CN117710244B - 一种车载装配物料对位智能检测方法及系统 - Google Patents
一种车载装配物料对位智能检测方法及系统 Download PDFInfo
- Publication number
- CN117710244B CN117710244B CN202410160772.5A CN202410160772A CN117710244B CN 117710244 B CN117710244 B CN 117710244B CN 202410160772 A CN202410160772 A CN 202410160772A CN 117710244 B CN117710244 B CN 117710244B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- value
- data
- sector
- 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.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种车载装配物料对位智能检测方法及系统,该方法包括:获得点云数据集合;根据点云数据集合中所有点的坐标数据获得约束曲线函数、扇形柱状区域及扇形柱状区域集合;根据各扇形柱状区域集合中所有点的坐标数据以及约束曲线函数获取每个点的噪声点判别值;对各扇形柱状区域进行划分得到体素块,根据体素块中各点的噪声点判别值及坐标数据获得体素块的特征点;根据特征点获得中心位置线,进而获得对位点;根据对位点实现车载装配物料的精准对位。从而提高了车载装配物料的对位精度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种车载装配物料对位智能检测方法及系统。
背景技术
车载泵是一种将泵集成在车辆底盘,用于运输混凝土的装置,相比于传统泵车,泵送混凝土压力强,移动方便等特点。在车载泵的生产过程中,需要将仝缸和仝缸拉杆进行组装,这个过程中需要将仝缸和仝缸拉杆的管道同心对准。工业上常用的对准方法是使用双目视觉相机获取点云数据确定仝缸的位置,完成同心对准。
而由于仝缸表面是光滑同色曲面,使得通过双目视觉相机获取的点云数据噪声较大,数据特征不明显,导致对仝缸的建模结果较差,同心对准的精度较差,无法将仝缸和仝缸拉杆精确的自动对准。本发明使用体素滤波算法对点云数据进行去噪,传统的体素滤波算法中采用每个体素块的重心作为体素块的特征点,但对于车载泵的生产装配场景中,由于点云数据量大噪声多,重心无法准确体现仝缸表面轮廓的几何特点,导致去噪效果较差,影响车载装配物料的对位精度。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种车载装配物料对位智能检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种车载装配物料对位智能检测方法,该方法包括以下步骤:
采集车载泵的仝缸管道的点云数据,获得点云数据集合;采集车载泵的仝缸拉杆的点云数据;
根据点云数据集合获得离散数据集合;根据离散数据集合中所有点的坐标数据获得光强约束曲线;对光强约束曲线进行处理,获得约束曲线函数;根据点云数据集合中的所有点的坐标数据获得扇形柱状区域及扇形柱状区域集合;根据各扇形柱状区域集合中所有点的坐标数据以及约束曲线函数获取扇形柱状区域集合中每个点的噪声点判别值;对各扇形柱状区域进行划分得到体素块,根据体素块中各点的噪声点判别值及坐标数据获得体素块的特征点;
根据扇形柱状区域中所有体素块的特征点获得中心位置线;根据所有扇形柱状区域的中心位置线获得仝缸管道的对位点;对于车载泵的仝缸拉杆的点云数据,采用与仝缸管道的对位点相同的获取方法,得到仝缸拉杆的对位点;通过控制仝缸管道的对位点与仝缸拉杆的对位点重合实现车载装配物料的精准对位。
进一步,所述根据点云数据集合获得离散数据集合,包括:
对于点云数据集合中的各点,将点的x轴坐标的取整值作为点的x轴坐标,将点的y轴坐标的取整值作为点的y轴坐标,获得离散数据集合。
进一步,所述根据离散数据集合中所有点的坐标数据获得光强约束曲线,包括:
将离散数据集合中x轴坐标相等的点记为一组数据,将所有组数据按照x轴坐标从小到大进行编号,得到每组数据的编号;
将离散数据集合中y轴坐标相等的点记为一份数据,将所有份数据按照y轴坐标从小到大进行编号,得到每份数据的编号;
分别将各组数据中所有点的强度值均值作为各组数据的总体均值;
对于第组第/>份数据,将第/>组第/>份数据中所有点的坐标数据的强度值均值作为第/>组第/>份数据的强度均值,将第/>组第/>份数据的强度均值与第/>组的总体均值的差值绝对值记为第/>组第/>份数据的强度分布值;
将所有组第份数据的强度分布值的均值记为第/>份数据对应的/>轴坐标的光强约束值;
将所有份数据对应的轴坐标的光强约束值所组成的向量记为光强约束曲线。
进一步,所述对光强约束曲线进行处理,获得约束曲线函数,包括:
对光强约束曲线采用均值插值法进行计算,输出一个自变量为轴坐标,因变量为光强约束值的约束曲线函数。
进一步,所述根据点云数据集合中的所有点的坐标数据获得扇形柱状区域及扇形柱状区域集合,包括:
将点云数据集合中的所有点投影到平面上,对/>平面上所有点采用最小二乘法与圆进行拟合获得一个圆,以圆心为中心,以/>轴方向为起始方向,将圆的上半圆平均划分为预设数量个扇形区域;
将点云数据集合中y轴坐标最大的点的y轴坐标与y轴坐标最小的点的y轴坐标之间的差值记为最大距离;
将点云数据集合中y轴坐标最小的点的y轴坐标作为底点,把扇形区域平移至底点作为底面,最大距离作为高的立面体记为扇形柱状区域;
将扇形柱状区域中的所有点所组成的集合记为扇形柱状区域集合。
进一步,所述根据各扇形柱状区域集合中所有点的坐标数据以及约束曲线函数获取扇形柱状区域集合中每个点的噪声点判别值,包括:
计算扇形柱状区域集合中所有点的x轴坐标的均值,记为x坐标均值;计算扇形柱状区域集合中所有点的z轴坐标的均值,记为z坐标均值;计算扇形柱状区域集合中所有点的强度值的均值,记为强度均值;
对于扇形柱状区域集合中的各点,计算点的x轴坐标与x坐标均值之间的差值,记为第一差值,获得所述第一差值的平方,记为第一差值平方;计算点的z轴坐标与z坐标均值之间的差值,记为第二差值,获得所述第二差值的平方,记为第二差值平方;计算所述第一差值平方与所述为第二差值平方的和值,将所述和值的平方根记为点的中心距离;
计算点的强度值与强度均值之间的差值,记为第三差值,将所述第三差值与点的y轴坐标对应的约束曲线函数值之间的差值记为点的强度分布差值,将点的强度分布差值与强度值的比值记为点的强度分布差异;
计算点的强度分布差异与中心距离之间的乘积,将所述乘积的绝对值记为点的噪声点判别值。
进一步,所述对各扇形柱状区域进行划分得到体素块,根据体素块中各点的噪声点判别值及坐标数据获得体素块的特征点,包括:
对于各扇形柱状区域,将扇形柱状区域平均划分为厚度为预设数值的扇形饼状区域,将每个扇形饼状区域记为一个体素块;
将扇形柱状区域中y轴方向的第一个体素块中噪声点判别值最小的点作为第一个体素块的特征点,迭代计算获得每个体素块中各点的特征显著度,表达式为:
其中,为第/>个体素块中第/>个点的特征显著度;/>为第/>个体素块中第/>个点的/>轴坐标;/>为第/>个体素块中第/>个点的/>轴坐标;/>为第/>个体素块中第/>个点的/>轴坐标;/>为第/>个体素块的特征点的/>轴坐标;/>为第/>个体素块的特征点的/>轴坐标;/>为第/>个体素块的特征点的/>轴坐标;/>是第/>个体素块中第/>个点的噪声点判别值;/>为以自然常数为底数的指数函数;
将体素块中特征显著度越大的点作为体素块的特征点。
进一步,所述根据扇形柱状区域中所有体素块的特征点获得中心位置线,包括:
对于各扇形柱状区域,对扇形柱状区域中所有体素块的特征点采用最小二乘法与直线进行拟合获得扇形柱状区域的中心位置线。
进一步,所述根据所有扇形柱状区域的中心位置线获得仝缸管道的对位点,包括:
将所有扇形柱状区域的中心位置线投影到平面,获得投影点,获得相邻的投影点之间的连线,将所述连线的垂直平分线记为区域中心判别线;
将扇形柱状区域的任意两条区域中心判别线的交点记为疑似中心点;
将所有疑似中心点的坐标数据均值对应的点作为仝缸管道的对位点。
第二方面,本发明实施例还提供了一种车载装配物料对位智能检测系统,包括存储器、处理器以及存储在所述存储器中并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上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明提出一种车载装配物料对位智能检测方法及系统,根据仝缸的形状特点和表面反光特点,分析仝缸管道表面反光的光强分布规律,通过对点云数据在管道方向的光强分布特点,计算出约束曲线函数,反应了点云数据在管道方向的光强分布规律;进一步根据管道表面点云数据的强度值与约束曲线函数的拟合情况以及管道上点云数据的几何位置与噪声点的几何位置的差异程度,计算出噪声点判别值,作为表征每个点云数据特征点的异常程度,异常程度高的视为噪声点;根据管道形状特点将点云数据分为多个体素块,设定每个体素块的特征点选取规则来提取特征点,使特征点更能代表管道的轮廓信息。相比与传统的体素滤波算法,消除了噪声点对体素块特征点选取的干扰,使最终的几何信息更准确,提高了车载装配物料的对位精度。
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提供的一种车载装配物料对位智能检测方法的步骤流程图;
图2为仝缸管道的对位点计算示意图。
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车载装配物料对位智能检测方法及系统,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,一个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。
下面结合附图具体的说明本发明所提供的一种车载装配物料对位智能检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种车载装配物料对位智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,在车载泵的装配作业线上采集车载泵的点云数据。
在车载泵的装配作业线上,在仝缸和仝缸拉杆的组合位置正上方,设置双目相机获取点云数据,保证点云数据的获取范围能够覆盖仝缸和仝缸拉杆组合过程中的行进范围。在双目相机一侧不遮挡双目相机处设置灯光,垂直射向仝缸和仝缸拉杆,保证光照充足。根据经验每间隔0.1秒获取一组点云数据。
车载泵的点云数据中,包含的是仝缸和仝缸拉杆的上半部分管道的点云数据,其数据形式为一系列的像素点的坐标数据构成的点云数据集合。集合中的第/>个点的坐标数据/>,其中,/>,/>,/>分别为第/>个点在空间中的三维直角坐标系坐标,/>为该点的强度值,使用视觉相机获取的点云数据中强度值表示像素点的灰度值。此处的z轴的方向为竖直向上,y轴的方向为管道移动方向。
至此,获得车载泵的点云数据。
步骤S002,根据仝缸的形状特点对点云数据进行处理,构建约束曲线函数,获得扇形柱状区域集合;根据各扇形柱状区域集合以及约束曲线函数获取噪声点判别值;对各扇形柱状区域进行划分得到体素块,根据体素块中各点的噪声点判别值及坐标数据获得特征点。
由于仝缸是表面光滑反光的管道,则在光照充足的情况下,将仝缸表面沿管道方向可划分为多条沿管道方向的线段,每条线段的反光强度的均值不同,但在每条直线上的反光强度的变化情况是相似的。在管道方向的垂直方向,所有点云数据的强度值与其所在顺沿管道方向的强度值均值之间的差异应该大致相等。
基于上述分析,首先将点云数据集合进行离散化预处理,即对于点云数据集合中的每一个点,将点的/>轴坐标和/>轴坐标四舍五入,作为该点云数据的新/>轴坐标和/>轴坐标,获取一个新的点云数据集合,记为离散数据集合。
离散数据集合中,横坐标相等的点是顺沿管道方向一组点,将各组横坐标/>相等的点按照横坐标/>从小到大进行编号,共记为M组数据;离散数据集合中,纵坐标/>相等的点是垂直于管道方向一组点,将各组数据中纵坐标/>相等的点按照纵坐标/>从小到大进行编号,共记为N份数据。因此,离散数据集合中第/>组第/>份数据中有多个点,将第/>组第/>份数据中所有点的坐标数据的强度值求均值得到第/>组第/>份数据的强度均值/>。计算每份数据对应的/>轴坐标的光强约束值,计算公式为:
式中为第/>组第/>份数据的强度均值;/>是离散数据集合中数据份数;/>是离散数据集合中数据组数,/>是第/>份数据对应的/>轴坐标的光强约束值。
是计算第/>组数据的所有点的强度值均值,对应顺沿管道方向的点云数据强度值均值;/>减去第/>组数据的所有点的强度值均值所得差值代表点云数据强度值减去其对应顺沿管道方向的点云数据强度值均值,此时在垂直于顺沿管道方向,即/>相等,所得差值应该大致相当,对所有差值求均值得到了光强约束值。光强约束值代表了点云数据沿着/>轴坐标增大方向的强度值分布规律,数据集DA中的点的强度值分布越不符合该规律,则该点越可能是噪声数据点。由于标号/>和纵坐标一一对应,因此,将所有份数据对应的/>轴坐标的光强约束值所组成的向量记为光强约束曲线。
最终光强约束曲线为。进一步对光强约束曲线/>进行处理,将/>为输入,采用均值插值法进行计算,输出为一个自变量为/>轴坐标,因变量为光强约束值的约束曲线函数/>。
本实施例采用体素滤波的方式提取点云数据的特征,体素滤波的具体实施过程为公知技术,不再赘述。车载泵的生产装配场景中点云数据表征一个横截面为半圆形的管道,噪声点沿着管道表面上下波动,因此本实施例根据管道表面的形状特征,对体素滤波算法中的体素块选取规则进行设定,具体为:
首先将点云数据集合的所有点云数据点投影到/>平面上,该平面上的坐标点的中心轮廓大致为一个半圆。
将平面上所有坐标点采用最小二乘法用圆进行拟合获得一个圆,最小二乘法为公知技术,具体不再赘述。
将所得平面上的圆的上半部分以圆心为参考点,以/>轴方向为起始方向,将圆的上半部分平均划分为S个扇形区域,S的经验取值为180;这样做在三维空间中以点云数据集合中y轴坐标最大点与以点云数据集合中y轴坐标最小点为界获得扇形柱状区域,即将点云数据顺沿管道方向分为了180个扇形柱状区域。
每个扇形柱状区域有多个点云数据点,将第个扇形区域的点构成一个集合称为扇形柱状区域集合/>,集合中的第/>个点的坐标数据/>。为去除噪声点,首先计算各扇形柱状区域集合中每个点的噪声点判别值,计算公式为:
式中,、/>、/>、/>是第/>个扇形柱状区域的扇形柱状区域集合/>中的第/>个点的/>坐标、/>坐标、/>坐标与强度值;/>、/>、/>分别是第/>个扇形柱状区域的扇形柱状区域集合/>中所有点的强度值均值、/>坐标均值、/>坐标均值;/>是第/>个扇形柱状区域的扇形柱状区域集合/>中的第/>个点的/>轴坐标对应的约束曲线函数值。/>是第/>个扇形柱状区域的扇形柱状区域集合/>中的第/>个点的噪声点判别值。
式中,是第/>个扇形柱状区域中的点/>的约束曲线函数值,/>是点/>的强度值减去其顺沿管道方向的强度值均值,点/>的强度值越符合约束曲线函数,则两者的差值越小,点/>越符合管道上的光强度分布规律,越不可能是噪声点,该式除以/>是为了将该项部分进行归一化;/>是点/>与扇形柱状区域中所有数据点在x-z平面上投影的几何中心的距离,该距离越大代表点/>在扇形柱状区域中的几何位置越异常,越可能是噪声点。
在上述步骤中,将点云数据分割为了多个扇形柱状区域,进一步对第个扇形柱状区域进行切割,切割的步长/>的经验值为/>,切割从每个扇形柱状区域的y轴坐标最小的点云数据点开始。最终每个体素块为一个厚度为/>的扇形饼状区域。对于第/>个扇形柱状区域所切割的体素块进行编号,用/>表示,第/>个扇形柱状区域一共有/>个体素块。体素块的划分符合管道的几何形状特征,能使最终的管道轮廓的几何信息更准确。
对每个体素中选取一个特征点,选取的规则如下:
对于第个扇形柱状区域的第1个体素块,选取噪声点判别值最小的点作为特征点;对于第/>个扇形柱状区域的非第1个体素块,选取规则如下式:
式中,为第/>个体素块中第/>个点的特征显著度;/>、/>、/>分别为第/>个体素块中第/>个点的/>轴坐标、/>轴坐标、/>轴坐标;/>、/>、/>分别为第/>个体素块的特征点的/>轴坐标、/>轴坐标、/>轴坐标;/>是第/>个体素块中第/>个点的噪声点判别值;/>为以自然常数为底数的指数函数;/>是为了防止除数为0;/>是为了防止乘式中一项为0,另一项的大小对最终乘式值无影响的稳定系数。
式中表示的是第/>个体素块中第/>个点云数据点与第/>个体素块中的特征点在/>平面上的投影距离,距离越大代表两个点在/>平面上的投影位置差异越大,而一个管道上具有相同特征的点在/>平面上的投影应该重合,因此该距离越大,该点越可能式噪声点,噪声点判别值越大越可能为噪声点,越不应该选取该点作为体素块的特征点;该式除以/>是为了防止第/>个体素块中第/>个点云数据点与第/>个体素块中的特征点在y轴上的距离差异对两个点在/>平面上的投影位置差异判断产生数值上的影响。
最终特征显著度越大的点最不可能是噪声点,选择体素块中特征显著度越大的点作为体素块的特征点。
至此,获得每个体素块的特征点。
步骤S003,根据扇形柱状区域中所有体素块的特征点获得中心位置线;根据所有扇形柱状区域的中心位置线获得仝缸管道的对位点,进而实现车载装配物料的精准对位。
对于每个扇形柱状区域的每个体素块获得了一个特征点,即每个扇形柱状区域获得了一组特征点,该特征点代表了管道表面顺延管道方向的一条线段。因此以扇形柱状区域的所有特征点为输入,采用最小二乘法与直线进行拟合获得扇形柱状区域的中心位置线,每个扇形柱状区域都有一个中心位置线。
因为管道形状为半圆形,因此中心位置线在x-z平面上的投影点位于同一个半圆的轮廓上,任意相邻的投影点之间的连线的垂直平分线理论上交于管道横截面中心。因此,通过中心位置线获取仝缸管道的对位点,如图2所示,黑点为中心位置线在x-z平面上的投影点,虚线为相邻两条中心位置线的投影点的连线;黑色实线是对每条虚线的垂直平分线。
本实施例中获得S条中心位置线的投影点之间连线的垂直平分线的交点,计算所有交点的中心坐标,作为仝缸管道的中心轴线在平面上的投影点,即仝缸管道的对位点;进一步,获取仝缸拉杆的点云数据,采用与仝缸管道的对位点同样的方法获得仝缸拉杆的对位点,用两个对位点的距离表征仝缸管道和仝缸拉杆的对位情况,当仝缸拉杆的对位点与仝缸管道的对位点重合时表示仝缸和仝缸拉杆完全对准,完成了车载装配物料的精准对位。
至此,完成了车载装配物料对位的智能检测。
基于与上述方法相同的发明构思,本发明实施例还提供了一种车载装配物料对位智能检测系统,包括存储器、处理器以及存储在所述存储器中并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上述一种车载装配物料对位智能检测方法中任意一项所述方法的步骤。
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。且上述对本说明书特定实施例进行了描述。另外,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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种车载装配物料对位智能检测方法,其特征在于,该方法包括以下步骤:
采集车载泵的仝缸管道的点云数据,获得点云数据集合;采集车载泵的仝缸拉杆的点云数据;
根据点云数据集合获得离散数据集合;根据离散数据集合中所有点的坐标数据获得光强约束曲线;对光强约束曲线进行处理,获得约束曲线函数;根据点云数据集合中的所有点的坐标数据获得扇形柱状区域及扇形柱状区域集合;根据各扇形柱状区域集合中所有点的坐标数据以及约束曲线函数获取扇形柱状区域集合中每个点的噪声点判别值;对各扇形柱状区域进行划分得到体素块,根据体素块中各点的噪声点判别值及坐标数据获得体素块的特征点;
根据扇形柱状区域中所有体素块的特征点获得中心位置线;根据所有扇形柱状区域的中心位置线获得仝缸管道的对位点;对于车载泵的仝缸拉杆的点云数据,采用与仝缸管道的对位点相同的获取方法,得到仝缸拉杆的对位点;通过控制仝缸管道的对位点与仝缸拉杆的对位点重合实现车载装配物料的精准对位;
所述根据离散数据集合中所有点的坐标数据获得光强约束曲线,包括:
将离散数据集合中x轴坐标相等的点记为一组数据,将所有组数据按照x轴坐标从小到大进行编号,得到每组数据的编号;
将离散数据集合中y轴坐标相等的点记为一份数据,将所有份数据按照y轴坐标从小到大进行编号,得到每份数据的编号;
分别将各组数据中所有点的强度值均值作为各组数据的总体均值;
对于第组第/>份数据,将第/>组第/>份数据中所有点的坐标数据的强度值均值作为第/>组第/>份数据的强度均值,将第/>组第/>份数据的强度均值与第/>组的总体均值的差值绝对值记为第/>组第/>份数据的强度分布值;
将所有组第份数据的强度分布值的均值记为第/>份数据对应的/>轴坐标的光强约束值;
将所有份数据对应的轴坐标的光强约束值所组成的向量记为光强约束曲线。
2.如权利要求1所述的一种车载装配物料对位智能检测方法,其特征在于,所述根据点云数据集合获得离散数据集合,包括:
对于点云数据集合中的各点,将点的x轴坐标的取整值作为点的x轴坐标,将点的y轴坐标的取整值作为点的y轴坐标,获得离散数据集合。
3.如权利要求2所述的一种车载装配物料对位智能检测方法,其特征在于,所述对光强约束曲线进行处理,获得约束曲线函数,包括:
对光强约束曲线采用均值插值法进行计算,输出一个自变量为轴坐标,因变量为光强约束值的约束曲线函数。
4.如权利要求2所述的一种车载装配物料对位智能检测方法,其特征在于,所述根据点云数据集合中的所有点的坐标数据获得扇形柱状区域及扇形柱状区域集合,包括:
将点云数据集合中的所有点投影到平面上,对/>平面上所有点采用最小二乘法与圆进行拟合获得一个圆,以圆心为中心,以/>轴方向为起始方向,将圆的上半圆平均划分为预设数量个扇形区域;
将点云数据集合中y轴坐标最大的点的y轴坐标与y轴坐标最小的点的y轴坐标之间的差值记为最大距离;
将点云数据集合中y轴坐标最小的点的y轴坐标作为底点,把扇形区域平移至底点作为底面,最大距离作为高的立面体记为扇形柱状区域;
将扇形柱状区域中的所有点所组成的集合记为扇形柱状区域集合。
5.如权利要求4所述的一种车载装配物料对位智能检测方法,其特征在于,所述根据各扇形柱状区域集合中所有点的坐标数据以及约束曲线函数获取扇形柱状区域集合中每个点的噪声点判别值,包括:
计算扇形柱状区域集合中所有点的x轴坐标的均值,记为x坐标均值;计算扇形柱状区域集合中所有点的z轴坐标的均值,记为z坐标均值;计算扇形柱状区域集合中所有点的强度值的均值,记为强度均值;
对于扇形柱状区域集合中的各点,计算点的x轴坐标与x坐标均值之间的差值,记为第一差值,获得所述第一差值的平方,记为第一差值平方;计算点的z轴坐标与z坐标均值之间的差值,记为第二差值,获得所述第二差值的平方,记为第二差值平方;计算所述第一差值平方与所述为第二差值平方的和值,将所述和值的平方根记为点的中心距离;
计算点的强度值与强度均值之间的差值,记为第三差值,将所述第三差值与点的y轴坐标对应的约束曲线函数值之间的差值记为点的强度分布差值,将点的强度分布差值与强度值的比值记为点的强度分布差异;
计算点的强度分布差异与中心距离之间的乘积,将所述乘积的绝对值记为点的噪声点判别值。
6.如权利要求1所述的一种车载装配物料对位智能检测方法,其特征在于,所述对各扇形柱状区域进行划分得到体素块,根据体素块中各点的噪声点判别值及坐标数据获得体素块的特征点,包括:
对于各扇形柱状区域,将扇形柱状区域平均划分为厚度为预设数值的扇形饼状区域,将每个扇形饼状区域记为一个体素块;
将扇形柱状区域中y轴方向的第一个体素块中噪声点判别值最小的点作为第一个体素块的特征点,迭代计算获得每个体素块中各点的特征显著度,表达式为:
其中,为第/>个体素块中第/>个点的特征显著度;/>为第/>个体素块中第/>个点的/>轴坐标;/>为第/>个体素块中第/>个点的/>轴坐标;/>为第/>个体素块中第/>个点的/>轴坐标;/>为第/>个体素块的特征点的/>轴坐标;/>为第/>个体素块的特征点的/>轴坐标;/>为第/>个体素块的特征点的/>轴坐标;/>是第/>个体素块中第/>个点的噪声点判别值;/>为以自然常数为底数的指数函数;
将体素块中特征显著度越大的点作为体素块的特征点。
7.如权利要求1所述的一种车载装配物料对位智能检测方法,其特征在于,所述根据扇形柱状区域中所有体素块的特征点获得中心位置线,包括:
对于各扇形柱状区域,对扇形柱状区域中所有体素块的特征点采用最小二乘法与直线进行拟合获得扇形柱状区域的中心位置线。
8.如权利要求1所述的一种车载装配物料对位智能检测方法,其特征在于,所述根据所有扇形柱状区域的中心位置线获得仝缸管道的对位点,包括:
将所有扇形柱状区域的中心位置线投影到平面,获得投影点,获得相邻的投影点之间的连线,将所述连线的垂直平分线记为区域中心判别线;
将扇形柱状区域的任意两条区域中心判别线的交点记为疑似中心点;
将所有疑似中心点的坐标数据均值对应的点作为仝缸管道的对位点。
9.一种车载装配物料对位智能检测系统,包括存储器、处理器以及存储在所述存储器中并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权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160772.5A CN117710244B (zh) | 2024-02-05 | 2024-02-05 | 一种车载装配物料对位智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160772.5A CN117710244B (zh) | 2024-02-05 | 2024-02-05 | 一种车载装配物料对位智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710244A CN117710244A (zh) | 2024-03-15 |
CN117710244B true CN117710244B (zh) | 2024-04-26 |
Family
ID=90155649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410160772.5A Active CN117710244B (zh) | 2024-02-05 | 2024-02-05 | 一种车载装配物料对位智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710244B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7317456B1 (en) * | 2002-12-02 | 2008-01-08 | Ngrain (Canada) Corporation | Method and apparatus for transforming point cloud data to volumetric data |
CN102565081A (zh) * | 2012-01-12 | 2012-07-11 | 北京化工大学 | 基于圆结构光视觉检测三维数据点的管道缺陷检测方法 |
CN103591923A (zh) * | 2013-11-28 | 2014-02-19 | 哈尔滨电气动力装备有限公司 | 核主泵导叶体叶片检测方法 |
WO2015196544A1 (zh) * | 2014-06-24 | 2015-12-30 | 中国科学院深圳先进技术研究院 | 点云曲面重建方法及系统 |
CN105674904A (zh) * | 2016-04-21 | 2016-06-15 | 哈尔滨工业大学 | 一种具有智能化装配特点的新型汽轮机通流间隙检测方法 |
CN109887009A (zh) * | 2019-01-24 | 2019-06-14 | 西北大学 | 一种点云局部匹配方法 |
CN110375722A (zh) * | 2019-06-25 | 2019-10-25 | 北京工业大学 | 一种基于点云数据提取盾构隧道管片张开量的方法 |
CN111208533A (zh) * | 2020-01-09 | 2020-05-29 | 上海工程技术大学 | 一种基于激光雷达的实时地面检测方法 |
CN114396892A (zh) * | 2021-12-02 | 2022-04-26 | 重庆交通大学 | 轨道交通曲线轨道曲率测量方法 |
WO2022083178A1 (zh) * | 2020-10-21 | 2022-04-28 | 湖北亿咖通科技有限公司 | 激光点云处理方法、电子装置和存储介质 |
CN114494573A (zh) * | 2021-12-17 | 2022-05-13 | 武汉中仪物联技术股份有限公司 | 三维管道模型标注方法、装置、电子设备及存储介质 |
CN116168036A (zh) * | 2023-04-26 | 2023-05-26 | 深圳市岑科实业有限公司 | 用于电感绕线设备的异常智能监测系统 |
CN116416713A (zh) * | 2022-12-26 | 2023-07-11 | 中科云谷科技有限公司 | 泵送设备的智能巡检方法、系统、电子设备及存储介质 |
CN116430570A (zh) * | 2023-06-13 | 2023-07-14 | 睿励科学仪器(上海)有限公司 | 光强校正、照明、显微镜成像、硅片缺陷检测装置及方法 |
-
2024
- 2024-02-05 CN CN202410160772.5A patent/CN117710244B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7317456B1 (en) * | 2002-12-02 | 2008-01-08 | Ngrain (Canada) Corporation | Method and apparatus for transforming point cloud data to volumetric data |
CN102565081A (zh) * | 2012-01-12 | 2012-07-11 | 北京化工大学 | 基于圆结构光视觉检测三维数据点的管道缺陷检测方法 |
CN103591923A (zh) * | 2013-11-28 | 2014-02-19 | 哈尔滨电气动力装备有限公司 | 核主泵导叶体叶片检测方法 |
WO2015196544A1 (zh) * | 2014-06-24 | 2015-12-30 | 中国科学院深圳先进技术研究院 | 点云曲面重建方法及系统 |
CN105674904A (zh) * | 2016-04-21 | 2016-06-15 | 哈尔滨工业大学 | 一种具有智能化装配特点的新型汽轮机通流间隙检测方法 |
CN109887009A (zh) * | 2019-01-24 | 2019-06-14 | 西北大学 | 一种点云局部匹配方法 |
CN110375722A (zh) * | 2019-06-25 | 2019-10-25 | 北京工业大学 | 一种基于点云数据提取盾构隧道管片张开量的方法 |
CN111208533A (zh) * | 2020-01-09 | 2020-05-29 | 上海工程技术大学 | 一种基于激光雷达的实时地面检测方法 |
WO2022083178A1 (zh) * | 2020-10-21 | 2022-04-28 | 湖北亿咖通科技有限公司 | 激光点云处理方法、电子装置和存储介质 |
CN114396892A (zh) * | 2021-12-02 | 2022-04-26 | 重庆交通大学 | 轨道交通曲线轨道曲率测量方法 |
CN114494573A (zh) * | 2021-12-17 | 2022-05-13 | 武汉中仪物联技术股份有限公司 | 三维管道模型标注方法、装置、电子设备及存储介质 |
CN116416713A (zh) * | 2022-12-26 | 2023-07-11 | 中科云谷科技有限公司 | 泵送设备的智能巡检方法、系统、电子设备及存储介质 |
CN116168036A (zh) * | 2023-04-26 | 2023-05-26 | 深圳市岑科实业有限公司 | 用于电感绕线设备的异常智能监测系统 |
CN116430570A (zh) * | 2023-06-13 | 2023-07-14 | 睿励科学仪器(上海)有限公司 | 光强校正、照明、显微镜成像、硅片缺陷检测装置及方法 |
Non-Patent Citations (1)
Title |
---|
AR辅助装配中基体及零件位姿组合估计方法;刘然 等;《机械设计与研究》;20181231;第34卷(第6期);119-125+137 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710244A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Tree-based morse regions: A topological approach to local feature detection | |
CN110335234B (zh) | 一种基于古文物LiDAR点云的三维变化检测方法 | |
Ulusoy et al. | Semantic multi-view stereo: Jointly estimating objects and voxels | |
CN107702663A (zh) | 一种基于具有标志点的旋转平台的点云配准方法 | |
CN113570629B (zh) | 去除动态物体的语义分割方法及系统 | |
CN106651842A (zh) | 一种ct影像肺结节种子点自动获取和分割方法 | |
CN117710244B (zh) | 一种车载装配物料对位智能检测方法及系统 | |
CN116310098A (zh) | 一种基于注意力机制与可变卷积深度网络的多视图三维重建方法 | |
CN113298838B (zh) | 一种物体轮廓线提取方法及系统 | |
CN114511575A (zh) | 基于图像分割定位辅助点云配准的高反光物体的抓取方法 | |
CN108460348B (zh) | 基于三维模型的道路目标检测方法 | |
CN111583323B (zh) | 一种单帧结构光场三维成像方法和系统 | |
CN109493362A (zh) | 一种神经网络结合边缘检测的人体前景分割算法 | |
Chang et al. | Reverse engineering of a symmetric object | |
CN107741204B (zh) | 一种用于动态三维测量的条纹增强方法 | |
CN116330667A (zh) | 一种玩具的3d打印模型设计方法及系统 | |
CN115965641A (zh) | 一种基于deeplabv3+网络的咽部图像分割及定位方法 | |
Ding et al. | Preprocessing of multi-line structured light image based on Radon transformation and gray-scale transformation | |
Pilu et al. | Recognition of geons by parametric deformable contour models | |
Li et al. | The method of detecting nearest distance between obstacles and vehicle tail based on binocular vision system | |
Li et al. | Research on three-dimensional reconstruction technology of line laser scanning scene based on Otsu method | |
Zhou et al. | A novel method for reconstructing general 3D curves from stereo images | |
CN113129348A (zh) | 一种基于单目视觉的道路场景中车辆目标的三维重建方法 | |
Wang et al. | A combined approach on RBC image segmentation through shape feature extraction | |
CN112116710B (zh) | 基于趋势约束的曲面重建方法 |
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 |