | 一种燃煤机组炉温获取方法、系统、设备及存储介质 | |
CN114924237A (zh) | 一种用于动态检测雷达数据异常值的滤波方法 | |
CN114924237B (zh) | 一种用于动态检测雷达数据异常值的滤波方法 | |
CN114706342B (zh) | 一种基于非线性插值补偿算法的氧气浓度检测方法 | |
CN117301078B (zh) | 一种机器手视觉校准方法及系统 | |
CN117330604B (zh) | 自动化温度补偿方法、装置、计算机设备及存储介质 | |
RU2199089C1 (ru) | Способ коррекции статических характеристик измерительных преобразователей | |
CN115950531B (zh) | 一种探测器信噪比获取方法及检测装置 | |
CN118095110A (zh) | 一种燃煤机组炉温获取方法、系统、设备及存储介质 | |
CN117150689A (zh) | 基于高斯过程回归和贝叶斯加权配电系统状态估计方法 | |
CN115372696A (zh) | 基于递归傅里叶级数的电网电压频率计算方法和装置 |
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 |