CN110021010B - 一种表面材料的检验方法 - Google Patents
一种表面材料的检验方法 Download PDFInfo
- Publication number
- CN110021010B CN110021010B CN201910186591.9A CN201910186591A CN110021010B CN 110021010 B CN110021010 B CN 110021010B CN 201910186591 A CN201910186591 A CN 201910186591A CN 110021010 B CN110021010 B CN 110021010B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- surface material
- effective
- data set
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明基于成熟的激光点云扫描技术获取的点云数据,利用基于总体最小二乘法的评估检验方法,对点云数据快速、准确、自动地识别截取和分类,能够准确计算出模件材料的表面粗糙度、厚度和侧面平行度,以此可对模件及其生产工艺进行有效/定量的校验、评估;有效地解决了材料生产工艺误差引起的业务流误差积累问题,从而消除因工艺误差带来的电磁信号畸变与失真;自动化的程序批处理可集成于材料生产设备的自动校验模块,有利于改进生产工艺、提升产品一致性,准确、高效地保证产品的品控质量,节约时间与生产成本、改善子环节生产质量、有效创造经济效益。
Description
技术领域
本发明涉及汽车毫米波雷达领域,尤其涉及一种毫米波雷达的表面材料的评估检验方法。
背景技术
随着汽车智能化程度的不断提升,特别是智能驾驶、无人驾驶的快速发展,汽车上开始广泛地大量使用雷达探测器,用来对汽车周围的环境进行探测,提供汽车与周围障碍物的距离、角度、相对速度、行驶轨迹等数据,广泛应用于汽车的倒车预警、碰撞预警、自动制动、自适应巡航控制、盲点探测、变道辅助等***中。并且可预见的,雷达探测器也将在无人驾驶技术中发挥非常重要的作用。
汽车上常见的雷达包括超声波雷达、红外线雷达、激光雷达、摄像头和毫米波雷达等,其分别应用不同的探测技术对汽车周围的环境进行探测。而对于毫米波雷达,是指工作在毫米波波段的雷达,也即利用了波长在1-10mm、频率范围为30GHz—300GHz的无线电波。毫米波雷达相对于超声波雷达、红外线雷达、摄像头及激光雷达,在远距离探测能力、夜间工作能力、全天候工作能力、较差环境条件下工作能力、温度稳定度及测量准确度等方面都具有较强的优势,因而毫米波雷达受到越来越多的关注和应用。
实际中,毫米波雷达通常安装在汽车前部的进气格栅部位或者前后部的保险杠部位,通常在毫米波雷达的天线外侧还设置有硬质材料的覆盖件,用以对毫米波雷达的天线提供保护的作用。该覆盖件通常被称为第二表面硬模材料(以下简称为硬模材料)。由于雷达波要穿透该硬模材料,该硬模材料的表面平整度、均匀性、厚度(要求必须是半波长的整数倍)对雷达电磁信号传输存在较大程度的影响(如干涉、衰减、反射等);当材料的表面平整度、均匀性与厚度不符合设计要求,将造成电磁传输信号的严重失真、畸变,进而急剧降低毫米波雷达传感器的各项探测性能指标。但是,在实际生产过程中,由于生产工艺等。因素影响,硬模材料的表面平整度、均匀性和厚度往往出现不符合设计指标要求的情况。为有效地评估材料的品控质量,检验、优化材料的生产工艺,需对硬模材料样件的平整度、厚度、平行度等指标进行准确测量,以评估硬模是否合格以及能否进行量产。
通常情况下,汽车前栅格硬模供应商不具备硬模精密验收能力,目前评估、检测汽车前栅格毫米波雷达第二表面材料的方法主要有两种:
一是通过成熟的激光点云扫描技术准确获取硬模材料的表面点云坐标数据(STL格式),并将点云数据导入CATIA软件,利用CATIA中的数字曲面编辑模块DSE(Digitizedshape Editor)和快速曲面重构模块QSR(Quick Surface Reconstru-ction)进行点云数据处理,再结合曲面设计与实体设计进行CATIA逆向设计还原出硬模的3D模型并测量硬模厚度。但CATIA的逆向设计中的相对误差较大,在处理高精度的硬模时不能很好的将误差控制在需要的等级,因此用CATIA逆向设计的方法无法反应材料的真实厚度。实际上,由于材料表面不平整,即使是统一表面的激光点云数据,也不是完全处于同一平面,此时利用逆向设计还原硬模的3D模型的准确度低,也很难获取硬模材料的各项表面特征参数。
二是通过将同一批次的硬模材料邮寄到国外权威机构进行测试,通过电磁波暗室对毫米波雷达电磁传输特性进行测量,分析反射强度、透射信号的衰减程度和反射强度分布,借以判断硬模材料样件是否达标。这种方法直接评估硬模材料对毫米波雷达电磁信号传输的影响,结果更为直观,但无法直接给出硬模材料的实际参数,且检测周期长、测试费用昂贵,而硬模材料厂商的任何工艺调整或雷达频段的调整等都需要重新评估,费效比极为低下。
对于上述现有的两种方法,第一种方法无法准确得到硬模材料的几何参数,第二种方法虽然可以直观地给出硬模材料的电学特征,但是无法直接得到硬模材料的特征参数特性,且测试周期长、效率低、费用昂贵。
发明内容
为解决上述技术问题,本发明提出一种毫米波雷达表面材料的评估检验方法,特别地,其是基于总体最小二乘分类器的毫米波雷达第二表面硬膜件材料的评估检验方法,通过基于硬模材料表面的激光点云数据,通过MATLAB软件进行数据处理,直接对硬模材料的表面平整度、均匀性和厚度等参数进行估计,解决了现有技术中无法准确获取硬模材料的几何参数、测试周期长、效率低、费用昂贵的问题。
一种表面材料的检验方法,其包括以下步骤:
基于获取的表面材料的激光扫描点云,生成点云数据集的外包络;
在获取到点云数据集的外包络多边体的顶点后,根据表面材料的相对尺寸参数,进行表面材料点云数据的有效分离,得到有效的表面材料激光点云数据集;
对获取到的表面材料激光点云数据进行有效性判断,得到待评估点云数据集;
对所述待评估点云数据集进行分类,得到表面材料一侧的激光点云数据集合以及另一侧的激光点云数据集合;
分别对两侧的点云数据集合进行评估,得到每侧侧面的平整度值;根据两侧的点云数据集分别计算表面材料的均匀性值以及厚度值;
将得到的平整度值与预设平整度值比较,将得到的均匀性值与预设均匀性值比较,将得到的厚度值与预设厚度值比较,得到比较结果,给出材料检验、评估结论。
进一步地,采用凸包检测算法生成点云外包络。
进一步地,所述有效分离通过以下步骤实施:
d)表面材料的边界顶点坐标粗估;
e)构建表面材料的外接四角锥面对点云进行计算;
f)有效点云数据的分离。
进一步地,在对所述待评估点云数据集进行分类中,利用总体最小二乘(TLS,Total Least Squares)法,采用总体最小二乘器对归属于两个侧面的点云数据进行分离,分别得到表面材料的两侧的激光点云数据集合。
进一步地,所述的有效性判断是利用凸包检测算法分别计算分离开的有效点云外包络,并计算其尺寸与表面材料实际尺寸的比例,当比例大于第一比例时,则判定为有效点云获取成功;而当比例小于第二比例时,则判定为有效点云获取失败。
进一步地,所述的外接四角锥面由表面材料的四个边界顶点和点云外包络外的一个参考点构成。
进一步地,所述表面材料相对于所述参考点的张角小于10°。
进一步地,所述表面材料为毫米波雷达前方的覆盖件,该覆盖件由硬模材料制成。
进一步地,侧面的平整度由该侧面的各个点云到该侧面的拟合平面的垂直距离分布的均值和均值标准差来评估。
进一步地,表面材料的均匀性/厚度由一个侧面的各个点云到另一侧面的拟合平面的垂直距离分布情况来评估。
实施本发明,具有如下有益效果:本发明基于成熟的激光点云扫描技术获取的点云数据,利用基于总体最小二乘法的评估检验方法,能够准确计算出模件材料的表面粗糙度、厚度和侧面平行度,以此可对模件生产工艺进行有效/定量的校验、评估;有效地解决了材料生产工艺误差引起的业务流误差积累问题,从而消除因工艺误差带来的电磁信号畸变与失真;自动化的程序批处理可集成于材料生产设备的自动校验模块,有利于改进生产工艺、提升产品一致性,准确、高效地保证产品的品控质量,节约时间与生产成本、改善子环节生产质量、有效创造经济效益。
附图说明
为了更清楚地说明本发明的技术方案,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的前提下,还可以根据这些附图获得其它附图。
图1是本发明的汽车前栅格中毫米波雷达的安装位置示意图;
图2是本发明的评估检验方法的流程图;
图3是本发明的有效点云数据分离的示意图;
图4是本发明的基于TLS分类器获得的点云分类平面示意图;
图5是本发明的获得的拟合平面的示意图;
图6是本发明的获取的点面间距分布示意图。
其中,图中附图标记对应为:1-前栅格,2-毫米波雷达,3-第二表面硬模材料。
具体实施方式
下面将结合本发明实施例中的附图,对发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,其示出了汽车中常见的毫米波雷达的安装形态,毫米波雷达2通常安装在汽车的前栅格1的部位,基于对车体前方有利的探测角度,一般将毫米波雷达2安装在汽车的前栅格1的中部位置。在毫米波雷达2的前表面设置有第二表面硬模材料3,该第二表面硬模材料3的后方设置有毫米波雷达2的天线,对天线起到保护的作用。毫米波雷达2的天线发出和接收的雷达波需要穿过该第二表面硬模材料3,因而,该第二表面硬模材料3的表面平整度、均匀性和厚度等几何参数对雷达波的正常和有效的传播很重要。
为了准确、耗时少且便宜地直接获取该第二表面硬模材料3的表面平整度、均匀性和厚度等几何参数,本发明提出了一种评估检验方法,如图2所示。
第一步,基于获取的硬模材料的激光扫描点云,采用凸包检测算法生成点云外包络。
通过成熟的激光点云扫描技术,即可获取硬模材料及其固定支架的表面的激光点云数据。由于该硬模材料需要放置在固定支架上,才能获取该硬模材料几何外形的全面的激光点云数据,因而这些点云数据中会包括涉及到固定支架的点云数据,其具有一定的不规则性,因此需要先对获取的激光点云数据进行分离处理,截取有效的硬模材料表面的中间的点云数据。
常规的截取方法是,在MATLAB等软件中绘制出扫描的激光点云数据,并在三维离散点图中选择硬模材料的有效边界,再通过几何关系去除涉及到外部支架的无效点云数据,进而能够得到有效的硬模材料表面的点云数据。但是这种方法需要手动点选,耗时长,效率较低。
为了克服上述常规截取方法的上述问题,实现快速、准确、自动地对获取的点云数据进行分离,更有利的方法是,利用凸包检测算法计算并生成点云数据的三维外包络,也即求得点云数据构成的多边体的顶点。常用的三维凸包算法包括随机增量法、Graham扫描法、、Jarvis步进法、分治法和Quickhull算法等方法借鉴,MATLAB中可通过调用convex函数实现。
第二步,在获取到点云数据的外包络多边体的顶点后,根据硬模材料的相
对尺寸参数,进行硬模材料表面点云数据的有效分离。
分离过程可分为以下步骤:
1、硬模材料边界顶点坐标粗估:在硬模材料的中间平整部分选取四个顶点A、B、C、D,该四个顶点允许内缩,也即并非一定位于顶点位置。然后,根据材料的相对尺寸参数,可计算出该四个顶点的坐标,构成三维空间中的四边形,参见图3。在此需要注意的是,由于实际中硬模材料本身的平整度不佳,以及激光扫描的误差,因而选取的四个顶点一般情况下不在一个平面上。
2、构建硬模材料的外接四角锥面对点云进行计算:在点云外包络以外选取一个参考点,优选地选取激光扫描点云相对坐标系的原点O,如图3所示。原点O与上述三维空间中的四边形ABCD的四条边分别构成四个三角面---△OAB、△OBC、△OCD、△ODA,在忽略四边形ABCD有可能畸形的情况下,O点与上述的四个三角面形成一个四角锥O—ABCD,如图3所示。然后分别计算出△OAB、△OBC、△OCD、△ODA对应的平面方程SOAB(x,y,z)=0,SOBC(x,y,z)=0,SOCD(x,y,z)=0,SODA(x,y,z)=0。
3、有效点云数据的分离:基于△OAB、△OBC、△OCD、△ODA的平面方程,依次判断所有点云与四个平面△OAB、△OBC、△OCD、△ODA的相对空间位置关系。取出被四个平面“包裹”住的点云,即四角锥O-ABCD(底面无限延伸)的内部点云,这些内部点云组成硬模材料表面有效点云数据集合。例如,在图3中所示,任意选取点云集中的某一点,记作E点,其判断准则如下:
Define bFlag1=SOAB(xC,yC,zC)·SOAB(xE,yE,zE)>0
bFlag2=SOBC(xD,yD,zD)·SOBC(xE,yE,zE)>0
bFlag3=SOCD(xA,yA,zA)·SOCD(xE,yE,zE)>0
bFlag4=SODA(xB,yB,zB)·SODA(xE,yE,zE)>0
其中,bFlag1=True表示E与C在面△OAB同侧,bFlag1=Flase表示E与C在面△OAB的异侧;其它依此类推。当所有的同侧关系都同时成立时,即:
利用上述准则,当bFlag为True时,点E在四角锥O-ABCD内,否则在其外部。在MATLAB中通过矩阵运算,可快速判断所有的点云与四角锥O-ABCD的相对空间位置关系,即可分离并得到有效的点云数据。
第三步,点云数据的有效性判断。在分离得到有效的点云数据后,需要对分离得到的点云数据进行有效性检验。利用凸包检测算法分别计算分离开的有效点云外包络,并计算其尺寸与硬模材料实际尺寸的比例。当比例小于一定比例时,例如50%时,则判定为有效点云获取失败,需重新进行校验并审查参考点的位置合理性。一般情况下,参考点应选取在离硬模材料点云足够远处。优选地,硬模材料对参考点的张角小于10度。若分离的点云数据通过了有效性判断,则进入下一步。
第四步,基于总体最小二乘(TLS,Total Least Squares)分类器对点云数据进行分类。
经过正确分离的硬模材两侧的有效点云具有良好的平面分布特性,且两侧点云的平行特征明显。由于点云的稠密分布特征,利用总体最小二乘(TLS,Total Least Squares)方法,可得到两侧点云集的分类平面方程SC(x,y,z)=0,如图4所示,可以清晰看到两侧表面的点云分布于分类平面两侧。因此,基于分类平面与点云数据分布关系,TLS分类器可表示为:
P1={(x1,y1,z1)∈P|SC(x1,y1,z1)<0}
P2={(x2,y2,z2)∈P|SC(x2,y2,z2)<0}
这样,基于TLS分类器,能够快速地分离两侧的点云数据。
在对两侧的点云数据分离之后,根据得到的两侧的点云数据,对硬模材料分别进行每侧的平整度以及材料的均匀性/厚度进行评估。
第五步,基于离群点检测算法对每个侧面的平整度进行评估,基于总体最小二乘法对硬模材料的均匀性/厚度进行评估。
在利用TLS分类器得到两个侧面的点云数据集P1、P2之后,再分别对点云数据集P1、P2进行总体最小二乘拟合,即可得到拟合平面S1(x,y,z)=0和S2(x,y,z)=0,每侧的点云数据集分别分布在对应拟合平面附近,图5中示例性的示出了点云数据集P1及其拟合平面。
依次计算点集P1中各点到平面S1(x,y,z)=0的垂直距离(即离群距离)、点集P2中各点到平面S2(x,y,z)=0的垂直距离,离群距离的分布反映了点云偏离拟合平面的程度,通过其均值和均方误差可表征硬模材料表面的平整程度。
然后,依次计算点集P1中各点到平面S2(x,y,z)=0的垂直距离,以及点集P2中各点到平面S1(x,y,z)=0的垂直距离,点面间距分布如图6所示。由所有的点面间距分布即可求出间距均值以及标准差等数据,也即可得到硬模材料的厚度/均匀度。
此外,根据两个侧面的拟合平面方程S1(x,y,z)=0和S2(x,y,z)=0,可由其法向量计算出硬模材料的两个侧面的夹角。
第六步,将得到的平整度值与预设平整度值比较,将得到的均匀性值与预设均匀性值比较,将得到的厚度值与预设厚度值比较,得到比较结果,给出材料检验、评估结论。
下述表1中列出了试验的硬模件材料的涉及指标参数。
表1试验硬模件材料的涉及指标参数
下述表2列出了采用本发明的评估检验方法得到的评估结果。
表2被测硬模件材料的评估结果
上述表1是被检测的硬模件材料的设计指标参数,表2是被检测的硬模件材料在采用本发明的检验方法所得到的检测结果。由表2中的实际测得的数据可知,平均离群距离,也即粗糙度,分别为0.0584mm以及0.0541mm,离群距离的标准差分别为0.0435mm、0.0436mm,可见硬模件材料的两个侧面的平整度较好。将实际检测得到的硬模件材料的数据与其设计指标参数进行比较,被检验的硬模件材料的两侧面夹角为0.0431°,大于设计要求的0.0390°;被试验的硬模件材料的厚度,即平均侧面间距,为2.2273mm,其不满足设计要求的2.4±0.1mm。因此,经过数值的分析比较表明,该被检验的硬模件材料的厚度及平行度未达到设计要求。
本发明的上述实施例,能够准确计算出模件材料的表面粗糙度、厚度和侧面平行度,以此可对模件生产工艺进行有效/定量的校验、评估;有效地解决了材料生产工艺误差引起的业务流误差积累问题,严格降低工艺误差带来的电磁信号畸变与失真;自动化的程序批处理可集成于材料生产设备的自动校验模块,有利于改进生产工艺/提升产品一致性,准确、高效地保证产品的品控质量,节约时间与生产成本、改善子环节生产质量、有效创造经济效益。
以上所揭露的仅为本发明的几个较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种表面材料的检验方法,其包括以下步骤:
基于获取的表面材料的激光扫描点云,生成点云数据集的外包络;
在获取到点云数据集的外包络多边体的顶点后,根据表面材料的相对尺寸参数,进行表面材料点云数据的有效分离,得到有效的表面材料激光点云数据集;
对获取到的表面材料激光点云数据进行有效性判断,得到待评估点云数据集;
对所述待评估点云数据集进行分类,得到表面材料一侧的激光点云数据集合以及另一侧的激光点云数据集合;
分别对两侧的点云数据集合进行评估,得到每侧侧面的平整度值;根据两侧的点云数据集分别计算表面材料的均匀性值以及厚度值;
将得到的平整度值与预设平整度值比较,将得到的均匀性值与预设均匀性值比较,将得到的厚度值与预设厚度值比较,得到比较结果,给出材料检验、评估结论;
所述有效分离通过以下步骤实施:
a)表面材料的边界顶点坐标粗估;
b)构建表面材料的外接四角锥面对点云进行计算,所述的外接四角锥面由表面材料的四个边界顶点和点云外包络外的一个参考点构成;
c)有效点云数据的分离。
2.根据权利要求1所述的方法,其特征在于,采用凸包检测算法生成点云外包络。
3.根据权利要求1所述的方法,其特征在于,在对所述待评估点云数据集进行分类中,利用总体最小二乘(TLS,Total Least Squares)法,采用总体最小二乘器对归属于两个侧面的点云数据进行分离,分别得到表面材料的两侧的激光点云数据集合。
4.根据权利要求1所述的方法,其特征在于,所述的有效性判断是利用凸包检测算法分别计算分离开的有效点云外包络,并计算其尺寸与表面材料实际尺寸的比例,当比例大于第一比例时,则判定为有效点云获取成功;而当比例小于第二比例时,则判定为有效点云获取失败。
5.根据权利要求1所述的方法,其特征在于,所述表面材料相对于所述参考点的张角小于10°。
6.根据权利要求1所述的方法,其特征在于,所述表面材料为毫米波雷达前方的覆盖件,该覆盖件由硬模材料制成。
7.根据权利要求1所述的方法,其特征在于,侧面的平整度由该侧面的各个点云到该侧面的拟合平面的垂直距离分布的均值和均值标准差来评估。
8.根据权利要求1所述的方法,其特征在于,表面材料的均匀性/厚度由一个侧面的各个点云到另一侧面的拟合平面的垂直距离分布情况来评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910186591.9A CN110021010B (zh) | 2019-03-12 | 2019-03-12 | 一种表面材料的检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910186591.9A CN110021010B (zh) | 2019-03-12 | 2019-03-12 | 一种表面材料的检验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110021010A CN110021010A (zh) | 2019-07-16 |
CN110021010B true CN110021010B (zh) | 2021-05-25 |
Family
ID=67189535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910186591.9A Active CN110021010B (zh) | 2019-03-12 | 2019-03-12 | 一种表面材料的检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110021010B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220412731A1 (en) * | 2019-10-03 | 2022-12-29 | Hok Chuen CHENG | Apparatus and method for quantifying the surface flatness of three-dimensional point cloud data |
CN111027601B (zh) * | 2019-11-25 | 2023-10-17 | 歌尔股份有限公司 | 一种基于激光传感器的平面检测方法、装置 |
CN111766577B (zh) * | 2020-07-27 | 2022-02-15 | 云南电网有限责任公司昆明供电局 | 一种基于三阶段算法p波段的输电线路通道树木高度反演方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393181A (zh) * | 2011-09-22 | 2012-03-28 | 南京信息工程大学 | 角钢几何参数自动在线检测方法及装置 |
CN102735175A (zh) * | 2012-06-07 | 2012-10-17 | 华中科技大学 | 一种基于移动最小二乘法确定叶片最大厚度的方法 |
CN104613883A (zh) * | 2015-02-11 | 2015-05-13 | 南通大学 | 金属薄板印刷涂层的湿膜厚度差分测量及均匀性评估方法 |
CN105627938A (zh) * | 2016-01-07 | 2016-06-01 | 厦门大学 | 一种基于车载激光扫描点云的路面沥青厚度检测方法 |
CN107607064A (zh) * | 2017-09-01 | 2018-01-19 | 华南理工大学 | 基于点云信息的led荧光粉胶涂覆平整度检测***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105627935A (zh) * | 2014-11-04 | 2016-06-01 | 富泰华工业(深圳)有限公司 | 产品料厚三维分析***及方法 |
-
2019
- 2019-03-12 CN CN201910186591.9A patent/CN110021010B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393181A (zh) * | 2011-09-22 | 2012-03-28 | 南京信息工程大学 | 角钢几何参数自动在线检测方法及装置 |
CN102735175A (zh) * | 2012-06-07 | 2012-10-17 | 华中科技大学 | 一种基于移动最小二乘法确定叶片最大厚度的方法 |
CN104613883A (zh) * | 2015-02-11 | 2015-05-13 | 南通大学 | 金属薄板印刷涂层的湿膜厚度差分测量及均匀性评估方法 |
CN105627938A (zh) * | 2016-01-07 | 2016-06-01 | 厦门大学 | 一种基于车载激光扫描点云的路面沥青厚度检测方法 |
CN107607064A (zh) * | 2017-09-01 | 2018-01-19 | 华南理工大学 | 基于点云信息的led荧光粉胶涂覆平整度检测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110021010A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110021010B (zh) | 一种表面材料的检验方法 | |
US7327857B2 (en) | Non-contact measurement method and apparatus | |
Barbero et al. | Comparative study of different digitization techniques and their accuracy | |
WO2009087367A1 (en) | A method of creating a representation of the surface of an object | |
CN112083415B (zh) | 一种基于3d信息的毫米波雷达模型目标可见性判断方法 | |
Zhao et al. | Region-based online flaw detection of 3D printing via fringe projection | |
CN115754959A (zh) | 一种目标-环境复合雷达散射截面计算模型的建立方法 | |
CN111540001A (zh) | 航空发动机涡轮叶片气膜孔轴线方向检测方法 | |
CN107607951A (zh) | 一种sar图像二次散射特征模拟方法 | |
CN114863064A (zh) | 一种汽车轮廓曲面模型构建方法及*** | |
Schimpf et al. | Variogram roughness method for casting surface characterization | |
CN103136381A (zh) | 一种菲林制作方法 | |
CN112734619B (zh) | 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法 | |
CN110208777B (zh) | 精确的角反射器几何误差测量方法 | |
CN115816834B (zh) | 用于打印机打印质量实时监测的方法及*** | |
CN115578429B (zh) | 一种基于点云数据的模具在线精度检测方法 | |
García et al. | Rail surface inspection system using differential topographic images | |
Yu et al. | Dynamic granularity matrix space model based high robust multi-ellipse center extraction method for camera calibration | |
Schimpf et al. | 3D analysis of casting surface characterization based on the variogram roughness method | |
CN113628117A (zh) | 一种深度图像旋转变换方法及装置 | |
Spence et al. | Automotive sheet metal and grid digitizing solutions | |
Dong et al. | Research on 3D model reconstruction based on a sequence of cross-sectional images | |
Prieto et al. | A non contact CAD based inspection system | |
CN112802117B (zh) | 一种激光雷达和摄像头标定参数盲复原方法 | |
Orazi et al. | Geometrical inspection of designed and acquired surfaces |
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 |