FI111660B - Hyvyysluku - Google Patents

Hyvyysluku Download PDF

Info

Publication number
FI111660B
FI111660B FI20012295A FI20012295A FI111660B FI 111660 B FI111660 B FI 111660B FI 20012295 A FI20012295 A FI 20012295A FI 20012295 A FI20012295 A FI 20012295A FI 111660 B FI111660 B FI 111660B
Authority
FI
Finland
Prior art keywords
point
measurement
goodness
measured
calculated
Prior art date
Application number
FI20012295A
Other languages
English (en)
Swedish (sv)
Other versions
FI20012295A (fi
FI20012295A0 (fi
Inventor
Henrik Haggren
Esa Leikas
Seppo Vaeaetaeinen
Original Assignee
Mapvision Oy Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mapvision Oy Ltd filed Critical Mapvision Oy Ltd
Priority to FI20012295A priority Critical patent/FI111660B/fi
Publication of FI20012295A0 publication Critical patent/FI20012295A0/fi
Priority to JP2003546045A priority patent/JP2005509878A/ja
Priority to AU2002366128A priority patent/AU2002366128A1/en
Priority to PCT/FI2002/000949 priority patent/WO2003044459A1/en
Priority to US10/496,148 priority patent/US7324712B2/en
Priority to EP02803428A priority patent/EP1459032A1/en
Publication of FI20012295A publication Critical patent/FI20012295A/fi
Application granted granted Critical
Publication of FI111660B publication Critical patent/FI111660B/fi

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
    • 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
    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20088—Trinocular vision calculations; trifocal tensor
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Description

111660
HYVYYSLUKU KEKSINNÖN ALA
Esillä oleva keksintö liittyy kolmiulotteiseen mittaukseen. Esillä olevan keksinnön kohteena on ' 5 menetelmä huonojen mittaustulosten erottamiseksi hy vistä .
KEKSINNÖN TAUSTA
Konenäköjärjestelmät perustuvat erilaisten 10 mittalaitteiden antamaan informaatioon. Informaatiota voidaan mitata esimerkiksi laserilla, mittapäällä tai kuvasta tunnistamalla. Saatua informaatiota voidaan käyttää hyväksi esimerkiksi laadunvalvonnassa, jolloin informaation perusteella voidaan päätellä esimerkiksi 15 kappaleen muotojen oikeellisuus, värivirheet tai esimerkiksi oksien määrä sahatavarasta.
Mittaustulosten tarkkuutta voidaan arvioida useilla eri perusteilla. Mittauksissa on useita mahdollisia virhekomponentteja, joten huonojen mittaustu-20 losten erottaminen hyvistä on oleellista. Komponenttien tarkkuutta voidaan arvioida tarkkuusluvuilla. Tarkkuusluvuilla ei kuitenkaan saada selville yksittäisten mittausten epätarkkuuksia, vaan niillä kuvataan komponenttien tai järjestelmän tarkkuutta ylei- • * 25 sellä tasolla.
Tyypillisesti kolmiulotteisessa konenäköjär-jestelmässä valaistaan laserilla pisteitä kappaleen pinnalle. Nämä kappaleen pinnalle valaistut pisteet mitataan vähintään kahdella kameralla, jolloin tulok-30 seksi saadaan pisteen koordinaatit kolmiulotteisessa , ♦ koordinaatistossa. Tyypillisesti pisteen koordinaatit pyritään mittaamaan kuitenkin useammalla kameralla. Kaikkien kameroiden samasta pisteestä mittaamat kuva-koordinaatit vaikuttavat saatuun kolmiulotteiseen 35 koordinaattiin, jolloin kolmiulotteisten koordinaattien mittaustuloksen tarkkuus paranee tietyllä useam- 111660 2 paa kameraa käytettäessä todennäköisyydellä, joka riippuu mittauksen parametreistä. Toisaalta kolmiulotteisen mittauksen tarkkuus huonontuu olennaisesti, jos ( kameroiden havaitsemien kuvakoordinaattien joukossa on 5 virheellinen mittaus, joka poikkeaa merkittävästi oikeasta arvosta.
Mittaustulosten hyvyyslukuun perustuvia menetelmiä on käytetty teodoliiteilla tapahtuvassa mittauksessa. Niissä lasketaan jollekin tietylle koordinaa-10 tille yhteensopivuus toisen teodoliitin tekemän havainnon kanssa. Näitä menetelmiä ei kuitenkaan voi soveltaa sellaisenaan kameroilla toteutettuihin ko-nenäköjärjestelmiin, koska teodoliittimittauksessa ei ole linssivirheitä ja korkeuskoordinaatti päätellään 15 teodoliitin asennosta. Kamerajärjestelmässä koordinaattien kaikki dimensiot mitataan kuvasta laskemalla.
KEKSINNÖN TARKOITUS
Keksinnön tarkoituksena on poistaa edellä 20 mainitut epäkohdat tai ainakin merkittävästi lieventää niitä. Erityisesti keksinnön tarkoituksena on tuoda esiin uudentyyppinen menetelmä hyvien mittaustulosten erottamiseksi huonoista kolmiulotteisessa kameroihin perustuvassa konenäköjärjestelmässä.
·.; 25
KEKSINNÖN YHTEENVETO
Esillä oleva keksintö koskee mittaustulosten erottelua konenäköjärjestelmissä. Kyseessä olevan keksinnön avulla huonot mittaustulokset voidaan erottaa 30 hyvistä automaattisesti. Keksinnön kohteena olevaa me-. netelmää hyödyntävään järjestelmään kuuluu vähintään kamerajärjestelmä ja tietojärjestelmä. Tyypillisesti järjestelmään kuuluu lisäksi valaisulaite, jolla valaistaan pisteitä mitattavana olevan kappaleen pinnal-35 le. Valaistut pisteet kuvataan kamerajärjestelmällä, jossa kamerat on kalibroitu samaan koordinaatistoon.
* · 3 111660
Kameroilla mitatut pisteet tallennetaan tietojärjestelmään jatkokäyttöä varten.
Vaikka kamerat on kalibroitu samaan koordinaatistoon, niiden yhdestä pisteestä mittaamat koor-5 dinaatit poikkeavat aina hieman toisistaan. Kun sama piste mitataan useilla kameroilla ja niiden mittaamat koordinaatit yhdistetään, saadaan tuloksena tietyllä todennäköisyydellä oikeata arvoa lähempänä oleva arvo kuin minimimäärällä kameroita. Aitoa kolmiulotteista 10 mittausta tehtäessä jokainen piste tulee mitata vähintään kahdella kameralla.
Jos jokin kamera mittaa virheellisen, reilusti muiden kameroiden tuloksista poikkeavat koordinaatit, useiden kameroiden tuloksista yhdistetty koordi-15 naatti siirtyy kauemmaksi oikeasta arvosta. Keksinnön kohteena olevalla menetelmällä voidaan päätellä, onko jonkin pisteen mittaustulokset hyväksyttävissä. Pisteiden yhdistämiseen voidaan käyttää useita erilaisia menetelmiä.
20 Keksinnön kohteena olevassa menetelmässä mi tataan kappaleen pinnalle valaistut pisteet tai muuten näkyvät kohteet useilla eri kameroilla. Kun sama piste on mitattu usealla kameralla, yhdistetään kameroiden mittaamat havaintovektorit. Tämän jälkeen lasketaan 25 pisteelle koordinaatit. Koordinaattien laskemisen jäi- • « • keen lasketaan tehdyistä havainnoista ns. varianssi- kovarianssimatriisi, jonka parametrit kuvaavat virhe-ellipsoidia. Hyvyysluku saadaan laskemalla esimerkiksi ellipsoidin akselipituuksien keskiarvo. Toinen tapa on 30 käyttää ellipsoidin akselipituuksien koordinaattiakse-leille projisoitujen pituuksien neliöllistä keksiar-voa, koska se on helppo laskea varianssi-kovarianssi matriisista. Myös tätä keskiarvoa voidaan nimittää hy-vyysluvuksi. Ennen mittauksen aloittamista järjestel-35 mään syötetään suurin hyväksyttävä mittausluku, jolloin mittauksessa havaitut pisteet hylätään, mikäli hyvyysluku ylittää ennalta määritellyn raja-arvon.
• · 111660 4
Keksinnön eräässä edullisessa sovelluksessa tallennetaan jokaista kolmiulotteista mittausta koskeva hyvyysluku hylkäämättä mittaustulosta ja käytetään tai- t lennettuja hyvyyslukuja myöhemmin pistejoukon suodatta- 5 miseen halutulla raja-arvolla. Tällöin mittausta voi- - .1 daan jälkikäteen käyttämällä esimerkiksi uutta, sallivampaa raja-arvoa mittauksen hyvyydelle.
Keksinnön mukaista menetelmää käyttämällä virheelliset mittaustulokset voidaan erottaa hyvistä 10 mittaustuloksista. Huonot mittaustulokset voidaan hylätä tai mitata uudestaan. Mittaustulosten erottelun ansiosta mittauksen luotettavuus ja mittaustarkkuus parantuvat merkittävästi.
15
KUVALUETTELO
Seuraavassa keksintöä selostetaan yksityiskohtaisesti sovellusesimerkkien avulla, jossa kuvio 1 esittää keksinnön mukaisen järjestel-20 män erästä sovellusta, kuvio 2 esittää kuvion 1 mukaisen järjestelmän toimintalohkokaaviota,
Kuvio 3 esittää havaintovektoreiden yhdistämistä, '·« 25 Kuvio 4 esittää havaintovektoreiden yhdistä mistä eri näkökulmasta kuin kuvio 3.
KEKSINNÖN YKSITYISKOHTAINEN SELOSTUS
Kuvion 1 mukaiseen järjestelmään kuuluu va-30 laisujärjestelmä LASER, kahdesta kamerasta CAM1 ja ·. CAM2 koostuva kamerajärjestelmä ja tietojärjestelmä DTE. Lisäksi järjestelmään kuuluu aluslevy 10, jolle mitattava kappale 11 on asetettu. Mittauksen alussa järjestelmään syötetään hyvyysluku tai sille asetettu 35 raja-arvo.
• · 111660 5
Kappaletta mitattaessa valaisulaitteella LASER, jolla tyypillisesti muodostetaan useita pisteitä yhtäaikaa, valaistaan kappaletta. Valaistaessa kappaleen 11 pinnalle muodostuu pisteitä, jotka mitataan 5 kameroilla CAM1 ja CAM2. Järjestelmän valaisulaite LA- i SER on tyypillisesti kalibroitu aikaisemmin samaan koordinaatistoon kameroiden kanssa. Tietojärjestelmällä DTE ohjataan kameroiden CAM1 ja CAM2 toimintaa sekä lasketaan tarvittavat laskutoimitukset koordinaattien 10 selvittämiseksi. Kun koordinaatti on laskettu, lasketaan tietojärjestelmällä DTE virhe-ellipsoidi. Jos virhe-ellipsoidin parametreista laskettu hyvyysluku on enintään raja-arvon verran, piste hyväksytään ja tallennetaan tietojärjestelmän DTE muistiin.
15 Kuviossa 2 esitetään kuvion 1 mukaisen jär jestelmän erään sovelluksen toimintalohkokaavio. Sovelluksessa valaistaan ensin piste mitattavan kappaleen pinnalle, kohta 20. Valaistu piste mitataan kameroilla, jonka jälkeen havaintovektoreista lasketaan 20 pisteen koordinaatit matemaattisesti, kohta 21. Mitä useampaa havaintovektoria voidaan hyödyntää, sitä suuremmaksi pisteen mittaustarkkuus kasvaa. Pisteen koordinaattien laskemisen jälkeen lasketaan havaintovektoreista virhe-ellipsoidi. Tämän jälkeen lasketaan vir-25 he-ellipsoidin akselipituuksien neliöllinen keskiarvo.
* Tätä neliöllistä keskiarvoa käytetään hyvyyslukuna, kohta 22.
Laskettua hyvyyslukua verrataan mittauksen alussa syötettyyn raja-arvoon, kohta 23. Mikäli las-30 kettu luku on suurempi kuin raja-arvo, piste hylätään, kohta 24. Sovellusta voidaan myös muuntaa siten, että piste yritetään mitata uudestaan. Mikäli piste hyväksytään, sen koordinaatit tallennetaan tietojärjestel-mään, kohta 25. Lopuksi tarkastetaan, ovatko kaikki 35 valaisulaitteen valaisemat pisteet mitattu, kohta 26. Mikäli pisteitä on mittaamatta, siirrytään takaisin kohtaan 21, muussa tapauksessa lopetetaan mittaus, • · 111660 6 kohta 27. Mittauksen lopettamisen jälkeen kappaletta voidaan esimerkiksi kääntää ja mitata uudesta positiosta, tai mittaus voidaan aloittaa uudelle kappaleelle. Voidaan myös menetellä siten, että mittaukset suo-5 ritetaan kaikki ainoastaan tallentaen kuhunkin kolmiulotteiseen mittaustulokseen liittyvä hyvyysluku. Tämä mahdollistaa pistepilven suodattamisen jälkeenpäin käyttäen mielivaltaista hyvyysluvun raja-arvoa.
Kuviossa 3 esitetään eräs mittausjärjestely, 10 jossa mitataan kolmella kameralla CAM1, CAM2 ja CAM3. Havaintovektorit eivät tarkasti ottaen kohtaa samassa pisteessä, vaan havaintovektoreiden arvoista lasketaan pisteen sijainti. Linssivirheiden yms. vaikutukset on tässä jo poistettu havaintovektoreista. Havaintovekto-15 reiden ja lasketun pisteen avulla muodostetaan virhe-ellipsoidi, jonka akseleiden pituus voidaan asettaa riippumaan myös esim. tehtyjen kuvahavaintojen arvioidusta tai lasketusta hajonnasta tai muusta tiedossa olevasta (kalibroidusta) suureesta. Ellipsoidi sijoi-20 tetaan siten, että laskettu piste on ellipsoidin keskipisteenä. Ellipsoidin parametreista lasketaan hyvyysluku. Hyvyysluvun voi muodostaa esimerkiksi akse-lipituuksien keskiarvosta tai ellipsoidin tilavuudesta. Tyypillisesti hyvyyslukuna kuitenkin käytetään ak-25 selipituuksien kolmiulotteisille (Χ,Υ,Ζ)- * koordinaattiakseleille projisoitujen pituuksien neli- öllistä keskiarvoa, koska sen saa laskettua helposti varianssi-kovarianssi -matriisista.
Kuvio 4 esittää kuvion 3 tilannetta vastaavaa 30 mittausta eri näkökulmasta. Siinä kameroiden CAM1 ja CAM2 havaintovektorit eivät kohtaa kohdepistettä tar-kasti, vaan osoittavat pisteen läheisyyteen. Kameroiden mittaamia havaintoja voidaan painottaa, joten kaikki kamerat eivät ole välttämättä samanarvoisia.
35 Esimerkkinä käytetyssä sovelluksessa hyvyys- lukuna käytetään ellipsoidin akselipituuksien kolmiulotteisille koordinaattiakseleille projisoitujen pi- 7 111660 tuuksien neliöllistä keskiarvoa. Mikäli laskettu hy-vyysluku on suurempi kuin mittauksen alussa syötetty raja-arvo, piste hylätään. Neliöllinen keskiarvo saadaan laskettua edullisesti seuraavan esityksen mukai-5 sesti.
v + l = Ax Funktionaalinen malli Σπ=σ20π Stokastinen malli (havain tojen tarkkuus) 10 v Jäännösvirhevektori / Havaintovektori A Rakennematriisi x Parametrivektori Ση Havaintojen varianssi-kovarianssimat- 15 riisi σ Havaintojen keskivirhe
Qn Havaintojen painokerroinmatriisi W = QU 1 Havaintojen painomatriisi 20 Tästä saadaan ratkaistua
Qxx — (ATWA) 1 Parametrien painokertoimet x = QxxATWl Parametrit .. V = Ax-l Jäännösvirheet jvTWv 25 (Jq = λ- Painoyksikön keskivirhe V n-u σ,· =σ0Λ/ϊ~ Parametrin i keskivirhe n Havaintojen lukumäärä u parametrien lukumäärä ·. qu Qxx:n i:s diagonaalialkio 30 , Hyvyysluku voidaan laskea myös muilla tavoin varians- • si-kovarianssimatriisista.
Keksintöä ei rajata pelkästään edellä esitettyjä sovellusesimerkkejä koskevaksi, vaan monet muun- 8 111660 nokset ovat mahdollisia pysyttäessä patenttivaatimusten määrittelemän keksinnöllisen ajatuksen puitteissa.

Claims (10)

111660
1. Menetelmä konenäköjärjestelmän mittaamien , hyvien mittaustulosten erottamiseksi huonoista, jossa menetelmä käsittää vaiheet: , 5 mitataan haluttu kohde; tarkastetaan mittaustulos; hyväksytään tai hylätään mittaus; tunnettu siitä, että menetelmä edelleen käsittää vaiheet: 10 lasketaan hyvyysluku kuvaamaan kaksiulotteisista kuvahavainnoista polttopisteen tai vastaavan projek-tiokeskuksen kautta piirrettyjen vektoreiden kohtaa-mi starkkuutta; verrataan hyvyyslukua raja-arvoon; ja 15 jos laskettu hyvyysluku ylittää raja-arvon, hylä tään mittaus.
2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että syötetään mittauksen alussa hyvyysluvulle raja-arvo.
3. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että mitataan pisteen sijainti laskemalla havaintovektoreista.
4. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että muodostetaan mittaustulok- . 25 sista varianssi-kovarianssimatriisi ja lasketaan hy- f « vyysluku varianssi-kovarianssimatriisin alkioista.
5. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että muodostetaan havaintovekto-reiden ja lasketun pisteen avulla virhe-ellipsoidi.
6. Patenttivaatimuksien 1 ja 5 mukainen mene telmä, tunnettu siitä, että mitattu piste on vir- • · · he-ellipsoidin keskipiste.
7. Patenttivaatimuksien 1 ja 5 mukainen menetelmä, tunnettu siitä, että muodostetaan hyvyys-35 luku laskemalla virhe-ellipsoidin akselipituuksien keskiarvo. 111660
8. Patenttivaatimuksien 1 ja 5 mukainen menetelmä, tunnettu siitä, että muodostetaan hyvyys-luku laskemalla virhe-ellipsoidin akselipituuksien kolmiulotteisille koordinaattiakseleille projisoitujen 5 pituuksien neliöllinen keskiarvo.
9. Patenttivaatimuksien 1 ja 5 mukainen menetelmä, tunnettu siitä, että hylätään mitattu piste jos laskettu hyvyysluku on suurempi kuin asetettu raja-arvo.
10. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että tallennetaan jokaista kolmiulotteista mittausta koskeva hyvyysluku hylkäämättä mittaustulosta ja käytetään tallennettuja hyvyyslukuja myöhemmin pistejoukon suodattamiseen halutulla raja-15 arvolla. t · 111660
FI20012295A 2001-11-23 2001-11-23 Hyvyysluku FI111660B (fi)

Priority Applications (6)

Application Number Priority Date Filing Date Title
FI20012295A FI111660B (fi) 2001-11-23 2001-11-23 Hyvyysluku
JP2003546045A JP2005509878A (ja) 2001-11-23 2002-11-25 Ｑ値
AU2002366128A AU2002366128A1 (en) 2001-11-23 2002-11-25 Quality factor
PCT/FI2002/000949 WO2003044459A1 (en) 2001-11-23 2002-11-25 Quality factor
US10/496,148 US7324712B2 (en) 2001-11-23 2002-11-25 Quality factor
EP02803428A EP1459032A1 (en) 2001-11-23 2002-11-25 Quality factor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FI20012295A FI111660B (fi) 2001-11-23 2001-11-23 Hyvyysluku
FI20012295 2001-11-23

Publications (3)

Publication Number Publication Date
FI20012295A0 FI20012295A0 (fi) 2001-11-23
FI20012295A FI20012295A (fi) 2003-05-24
FI111660B true FI111660B (fi) 2003-08-29

Family

ID=8562330

Family Applications (1)

Application Number Title Priority Date Filing Date
FI20012295A FI111660B (fi) 2001-11-23 2001-11-23 Hyvyysluku

Country Status (6)

Country Link
US (1) US7324712B2 (fi)
EP (1) EP1459032A1 (fi)
JP (1) JP2005509878A (fi)
AU (1) AU2002366128A1 (fi)
FI (1) FI111660B (fi)
WO (1) WO2003044459A1 (fi)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007005768A1 (en) * 2005-06-30 2007-01-11 Applera Corporation Interface method and system for genetic analysis data
CA2683206C (en) * 2009-10-17 2018-07-03 Hermary Opto Electronics Inc. Enhanced imaging method and apparatus
DE102011006532A1 (de) 2011-03-31 2012-10-04 Bayerische Motoren Werke Aktiengesellschaft Schweißvorrichtung
JP5638578B2 (ja) * 2012-08-09 2014-12-10 株式会社東芝 観測支援装置、観測支援方法およびプログラム
FR3082934B1 (fr) * 2018-06-26 2021-10-08 Safran Nacelles Dispositif et procede de projection laser pour fabrication de pieces en materiau composite par drapage

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2029570A (en) 1978-09-08 1980-03-19 Cambridge Scientific Instr Ltd Improvements in and relating to image analysis system
GB2113838B (en) 1982-01-20 1985-09-18 Antony John Morgan Image analysis
FR2629198B1 (fr) 1988-03-25 1994-07-08 Kreon Ingenierie Marketing Procede de determination et de reconstitution des coordonnees spatiales de chacun des points d'un ensemble de points echantillonnant une surface tridimensionnelle, et procede de realisation d'une image tridimensionnelle de cette surface a partir desdites coordonnees
US5543921A (en) * 1989-05-08 1996-08-06 Canon Kabushiki Kaisha Aligning method utilizing reliability weighting coefficients
US5870178A (en) * 1996-02-20 1999-02-09 Canon Kabushiki Kaisha Distance measuring apparatus
US5886767A (en) * 1996-10-09 1999-03-23 Snook; Richard K. Keratometry system and method for measuring physical parameters of the cornea
CA2253085A1 (en) * 1998-11-06 2000-05-06 Industrial Metrics Inc. Methods and system for measuring three dimensional spatial coordinates and for external camera calibration necessary for that measurement
US6337657B1 (en) * 1999-03-12 2002-01-08 Topcon Positioning Systems, Inc. Methods and apparatuses for reducing errors in the measurement of the coordinates and time offset in satellite positioning system receivers
US6970591B1 (en) * 1999-11-25 2005-11-29 Canon Kabushiki Kaisha Image processing apparatus

Also Published As

Publication number Publication date
WO2003044459A1 (en) 2003-05-30
AU2002366128A1 (en) 2003-06-10
JP2005509878A (ja) 2005-04-14
FI20012295A (fi) 2003-05-24
EP1459032A1 (en) 2004-09-22
US20050013510A1 (en) 2005-01-20
FI20012295A0 (fi) 2001-11-23
US7324712B2 (en) 2008-01-29

Similar Documents

Publication Publication Date Title
CN109522935B (zh) 一种对双目视觉测量系统的标定结果进行评价的方法
CN105091744B (zh) 一种基于视觉传感器和激光测距仪的位姿检测装置与方法
CN106127758B (zh) 一种基于虚拟现实技术的视觉检测方法及装置
CN105444696B (zh) 一种基于透视投影直线测量模型的双目匹配方法及其应用
García-Moreno et al. LIDAR and panoramic camera extrinsic calibration approach using a pattern plane
Marques et al. A localization method for a soccer robot using a vision-based omni-directional sensor
CN110411476A (zh) 视觉惯性里程计标定适配及评价方法和系统
Luhmann Eccentricity in images of circular and spherical targets and its impact on spatial intersection
JP2021193400A (ja) アーチファクトを測定するための方法
FI111660B (fi) Hyvyysluku
KR20180019049A (ko) 4카메라 그룹 평면 어레이의 특징점의 매칭 방법 및 그에 기초한 측정 방법
Schramm et al. Data fusion for 3D thermal imaging using depth and stereo camera for robust self-localization
CN115511878A (zh) 一种边坡地表位移监测方法、装置、介质及设备
Li et al. Vision-based positioning with a single camera and 3D maps: accuracy and reliability analysis
JP3696336B2 (ja) カメラのキャリブレーション方法
CN116449393B (zh) 一种针对大中型料堆多传感器测量方法和系统
Zhao et al. A robust method for registering ground-based laser range images of urban outdoor objects
CN110322518B (zh) 立体匹配算法的评价方法、评价系统及测试设备
CN116430398A (zh) 基于tof相机与双目视觉数据融合的测距方法及设备
Grimson et al. An active visual attention system to play\where's waldo
Pedra et al. Camera calibration using detection and neural networks
CN107741220B (zh) 影像处理方法、装置及电子设备
Jovanović et al. Accuracy assessment of structured-light based industrial optical scanner
JPH076769B2 (ja) 物体計測装置
CN109785384A (zh) 一种透明容器内物位机器视觉测量仪的物位高度标定方法

Legal Events

Date Code Title Description
MA Patent expired