CN111008602A - 一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法 - Google Patents

一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法 Download PDF

Info

Publication number
CN111008602A
CN111008602A CN201911244323.4A CN201911244323A CN111008602A CN 111008602 A CN111008602 A CN 111008602A CN 201911244323 A CN201911244323 A CN 201911244323A CN 111008602 A CN111008602 A CN 111008602A
Authority
CN
China
Prior art keywords
dimensional
measured
camera
extracting
lineation
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.)
Granted
Application number
CN201911244323.4A
Other languages
English (en)
Other versions
CN111008602B (zh
Inventor
李文龙
陈栋
王振忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Haizhichen Industrial Equipment Co ltd
Original Assignee
Qingdao Haizhichen Industrial Equipment Co 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 Qingdao Haizhichen Industrial Equipment Co ltd filed Critical Qingdao Haizhichen Industrial Equipment Co ltd
Priority to CN201911244323.4A priority Critical patent/CN111008602B/zh
Publication of CN111008602A publication Critical patent/CN111008602A/zh
Application granted granted Critical
Publication of CN111008602B publication Critical patent/CN111008602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其属于机器视觉领域，包括多相机测量***标定步骤S1、布置标记点步骤S2、对划线后待测零件进行图像采集的步骤S3、对单次采集的多幅图像提取划线特征的步骤S4；对多幅图像中的划线特征进行特征点匹配的步骤S5、建立提取的多幅图像的划线特征对应关系的步骤S6、对多幅图像的划线特征进行三维重建得到待测零件划线特征的三维点云数据的步骤S7、改变位姿多次测量并提取单次测量的待测零件划线特征的三维点云数据的步骤S8、对待测零件划线特征的三维点云数据通过标记点进行数据融合。本发明解决了飞机蒙皮机器人切边难以根据设计模型进行加工的技术问题。

Description

一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取 方法
技术领域
本发明属于三维视觉领域，更具体地，涉及一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法。
背景技术
通过比对划线确定待加工零件的余量是目前飞机蒙皮修配确定加工余量的常用手段，由于飞机蒙皮在制造以及装配过程中存在误差的累积，因此在部分蒙皮的装配过程中需要保留一定的余量来进行修配。如图1所示，飞机蒙皮标识为数字100，人工划线标识为数字101，飞机蒙皮100的零件边界标识为数字103，在人工划线101和零件边界103之间即为飞机蒙皮的加工余量105。
传统的飞机蒙皮修配多采用比对划线后进行人工修配（即人工修磨），这种方式存在加工质量难以保证、一致性差的不足。而机器人作为制造装备执行体，集成智能传感器，替代人类手工或数控机床，实现大型复杂零件小余量铣削、磨削、制孔、钻铆已经成为智能制造领域的前沿研究方向之一。采用机器人加工，可以有效提高大尺寸小曲率薄壁零件的加工效率和加工质量，对于中小尺寸的该类零件也可以有效提高加工一致性。
为了实现机器人按指定路径进行飞机蒙皮的切边加工，其需要根据零件的加工余量生成，目前最为常用的加工路径多是基于设计模型生成，与数控加工轨迹生成的方法类似。但是针对飞机蒙皮，其实际加工余量与设计模型不完全一致，且由于制造和装配误差的累积需要根据实际的装配情况确定工艺余量，用于修配，因此难以根据设计模型估计加工余量并生成加工轨迹。
基于二维和三维视觉结合的数字化测量方法，可以在位获取待加工零件上划线的三维信息，其可以用于获取待加工毛坯的实际边界用于与实际装配区域计算加工余量，来生成加工路径，相较于传统的人工修磨，可以更好的保证加工精度、效率以及一致性。
发明内容
针对现有技术的以上缺陷，本发明提供一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法将是有利的。
本发明总的设计思想在于：采用二维视觉提取划线特征的像素信息，采用双目或者多目立体视觉的三维重建方法，基于三维视觉提取划线特征的像素信息的匹配关系，实现对待测零件上划线特征（即待测零件划线特征）的三维测量，并基于在待测零件上布置的标记点对多个姿态的测量数据进行拼接融合，获取待测零件完整的划线特征。
为实现上述目的，本发明提供一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其特征在于，包括如下步骤：
S1：对由不少于两个CCD/CMOS相机组成的多相机测量***进行标定；
S2：在待测零件周围布置标记点；
S3：通过步骤S1中标定后的多相机测量***对划线后的待测零件进行图像采集；
S4：对步骤S3中获得的由多相机测量***单次采集的多幅图像采用两步灰度重心法提取划线特征的中心线亚像素坐标；
S5：根据步骤S1对多相机测量***的标定，建立CCD/CMOS相机两两之间有关空间位姿关系的对极约束关系，通过极线对步骤S4中提取的多幅图像中的划线特征进行特征点匹配；
S6：通过步骤S5获取的匹配后的特征点建立步骤S4中提取的多幅图像的划线特征的对应关系；
S7：对步骤S6中已建立对应关系的多幅图像的划线特征进行三维重建得到划线特征的三维点云数据；
S8：通过改变步骤S1中标定后的多相机测量***中每个相机的位姿对待测零件划线特征进行多次测量，所采集的数据通过步骤S4～S7提取单次测量的待测零件划线特征的三维点云数据；
S9：对步骤S8中获得的多次测量的待测零件划线特征的三维点云数据通过步骤S1中待测零件周围布置的标记点进行数据融合，获得完整的待测零件划线特征，即基于待测零件周围布置标记点进行多姿态测量数据融合，获得完整的划线特征。
进一步，步骤S1中“对由不少于两个CCD/CMOS相机组成的多相机测量***进行标定”具体为：通过空间中的平面靶标，对多相机测量***中每个CCD/CMOS相机的内参进行标定，同时测量***中对每个CCD/CMOS相机的空间位姿关系进行标定。
再进一步，步骤S3中“标定后的多相机测量***对划线后的待测零件进行图像采集”具体为：标定后的多相机测量***中每个CCD/CMOS相机的相对空间位姿关系保持不变，同一时刻在不同视角对待测零件进行图像采集。
还进一步，步骤S4中“对步骤S3中获得的由多相机测量***单次采集的多幅图像采用两步灰度重心法提取划线特征的中心线亚像素坐标”具体为：针对多幅图像中的图像I(x,y)，首先对图像I(x,y)沿x轴或者y轴计算粗提取中心线坐标C x (x,y j )或C y (x i ,y)，其计算公式如下：
Figure 100002_DEST_PATH_IMAGE002
或者
Figure 100002_DEST_PATH_IMAGE004
接着，基于粗提取中心线坐标C x (x,y j )或C y (x i ,y)计算精提取中心线上各点的坐标C(x ’ ,y ’ )，其计算公式如下
Figure 100002_DEST_PATH_IMAGE006
Figure 100002_DEST_PATH_IMAGE008
其中，I(x i ’ ,y j ’ )表示像素坐标为(x i ’ ,y j ’ )的像素点的像素值，s是像素点(x i ’ ,y j ’ )的法向取点的总数。
更进一步，步骤S5中“根据步骤S1中对多相机测量***的标定，建立CCD/CMOS相机两两之间有关空间位姿关系的对极约束关系，通过极线对步骤S4中提取的多幅图像中的划线特征进行特征点匹配”具体为：所述多幅图像中的图像A中中心线坐标为C A (x ’ ,y ’ ),根据图像A中中心线坐标C A (x ’ ,y ’ )与对极点e A 建立极线l A ，根据对极几何原理，在所述多幅图像中的图像B中基于极点e B 建立极线l B ，从而确定图像B与图像A中中心线坐标为C A (x ’ ,y ’ )对应的中心线坐标C B (x ’ ,y ’ )。
又进一步，步骤S7中“对步骤S6中已建立对应关系的多幅图像的划线特征进行三维重建，得到划线特征的三维点云数据”，具体为：根据多幅图像中的划线特征的特征点的匹配关系:
Figure 100002_DEST_PATH_IMAGE010
求解划线特征的特征点的三维坐标C(x,y,z)，其中，T表示矩阵转置，F表示基础矩阵，即平面A到平面B的转换关系。
又再进一步，步骤S8中“通过改变步骤S1中标定后的多相机测量***的空间位姿来对待测零件划线特征进行多次测量，所采集的数据通过步骤S4～S7提取单次测量的待测零件划线特征的三维点云数据”具体为：根据待测零件的大小尺寸，通过标定后的多相机测量***在多个空间位姿进行测量，测量时的该空间位姿根据多相机测量***的景深、视野等基于可视锥的原理进行规划，以获得待测零件完整的测量数据。
进一步的，步骤S9中“对步骤S8中获得的多次测量的待测零件划线特征的三维点云数据通过步骤S1中待测零件周围布置的标记点进行数据融合”具体为：在待测零件上随机布置不少于三个标记点，并且保证前次测量和后次测量（即前后序测量）的公共标记点不少于三个，通过测量获得标记点的三维坐标，基于ICP算法计算旋转变换矩阵T，实现多次测量数据的融合。
相比于现有技术，本发明具有如下优点：克服了传统的三维测量方法对待测零件形貌进行稠密重建后划线特征难以提取的缺陷，且为飞机蒙皮修配提供一种有效的数字化测量手段，有效解决了在飞机蒙皮机器人切边难以根据设计模型进行加工的技术问题。
通过参考下面所描述的实施例，本发明的上述这些方面和其他方面将会得到更清晰地阐述。
附图说明
本发明的结构以及进一步的目的和优点将通过下面结合附图的描述得到更好地理解，其中，相同的参考标记标识相同的元件：
图1示意性地示出了飞机蒙皮的零件边界、人工划线以及该二者之间的加工余量；
图2是根据本发明的一个具体实施方式的小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法的流程图；
图3示意性地示出了二维图像中的划线特征；
图4是两步灰度重心法粗提取和精提取示意图；
图5是两个相机空间中对极约束的示意图。
具体实施方式
下面将结合附图来描述本发明的具体实施方式。
总的来说，在本发明中，待测零件划线特征通过多相机测量***中的CCD/CMOS相机进行采集，图像中的划线特征通过两步灰度重心法提取，基于对极几何对提取的图像中的划线特征进行匹配，采用立体视觉的原理对图像中的划线特征进行三维重构。另，需要说明的是，本实施方式中的小曲率薄壁零件为图1所示的飞机蒙皮100。
如图2所示，并参考图3、图4和图5，根据本发明的一个具体实施方式的小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法包括步骤S1～S9。图3为待测零件划线特征在二维图像中的示意图，参考图1所示，数字101仍然标识飞机蒙皮100的人工划线，数字103仍然标识飞机蒙皮100的零件边界，数字105仍然标识飞机蒙皮100在人工划线101和零件边界103之间的加工余量。图4中，数字1用来标识粗提取，数字3用来标识精提取。图5中，C和D表示本实施方式中待测零件即飞机蒙皮100上的两个划线特征，C A 和C B 分别对应划线特征C在相机A和相机B中的图像，D A 和D B 分别对应划线特征D在相机A和相机B中的图像， l A 和l B 表示相应的极线。
S1：对由不少于两个CCD/CMOS相机组成的多相机测量***进行标定；
具体地，在本实施方式中，通过空间中的平面靶标对多相机测量***中每个CCD/CMOS相机的内参进行标定，同时对每个CCD/CMOS相机的空间位姿关系进行标定。
S2：在待测零件周围随机布置标记点；
具体地，在本实施方式中，在待测零件的表面随机布置标记点，用于多空间位姿测量数据的拼接。
S3：通过步骤S1标定后的多相机测量***对划线后的待测零件（即待测零件划线特征）进行图像采集；
具体地，在本实施方式中，标定后的多相机测量***中每个CCD/CMOS相机的相对空间位姿关系保持不变，同一时刻在不同视角对待测零件进行图像采集。
S4：对步骤S3获得的由多相机测量***单次采集的多幅图像采用两步灰度重心法提取划线特征的中心线亚像素坐标；
具体地，在本实施方式中，对多幅图像中的图像I(x,y)，首先对图像沿x轴或者y轴计算粗提取中心线坐标C x (x,y j )或C y (x i ,y)，其计算公式如下：
Figure DEST_PATH_IMAGE002A
或者
Figure DEST_PATH_IMAGE004A
接着，基于粗提取中心线坐标C x (x,y j )或C y (x i ,y)计算精提取中心线上各点的坐标C(x ’ ,y ’ )，其计算公式如下
Figure DEST_PATH_IMAGE006A
Figure DEST_PATH_IMAGE008A
其中，I(x i ’ ,y j ’ )表示像素坐标为(x i ’ ,y j ’ )的像素点的像素值，s是像素点(x i ’ ,y j ’ )的法向取点的总数。
S5：根据步骤S1中对多相机测量***的CCD/CMOS相机所标定的空间位姿关系，建立CCD/CMOS相机两两之间的对极约束关系，通过极线对步骤S4提取的多幅图像中的划线特征进行特征点匹配；
具体地，在本实施方式中，多幅图像中的图像A中中心线坐标为C A (x ’ ,y ’ ),根据图像A中中心线坐标C A (x ’ ,y ’ )与对极点e A 建立极线l A ，根据对极几何原理，在多幅图像中的图像B中基于极点e B 建立极线l B ，从而确定图像B与图像A中中心线坐标C A (x ’ ,y ’ )对应的中心线坐标C B (x ’ ,y ’ )。
S6：通过步骤S5获取的匹配后的特征点建立步骤S4中提取的多幅图像的划线特征的对应关系；
S7：对步骤S6中已建立对应关系的多幅图像的划线特征进行三维重建，得到待测零件划线特征的三维点云数据；
具体地，在本实施方式中，根据多幅图像中的划线特征的特征点的匹配关系:
Figure DEST_PATH_IMAGE010A
求解划线特征的特征点的三维坐标C(x,y,z)。
S8：通过改变步骤S1中标定后的多相机测量***的空间位姿对待测零件划线特征进行多次测量，所采集的数据通过步骤S4～S7来提取单次测量的待测零件划线特征的三维点云数据；
具体地，在本实施方式中，根据待测零件的大小尺寸，通过标定后的多相机测量***在多个空间位姿进行测量，测量时的该等空间位姿根据多相机测量***的景深、视野等基于可视锥的原理进行规划，以获得待测零件完整的测量数据。
S9：对步骤S8获得的多次测量的待测零件划线特征的三维点云数据通过步骤S1中待测零件周围布置的标记点进行数据融合，获得完整的待测零件划线特征。
具体地，在本实施方式中，在待测零件上随机布置不少于三个标记点，并且保证前后序测量的公共标记点不少于三个，通过测量获得标记点的三维坐标，基于ICP算法计算旋转变换矩阵T，实现多次测量数据的融合。
本发明方法适用小曲率薄壁零件划线特征的提取，即本发明适用各种小曲率薄壁零件用二维和三维视觉结合的划线特征提取。
本发明的技术内容及技术特点已揭示如上，然而可以理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，包括如下步骤：
S1：对由不少于两个CCD/CMOS相机组成的多相机测量***进行标定；
S2：在待测零件周围布置标记点；
S3：通过步骤S1中标定后的多相机测量***对划线后的待测零件进行图像采集；
S4：对步骤S3中获得的由多相机测量***单次采集的多幅图像采用两步灰度重心法提取划线特征的中心线坐标；
S5：根据步骤S1中对多相机测量***的标定，建立CCD/CMOS相机两两之间有关空间位姿关系的对极约束关系，通过极线对步骤S4中提取的多幅图像中的划线特征进行特征点匹配；
S6：通过步骤S5获取的匹配后的特征点建立步骤S4中提取的多幅图像中的划线特征的对应关系；
S7：对步骤S6中已建立对应关系的多幅图像的划线特征进行三维重建，得到待测零件划线特征的三维点云数据；
S8：通过改变步骤S1中标定后的多相机测量***的空间位姿来对待测零件划线特征进行多次测量，所采集的数据通过步骤S4～S7来提取单次测量的待测零件划线特征的三维点云数据；
S9：对步骤S8中获得的多次测量的待测零件划线特征的三维点云数据通过步骤S1中待测零件周围布置的标记点进行数据融合，获得完整的待测零件划线特征。
2.如权利要求1所述的一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其特征在于，在所述步骤S1中，所述标定包括：通过空间中的平面靶标，对所述多相机测量***中每个所述CCD/CMOS相机的内参进行标定，同时对每个所述CCD/CMOS相机的空间位姿关系进行标定。
3.如权利要求2所述的一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其特征在于，在所述步骤S3中，所述图像采集是在所述标定后的所述多相机测量***中每个所述CCD/CMOS相机的相对空间位姿关系保持不变的情况下，同一时刻在不同视角对所述待测零件进行图像采集。
4.如权利要求3所述的一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其特征在于，在所述步骤S4中，针对所述单次采集的所述多幅图像中的图像I(x,y)，首先对图像I(x,y)沿x轴或者y轴计算粗提取中心线坐标C x (x,y j )或C y (x i ,y)，其计算公式如下：
Figure DEST_PATH_IMAGE002
或者
Figure DEST_PATH_IMAGE004
接着，基于粗提取中心线坐标C x (x,y j )或C y (x i ,y)计算精提取中心线上各点的坐标C(x ’ ,y ’ )，其计算公式如下
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE008
其中，I(x i ’ ,y j ’ )表示像素坐标为(x i ’ ,y j ’ )的像素点的像素值，s是像素点(x i ’ ,y j ’ )的法向取点的总数。
5.如权利要求4所述的一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其特征在于，在所述步骤S5中，所述多幅图像中的图像A中心线坐标为C A (x ’ ,y ’ )，根据图像A中心线坐标C A (x ’ ,y ’ )与对极点e A 建立极线l A ，根据对极几何原理，在所述多幅图像中的图像B中基于极点e B 建立极线l B ，从而确定图像B与图像A中心线坐标C A (x ’ ,y ’ )对应的中心线坐标C B (x ’ ,y ’ )。
6.如权利要求5所述的一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其特征在于，在所述步骤S7中，根据所述多幅图像中的所述划线特征的特征点匹配关系:
Figure DEST_PATH_IMAGE010
求解所述划线特征的特征点的三维坐标C(x,y,z)，
其中，T表示矩阵转置，F表示基础矩阵，该基础矩阵为平面A到平面B的转换关系。
7.如权利要求6所述的一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其特征在于，在所述步骤S8中，根据所述待测零件的大小尺寸，通过所述标定后的所述多相机测量***在多个空间位姿进行测量，测量时所述空间位姿根据所述多相机测量***的景深、视野基于可视锥的原理进行规划，以获得所述待测零件完整的测量数据。
8.如权利要求7所述的一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法，其特征在于，在所述步骤S9中，在所述待测零件上随机布置不少于三个标记点，并且保证前次测量和后次测量的公共标记点不少于三个，通过测量获得标记点的三维坐标，基于ICP算法计算所述旋转变换矩阵T，实现多次测量数据的融合。
CN201911244323.4A 2019-12-06 2019-12-06 一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法 Active CN111008602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911244323.4A CN111008602B (zh) 2019-12-06 2019-12-06 一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911244323.4A CN111008602B (zh) 2019-12-06 2019-12-06 一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法

Publications (2)

Publication Number Publication Date
CN111008602A true CN111008602A (zh) 2020-04-14
CN111008602B CN111008602B (zh) 2023-07-25

Family

ID=70113899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911244323.4A Active CN111008602B (zh) 2019-12-06 2019-12-06 一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法

Country Status (1)

Country Link
CN (1) CN111008602B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113427488A (zh) * 2021-07-13 2021-09-24 西安交通大学 一种基于几何特征识别的数字化划线方法、***及装置
CN113537237A (zh) * 2021-06-25 2021-10-22 西安交通大学 一种多特征零件质量信息智能感知方法、***及装置
CN114115123A (zh) * 2021-11-16 2022-03-01 上海交通大学 航空大型薄壁类非刚体零件的参数化数控加工方法和***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276415A (zh) * 2008-03-03 2008-10-01 北京航空航天大学 用多定焦摄像机实现多分辨率图像采集的装置和方法
CN103913131A (zh) * 2014-04-14 2014-07-09 大连理工大学 一种基于双目视觉的自由曲面法矢量测量方法
CN104657587A (zh) * 2015-01-08 2015-05-27 华中科技大学 一种激光条纹中心线的提取方法
CN105894574A (zh) * 2016-03-30 2016-08-24 清华大学深圳研究生院 一种双目三维重建方法
CN106841206A (zh) * 2016-12-19 2017-06-13 大连理工大学 大型零件化学铣削切割非接触在线检测方法
CN107767442A (zh) * 2017-10-16 2018-03-06 浙江工业大学 一种基于Kinect和双目视觉的脚型三维重建与测量方法
CN107977997A (zh) * 2017-11-29 2018-05-01 北京航空航天大学 一种结合激光雷达三维点云数据的相机自标定方法
WO2018103693A1 (zh) * 2016-12-07 2018-06-14 西安知象光电科技有限公司 一种三维轮廓的光学混合检测方法
WO2018103152A1 (zh) * 2016-12-05 2018-06-14 杭州先临三维科技股份有限公司 一种三维数字成像传感器、三维扫描***及其扫描方法
WO2018152929A1 (zh) * 2017-02-24 2018-08-30 先临三维科技股份有限公司 一种三维扫描***及其扫描方法
EP3503030A1 (en) * 2017-12-22 2019-06-26 The Provost, Fellows, Foundation Scholars, & the other members of Board, of the College of the Holy & Undiv. Trinity of Queen Elizabeth, Method and apparatus for generating a three-dimensional model

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276415A (zh) * 2008-03-03 2008-10-01 北京航空航天大学 用多定焦摄像机实现多分辨率图像采集的装置和方法
CN103913131A (zh) * 2014-04-14 2014-07-09 大连理工大学 一种基于双目视觉的自由曲面法矢量测量方法
CN104657587A (zh) * 2015-01-08 2015-05-27 华中科技大学 一种激光条纹中心线的提取方法
CN105894574A (zh) * 2016-03-30 2016-08-24 清华大学深圳研究生院 一种双目三维重建方法
WO2018103152A1 (zh) * 2016-12-05 2018-06-14 杭州先临三维科技股份有限公司 一种三维数字成像传感器、三维扫描***及其扫描方法
WO2018103693A1 (zh) * 2016-12-07 2018-06-14 西安知象光电科技有限公司 一种三维轮廓的光学混合检测方法
CN106841206A (zh) * 2016-12-19 2017-06-13 大连理工大学 大型零件化学铣削切割非接触在线检测方法
WO2018152929A1 (zh) * 2017-02-24 2018-08-30 先临三维科技股份有限公司 一种三维扫描***及其扫描方法
CN107767442A (zh) * 2017-10-16 2018-03-06 浙江工业大学 一种基于Kinect和双目视觉的脚型三维重建与测量方法
CN107977997A (zh) * 2017-11-29 2018-05-01 北京航空航天大学 一种结合激光雷达三维点云数据的相机自标定方法
EP3503030A1 (en) * 2017-12-22 2019-06-26 The Provost, Fellows, Foundation Scholars, & the other members of Board, of the College of the Holy & Undiv. Trinity of Queen Elizabeth, Method and apparatus for generating a three-dimensional model

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张海明;杨洗陈;高贵;: "激光再制造机器人待加工零件形貌三维重建", 中国激光, no. 11 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537237A (zh) * 2021-06-25 2021-10-22 西安交通大学 一种多特征零件质量信息智能感知方法、***及装置
CN113537237B (zh) * 2021-06-25 2024-01-16 西安交通大学 一种多特征零件质量信息智能感知方法、***及装置
CN113427488A (zh) * 2021-07-13 2021-09-24 西安交通大学 一种基于几何特征识别的数字化划线方法、***及装置
CN114115123A (zh) * 2021-11-16 2022-03-01 上海交通大学 航空大型薄壁类非刚体零件的参数化数控加工方法和***
CN114115123B (zh) * 2021-11-16 2024-04-09 上海交通大学 航空大型薄壁类非刚体零件的参数化数控加工方法和***

Also Published As

Publication number Publication date
CN111008602B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN103913131B (zh) 一种基于双目视觉的自由曲面法矢量测量方法
CN109242954B (zh) 基于模板变形的多视角三维人体重建方法
CN111008602A (zh) 一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法
CN106340044B (zh) 摄像机外参自动标定方法及标定装置
CN109000557B (zh) 一种核燃料棒位姿自动识别方法
CN104156536B (zh) 一种盾构机刀具磨损的可视化定量标定及分析方法
CN104930985B (zh) 基于时空约束的双目视觉三维形貌测量方法
CN107301648B (zh) 基于重叠区域边界角度的冗余点云去除方法
CN109685886A (zh) 一种基于混合现实技术的配网三维场景建模方法
CN109684709A (zh) 一种航空发动机叶片修复的自适应定位方法
CN103175485A (zh) 一种飞机涡轮发动机叶片修复机器人的视觉标定方法
CN109579695B (zh) 一种基于异构立体视觉的零件测量方法
CN110044374A (zh) 一种基于图像特征的单目视觉测量里程的方法及里程计
CN107121967A (zh) 一种激光在机找正和工序间测量装置
CN113920081A (zh) 一种刀具磨损度检测方法
CN112697044B (zh) 一种基于无人机平台的静态刚性物体视觉测量方法
CN112967330B (zh) 一种结合SfM和双目匹配的内窥图像三维重建方法
CN106952262B (zh) 一种基于立体视觉的船板加工精度分析方法
CN113008158B (zh) 多线激光轮胎花纹深度测量方法
CN108133477A (zh) 一种物体检测方法及智能机械臂
CN112634435A (zh) 一种基于“Eye in Hand”模型的陶瓷制品三维点云重建方法
CN114170284B (zh) 基于主动标志点投射辅助的多视图点云配准方法
CN108335332A (zh) 一种基于双目视觉的轴类零件中轴线测量方法
CN109360267B (zh) 一种薄物体快速三维重建方法
CN104614372B (zh) 一种太阳能硅片检测方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Extracting Lined Features of Small Curvature Thin-walled Parts Using a Combination of 2D and 3D Vision

Effective date of registration: 20231011

Granted publication date: 20230725

Pledgee: Weihai commercial bank Limited by Share Ltd. Qingdao branch

Pledgor: QINGDAO HAIZHICHEN INDUSTRIAL EQUIPMENT Co.,Ltd.

Registration number: Y2023980060713

PE01 Entry into force of the registration of the contract for pledge of patent right