CN116817789A - 基于单目视觉的超景深粗糙表面三维形貌测量方法 - Google Patents
基于单目视觉的超景深粗糙表面三维形貌测量方法 Download PDFInfo
- Publication number
- CN116817789A CN116817789A CN202310751598.7A CN202310751598A CN116817789A CN 116817789 A CN116817789 A CN 116817789A CN 202310751598 A CN202310751598 A CN 202310751598A CN 116817789 A CN116817789 A CN 116817789A
- Authority
- CN
- China
- Prior art keywords
- rough surface
- mechanical part
- same
- constructing
- characteristic point
- 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.)
- Pending
Links
- 238000000691 measurement method Methods 0.000 title description 14
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000011426 transformation method Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 208000011580 syndromic disease Diseases 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 16
- 230000007547 defect Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于单目视觉的超景深粗糙表面三维形貌测量方法,其包括:采集机械零件测粗糙表面的显微图像,选择图像特征点,构建特征点集合;识别相同特征点,构建相同特征点集合;计算相同特征点的虚拟坐标,构建相同特征点点云;借助七参数坐标变换法,构建标定后的实际相同特征点点云;构建机械零件待测粗糙表面的数字高度模型;分离表面轮廓及表面形貌,获取机械零件表面轮廓模型和表面轮廓模型。本发明借助单目视觉,采用空中三角测量算法进行机械零件粗糙表面三维形貌建模测量,克服了其他方法均需要昂贵的专用测量仪器的不足,能够实现较大测量面积超景深无接触的粗糙表面三维形貌建模和低成本测量,实用性强。
Description
技术领域
本发明属于粗糙表面三维形貌测量技术领域,特别是一种基于单目视觉的超景深粗糙表面三维形貌测量方法。
背景技术
在机械结构中,各零件往往通过表面接触来实现运动传递、能量传导等既定功能,如齿轮啮合、电接触连接等。表面的接触状态直接影响到了零件的功能性能。但是,受到制造工艺、运行条件等因素的影响,实际接触表面并非理想光滑表面,而是存在众多微凸峰的粗糙表面,零件间的接触性质通常是由粗糙表面的接触性质确定。因此,准确测量和表征零件接触表面的几何形貌,对于研究零件粗糙表面的接触性质,保障零件接触表面功能性能的完好,具有十分重要的意义。
当前,针对粗糙表面三维形貌的测量方法主要包含以下两类:一、接触式测量方法,该方法通常采用探针对待测表面进行接触式扫描,直接测量粗糙表面的三维形貌,该方法测量精度高,但是存在测量效率低,并且容易划伤样品表面的问题。二、非接触式测量方法,包含了白光干涉法、激光形貌法、扫描电子显微镜测量法等非接触式测量方法,通常采用光学干涉法或者深度直接测量法等技术手段,获取粗糙表面原始形貌信息,并且使用电子计算机对粗糙表面三维形貌进行重构,该方法存在测量快速、精度相对较高、不损伤样品等优点,但是存在难以测量较大面积、超大景深的复杂三维表面形貌的问题。与此同时,上述两种测量方法均需要昂贵的专用测量仪器支持,使用门槛较高。此外,目前还没有采用单目视觉方法分析显微图像以进行粗糙表面三维形貌重建的相关研究。因此,通过单目视觉算法,寻求一种基于单目视觉的超景深粗糙表面三维形貌测量方法,以实现粗糙表面非接触式大面积超景深三维形貌的重建和低成本测量是十分迫切且必要的。
发明内容
本发明针对上述现有技术中的缺陷,提出一种基于单目视觉的超景深粗糙表面三维形貌测量方法。该方法包括采集机械零件测粗糙表面的显微图像,选择图像特征点,构建特征点集合;识别相同特征点,构建相同特征点集合;计算相同特征点的虚拟坐标,构建相同特征点点云;借助七参数坐标变换法,构建标定后的实际相同特征点点云;构建机械零件待测粗糙表面的数字高度模型;分离表面轮廓及表面形貌,获取机械零件表面轮廓模型和表面轮廓模型。本发明借助单目视觉,采用空中三角测量算法进行机械零件粗糙表面三维形貌建模测量,克服了其他方法均需要昂贵的专用测量仪器的不足,能够实现较大测量面积超景深无接触的粗糙表面三维形貌建模和低成本测量,实用性强。
本发明提供一种基于单目视觉的超景深粗糙表面三维形貌测量方法,其包括以下步骤:
S1、采集机械零件待测粗糙表面的显微图像:使用显微镜对机械零件待测粗糙表面开展连续显微成像,获取包含机械零件待测粗糙表面的n张显微图像;
S2、选择图像特征点,构建特征点集合:针对步骤S1中所拍摄的机械零件待测粗糙表面上的所有显微图像,依据图像特征点选取规则,逐一确定第i张显微图像上的图像特征点并构建第i张显微图像的特征点集合Ci,其中,i为1~n的常数;
S3、识别相同特征点,构建相同特征点集合:依次针对步骤S2中所有显微图像对应的特征点集合,识别不同显微图像的重叠区域中的相同的图像特征点作为相同特征点,对相同特征点进行统一编号,将识别得到的所有相同特征点组合为相同特征点集合;
S31、选取第r张显微图像的特征点集合Cr为基准,逐一对比与Cr相邻的第r+1张至第n张显微图像的特征点集合Cr+1...Cn,其中,r为1~n的常数;
S32、抽取第一特征点pk和第二特征点pl,所述第一特征点pk满足pk∈Cr,所述第二特征点pl满足pl∈Cq,其中,Cq表示第q张显微图像的特征点集合且r+1≤q≤n;
S33、根据第一特征点pk和第二特征点pl分别与所对应的周边像素点的颜色、灰度和所形成特定形状的关系,判断第一特征点pk和第二特征点pl是否为同一特征点,若是,则将第一特征点pk和第二特征点pl统一为相同特征点pj且pj=pj∪{pk,pl};
S34、重复步骤S31至步骤S33,直至识别得到所有n张显微图像对应的特征点集合中的所有相同特征点,并将识别得到的所有相同特征点组合为相同特征点集合;
S4、计算相同特征点的虚拟坐标,构建相同特征点点云:构建初步的虚拟空间坐标系,采用空中三角测量方法,计算步骤S3中得到的相同特征点集合中每个相同特征点pj的虚拟坐标(xvj,yvj,zvj),构建相同特征点点云Pv={pj(xvj,yvj,zvj)};
S5、借助七参数坐标变换法,构建标定后的实际相同特征点点云:建立实际坐标系,以若干实际位置坐标已知的相同特征点为参照,根据虚拟坐标与实际位置坐标的关系,借助七参数坐标变换法建立虚拟坐标转换矩阵M和平移矢量V,计算步骤S4所构建的相同特征点点云Pv中每个相同特征点在实际坐标系中的位置,构建标定后的实际相同特征点点云Pr:
Pr T=MPv T+V (1);
S6、构建机械零件待测粗糙表面的数字高度模型:基于步骤S5中标定后的实际相同特征点点云Pr,通过插值映射到间距均匀的网格平面XY上,构建机械零件待测粗糙表面的数字高度模型H:
H={(xk,yk,zk)|(xk,yk)∈XY} (4)
其中,zk表示机械零件待测粗糙表面的数字高度;xk,yk分别表示网格平面XY上x和y方向的坐标;
S7、分离表面轮廓及表面形貌,获取机械零件表面轮廓模型和表面轮廓模型:构造表面平滑滤波器,对步骤S6所构建的机械零件待测粗糙表面的数字高度模型H进行平滑滤波,获取机械零件表面轮廓模型Hf,计算机械零件表面形貌模型Hm为:
Hm=H-Hf (5)。
进一步,所述步骤S5中所述七参数坐标变换法具体包括以下步骤:
S51、已知相同特征点的实际位置坐标记为prc(xrc,yrc,zrc),已知相同特征点的虚拟坐标记为pvc(xvc,yvc,zvc),其中,c为常数且c∈[1,s],s为已知相同特征点的个数;
S52、设定七参数方程为:
其中,rx,ry,rz,dX,dY,dZ,k0分别表示第一、第二、第三、第四、第五、第六和第七参数;
S53、采用最小二乘回归法,将所有已知相同特征点的实际位置坐标prc和虚拟坐标pvc带入式(2),拟合得到虚拟坐标转换矩阵M和平移矢量V为:
可优选的,所述步骤S7中所述表面平滑滤波器的构造方法具体包括以下步骤:
S71、根据步骤S6中所构建的机械零件待测粗糙表面的数字高度模型H,确定机械零件待测粗糙表面的微凸峰平均直径d;
S72、结合步骤S6所述网格平面XY的平均网格尺寸g,计算表面平滑滤波器的平均数:
a=10*d/g (6);
S73、构造平滑滤波器G:
可优选的,所述步骤S1具体包括以下步骤:
S11、根据机械零件待测粗糙表面的尺寸和表面形貌分辨率要求,确定包含显微镜镜头在内的显微镜的参数,确定显微镜的初始拍摄范围和初始拍摄景深;
S12、连续缓慢改变显微镜的焦距进行拍照;
S13、朝同一方向移动被测物体,改变显微镜的拍摄范围;
S14、重复执行步骤S12至步骤S13,完成对机械零件待测表面上所有待测区域的覆盖。
可优选的,所述步骤S2中的所述图像特征点选取规则为选取显微图像中颜色或灰度与周边像素点形成对比的像素点,且所选取的像素点能与周边像素点形成特定形状的组合;所述步骤S4中的所述空中三角测量方法通过利用投影中心、相同特征点、相应实际特征点三点共线为条件,解算相同特征点的虚拟坐标;所述步骤S7中的所述平滑滤波为使用平滑滤波器G作为卷积核,对机械零件待测粗糙表面的数字高度模型H进行卷积。
可优选的,所述步骤S1中任意前后或左右相邻的两张显微图像重叠度大于70%,且机械零件待测粗糙表面上所有待测区域的各位置均被两张以上的不同景深、不同视点的显微图像涵盖;所述显微镜为光学显微镜或者扫描电子显微镜,所述显微成像的器件为通用电子目镜或显微镜用电子相机。
可优选的,所述步骤S4中的所述相同特征点点云Pv为一个m×3的矩阵,其中,m为相同特征点个数;所述步骤S6中的所述网格平面XY为一个x坐标和y坐标取指定间隔的连续均匀的点阵。
可优选的,所述机械零件包括但不限于电位器电刷-电阻膜界面和齿轮齿面。
与现有技术相比,本发明的技术效果为:
1、本发明设计的一种基于单目视觉的超景深粗糙表面三维形貌测量方法,基于光学显微镜或者扫描电子显微镜所拍摄图像,采用空中三角测量算法进行机械零件粗糙表面三维形貌建模测量,能够实现较大测量面积超景深无接触的机械零件粗糙表面三维形貌建模,具有明显优势,且建模结果精度与其他方法相近。
2、本发明设计的一种基于单目视觉的超景深粗糙表面三维形貌测量方法,通过单目视觉算法,克服了其他方法均需要昂贵的专用测量仪器的不足,能够实现机械零件粗糙表面三维形貌的低成本测量,为机械零件粗糙表面三维形貌建模和深入研究提供了一种新的解决途径并给予了有效的技术支撑。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1是本发明的基于单目视觉的超景深粗糙表面三维形貌测量方法流程图;
图2a是本发明的机械零件待测粗糙表面的数字高度模型;
图2b是本发明的机械零件待测粗糙表面的表面轮廓模型;
图2c是本发明的机械零件待测粗糙表面的表面形貌模型;
图2d是本发明的机械零件待测粗糙表面的表面形貌模型剖面;
图3a是本发明的一个具体实施例中得到的粗糙表面形貌剖面;
图3b是本发明采用激光干涉仪测得的粗糙表面形貌剖面。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。a的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的基于单目视觉的超景深粗糙表面三维形貌测量方法,该方法包括以下步骤:
S1、采集机械零件待测粗糙表面的显微图像:使用显微镜对机械零件待测粗糙表面开展连续显微成像,获取包含机械零件待测粗糙表面的n张显微图像。机械零件包括但不限于电位器电刷-电阻膜界面和齿轮齿面。
S11、根据机械零件待测粗糙表面的尺寸和表面形貌分辨率要求,确定包含显微镜镜头在内的显微镜的参数,确定显微镜的初始拍摄范围和初始拍摄景深。
S12、连续缓慢改变显微镜的焦距进行拍照。
S13、朝同一方向移动被测物体,改变显微镜的拍摄范围。
S14、重复执行步骤S12至步骤S13,完成对待测表面上所有待测区域的覆盖。
任意前后或左右相邻的两张显微图像重叠度应大于70%,且机械零件待测粗糙表面上所有待测区域的各位置均被两张以上的不同景深、不同视点的显微图像涵盖;显微镜为光学显微镜或者扫描电子显微镜,显微成像的器件为通用电子目镜或显微镜用电子相机。
S2、选择图像特征点,构建特征点集合:针对步骤S1中所拍摄的机械零件待测粗糙表面上的所有显微图像,依据图像特征点选取规则,逐一确定第i张显微图像上的图像特征点并构建第i张显微图像的特征点集合Ci,其中,i为1~n的常数。
图像特征点选取规则为选取显微图像中颜色或灰度与周边像素点形成对比的像素点,且所选取的像素点能与周边像素点形成特定形状的组合。
S3、识别相同特征点,构建相同特征点集合:依次针对步骤S2中所有显微图像对应的特征点集合,识别不同显微图像的重叠区域中的相同的图像特征点作为相同特征点,对相同特征点进行统一编号,将识别得到的所有相同特征点组合为相同特征点集合。
S31、选取第r张显微图像的特征点集合Cr为基准,逐一对比与Cr相邻的第r+1张至第n张显微图像的特征点集合Cr+1...Cn,其中,r为1~n的常数。
S32、抽取第一特征点pk和第二特征点pl,第一特征点pk满足pk∈Cr,第二特征点pl满足pl∈Cq,其中,Cq表示第q张显微图像的特征点集合且r+1≤q≤n。
S33、根据第一特征点pk和第二特征点pl分别与所对应的周边像素点的颜色、灰度和所形成特定形状的关系,判断第一特征点pk和第二特征点pl是否为同一特征点,若是,则将第一特征点pk和第二特征点pl统一为相同特征点pj且pj=pj∪{pk,pl}。
S34、重复步骤S31至步骤S33,直至识别得到所有n张显微图像对应的特征点集合中的所有相同特征点,并将识别得到的所有相同特征点组合为相同特征点集合。
S4、计算相同特征点的虚拟坐标,构建相同特征点点云:构建初步的虚拟空间坐标系,采用空中三角测量方法,计算步骤S3中得到的相同特征点集合中每个相同特征点pj的虚拟坐标(xvj,yvj,zvj),构建相同特征点点云Pv={pj(xvj,yvj,zvj)}。相同特征点点云Pv为一个m×3的矩阵,其中,m为相同特征点个数。
空中三角测量方法通过利用投影中心、相同特征点、相应实际特征点三点共线为条件,解算相同特征点的虚拟坐标。
在一个具体实施例中,采用Context Capture软件进行空中三角测量,并构建相同特征点点云,部分信息如表1所示。
表1
S5、借助七参数坐标变换法,构建标定后的实际相同特征点点云:建立实际坐标系,以若干实际位置坐标已知的相同特征点为参照,根据虚拟坐标与实际位置坐标的关系,借助七参数坐标变换法建立虚拟坐标转换矩阵M和平移矢量V,计算步骤S4所构建的相同特征点点云Pv中每个相同特征点在实际坐标系中的位置,构建标定后的实际相同特征点点云Pr:
Pr T=MPv T+V (1)。
七参数坐标变换法具体包括以下步骤:
S51、已知相同特征点的实际位置坐标记为prc(xrc,yrc,zrc),已知相同特征点的虚拟坐标记为pvc(xvc,yvc,zvc),其中,c为常数且c∈[1,s],s为已知相同特征点的个数。
在一个具体实施例中,部分已知点虚拟坐标和实际坐标对应关系如表2所示。
表2S52、设定七参数方程为:
其中,rx,ry,rz,dX,dY,dZ,k0分别表示第一、第二、第三、第四、第五、第六和第七参数。
S53、采用最小二乘回归法,将所有已知相同特征点的实际位置坐标prc和虚拟坐标pvc带入式(2),拟合得到虚拟坐标转换矩阵M和平移矢量V为:
S6、构建机械零件待测粗糙表面的数字高度模型:基于步骤S5中标定后的实际相同特征点点云Pr,通过插值映射到间距均匀的网格平面XY上,构建机械零件待测粗糙表面的数字高度模型H:
H={(xk,yk,zk)|(xk,yk)∈XY} (4)
其中,zk表示机械零件待测粗糙表面的数字高度;xk,yk分别表示网格平面XY上x和y方向的坐标。
网格平面XY为一个x坐标和y坐标取指定间隔的连续均匀的点阵。
在一个具体实施例中,网格平面XY的点阵和机械零件部分粗糙表面数字高度模型如表3所示。
表3
S7、分离表面轮廓及表面形貌,获取机械零件表面轮廓模型和表面轮廓模型:构造表面平滑滤波器,对步骤S6所构建的机械零件待测粗糙表面的数字高度模型H进行平滑滤波,获取机械零件表面轮廓模型Hf,计算机械零件表面形貌模型Hm为:
Hm=H-Hf (5)。
表面平滑滤波器的构造方法具体包括以下步骤:
S71、根据步骤S6中所构建的机械零件待测粗糙表面的数字高度模型H,确定机械零件待测粗糙表面的微凸峰平均直径d。
S72、结合步骤S6网格平面XY的平均网格尺寸g,计算表面平滑滤波器的平均数:
a=10*d/g (6)。
S73、构造平滑滤波器G:
平滑滤波为使用平滑滤波器G作为卷积核,对机械零件待测粗糙表面的数字高度模型H进行卷积。
在一个具体实施例中,机械零件待测粗糙表面的微凸峰平均直径d取0.1,网格平面XY的平均网格尺寸g取0.01,则此时由公式(6)得到表面平滑滤波器的平均数a为100。机械零件测粗糙表面的数字高度模型H、其所对应的表面轮廓模型Hf和表面形貌模型Hm以及表面形貌模型剖面分别如图2a~图2d所示。
在一个具体实施例中,采用本发明所提方法得到的粗糙表面形貌剖面如图3a所示,采用激光干涉仪测得的粗糙表面形貌剖面如图3b所示,通过对比两图可以看出粗糙表面形貌剖面的曲线大致相同,由此证明了所提方法的有效性和准确性。
本发明设计的一种基于单目视觉的超景深粗糙表面三维形貌测量方法,基于光学显微镜或者扫描电子显微镜所拍摄图像,采用空中三角测量算法进行机械零件糙表面三维形貌建模测量,能够实现较大测量面积超景深无接触的机械零件粗糙表面三维形貌建模,具有明显优势,且建模结果精度与其他方法相近;通过单目视觉算法,克服了其他方法均需要昂贵的专用测量仪器的不足,能够实现机械零件粗糙表面三维形貌的低成本测量,为机械零件粗糙表面三维形貌建模和深入研究提供了一种新的解决途径并给予了有效的技术支撑。
最后所应说明的是:以上实施例仅以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于单目视觉的超景深粗糙表面三维形貌测量方法,其特征在于,其包括以下步骤:
S1、采集机械零件待测粗糙表面的显微图像:使用显微镜对机械零件待测粗糙表面开展连续显微成像,获取包含机械零件待测粗糙表面的n张显微图像;
S2、选择图像特征点,构建特征点集合:针对步骤S1中所拍摄的机械零件待测粗糙表面上的所有显微图像,依据图像特征点选取规则,逐一确定第i张显微图像上的图像特征点并构建第i张显微图像的特征点集合Ci,其中,i为1~n的常数;
S3、识别相同特征点,构建相同特征点集合:依次针对步骤S2中所有显微图像对应的特征点集合,识别不同显微图像的重叠区域中的相同的图像特征点作为相同特征点,对相同特征点进行统一编号,将识别得到的所有相同特征点组合为相同特征点集合;
S31、选取第r张显微图像的特征点集合Cr为基准,逐一对比与Cr相邻的第r+1张至第n张显微图像的特征点集合Cr+1...Cn,其中,r为1~n的常数;
S32、抽取第一特征点pk和第二特征点pl,所述第一特征点pk满足pk∈Cr,所述第二特征点pl满足pl∈Cq,其中,Cq表示第q张显微图像的特征点集合且r+1≤q≤n;
S33、根据第一特征点pk和第二特征点pl分别与所对应的周边像素点的颜色、灰度和所形成特定形状的关系,判断第一特征点pk和第二特征点pl是否为同一特征点,若是,则将第一特征点pk和第二特征点pl统一为相同特征点pj且pj=pj∪{pk,pl};
S34、重复步骤S31至步骤S33,直至识别得到所有n张显微图像对应的特征点集合中的所有相同特征点,并将识别得到的所有相同特征点组合为相同特征点集合;
S4、计算相同特征点的虚拟坐标,构建相同特征点点云:构建初步的虚拟空间坐标系,采用空中三角测量方法,计算步骤S3中得到的相同特征点集合中每个相同特征点pj的虚拟坐标(xvj,yvj,zvj),构建相同特征点点云Pv={pj(xvj,yvj,zvj)};
S5、借助七参数坐标变换法,构建标定后的实际相同特征点点云:建立实际坐标系,以若干实际位置坐标已知的相同特征点为参照,根据虚拟坐标与实际位置坐标的关系,借助七参数坐标变换法建立虚拟坐标转换矩阵M和平移矢量V,计算步骤S4所构建的相同特征点点云Pv中每个相同特征点在实际坐标系中的位置,构建标定后的实际相同特征点点云Pr:
Pr T=MPv T+V (1);
S6、构建机械零件待测粗糙表面的数字高度模型:基于步骤S5中标定后的实际相同特征点点云Pr,通过插值映射到间距均匀的网格平面XY上,构建机械零件待测粗糙表面的数字高度模型H:
H={(xk,yk,zk)|(xk,yk)∈XY} (4)
其中,zk表示机械零件待测粗糙表面的数字高度;xk,yk分别表示网格平面XY上x和y方向的坐标;
S7、分离表面轮廓及表面形貌,获取机械零件表面轮廓模型和表面轮廓模型:构造表面平滑滤波器,对步骤S6所构建的机械零件待测粗糙表面的数字高度模型H进行平滑滤波,获取机械零件表面轮廓模型Hf,计算机械零件表面形貌模型Hm为:
Hm=H-Hf (5)。
2.根据权利要求1所述的基于单目视觉的超景深粗糙表面三维形貌测量方法,其特征在于,所述步骤S5中所述七参数坐标变换法具体包括以下步骤:
S51、已知相同特征点的实际位置坐标记为prc(xrc,yrc,zrc),已知相同特征点的虚拟坐标记为pvc(xvc,yvc,zvc),其中,c为常数且c∈[1,s],s为已知相同特征点的个数;
S52、设定七参数方程为:
其中,rx,ry,rz,dX,dY,dZ,k0分别表示第一、第二、第三、第四、第五、第六和第七参数;
S53、采用最小二乘回归法,将所有已知相同特征点的实际位置坐标prc和虚拟坐标pvc带入式(2),拟合得到虚拟坐标转换矩阵M和平移矢量V为:
3.根据权利要求1所述的基于单目视觉的超景深粗糙表面三维形貌测量方法,其特征在于,步骤S7中所述表面平滑滤波器的构造方法具体包括以下步骤:
S71、根据步骤S6中所构建的机械零件待测粗糙表面的数字高度模型H,确定机械零件待测粗糙表面的微凸峰平均直径d;
S72、结合步骤S6所述网格平面XY的平均网格尺寸g,计算表面平滑滤波器的平均数:
a=10*d/g (6);
S73、构造平滑滤波器G:
4.根据权利要求1所述的基于单目视觉的超景深粗糙表面三维形貌测量方法,其特征在于,所述步骤S1具体包括以下步骤:
S11、根据机械零件待测粗糙表面的尺寸和表面形貌分辨率要求,确定包含显微镜镜头在内的显微镜的参数,确定显微镜的初始拍摄范围和初始拍摄景深;
S12、连续缓慢改变显微镜的焦距进行拍照;
S13、朝同一方向移动被测物体,改变显微镜的拍摄范围;
S14、重复执行步骤S12至步骤S13,完成对机械零件待测表面上所有待测区域的覆盖。
5.根据权利要求1所述的基于单目视觉的超景深粗糙表面三维形貌测量方法,其特征在于,所述步骤S2中的所述图像特征点选取规则为选取显微图像中颜色或灰度与周边像素点形成对比的像素点,且所选取的像素点能与周边像素点形成特定形状的组合;所述步骤S4中的所述空中三角测量方法通过利用投影中心、相同特征点、相应实际特征点三点共线为条件,解算相同特征点的虚拟坐标;所述步骤S7中的所述平滑滤波为使用平滑滤波器G作为卷积核,对机械零件待测粗糙表面的数字高度模型H进行卷积。
6.根据权利要求1所述的基于单目视觉的超景深粗糙表面三维形貌测量方法,其特征在于,所述步骤S1中任意前后或左右相邻的两张显微图像重叠度大于70%,且机械零件待测粗糙表面上所有待测区域的各位置均被两张以上的不同景深、不同视点的显微图像涵盖;所述显微镜为光学显微镜或者扫描电子显微镜,所述显微成像的器件为通用电子目镜或显微镜用电子相机。
7.根据权利要求1所述的基于单目视觉的超景深粗糙表面三维形貌测量方法,其特征在于,所述步骤S4中的所述相同特征点点云Pv为一个m×3的矩阵,其中,m为相同特征点个数;所述步骤S6中的所述网格平面XY为一个x坐标和y坐标取指定间隔的连续均匀的点阵。
8.根据权利要求1所述的基于单目视觉的超景深粗糙表面三维形貌测量方法,其特征在于,所述机械零件包括但不限于电位器电刷-电阻膜界面和齿轮齿面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310751598.7A CN116817789A (zh) | 2023-06-25 | 2023-06-25 | 基于单目视觉的超景深粗糙表面三维形貌测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310751598.7A CN116817789A (zh) | 2023-06-25 | 2023-06-25 | 基于单目视觉的超景深粗糙表面三维形貌测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116817789A true CN116817789A (zh) | 2023-09-29 |
Family
ID=88115107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310751598.7A Pending CN116817789A (zh) | 2023-06-25 | 2023-06-25 | 基于单目视觉的超景深粗糙表面三维形貌测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116817789A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495867A (zh) * | 2024-01-03 | 2024-02-02 | 东莞市星火齿轮有限公司 | 小模数齿轮精度的视觉检测方法及*** |
-
2023
- 2023-06-25 CN CN202310751598.7A patent/CN116817789A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495867A (zh) * | 2024-01-03 | 2024-02-02 | 东莞市星火齿轮有限公司 | 小模数齿轮精度的视觉检测方法及*** |
CN117495867B (zh) * | 2024-01-03 | 2024-05-31 | 东莞市星火齿轮有限公司 | 小模数齿轮精度的视觉检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276808B (zh) | 一种单相机结合二维码测量玻璃板不平度的方法 | |
CN106595528B (zh) | 一种基于数字散斑的远心显微双目立体视觉测量方法 | |
WO2021077720A1 (zh) | 获取对象三维模型的方法、装置、电子设备及*** | |
CN110296667B (zh) | 基于线结构光多角度投影的高反射表面三维测量方法 | |
JP6363863B2 (ja) | 情報処理装置および情報処理方法 | |
JP5955028B2 (ja) | 画像処理装置、画像処理方法および画像処理用のプログラム | |
CN112200203B (zh) | 斜视场下弱相关散斑图像的匹配方法 | |
CN111028295A (zh) | 一种基于编码结构光和双目的3d成像方法 | |
TWI647443B (zh) | 裂縫分析設備及方法 | |
CN109242898B (zh) | 一种基于图像序列的三维建模方法及*** | |
CN114283203B (zh) | 一种多相机***的标定方法及*** | |
CN109272555B (zh) | 一种rgb-d相机的外部参数获得及标定方法 | |
JP6071257B2 (ja) | 画像処理装置及びその制御方法、並びにプログラム | |
CN113160339A (zh) | 一种基于沙姆定律的投影仪标定方法 | |
CN111127613B (zh) | 基于扫描电子显微镜的图像序列三维重构方法及*** | |
CN116817789A (zh) | 基于单目视觉的超景深粗糙表面三维形貌测量方法 | |
CN116188558B (zh) | 基于双目视觉的立体摄影测量方法 | |
CN110942506A (zh) | 一种物体表面纹理重建方法、终端设备及*** | |
CN111862193A (zh) | 一种基于形状描述子的电焊焊点双目视觉定位方法及装置 | |
CN114820563A (zh) | 一种基于多视点立体视觉的工业部件尺寸估计方法及*** | |
CN113012143B (zh) | 一种基于二维数字图像相关法的试件质量检测方法 | |
CN109493426B (zh) | 一种基于单目成像的高炉料面三维重构方法及*** | |
CN111998834B (zh) | 一种裂缝监测方法及*** | |
CN112525106B (zh) | 基于三相机协同激光的3d探测方法及装置 | |
CN109741389B (zh) | 一种基于区域基匹配的局部立体匹配方法 |
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 |