ES2316413T3 - Procedimiento para el reconocimiento de desviaciones de la forma superficial de una forma predeterminada. - Google Patents
Procedimiento para el reconocimiento de desviaciones de la forma superficial de una forma predeterminada. Download PDFInfo
- Publication number
- ES2316413T3 ES2316413T3 ES01126920T ES01126920T ES2316413T3 ES 2316413 T3 ES2316413 T3 ES 2316413T3 ES 01126920 T ES01126920 T ES 01126920T ES 01126920 T ES01126920 T ES 01126920T ES 2316413 T3 ES2316413 T3 ES 2316413T3
- Authority
- ES
- Spain
- Prior art keywords
- values
- pixel
- achromatic
- matrix
- neural network
- 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.)
- Expired - Lifetime
Links
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
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
- G01B11/2518—Projection by scanning of the object
- G01B11/2527—Projection by scanning of the object with phase change by in-plane movement of the patern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Procedimiento para el reconocimiento de desviaciones de la forma superficial de una forma predeterminada, mediante un registro de valores de medición, y un procesamiento subsiguiente con una red neuronal artificial, en el que - se proyectan patrones sobre la superficie del objeto, y se toman imágenes con una cámara matricial, - produciendo la cámara matricial en forma conocida en sí misma, un juego de n imágenes sucesivas en el tiempo, desplazando y/o girando el patrón proyectado en valores predeterminados, y/o modificando la estructura del patrón, entre las tomas de las imágenes, - de cada uno de los n valores acromáticos de una secuencia de valores acromáticos de los píxeles individuales de las n imágenes tomadas por la cámara matricial, se determina(n) un número o varios números <n, que es/son característicos para la secuencia de valores acromáticos del respectivo píxel, o para la secuencia de valores acromáticos del píxel en relación con una secuencia de valores acromáticos o de varias secuencias de valores acromáticos de otros píxeles, - después de la entrada en la red neuronal, de la matriz de los números característicos de la probeta, determinados a partir de los datos de imagen, se lleva a cabo una rellamada de la red neuronal, - como datos significantes para los defectos de la probeta, se utiliza la comparación entre la matriz de los números característicos de la probeta, determinados a partir de los datos de imagen, y los datos de la rellamada de la red neuronal, caracterizado porque - para cada píxel del sensor de la cámara matricial, se calcula en forma conocida en sí misma, un valor de fase a partir de los correspondientes valores acromáticos, y la matriz así obtenida se utiliza como fichero de entrada para la red neuronal artificial, o - para cada píxel del sensor de la cámara matricial, se determina una medida de la semejanza entre los valores acromáticos del píxel seleccionado y los valores acromáticos de otro píxel a una distancia fijada al píxel seleccionado, y la matriz así obtenida se utiliza como fichero de entrada para la red neuronal artificial, o - para cada píxel del sensor de la cámara matricial, se determina una medida de la semejanza entre los valores acromáticos del píxel seleccionado y los valores acromáticos de un píxel contiguo, y la matriz así obtenida se utiliza como fichero de entrada para la red neuronal artificial.
Description
Procedimiento para el reconocimiento de
desviaciones de la forma superficial de una forma
predeterminada.
La invención se refiere a un procedimiento para
el reconocimiento de defectos de la forma superficial de un objeto,
en el que los datos de imagen tomados por una cámara digital, de la
superficie del objeto a inspeccionar, a continuación designado como
probeta, se modifican mediante una red neuronal artificial,
partiendo de que se producen datos digitales de imagen que podrían
ser generados en la probeta por la cámara digital, cuando no
tuvieran defectos superficiales ningunos, virtualmente, una pieza
maestra. La pieza maestra corresponde pues a una forma
predeterminada. Comparando los datos originales de imagen, con los
datos de imagen producidos artificialmente, se pueden detectar los
puntos defectuosos de la superficie. La invención puede emplearse
de preferencia para aquellas tareas de medición en las que los
defectos son muy pequeños en comparación con el tamaño de la
probeta y, por ejemplo por motivos de reducción de gastos, la
probeta tan sólo puede ajustarse con menos exactitud en la posición
de medición. Tales tareas de medición consisten, por ejemplo, en el
control de la fabricación de piezas de chapa de embutición
profunda, de gran superficie.
Según el documento DE 197 53 620.4 C1 se conoce
un procedimiento en el que se modifican datos tridimensionales de
medición de la superficie del objeto a inspeccionar, mediante una
red neuronal artificial, partiendo de que se producen datos
tridimensionales de medición que podrían proceder de la probeta
cuando no tuviera defectos superficiales ningunos, virtualmente,
una pieza maestra. Mediante la comparación de los datos
tridimensionales originales de medición, con los datos
tridimensionales de medición producidos artificialmente, se pueden
detectar los puntos defectuosos en la superficie.
Aquí es desventajoso que para la detección de
puntos defectuosos, en la forma superficial se tienen que determinar
datos tridimensionales que caractericen explícitamente la forma
superficial. Estos datos tridimensionales se calculan con
frecuencia a partir de datos digitales de imagen que asimismo
caracterizan, no obstante implícitamente, la forma superficial
incluso los puntos defectuosos. Pero para la detección de los puntos
defectuosos, es suficiente ya esta forma de la característica
superficial.
El gasto para la producción de los datos
tridimensionales de la superficie de la probeta, es por lo regular
superior al gasto para la toma de datos de imagen. Con frecuencia,
los datos tridimensionales se calculan a partir de imágenes
similares o idénticas a las que se utilizan directamente en la
invención.
Para el cálculo de datos tridimensionales a
partir de imágenes digitales, son especialmente bien apropiados los
siguientes procedimientos: Procedimiento según el documento DE 196
23 172 C1; procedimiento de desplazamiento de fases a partir de las
imágenes de dos cámaras; procedimiento de desplazamiento de fases
utilizando una cámara y un proyector.
Una condición previa importante en el cálculo de
datos tridimensionales con alguno de los procedimientos citados, es
un calibrado exacto de las dos cámaras o de la cámara y del
proyector en el procedimiento de desplazamiento de fases con tan
sólo una cámara. Para ello se necesita software adicional. Además,
defectos durante el calibrado, conducen por lo regular a
falseamientos de los datos tridimensionales.
Además, comparando con el procedimiento con dos
cámaras, todavía se ahorra una cámara.
Tales procedimientos se aprovechan en la
práctica para el control de calidad óptico tridimensional
automatizado, de piezas vistas, por ejemplo, para el reconocimiento
de defectos como abolladuras, hoyos, granillos y deterioros
semejantes en superficies de piezas de automóvil.
Un método de la realización práctica de un
procedimiento semejante, se describe en una publicación "Dent
Detection in Car Bodies" de Tilo Lilienblum y otros en
"Proceedings 15th International Conference on Pattern Recognition,
2000"; volumen 4, páginas 775 - 778.
La misión de la invención se basa en indicar un
procedimiento en el que se suprima amplia o totalmente, la
influencia de las diferencias de ajuste, así como las variaciones
tolerables de forma de la probeta, sobre el resultado de la prueba,
de manera que con pequeño gasto de ajuste, utilizando una red
neuronal, también se puedan detectar automáticamente defectos
pequeños sin cálculo explícito de datos tridimensionales de la
probeta. Las diferencias típicas de ajuste y las variaciones típicas
tolerables de forma, son aquí mayores que los defectos a
detectar.
Según la invención se resuelve la misión con un
procedimiento con las notas características en la reivindicación 1.
Perfeccionamientos ventajosos se deducen de las reivindicaciones
secundarias.
Con bajo gasto de ajuste se pueden detectar así
automáticamente también defectos pequeños sin el cálculo explícito
de datos tridimensionales de la probeta, utilizando una red
neuronal. Las diferencias típicas de ajuste y las variaciones
típicas tolerables de forma, son aquí mayores que los defectos a
detectar.
El procedimiento presentado para el
reconocimiento de desviaciones de la forma superficial, de una forma
predeterminada, está caracterizado por un registro de valores de
medición y por un procesamiento posterior en una red neuronal
artificial, en la que el patrón se proyecta sobre una superficie del
objeto, y se toman imágenes con cámara matriz, produciendo la
cámara matriz en forma conocida en sí misma, un juego de n
imágenes sucesivas en el tiempo, desplazando y/o girando el patrón
proyectado en valores predeterminados, y/o modificando la estructura
del patrón, entre las tomas de las imágenes. Aquí para cada uno de
los n valores acromáticos de una secuencia de valores
acromáticos, se determinan los píxeles individuales de las N
imágenes tomadas por la cámara matriz, en uno o varios números
<n, que es/son característico(s) para la secuencia
de valores acromáticos del respectivo píxel, o para la secuencia de
valores acromáticos del píxel en relación con una secuencia de
valores acromáticos o con varias secuencias de valores acromáticos
de otros píxeles, llevándose a cabo después de la introducción en
la red neuronal, de los datos de imagen tomados, o de la matriz de
los números característicos de la probeta determinados a partir de
los datos de imagen, una rellamada de la red neuronal, utilizándose
como datos significantes para los defectos de la probeta, la
comparación entre los datos de imagen o la matriz de los números
característicos determinados a partir de los datos de imagen, y los
datos de la rellamada de la red neuronal.
Con el siguiente ejemplo de realización se
explica en detalle la invención.
El problema fundamental en la valoración de una
probeta con respecto a los puntos defectuosos en la forma
superficial, está en lo siguiente:
Se trata por lo regular de objetos fabricados
industrialmente cuyas formas varían condicionados por la técnica de
producción. Existen descripciones matemáticas de la superficie, por
ejemplo, modelos CAD [diseño asistido por ordenador], o una serie
de piezas maestras, que se encontrarían sin defectos. Junto a las
diferencias de forma, varía asimismo el posicionamiento. Por este
motivo no es posible extraer los puntos defectuosos, mediante una
simple sustracción de diferencias entre los datos de la probeta y
los de la correspondiente pieza maestra, puesto que los últimos
datos no existen. Parte integrante principal de la invención es, a
partir de los datos de la probeta calcular los datos de la
correspondiente pieza maestra virtual (una pieza sin defectos pero
en igual posición, conformación global, y realización que la
probeta).
Esto se lleva a cabo en la fase de rellamada de
una red neuronal artificial. Una red neuronal artificial apropiada
en especial para la misión según la invención, es una memoria
asociativa modificada conforme al documento DE 197 53 620 C1. Esta
red neuronal recibe su configuración específica para la misión, en
una fase de entrenamiento.
El algoritmo para la extracción de los puntos
defectuosos, comienza primeramente con la toma de imágenes de la
superficie a evaluar de la probeta, con una cámara digital, con el
fin de que en ellas estén contenidas informaciones tridimensionales
(implícitas) de la superficie.
Para ello, con un proyector se proyectan
suplementariamente patrones sobre la superficie. Aquí se proyectan
sucesivamente varios n patrones diferentes y se toman
n imágenes. Esta es una forma favorable de proceder para
elevar la cantidad de información. Los n patrones son por lo
regular patrones rayados que se desplazan la enésima parte del
ciclo entre rayas. También son posibles otros patrones completos,
por ejemplo, estocásticos que se diferencian unos de otros en forma
o posición.
Por lo regular es práctico normalizar los
valores de brillo de las imágenes tomadas, puesto que entre las
distintas mediciones pueden variar las condiciones de la luz, por
ejemplo, mediante modificaciones del brillo del proyector, o de
otras característica de reflexión de las piezas a medir. Una
posibilidad típica para la normalización del brillo de las
imágenes, consiste en la utilización de una llamada imagen oscura y
una brillante. Para ello se proyecta mediante el proyector un
patrón completo brillante, y otro en el que la lámpara luce desde
luego, pero se atenúa el recorrido de proyección en la forma máxima
habitual, como si se proyectasen exclusivamente rayas
"negras". Entonces para cada píxel se dispone pues de un valor
del brillo inferior y uno superior, a los que, en forma conocida en
sí misma, se normalizan los valores acromáticos de todos los
píxeles de las n imágenes tomadas, por ejemplo, en relación
con el valor superior y el inferior del brillo. En la ulterior
descripción, el concepto "imágenes" debe de comprender también
las imágenes normalizadas de esta o forma similar.
Por la superficie a evaluar se lleva a cabo una
deformación espacial de los patrones. Con ello las imágenes tomadas
contienen informaciones tridimensionales implícitas sobre la
superficie. Aquí es condición previa esencial que la cámara tome
imágenes desde otra dirección que la que el proyector utiliza para
proyectar patrones. De estas informaciones se extraen después en
los pasos siguientes los puntos defectuosos.
Primeramente hay el problema de la gran cantidad
de información: Existen n imágenes de la superficie. De aquí
se deduce que por cada píxel existen n valores acromáticos, y
por tanto una secuencia de valores acromáticos. Esta gran cantidad
de información podría conducir a dificultades en el procesamiento
por la memoria asociativa.
Por este motivo parece lógico reducir la
cantidad de información. Para ello la secuencia de valores
acromáticos de un píxel se transforma en un número característico.
Para ello hay las posibilidades siguientes:
Así en una posibilidad, primeramente se tiene
que garantizar que perpendicularmente a las rayas, se proyectan
n patrones rayados con desarrollo casi sinusoidal del
brillo.
Estos patrones tienen la misma forma unos
respecto a otros, pero están desplazados cada uno, la enésima parte
del ciclo. Ahora se pueden utilizar los métodos conocidos del
llamado procedimiento de desplazamiento de fases:
Para cada píxel existe un valor de fase en el
resultado de cálculos especiales. Este es una medida para la
posición en un patrón sinusoidal con relación al punto de anulación
de la función seno. El valor de fase es un número característico
para toda la secuencia de valores acromáticos del píxel.
En otra posibilidad para el cálculo de un número
característico, se determina la semejanza de la secuencia de
valores acromáticos del píxel seleccionado, respecto a la secuencia
de valores acromáticos de un píxel contiguo: Este número
característico es entonces, por ejemplo, el coeficiente de
correlación cruzada entre las dos secuencias de valores
acromáticos. Para la aplicación de este método a toda la imagen, se
utilizan, por ejemplo, respectivamente el píxel izquierdo o derecho
contiguo a cada uno. De este modo se determinan para toda la
imagen, a excepción de una columna o fila marginal, coeficientes de
correlación cruzada. Estos se modulan por la forma tridimensional de
la superficie.
Las posibilidades descritas para la reducción de
la cantidad de información no están limitadas a las posibilidades
indicadas, sino que se pueden aplicar también otras formas de
proceder.
Para el tipo de los datos a procesar por la
memoria asociativa, hay en conjunto las siguientes
posibilidades:
Como datos de entrada se utiliza una de las
matrices descritas de los números característicos: Por píxel un
valor de fase, un valor de correlación u otro número característico
apropiado.
Cada una de estas matrices descritas, describe
implícitamente la forma tridimensional de la superficie a comprobar.
Mediante la memoria asociativa se modifica ahora la matriz
correspondiente del modo siguiente: Se produce una matriz que
podría proceder de la probeta, cuando no contuviese puntos ningunos
defectuosos de la forma superficial. Tiene la misma forma y la
misma posición que la probeta, y se designa como pieza maestra
virtual.
Ahora únicamente tiene que formarse la
diferencia de las dos matrices. En la matriz resultante se presentan
los puntos defectuosos que, no obstante, están sobrepuestos por el
ruido de medición. De este modo los puntos defectuosos que sean
mayores que el ruido de medición, se pueden extraer mediante la
simple formación de un valor umbral.
Para estos puntos defectuosos se puede calcular
entonces en forma conocida en sí misma, la posición en la
superficie o las coordinadas tridimensionales.
En esta fase se lleva a cabo la configuración
especial de la memoria asociativa, referida a las probetas.
El "entrenamiento" se realiza con ayuda de
los datos tridimensionales implícitos de piezas maestras sin
defectos. Estos datos tienen que ser del mismo tipo que los de la
fase de rellamada, a saber, valores acromáticos o números
característicos de las secuencias de valores acromáticos. Mediante
el entrenamiento se ajustan o armonizan los factores de peso.
Para factores de peso/importantes,
favorablemente armonizados, la memoria asociativa está en
condiciones de, a partir de los datos de una probeta, producir los
datos de la correspondiente pieza maestra virtual.
Claims (5)
1. Procedimiento para el reconocimiento de
desviaciones de la forma superficial de una forma predeterminada,
mediante un registro de valores de medición, y un procesamiento
subsiguiente con una red neuronal artificial, en el que
- -
- se proyectan patrones sobre la superficie del objeto, y se toman imágenes con una cámara matricial,
- -
- produciendo la cámara matricial en forma conocida en sí misma, un juego de n imágenes sucesivas en el tiempo, desplazando y/o girando el patrón proyectado en valores predeterminados, y/o modificando la estructura del patrón, entre las tomas de las imágenes,
- -
- de cada uno de los n valores acromáticos de una secuencia de valores acromáticos de los píxeles individuales de las n imágenes tomadas por la cámara matricial, se determina(n) un número o varios números <n, que es/son característicos para la secuencia de valores acromáticos del respectivo píxel, o para la secuencia de valores acromáticos del píxel en relación con una secuencia de valores acromáticos o de varias secuencias de valores acromáticos de otros píxeles,
- -
- después de la entrada en la red neuronal, de la matriz de los números característicos de la probeta, determinados a partir de los datos de imagen, se lleva a cabo una rellamada de la red neuronal,
- -
- como datos significantes para los defectos de la probeta, se utiliza la comparación entre la matriz de los números característicos de la probeta, determinados a partir de los datos de imagen, y los datos de la rellamada de la red neuronal,
caracterizado porque
- -
- para cada píxel del sensor de la cámara matricial, se calcula en forma conocida en sí misma, un valor de fase a partir de los correspondientes valores acromáticos, y la matriz así obtenida se utiliza como fichero de entrada para la red neuronal artificial, o
- -
- para cada píxel del sensor de la cámara matricial, se determina una medida de la semejanza entre los valores acromáticos del píxel seleccionado y los valores acromáticos de otro píxel a una distancia fijada al píxel seleccionado, y la matriz así obtenida se utiliza como fichero de entrada para la red neuronal artificial, o
- -
- para cada píxel del sensor de la cámara matricial, se determina una medida de la semejanza entre los valores acromáticos del píxel seleccionado y los valores acromáticos de un píxel contiguo, y la matriz así obtenida se utiliza como fichero de entrada para la red neuronal artificial.
2. Procedimiento según la reivindicación 1,
caracterizado porque como medida de semejanza se utiliza el
coeficiente de correlación cruzada.
3. Procedimiento según las reivindicaciones 1 y
2, caracterizado porque como medida de semejanza se utiliza
la suma de los errores cuadráticos.
4. Procedimiento según alguna de las
reivindicaciones 1 a 3, caracterizado porque la red neuronal
se compone de tres capas lineales.
5. Procedimiento según la reivindicación 1,
caracterizado porque el cálculo del valor de fase, se lleva a
cabo según el procedimiento de desplazamiento de fase.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10057928A DE10057928C1 (de) | 2000-11-22 | 2000-11-22 | Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form |
DE10057928 | 2000-11-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2316413T3 true ES2316413T3 (es) | 2009-04-16 |
Family
ID=7664237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES01126920T Expired - Lifetime ES2316413T3 (es) | 2000-11-22 | 2001-11-13 | Procedimiento para el reconocimiento de desviaciones de la forma superficial de una forma predeterminada. |
Country Status (5)
Country | Link |
---|---|
US (1) | US7149337B2 (es) |
EP (1) | EP1211479B1 (es) |
AT (1) | ATE413586T1 (es) |
DE (2) | DE10057928C1 (es) |
ES (1) | ES2316413T3 (es) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10304111B4 (de) * | 2003-01-31 | 2011-04-28 | Sirona Dental Systems Gmbh | Aufnahmeverfahren für ein Bild eines Aufnahmeobjekts |
US20080129984A1 (en) * | 2006-12-01 | 2008-06-05 | Sol Focus, Inc. | Inspection of optical elements |
US8042397B2 (en) * | 2007-05-16 | 2011-10-25 | The Boeing Company | Damage volume and depth estimation |
KR100916615B1 (ko) * | 2007-06-20 | 2009-09-14 | 건국대학교 산학협력단 | 롤투롤 공정에서의 웹 주름 측정 시스템 |
US8131055B2 (en) * | 2008-01-31 | 2012-03-06 | Caterpillar Inc. | System and method for assembly inspection |
GB2481459B (en) * | 2010-06-25 | 2017-05-03 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E V | Capturing a surface structure of an object surface |
DE102012215215A1 (de) | 2012-08-27 | 2014-05-28 | Inb Vision Ag | Verfahren und Vorrichtung zum Erkennen von Abweichungen einer Oberfläche eines Objekts |
US9661304B2 (en) * | 2012-10-31 | 2017-05-23 | Ricoh Company, Ltd. | Pre-calculation of sine waves for pixel values |
DE102016211449A1 (de) * | 2016-06-27 | 2017-12-28 | Bayerische Motoren Werke Aktiengesellschaft | Prüfsystem und Verfahren zum Prüfen von Bauteilen |
DE102017212371B4 (de) * | 2017-07-19 | 2020-06-04 | Carl Zeiss Industrielle Messtechnik Gmbh | Bestimmung einer Marke in einem Datensatz mit mittels zumindest eines Laserscanners erfassten dreidimensionalen Oberflächen-Koordinaten einer Szene |
CN107396094B (zh) * | 2017-08-17 | 2019-02-22 | 上海大学 | 面向多摄像头监控系统中单个摄像头损坏的自动检测方法 |
CN109615610B (zh) * | 2018-11-13 | 2023-06-06 | 浙江师范大学 | 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法 |
US10481579B1 (en) * | 2019-02-28 | 2019-11-19 | Nanotronics Imaging, Inc. | Dynamic training for assembly lines |
DE102019208448A1 (de) * | 2019-06-11 | 2020-12-17 | Robert Bosch Gmbh | Verfahren zur Überprüfung eines Geräts oder einer Maschine |
DE102020208894B3 (de) | 2020-07-16 | 2021-07-29 | BSH Hausgeräte GmbH | Verschleißbestimmung an einem Hausgerät |
CN113744274B (zh) * | 2021-11-08 | 2022-02-08 | 深圳市巨力方视觉技术有限公司 | 产品外观缺陷检测方法、装置及存储介质 |
DE102022102645A1 (de) | 2022-02-04 | 2023-08-10 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Überwachung einer Materialeigenschaft einer Blech-Komponente |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4842411A (en) * | 1986-02-06 | 1989-06-27 | Vectron, Inc. | Method of automatically measuring the shape of a continuous surface |
JP2878409B2 (ja) * | 1989-09-04 | 1999-04-05 | 株式会社リコー | 3次元物体撮像方式 |
KR920002268A (ko) * | 1990-07-17 | 1992-02-28 | 유끼노리 가까즈 | 인텔리젠트가공장치 |
US5408424A (en) * | 1993-05-28 | 1995-04-18 | Lo; James T. | Optimal filtering by recurrent neural networks |
US5790690A (en) * | 1995-04-25 | 1998-08-04 | Arch Development Corporation | Computer-aided method for automated image feature analysis and diagnosis of medical images |
US5812992A (en) * | 1995-05-24 | 1998-09-22 | David Sarnoff Research Center Inc. | Method and system for training a neural network with adaptive weight updating and adaptive pruning in principal component space |
DE19623172C1 (de) * | 1996-06-10 | 1997-10-23 | Univ Magdeburg Tech | Verfahren zur dreidimensionalen optischen Vermessung von Objektoberflächen |
US5873824A (en) * | 1996-11-29 | 1999-02-23 | Arch Development Corporation | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks |
US5999639A (en) * | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
DE19753620C1 (de) * | 1997-12-03 | 1999-10-07 | Bernd Michaelis | Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form durch eine dreidimensionale Meßwerterfassung und eine nachfolgende Verarbeitung mit einem künstlichen neuronalen Netz |
-
2000
- 2000-11-22 DE DE10057928A patent/DE10057928C1/de not_active Expired - Fee Related
-
2001
- 2001-11-13 EP EP01126920A patent/EP1211479B1/de not_active Expired - Lifetime
- 2001-11-13 AT AT01126920T patent/ATE413586T1/de not_active IP Right Cessation
- 2001-11-13 ES ES01126920T patent/ES2316413T3/es not_active Expired - Lifetime
- 2001-11-13 DE DE50114464T patent/DE50114464D1/de not_active Expired - Lifetime
- 2001-11-21 US US09/995,982 patent/US7149337B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
EP1211479B1 (de) | 2008-11-05 |
US7149337B2 (en) | 2006-12-12 |
EP1211479A2 (de) | 2002-06-05 |
ATE413586T1 (de) | 2008-11-15 |
DE50114464D1 (de) | 2008-12-18 |
DE10057928C1 (de) | 2002-02-21 |
EP1211479A3 (de) | 2003-04-16 |
US20020072874A1 (en) | 2002-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2316413T3 (es) | Procedimiento para el reconocimiento de desviaciones de la forma superficial de una forma predeterminada. | |
JP5576726B2 (ja) | 三次元計測装置、三次元計測方法、及びプログラム | |
CN103673925B (zh) | 用于测量对象物体的信息处理装置及方法 | |
CN101292255B (zh) | 三维成像中的人工痕迹消除 | |
ES2348902T3 (es) | Procedidmiento y sistema para la medicion de la forma de una superficie reflejante. | |
US7893393B2 (en) | System and method for calibrating an image projection system | |
CN110392252B (zh) | 用于生成相机的校正模型以校正像差的方法 | |
KR101733228B1 (ko) | 구조광을 이용한 3차원 스캐닝 장치 | |
CN112097689A (zh) | 一种3d结构光系统的标定方法 | |
JP6519265B2 (ja) | 画像処理方法 | |
WO2014002849A1 (ja) | 3次元測定方法、装置及びシステム、並びに画像処理装置 | |
JP6161276B2 (ja) | 測定装置、測定方法、及びプログラム | |
WO2016145582A1 (zh) | 相位偏移校准方法、3d形状检测的方法、系统及投影系统 | |
CN108168464A (zh) | 针对条纹投影三维测量系统离焦现象的相位误差校正方法 | |
KR20110116325A (ko) | 영상 처리 장치 및 그 방법 | |
US9204130B2 (en) | Method and system for creating a three dimensional representation of an object | |
CN111462246B (zh) | 一种结构光测量系统的设备标定方法 | |
CN113963425A (zh) | 人脸活体检测系统的测试方法、装置及存储介质 | |
CN110146024B (zh) | 基于自适应搜索的双精度位移测量方法 | |
US20050286059A1 (en) | Attitude and position measurement of objects using image processing processes | |
JP2004077290A (ja) | 3次元形状計測装置および方法 | |
JP6567199B2 (ja) | 距離計測装置、距離計測方法、及び距離計測プログラム | |
CN110702007B (zh) | 一种基于mems扫描振镜的线结构光三维测量方法 | |
JP5968370B2 (ja) | 三次元計測装置、三次元計測方法、及びプログラム | |
JP2008170282A (ja) | 形状測定装置 |