CN113340241A - 一种双目视觉混凝土结合面粗糙度测量方法及*** - Google Patents
一种双目视觉混凝土结合面粗糙度测量方法及*** Download PDFInfo
- Publication number
- CN113340241A CN113340241A CN202110644165.2A CN202110644165A CN113340241A CN 113340241 A CN113340241 A CN 113340241A CN 202110644165 A CN202110644165 A CN 202110644165A CN 113340241 A CN113340241 A CN 113340241A
- Authority
- CN
- China
- Prior art keywords
- joint surface
- concrete joint
- detected
- concrete
- data
- 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
Links
Images
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
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种双目视觉混凝土结合面粗糙度测量方法及***,所述***包括喷涂装置、双目视觉图像采集装置、水平校正装置和粗糙度测量控制器,喷涂装置用于在待测混凝土结合面上方喷涂油漆,以增强待测混凝土结合面的纹理特征;双目视觉图像采集装置用于采集喷涂后的待测混凝土结合面的左、右图像以及采集所述水平校正装置的左、右图像;所述粗糙度测量控制器包括第一计算模块、第二计算模块、修正模块及确定模块,第一计算模块用于获取待测混凝土结合面的三维点云数据,第二计算模块用于反演出各个标记点Pi的三维坐标;修正模块用于获得修正后的三维点云数据,确定模块用于判断待测混凝土结合面的粗糙度是否合格。
Description
技术领域
本发明涉及混凝土结合面粗糙检测技术领域,具体的说,涉及了一种双目视觉混凝土结合面粗糙度测量方法及***。
背景技术
混凝土结合面的粗糙度对接缝受力性能有显著影响,因此,有必要对混凝土结合面的粗糙度进行可靠、定量的评价。
目前,结合面粗糙度评定方法主要包括:
(1)灌砂法及硅粉堆落法
灌砂法的测量方法为:用四片塑料板将混凝土处理面围起来,使塑料板的最高平面和处理面的最高点平齐,在表面上灌入标准砂且与塑料板顶面抹平,然后测量标准砂的体积,利用该体积除以结合面的面积得到灌砂的平均深度,利用该平均深度表征结合面的粗糙程度;灌砂法及硅粉堆落法两种方法的测定原理基本一致,均是通过细小材料(砂子或硅粉) 铺盖至结合面上,通过某一指标的大小评定结合面粗糙度;
灌砂法及硅粉堆落法均可应用于工程现场,但会极大的受到天气影响,在风雨环境下,无法在现场操作;
(2)分数维法
需使用分维仪,分维仪包括钢底板、角钢立柱、x向游标卡尺和y向游标卡尺等部件;测量时,依次测量第一、第二条、第三和第四条剖面迹线,得到编号为A、B、C、D四条等间距的平行剖面迹线。测量剖面迹线后,可用计算得出结合面的分维值D,根据分维值D来定量描述结合界面的粗糙程度;
但是,分数维法所需仪器复杂,无法在现场操作,只能针对水平结合面;
(3)细小铁珠测定法
同济大学赵勇针对混凝士结合面粗糙度研发了一种测量装置,该装置由围板、盖板、吸附式磁铁及把手组成,围板为上下开口的闭环板体,盖板水平设置在围板内,且与围板的内壁紧密连接,吸附式磁铁设置在盖板上,盖板上开设有向盖板下方投加细小铁珠的孔洞。通过计算填充材料细小铁珠的体积V和结合面的平面面积A,利用两者的比值对结合面粗糙度进行度量;
但是,细小铁珠测定法所需材料费用较高,且只能针对水平结合面。
为了解决以上存在的问题,人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足,从而提供一种双目视觉混凝土结合面粗糙度测量方法及***。
为了实现上述目的,本发明所采用的技术方案是:
本发明第一方面提供一种双目视觉混凝土结合面粗糙度测量方法,包括以下步骤:
步骤0,选取待测混凝土结合面,采用喷涂装置在待测混凝土结合面上方喷涂油漆,让油漆颗粒自由沉降在待测混凝土接合面上,以增强待测混凝土结合面的纹理特征;
步骤1,采集喷涂后的待测混凝土结合面的左、右图像,利用半全局匹配算法,计算喷涂后的待测混凝土结合面的位差,获取待测混凝土结合面的三维点云数据Pt[x,y,z],其中[x,y,z]为长、宽、高三维数据;
步骤2,在待测混凝土结合面上方放置水平校正装置,调整所述水平校正装置直至与待测混凝土结合面平行;
步骤3,采集所述水平校正装置的左、右图像,采用半全局匹配算法,计算水平校正装置上的标记点Pi在左、右相机的位差,反演出各个标记点Pi的三维坐标(xi,yi,zi);
步骤4,将步骤3获得标记点的三维坐标(xi,yi,zi)作为数据样本,代入参考平面方程Ax+By+Cz+D=0,得到参考平面的超定方程组:
采用最小二乘法求解所述参考平面的超定方程组,得到所述参考平面的系数A、B、C和D;
根据得到的系数A、B和C,获得所述参考平面的法向量(A,B,C),采用以下公式计算所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ:
根据预设修正模型,以及所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ,获得修正因子M1,M2和M3;其中,所述修正模型为:
通过修正因子M1,M2和M3,以及预先建立的映射方程,获得修正后的三维点云数据Pt_new [x’,y’,z’];
其中,映射方程为:
步骤5,基于修正后的三维点云数据Pt_new [x’,y’,z’],判断待测混凝土结合面的粗糙度是否合格。
本发明第二方面提供一种双目视觉混凝土结合面粗糙度测量***,包括喷涂装置、双目视觉图像采集装置、水平校正装置和粗糙度测量控制器,所述水平校正装置上预设有一系列标记点Pi;
所述喷涂装置,与所述粗糙度测量控制器连接,用于在确定待测混凝土结合面后,根据喷涂指令在待测混凝土结合面上方喷涂油漆,让油漆颗粒自由沉降在待测混凝土接合面上,以增强待测混凝土结合面的纹理特征;
所述双目视觉图像采集装置,与所述粗糙度测量控制器连接,用于采集喷涂后的待测混凝土结合面的左、右图像并传输至所述粗糙度测量控制器,以及用于采集所述水平校正装置的左、右图像并传输至所述粗糙度测量控制器;
所述粗糙度测量控制器包括第一计算模块、第二计算模块、修正模块及确定模块,
所述第一计算模块,用于利用半全局匹配算法,根据喷涂后的待测混凝土结合面的左、右图像,计算喷涂后的待测混凝土结合面的位差,获取待测混凝土结合面的三维点云数据Pt[x,y,z],其中[x,y,z]为长、宽、高三维数据;
所述第二计算模块,用于采用半全局匹配算法,根据所述水平校正装置的左、右图像,计算水平校正装置上的标记点Pi在左、右相机的位差,反演出各个标记点Pi的三维坐标(xi,yi,zi);
所述修正模块,用于根据各个标记点的三维坐标(xi,yi,zi)对待测混凝土结合面的三维点云数据Pt[x,y,z]进行修正,获得修正后的三维点云数据Pt_new [x’,y’,z’];
所述确定模块,用于基于修正后的三维点云数据Pt_new [x’,y’,z’],判断待测混凝土结合面的粗糙度是否合格。
本发明相对现有技术具有突出的实质性特点和显著的进步,具体的说:
1)本发明提供一种双目视觉混凝土结合面粗糙度测量方法及***,生成修正因子,基于修正因子进行倾斜校正,修正由于左、右相机基线与待测混凝土结合面不平行带来的高度误差;
同时,本发明只需要在预定高度拍摄两次图像,通过半全局匹配算法分别获取结合面点云数据和参考平面方程,应用参考平面对待测混凝土结合面数据整体修正,最后将待测混凝土结合面划分成一定数量的子区域,计算子区域的高度值极差,通过平均最终计算结合面的粗糙度;
2)该双目视觉混凝土结合面粗糙度测量***能够在现场操作,不受天气影响,不但能够针对水平结合面进行测量,还能够针对非水平结合面进行测量,且粗糙度测量精确度高;
3)选择参考平面,参考平面由物理装置决定,物理装置在设计时已经保证所有标记点在同一个平面,因此计算出的参考平面是准确的;对双目立体视觉***反演的点云投影到参考平面上,相当于把所测量的平面沿x,y,z轴旋转然后与参考平面平行;
因此能够有效剔除由于左、右相机基线与待测混凝土结合面不平行带来的***误差,降低了装置前期的调整难度。
附图说明
图1是本发明的双目视觉混凝土结合面粗糙度测量方法的流程图;
图2是本发明的平面校正前的示意图;
图3是本发明的平面校正后的示意图;
图4是本发明的待测混凝土结合面粗糙度测量结果示意图;
图5是本发明的一种实施例的双目视觉混凝土结合面粗糙度测量***的结构示意图;
图6是本发明的室外现场用的双目视觉混凝土结合面粗糙度测量***的结构示意图;
其中,1.支撑杆;2.第一位姿调整机构;3.双目视觉图像采集装置;4.粗糙度测量控制器;5.第二位姿调整机构;6.第二安装板;7.第一夹持件。
具体实施方式
下面通过具体实施方式,对本发明的技术方案做进一步的详细描述。
图1为本发明实施例双目视觉混凝土接合面粗糙度测量方法流程示意图,如图1所示,所述方法包括以下步骤:
步骤0,选取待测混凝土结合面,采用喷涂装置在待测混凝土结合面上方喷涂油漆,让油漆颗粒自由沉降在待测混凝土接合面上,以增强待测混凝土结合面的纹理特征;
步骤1,采集喷涂后的待测混凝土结合面的左、右图像,利用半全局匹配算法,计算喷涂后的待测混凝土结合面的位差,获取待测混凝土结合面的三维点云数据Pt[x,y,z],其中[x,y,z]为长、宽、高三维数据;
步骤2,在待测混凝土结合面上方放置水平校正装置,调整所述水平校正装置直至与待测混凝土结合面平行;
步骤3,采集所述水平校正装置的左、右图像,采用半全局匹配算法,计算水平校正装置上的标记点Pi在左、右相机的位差,反演出各个标记点Pi的三维坐标(xi,yi,zi);
步骤4,将步骤3获得标记点的三维坐标(xi,yi,zi)作为数据样本,代入参考平面方程Ax+By+Cz+D=0,得到参考平面的超定方程组:
采用最小二乘法求解所述参考平面的超定方程组,得到所述参考平面的系数A、B、C和D;
根据得到的系数A、B和C,获得所述参考平面的法向量(A,B,C),采用以下公式计算所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ:
根据预设修正模型,以及所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ,获得修正因子M1,M2和M3;其中,所述修正模型为:
通过修正因子M1,M2和M3,以及预先建立的映射方程,获得修正后的三维点云数据Pt_new [x’,y’,z’];
其中,映射方程为:
步骤5,基于修正后的三维点云数据Pt_new [x’,y’,z’],判断待测混凝土结合面的粗糙度是否合格。
需要说明的是,双目立体视觉依赖同一像素在左右两边位差来计算深度,因此匹配过程中应该尽量减少一对多的情况。对于弱纹理或者相似性强的目标,可以添加辅助纹理。本发明采用在测量混凝土结合面上涂喷油漆的方式,该方式成本低廉,结果可靠。因此,步骤0具体包括:
S1,选取待测混凝土结合面区域;
S2,调整喷壶喷嘴的大小,直到喷出雾化效果为佳;
S3,在待测区域上面200mm处,横向喷洒蓝色油漆,让油漆颗粒自由沉降到待测区域表面;
S4,目测待测区域有较为致密的油漆颗粒停止喷洒,要求整个待测区域没有大的空缺也没有连接成片的情况发生。
需要说明的是,涂喷油漆选用颜料粒径大小为 0.2~0.5μm,刚好是光波长一半,对光的散射能力最强;另外,对于混凝土接合面上附着一层0.2~0.5μm涂层,最终粗糙度值造成影响微乎其微,因为粗糙度测量精度为亚毫米级,即百微米,两者相差至少两个数量级。
为了增加抗干扰性,对测量区域进行划分,对划分的测量区域进行高度极差计算,分割计算过程如图4所示,最终获取平均粗糙度数据,因此,所述步骤5具体包括:
步骤501,确定子区域数量N,对待测混凝土结合面进行N等分划分,获得N个子区域S_subj,其中,j∈[0、1、2、…、N-1],N是平方数;
步骤502,将每个子区域S_subj细分为M个孙区域,
提取每个孙区域内三维点云数据Pt_new [x’,y’,z’]中z’的最大值z’_max,按照大小顺序进行排列,以构建每个子区域S_subj的第一数组D_maxj;
提取每个孙区域内三维点云数据Pt_new [x’,y’,z’]中z’的最小值z’_min,按照大小顺序进行排列,以构建每个子区域S_subj的第二数组D_minj;
移除所述第一数组D_maxj中的N1个最大值和N2个最小值,并对所述第一数组D_maxj中剩余数据求平均值,获得第一基础参数DPj;
移除所述第二数组D_minj中的N1个最大值和N2个最小值,对所述第二数组D_minj中剩余数据求平均值,获得第二基础参数DP’j;
对所述第一基础参数DPj和第二基础参数DP’j作差,得到D_meanj, D_meanj作为第j个子区域S_subj的高度极差;
对N个子区域的高度极差求平均,获得待测混凝土结合面的粗糙度R;
步骤503,重复执行步骤501和步骤502,将k次获得的待测混凝土结合面的粗糙度R的平均值,作为最终的待测混凝土结合面的粗糙度;
步骤504,将最终的待测混凝土结合面的粗糙度与预设粗糙度阈值进行比较,
若最终的待测混凝土结合面的粗糙度小于预设粗糙度阈值,则判定待测混凝土结合面的粗糙度合格;否则,判定待测混凝土结合面的粗糙度不合格。
具体的,N可以为1、4、9、16、⋯等,M可以为16,N1和N2可以为3。
进一步的,所述步骤1中,利用半全局匹配算法,计算喷涂后的待测混凝土结合面的位差,获取待测混凝土结合面的三维点云数据Pt[x,y,z]时,执行以下步骤:
步骤101,读取同时拍摄的喷涂后的待测混凝土接合面的左图像I和右图像Ⅱ;
步骤102,利用标定参数分别待测混凝土接合面的左图像I和右图像Ⅱ进行畸变校正和极线校正,得到校正后的待测混凝土接合面的左图像I’和右图像Ⅱ’;
步骤103,确定搜寻范围[d1,d2],d1和d2根据测量的深度极差和基线长度确定,为16的整数倍;
步骤104,逐点选取校正后的待测混凝土接合面的左图像I’中的像素p1,提取校正后的待测混凝土接合面的右图像Ⅱ’中同一行且范围为[d1,d2]的区域中的像素点组合P2;其中,d1和d2根据测量的深度极差和基线长度确定,为16的整数倍;
基于所述像素p1与所述像素点组合P2计算相关性得分,并判断得分是否高于预设阈值t;
若高于预设阈值t,则判断所述像素p1与所述像素点组合P2匹配成功,否则,将所述像素p1标记为数据缺失;
直至待测混凝土接合面的左图像I’中所有像素搜寻完成,形成所有像素的视差图I_disparity;
步骤105,根据视差图I_disparity和标定参数中左、右相机间距,计算出待测混凝土结合面的三维点云数据Pt[x,y,z,r,g,b],其中[x,y,z]为长、宽、高三维数据,[r,g,b]为对应像素的红、绿、蓝三基色数据。
其中,所述标定参数为左、右相机间距和畸变参数等。
进一步的,所述步骤3中,采集所述水平校正装置的左、右图像,采用半全局匹配算法,计算水平校正装置上的标记点Pi在左、右相机的位差,反演出各个标记点Pi的三维坐标(xi,yi,zi)时,执行以下步骤:
步骤301,读取所述水平校正装置的左图像Ⅲ和右图像Ⅳ;
步骤302,利用标定参数分别所述水平校正装置的左图像Ⅲ和右图像Ⅳ进行畸变校正和极线校正,得到校正后的水平校正装置的左图像Ⅲ’和右图像Ⅳ’;
步骤303,选取校正后的水平校正装置的左图像Ⅲ’中标记点Pi的像素,以及校正后的水平校正装置的右图像Ⅳ’中标记点Pi的像素;
步骤304,计算校正后的水平校正装置的左图像Ⅲ’和右图像Ⅳ’中标记点Pi的视差图Ⅱ_disparity;
步骤305,根据视差图Ⅱ_disparity和所述标定参数中左、右相机间距,计算出各个标记点Pi的三维坐标(xi,yi,zi)。
需要说明的是,计算各个标记点Pi的三维坐标(xi,yi,zi)时,先在左右两幅图中提取标记点Pi位置和像素值,然后只计算图像中标记点Pi的视差图,而不是整个图像所有像素的视差图,其计算量大大减小,在保证待测混凝土结合面的粗糙度计算结果准确度的同时,缩短计算时间。
进一步的,所述步骤5中,基于修正后的三维点云数据Pt_new [x’,y’,z’],判断待测混凝土结合面的粗糙度是否合格之前,还对剔除修正后的三维点云数据Pt_new中跳变的毛刺数据:
预设跳变阈值T,提取修正后的三维点云数据Pt_new [x’,y’,z’]中的高度数据z’;其中,预设跳变阈值T为2mm;
基于提取出的高度数据z’,获得水平方向的差分数组Z_map_H,以及竖直方向的差分数组Z_map_V;
分别将水平方向的差分数组Z_map_H和竖直方向的差分数组Z_map_V中的数据与所述预设跳变阈值T进行对比,若大于所述预设跳变阈值T,则将对应像素点的值设置为1,否则,将对应像素点的值设置为0,获得二值图Img_Z;
对所述二值图Img_Z进行连通区域标记,并确定连通区域面积;
将连通区域面积大于预设面积阈值S的区域作为孤立错误数据点,并将孤立错误数据点的位置设置为NaN,完成剔除跳变的毛刺数据过程。
需要说明的是,点云空洞来源有两个,一是在立体匹配时,未能找到对应的匹配点,出现数据缺失,形成点云空洞;二是剔除毛刺数据后,毛刺数据所在位置数据空缺,形成点云空洞;
所述步骤5中,剔除修正后的三维点云数据Pt_new中跳变的毛刺数据之后,还执行填充点云空洞的步骤:
从毛刺数据剔除后的三维点云数据Pt_new [x’,y’,z’]中搜寻NaN,以确定点云空洞所在连通区域;
记录这些区域的索引值,采用形态学方法进行连通区域划分和标注;
对点云空洞所在连通区域计算最小外接矩形,获得最小外接矩形区域;最小外接矩形区域采用膨胀算法往外扩充3个像素,记为Rj,j为第j个连通区域的序号;
采用采用趋势面光滑插值法对每个最小外接矩形区域进行插值,利用插值得到的数据替换点云空洞所在连通区域中的缺失数据,完成空洞填充过程。
实施例2
在上述双目视觉混凝土结合面粗糙度测量方法的基础上,本发明还给出了一种双目视觉混凝土结合面粗糙度测量***,如附图5和附图6所示,
所述双目视觉混凝土结合面粗糙度测量***包括喷涂装置、双目视觉图像采集装置3、水平校正装置和粗糙度测量控制器4,所述水平校正装置上预设有一系列标记点Pi;
所述喷涂装置,与所述粗糙度测量控制器4连接,用于在确定待测混凝土结合面后,根据喷涂指令在待测混凝土结合面上方(例如,200mm处)喷涂油漆,让油漆颗粒自由沉降在待测混凝土接合面上,以增强待测混凝土结合面的纹理特征;
所述双目视觉图像采集装置3,与所述粗糙度测量控制器4连接,用于采集喷涂后的待测混凝土结合面的左、右图像并传输至所述粗糙度测量控制器4,以及用于采集所述水平校正装置的左、右图像并传输至所述粗糙度测量控制器4;
所述粗糙度测量控制器4包括第一计算模块、第二计算模块、修正模块及确定模块,
所述第一计算模块,用于利用半全局匹配算法,根据喷涂后的待测混凝土结合面的左、右图像,计算喷涂后的待测混凝土结合面的位差,获取待测混凝土结合面的三维点云数据Pt[x,y,z],其中[x,y,z]为长、宽、高三维数据;
所述第二计算模块,用于采用半全局匹配算法,根据所述水平校正装置的左、右图像,计算水平校正装置上的标记点Pi在左、右相机的位差,反演出各个标记点Pi的三维坐标(xi,yi,zi);
所述修正模块,用于根据各个标记点的三维坐标(xi,yi,zi)对待测混凝土结合面的三维点云数据Pt[x,y,z]进行修正,获得修正后的三维点云数据Pt_new [x’,y’,z’];
所述确定模块,用于基于修正后的三维点云数据Pt_new [x’,y’,z’],判断待测混凝土结合面的粗糙度是否合格。
进一步的,所述修正模块包括参考平面构建子模块、修正因子计算模块以及映射模块,
所述参考平面构建子模块,用于将标记点的三维坐标(xi,yi,zi)作为数据样本,代入参考平面方程Ax+By+Cz+D=0,得到参考平面的超定方程组:
采用最小二乘法求解所述参考平面的超定方程组,得到所述参考平面的系数A、B、C和D;
所述修正因子计算模块,用于根据所述参考平面构建子模块输出的系数A、B和C,获得所述参考平面的法向量(A,B,C),采用以下公式计算所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ:
根据预设修正模型,以及所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ,获得修正因子M1,M2和M3;其中,所述修正模型为:
所述映射模块,用于根据所述修正因子计算模块输出的修正因子M1,M2和M3,以及预先建立的映射方程,获得修正后的三维点云数据Pt_new [x’,y’,z’];
其中,映射方程为:
进一步的,所述双目视觉混凝土结合面粗糙度测量***还包括粗糙度测量支架,所述粗糙度测量支架包括支撑杆1、第一位姿调整机构2和第二位姿调整机构5;
所述双目视觉图像采集装置3包括左相机、右相机和第一连接板,所述左相机和所述右相机分别与所述第一连接板固定连接,所述第一连接板与所述第一位姿调整机构2固定连接;所述第一位姿调整机构2带动所述双目视觉图像采集装置3沿所述支撑杆上下移动,以调整所述左相机和所述右相机与待测混凝土结合面之间的高度距离;
所述双目视觉图像采集装置3采用固定距离拍摄方式(例如,400mm)采集待测混凝土结合面的左、右图像和所述水平校正装置的左、右图像,所述左相机和所述右相机与待测混凝土结合面之间的高度固定距离配置为400±20mm;在高度400±20mm处采用三维电控平移台搭载标定板的方式,来标定左相机、右相机的内参数和外参数;
所述水平校正装置包括预置有标记点Pi的水平校正板、第一夹持件7、第二夹持件和第二安装板6,所述第一夹持件7和所述第二夹持件与所述第二安装板6固定连接,所述第二安装板6与所述第二位姿调整机构5固定连接;所述第一夹持件7和所述第二夹持件相互配合以防止所述水平校正板晃动,所述第二位姿调整机构5带动所述水平校正装置移动直至所述水平校正板与待测混凝土结合面平行。
需要说明的是,当双目相机基线与待测混凝土结合面不平行时,会造成高度误差,即本身存在数据在某个方向左高右低,或者左低右高的情况,如附图2所示,待测混凝土结合面出现了左下角低右上角高的倾斜状况,这样会在计算待测混凝土结合面的高度差时,引入上述倾斜造成的高度差。而,该高度误差会使计算出的待测混凝土结合面的粗糙度值偏大,在测量过程中进行平面校正十分有必要。
实际测量面的高度分布图如图2所示,图3是通过计算图2的参考平面进行投影修正所得的示意图,该图剔除了倾斜造成高度误差。
其中,所述第一位姿调整机构采用电控滑动模组或者气动模组,所述第二位姿调整机构5采用电控滑动模组,来调节所述水平校正装置的四个针脚,使得所述水平校正板与待测混凝土结合面平行。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (9)
1.一种双目视觉混凝土结合面粗糙度测量方法,其特征在于,包括以下步骤:
步骤0,选取待测混凝土结合面,采用喷涂装置在待测混凝土结合面上方喷涂油漆,让油漆颗粒自由沉降在待测混凝土接合面上,以增强待测混凝土结合面的纹理特征;
步骤1,采集喷涂后的待测混凝土结合面的左、右图像,利用半全局匹配算法,计算喷涂后的待测混凝土结合面的位差,获取待测混凝土结合面的三维点云数据Pt[x,y,z],其中[x,y,z]为长、宽、高三维数据;
步骤2,在待测混凝土结合面上方放置水平校正装置,调整所述水平校正装置直至与待测混凝土结合面平行;
步骤3,采集所述水平校正装置的左、右图像,采用半全局匹配算法,计算水平校正装置上的标记点Pi在左、右相机的位差,反演出各个标记点Pi的三维坐标(xi,yi,zi);
步骤4,将步骤3获得标记点的三维坐标(xi,yi,zi)作为数据样本,代入参考平面方程Ax+By+Cz+D=0,得到参考平面的超定方程组:
采用最小二乘法求解所述参考平面的超定方程组,得到所述参考平面的系数A、B、C和D;
根据得到的系数A、B和C,获得所述参考平面的法向量(A,B,C),采用以下公式计算所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ:
根据预设修正模型,以及所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ,获得修正因子M1,M2和M3;其中,所述修正模型为:
通过修正因子M1,M2和M3,以及预先建立的映射方程,获得修正后的三维点云数据Pt_new [x’,y’,z’];
其中,映射方程为:
步骤5,基于修正后的三维点云数据Pt_new [x’,y’,z’],判断待测混凝土结合面的粗糙度是否合格。
2.根据权利要求1所述的双目视觉混凝土结合面粗糙度测量方法,其特征在于,所述步骤5包括:
步骤501,确定子区域数量N,对待测混凝土结合面进行N等分划分,获得N个子区域S_subj,其中,j∈[0、1、2、…、N-1],N是平方数;
步骤502,将每个子区域S_subj细分为M个孙区域,
提取每个孙区域内三维点云数据Pt_new [x’,y’,z’]中z’的最大值z’_max,按照大小顺序进行排列,以构建每个子区域S_subj的第一数组D_maxj;
提取每个孙区域内三维点云数据Pt_new [x’,y’,z’]中z’的最小值z’_min,按照大小顺序进行排列,以构建每个子区域S_subj的第二数组D_minj;
移除所述第一数组D_maxj中的N1个最大值和N2个最小值,并对所述第一数组D_maxj中剩余数据求平均值,获得第一基础参数DPj;
移除所述第二数组D_minj中的N1个最大值和N2个最小值,对所述第二数组D_minj中剩余数据求平均值,获得第二基础参数DP’j;
对所述第一基础参数DPj和第二基础参数DP’j作差,得到D_meanj, D_meanj作为第j个子区域S_subj的高度极差;
对N个子区域的高度极差求平均,获得待测混凝土结合面的粗糙度R;
步骤503,重复执行步骤501和步骤502,将k次获得的待测混凝土结合面的粗糙度R的平均值,作为最终的待测混凝土结合面的粗糙度;
步骤504,将最终的待测混凝土结合面的粗糙度与预设粗糙度阈值进行比较,
若最终的待测混凝土结合面的粗糙度小于预设粗糙度阈值,则判定待测混凝土结合面的粗糙度合格;否则,判定待测混凝土结合面的粗糙度不合格。
3.根据权利要求1所述的双目视觉混凝土结合面粗糙度测量方法,其特征在于,步骤1中,利用半全局匹配算法,计算喷涂后的待测混凝土结合面的位差,获取待测混凝土结合面的三维点云数据Pt[x,y,z]时,执行以下步骤:
步骤101,读取喷涂后的待测混凝土接合面的左图像I和右图像Ⅱ;
步骤102,利用标定参数分别待测混凝土接合面的左图像I和右图像Ⅱ进行畸变校正和极线校正,得到校正后的待测混凝土接合面的左图像I’和右图像Ⅱ’;
步骤103,确定搜寻范围[d1,d2],d1和d2根据测量的深度极差和基线长度确定,为16的整数倍;
步骤104,逐点选取校正后的待测混凝土接合面的左图像I’中的像素p1,提取校正后的待测混凝土接合面的右图像Ⅱ’中同一行且范围为[d1,d2]的区域中的像素点组合P2;
基于所述像素p1与所述像素点组合P2计算相关性得分,并判断得分是否高于预设阈值t;
若高于预设阈值t,则判断所述像素p1与所述像素点组合P2匹配成功,否则,将所述像素p1标记为数据缺失;
直至待测混凝土接合面的左图像I’中所有像素搜寻完成,形成所有像素的视差图I_disparity;
步骤105,根据视差图I_disparity和标定参数,计算出待测混凝土结合面的三维点云数据Pt[x,y,z]。
4.根据权利要求1所述的双目视觉混凝土结合面粗糙度测量方法,其特征在于,所述步骤3中,采用半全局匹配算法,计算水平校正装置上的标记点Pi在左、右相机的位差,反演出各个标记点Pi的三维坐标(xi,yi,zi)时,执行以下步骤:
步骤301,读取所述水平校正装置的左图像Ⅲ和右图像Ⅳ;
步骤302,利用标定参数分别所述水平校正装置的左图像Ⅲ和右图像Ⅳ进行畸变校正和极线校正,得到校正后的水平校正装置的左图像Ⅲ’和右图像Ⅳ’;
步骤303,选取校正后的水平校正装置的左图像Ⅲ’中标记点Pi的像素,以及校正后的水平校正装置的右图像Ⅳ’中标记点Pi的像素;
步骤304,计算校正后的水平校正装置的左图像Ⅲ’和右图像Ⅳ’中标记点Pi的视差图Ⅱ_disparity;
步骤305,根据视差图Ⅱ_disparity和标定参数,计算出各个标记点Pi的三维坐标(xi,yi,zi)。
5.根据权利要求1所述的双目视觉混凝土结合面粗糙度测量方法,其特征在于,所述步骤5中,基于修正后的三维点云数据Pt_new [x’,y’,z’],判断待测混凝土结合面的粗糙度是否合格之前,还对剔除修正后的三维点云数据Pt_new中跳变的毛刺数据:
预设跳变阈值T,提取修正后的三维点云数据Pt_new [x’,y’,z’]中的高度数据z’;
基于提取出的高度数据z’,获得水平方向的差分数组Z_map_H,以及竖直方向的差分数组Z_map_V;
分别将水平方向的差分数组Z_map_H和竖直方向的差分数组Z_map_V中的数据与所述预设跳变阈值T进行对比,若大于所述预设跳变阈值T,则将对应像素点的值设置为1,否则,将对应像素点的值设置为0,获得二值图Img_Z;
对所述二值图Img_Z进行连通区域标记,并确定连通区域面积;
将连通区域面积大于预设面积阈值S的区域作为孤立错误数据点,并将孤立错误数据点的位置设置为NaN。
6.根据权利要求5所述的双目视觉混凝土结合面粗糙度测量方法,其特征在于,所述步骤5中,剔除修正后的三维点云数据Pt_new中跳变的毛刺数据之后,还执行填充点云空洞的步骤:
从毛刺数据剔除后的三维点云数据Pt_new [x’,y’,z’]中搜寻NaN,以确定点云空洞所在连通区域;
对点云空洞所在连通区域计算最小外接矩形,获得最小外接矩形区域;
采用采用趋势面光滑插值法对每个最小外接矩形区域进行插值,利用插值得到的数据替换点云空洞所在连通区域中的缺失数据。
7.一种双目视觉混凝土结合面粗糙度测量***,其特征在于,包括喷涂装置、双目视觉图像采集装置、水平校正装置和粗糙度测量控制器,所述水平校正装置上预设有一系列标记点Pi;
所述喷涂装置,与所述粗糙度测量控制器连接,用于在确定待测混凝土结合面后,根据喷涂指令在待测混凝土结合面上方喷涂油漆,让油漆颗粒自由沉降在待测混凝土接合面上,以增强待测混凝土结合面的纹理特征;
所述双目视觉图像采集装置,与所述粗糙度测量控制器连接,用于采集喷涂后的待测混凝土结合面的左、右图像并传输至所述粗糙度测量控制器,以及用于采集所述水平校正装置的左、右图像并传输至所述粗糙度测量控制器;
所述粗糙度测量控制器包括第一计算模块、第二计算模块、修正模块及确定模块,
所述第一计算模块,用于利用半全局匹配算法,根据喷涂后的待测混凝土结合面的左、右图像,计算喷涂后的待测混凝土结合面的位差,获取待测混凝土结合面的三维点云数据Pt[x,y,z],其中[x,y,z]为长、宽、高三维数据;
所述第二计算模块,用于采用半全局匹配算法,根据所述水平校正装置的左、右图像,计算水平校正装置上的标记点Pi在左、右相机的位差,反演出各个标记点Pi的三维坐标(xi,yi,zi);
所述修正模块,用于根据各个标记点的三维坐标(xi,yi,zi)对待测混凝土结合面的三维点云数据Pt[x,y,z]进行修正,获得修正后的三维点云数据Pt_new [x’,y’,z’];
所述确定模块,用于基于修正后的三维点云数据Pt_new [x’,y’,z’],判断待测混凝土结合面的粗糙度是否合格。
8.根据权利要求7所述的双目视觉混凝土结合面粗糙度测量***,其特征在于,所述修正模块包括参考平面构建子模块、修正因子计算模块以及映射模块,
所述参考平面构建子模块,用于将标记点的三维坐标(xi,yi,zi)作为数据样本,代入参考平面方程Ax+By+Cz+D=0,得到参考平面的超定方程组:
采用最小二乘法求解所述参考平面的超定方程组,得到所述参考平面的系数A、B、C和D;
所述修正因子计算模块,用于根据所述参考平面构建子模块输出的系数A、B和C,获得所述参考平面的法向量(A,B,C),采用以下公式计算所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ:
根据预设修正模型,以及所述参考平面的法向量(A,B,C)与X轴、Y轴和Z轴的夹角α、β和γ,获得修正因子M1,M2和M3;其中,所述修正模型为:
所述映射模块,用于根据所述修正因子计算模块输出的修正因子M1,M2和M3,以及预先建立的映射方程,获得修正后的三维点云数据Pt_new [x’,y’,z’];
其中,映射方程为:
9.根据权利要求7所述的双目视觉混凝土结合面粗糙度测量***,其特征在于,还包括粗糙度测量支架,所述粗糙度测量支架包括支撑杆、第一位姿调整机构和第二位姿调整机构;
所述双目视觉图像采集装置包括左相机、右相机和第一连接板,所述左相机和所述右相机分别与所述第一连接板固定连接,所述第一连接板与所述第一位姿调整机构固定连接;所述第一位姿调整机构带动所述双目视觉图像采集装置沿所述支撑杆上下移动,以调整所述左相机和所述右相机与待测混凝土结合面之间的高度距离;
所述水平校正装置包括预置有标记点Pi的水平校正板、第一夹持件、第二夹持件和第二安装板,所述第一夹持件和所述第二夹持件与所述第二安装板固定连接,所述第二安装板与所述第二位姿调整机构固定连接;所述第一夹持件和所述第二夹持件相互配合以防止所述水平校正板晃动,所述第二位姿调整机构带动所述水平校正装置移动直至所述水平校正板与待测混凝土结合面平行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644165.2A CN113340241B (zh) | 2021-06-09 | 2021-06-09 | 一种双目视觉混凝土结合面粗糙度测量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644165.2A CN113340241B (zh) | 2021-06-09 | 2021-06-09 | 一种双目视觉混凝土结合面粗糙度测量方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113340241A true CN113340241A (zh) | 2021-09-03 |
CN113340241B CN113340241B (zh) | 2022-12-02 |
Family
ID=77475945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110644165.2A Active CN113340241B (zh) | 2021-06-09 | 2021-06-09 | 一种双目视觉混凝土结合面粗糙度测量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113340241B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113884032A (zh) * | 2021-09-24 | 2022-01-04 | 中建西部建设西南有限公司 | 一种混凝土立方体试块平整度三维激光检测设备及方法 |
CN114396895A (zh) * | 2021-12-20 | 2022-04-26 | 河海大学 | 一种隧洞衬砌混凝土管片表面粗糙度的测量方法 |
CN114608492A (zh) * | 2022-04-14 | 2022-06-10 | 上海市建筑科学研究院有限公司 | 一种预制混凝土构件结合面粗糙度评价指标测评方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868460A (zh) * | 2014-03-13 | 2014-06-18 | 桂林电子科技大学 | 基于视差优化算法的双目立体视觉自动测量方法 |
CN104656683A (zh) * | 2015-01-15 | 2015-05-27 | 西安交通大学 | 双目视觉区域目标的深度信息提取及剖面分析***及方法 |
CN105946370A (zh) * | 2016-04-28 | 2016-09-21 | 深圳市创鑫激光股份有限公司 | 一种激光打标设备的校正方法及激光打标设备 |
CN109612412A (zh) * | 2018-11-28 | 2019-04-12 | 同济大学 | 一种预制混凝土构件结合面粗糙度计算方法及评价*** |
CN109855574A (zh) * | 2019-02-01 | 2019-06-07 | 广东工业大学 | 一种焊缝侧表面粗糙度检测方法、装置、设备及存储介质 |
CN111561884A (zh) * | 2020-04-28 | 2020-08-21 | 昆山市建设工程质量检测中心 | 一种用于预制混凝土叠合板表面粗糙度检测的方法 |
JP2020153689A (ja) * | 2019-03-18 | 2020-09-24 | 太平洋セメント株式会社 | 評価方法および評価システム |
CN112819781A (zh) * | 2021-01-29 | 2021-05-18 | 中国三峡建设管理有限公司 | 混凝土冲毛质量评估方法、装置及*** |
CN112907601A (zh) * | 2021-03-30 | 2021-06-04 | 中铁工程装备集团隧道设备制造有限公司 | 一种基于特征变换的隧道拱架点云自动提取方法及装置 |
-
2021
- 2021-06-09 CN CN202110644165.2A patent/CN113340241B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868460A (zh) * | 2014-03-13 | 2014-06-18 | 桂林电子科技大学 | 基于视差优化算法的双目立体视觉自动测量方法 |
CN104656683A (zh) * | 2015-01-15 | 2015-05-27 | 西安交通大学 | 双目视觉区域目标的深度信息提取及剖面分析***及方法 |
CN105946370A (zh) * | 2016-04-28 | 2016-09-21 | 深圳市创鑫激光股份有限公司 | 一种激光打标设备的校正方法及激光打标设备 |
CN109612412A (zh) * | 2018-11-28 | 2019-04-12 | 同济大学 | 一种预制混凝土构件结合面粗糙度计算方法及评价*** |
CN109855574A (zh) * | 2019-02-01 | 2019-06-07 | 广东工业大学 | 一种焊缝侧表面粗糙度检测方法、装置、设备及存储介质 |
JP2020153689A (ja) * | 2019-03-18 | 2020-09-24 | 太平洋セメント株式会社 | 評価方法および評価システム |
CN111561884A (zh) * | 2020-04-28 | 2020-08-21 | 昆山市建设工程质量检测中心 | 一种用于预制混凝土叠合板表面粗糙度检测的方法 |
CN112819781A (zh) * | 2021-01-29 | 2021-05-18 | 中国三峡建设管理有限公司 | 混凝土冲毛质量评估方法、装置及*** |
CN112907601A (zh) * | 2021-03-30 | 2021-06-04 | 中铁工程装备集团隧道设备制造有限公司 | 一种基于特征变换的隧道拱架点云自动提取方法及装置 |
Non-Patent Citations (2)
Title |
---|
XIAODONG DONG等: "A detection method for pavement roughness with binocular vision", 《SPIE》 * |
赵建华等: "预制叠合楼板结合面粗糙深度检测的创新研究", 《工程质量》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113884032A (zh) * | 2021-09-24 | 2022-01-04 | 中建西部建设西南有限公司 | 一种混凝土立方体试块平整度三维激光检测设备及方法 |
CN114396895A (zh) * | 2021-12-20 | 2022-04-26 | 河海大学 | 一种隧洞衬砌混凝土管片表面粗糙度的测量方法 |
CN114608492A (zh) * | 2022-04-14 | 2022-06-10 | 上海市建筑科学研究院有限公司 | 一种预制混凝土构件结合面粗糙度评价指标测评方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113340241B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113340241B (zh) | 一种双目视觉混凝土结合面粗糙度测量方法及*** | |
CN102364299B (zh) | 一种多个结构光投影三维型面测量头的标定技术 | |
CN102376089B (zh) | 一种标靶校正方法及*** | |
EP1378790B1 (en) | Method and device for correcting lens aberrations in a stereo camera system with zoom | |
CN110285827B (zh) | 一种距离约束的摄影测量高精度目标定位方法 | |
CN101526336B (zh) | 基于量块的线结构光三维视觉传感器标定方法 | |
CN104315995B (zh) | 基于虚拟多立方体标准目标的tof深度相机三维坐标标定装置和方法 | |
CN109029299A (zh) | 舱段销孔对接转角的双相机测量装置及测量方法 | |
CN109242915A (zh) | 基于多面立体靶标的多相机***标定方法 | |
CN108340211A (zh) | 基于单目视觉的数控机床轮廓误差三维测量方法 | |
CN104240262B (zh) | 一种用于摄影测量的相机外参数标定装置及标定方法 | |
CN110375648A (zh) | 棋盘格靶标辅助的单台相机实现的空间点三维坐标测量方法 | |
CN105424058B (zh) | 基于摄影测量技术的数码相机投影中心位置精确标定方法 | |
CN109141226A (zh) | 单相机多角度的空间点坐标测量方法 | |
CN109443214B (zh) | 一种结构光三维视觉的标定方法、装置及测量方法、装置 | |
CN109900205B (zh) | 一种高精度的单线激光器和光学相机的快速标定方法 | |
CN112258583B (zh) | 基于等畸变量分区的近景图像畸变标定方法 | |
CN109272555B (zh) | 一种rgb-d相机的外部参数获得及标定方法 | |
CN104634246B (zh) | 目标空间坐标的浮动式立体视觉测量***及测量方法 | |
CN105894511A (zh) | 标定靶设置方法、装置及停车辅助*** | |
CN111612849A (zh) | 一种基于流动车辆的摄像机标定方法及*** | |
JP2005322128A (ja) | ステレオ3次元計測用キャリブレーション方法及び3次元位置算出方法 | |
CN113776462B (zh) | 基于数字图像的高铁无咋轨道承轨台三维形貌检测方法 | |
CN105528788B (zh) | 相对位姿参数的标定方法、装置和确定三维形状的装置 | |
US20210233276A1 (en) | Imaging system |
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 |