基于双目视觉的弱纹理液压元件尺寸测量

雷经发; 韦旺; 李永玲; 张淼; 何玉

doi:doi:10.3788/LOP57.181511

激光与光电子学进展, 2020, 57 (18): 181511, 网络出版: 2020-09-02

基于双目视觉的弱纹理液压元件尺寸测量下载： 992次

Dimensionality Measurement of Weak Texture Hydraulic Components Based on Binocular Vision

论文大纲

雷经发 ^1,2,3韦旺 ^1,2李永玲 ^1,2,*张淼 ^1,2何玉 ^1,2

作者单位

¹ 安徽建筑大学机械与电气工程学院, 安徽合肥 230601

² 工程机械智能制造安徽省教育厅重点实验室, 安徽合肥 230601

³ 过程装备与控制工程四川省高校重点实验室, 四川自贡 643000

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

液压元件的外形尺寸是否合格直接关系到液压产品的质量及性能。针对液压元件表面弱纹理对测量造成较大干扰的问题,采用向目标场景投射随机斑点的方法来增强液压元件的纹理。组建了双目立体视觉系统,运用新型圆阵列标定板对其进行标定,获取了双目相机的内外参数。针对双目相机采集的数字图像,使用归一化协方差相关算法在极限约束后进行像素匹配,得到视差值,进而得到液压元件相应位置的三维数据。实验结果表明:该系统能够得到较为清晰的点云图,对于液压元件的测量具有较高的识别率和较好的鲁棒性,可以满足弱纹理液压元件在流水线生产中的实时检测。

Abstract

Whether the external dimensions of hydraulic components are qualified is directly related to the quality and performance of hydraulic products. Aiming at the problem that the weak texture on the surface of the hydraulic component caused great interference to the measurement, the method of projecting random spots to the target scene was used to enhance the texture of the hydraulic component. A binocular stereo vision system was set up and calibrated by a new circular array calibration plate to obtain the internal and external parameters of the two cameras. The digital images collected by binocular cameras were matched by pixels using the normalized covariance correlation algorithm after the limit constraint to obtain the disparity value and the three-dimensional data of the corresponding positions of the hydraulic components. Results showed that the system can obtain clearer point cloud images, and has a higher recognition rate and better robustness for the measurement of hydraulic components. It can meet the real-time detection of weak texture hydraulic components in assembly line production.

1 引言

随着《中国制造2025》强国战略的提出,核心基础零部件精密测量的紧迫性更加突出。在塑料机械、工程机械、农业机械、冶金矿山机械等各类主机产品和技术装备中,液压系统应用十分广泛。液压元件是液压系统的重要组成部分,其几何形状与尺寸决定了它的工作性能,因此构件表面的机械加工处理对其表面轮廓精度要求较高。

目前针对零部件的测量大多采用三坐标测量机的检测方法,何雪明等^[1]将三坐标测量机的测量点拓扑生成扫描线,该方法是通过将扫描线不断拟合为样条曲线来自适应预测下一个测量点,并用以指导自动测量。刘书桂等^[2]使用REVO五轴扫描测头(Renishaw公司生产的动态测头)解决了在非正交悬臂式整体叶盘原位测量机下探测姿态不正确的问题。传统的接触式检测虽然精度较高,但操作流程复杂,自动化水平及检测效率低;同时,接触式测量对于工件表面可能会产生划伤,影响液压元件的使用寿命:因此传统的接触式测量只能用于元件抽检,不适于批量的在线检测。近年来,随着生产线自动化水平日益提高,对高端液压元件三维轮廓的高精度非接触式检测的需求日益增多。解则晓等^[3]通过圆孔轮廓识别和外极线约束,得到圆孔的孔径。但该方法只针对圆孔孔径,不适用于需同时测量多个参数的零部件。

针对液压元件因加工方法与材料特性等原因导致元件表面出现弱纹理或无纹理的问题:郑淼等^[4]利用光场子孔径图像匹配估计无纹理区域的视差,并采用量化后光场子孔径图像之间的几何关系来代替像素值进行立体匹配;杜英魁等^[5]设计了基于灰度相似度概率的置信度传播算法,结合视差平滑约束,以期实现较高精度的视差初值快速估计;乔玉晶等^[6]也提出了光照补偿结合深度图像的重建方法,结合光照方向和光照强度的参数估计,确定高光区域并对光照作匀化处理,最后根据激光点的变化轨迹修正均值漂移算法的漂移区域。以上研究均是通过改进算法提高弱纹理或无纹理情形下的检测精度,但改进后的算法较为复杂,测量时间较长,不能满足流水线生产过程中实时检测的需求。

基于上述弱纹理零部件检测过程中存在的问题,本文提出了双目视觉的检测方法,通过设置红外双目成像和彩色图像成像的三目同步方式,针对弱纹理的液压元件开展了非接触式的测量研究,并在成像之前,采用随机斑点法^[7]向目标场景照射处于红外波段的纹理图案,以增强液压元件的纹理。测量过程中首先对得到的红外图像和彩色图像进行校正,并对校正后的红外图像进行立体匹配,生成视差图;其次对视差图与校正后的彩色图像进行配准以确定每个彩色像素点的深度值;最后利用GetPcd函数得出液压元件在相机坐标系下的三维坐标,进而同时得到弱纹理液压元件的多个测量尺寸。

2 双目立体视觉测量系统

2.1 测量系统的构成

本双目立体视觉测量系统,可以用于弱纹理液压元件的测量,其主要由双目相机、三坐标工作台、工控机等组成。为了排除外界强光对测量精度的干扰,该测量系统首先采用双目相机对液压元件表面进行亮度检测,通过自动调整补光,得到清晰的红外图像成像和彩色图像成像;其次基于极线约束,采用归一化协方差相关算法^[8-9]完成特征提取和立体匹配,最终实现液压元件的三维重建。

2.2 双目立体视觉测量原理

双目立体测量原理^[10-12]如图1所示,其中:左右相机的坐标系分别为O_lX_lY_lZ_l和 O_rX_rY_rZ_r,若左右两相机的焦距等内参均相同,左右光轴Z_l和Z_r相互平行,两个光心的距离即为基线B;相机的焦距为f,设R和T分别为相机的旋转矩阵和平移矩阵。对于空间物体表面任意一点P(X,Y,Z),其在相机坐标系下的坐标为(X_C,Y_C,Z_C),在左右两个成像平面上的坐标分别为p_l=(x_l,y_l)和 p_r=(x_r,y_r)。由于左右两相机的成像平面在同一平面上,故点P在左右成像平面上的坐标y_l=y_r=y,根据三角测量原理可得

\{\begin{array}{l} x_{l} = f X_{C} / Z_{C} \\ x_{r} = f (X_{C} - B) / Z_{C} \\ y = f Y_{C} / Z_{C} \end{array} 。 (1)

图 1. 双目立体视觉测量原理

Fig. 1. Binocular stereo vision measurement principle

下载图片查看所有图片

设视差为D=x_l-x_r,可得到相机坐标系中实际位置和成像平面上物理坐标之间的关系为

\{\begin{array}{l} X_{C} = B x_{l} / D \\ Y_{C} = By / D \\ Z_{C} = Bf / D \end{array} 。 (2)

世界坐标系(O_W)表示客观实体世界的绝对坐标,点P在世界坐标系中的坐标为[X_W,Y_W,Z_W,1],在相机坐标系中的坐标为[X_C,Y_C,Z_C,1],两种坐标系中的坐标转换关系为

[\begin{array}{l} X_{C} \\ Y_{C} \\ Z_{C} \\ 1 \end{array}] = [\begin{array}{l} R_{3 \times 3} & T_{3 \times 1} \\ 0_{1 \times 3} & 1 \end{array}] [\begin{array}{l} X_{W} \\ Y_{W} \\ Z_{W} \\ 1 \end{array}] 。 (3)

根据(1)~(3)式,可以得到像素坐标和世界坐标之间的关系,即

\begin{array}{l} Z_{C} [\begin{array}{l} u \\ v \\ 1 \end{array}] = [\begin{array}{l} \frac{1}{d x} & 0 & u_{0} \\ 0 & \frac{1}{d y} & v_{0} \\ 0 & 0 & 1 \end{array}] [\begin{array}{l} f & 0 & 0 & 0 \\ 0 & f & 0 & 0 \\ 0 & 0 & 1 & 0 \end{array}] \cdot [\begin{array}{l} R_{3 \times 3} & T_{3 \times 1} \\ 0_{1 \times 3} & 1 \end{array}] [\begin{array}{l} X_{W} \\ Y_{W} \\ Z_{W} \\ 1 \end{array}] = [\begin{array}{l} \frac{f}{d x} & 0 & u_{0} & 0 \\ 0 & \frac{f}{d y} & v_{0} & 0 \\ 0 & 0 & 1 & 0 \end{array}] \cdot \\ [\begin{array}{l} R_{3 \times 3} & T_{3 \times 1} \\ 0_{1 \times 3} & 1 \end{array}] [\begin{array}{l} X_{W} \\ Y_{W} \\ Z_{W} \\ 1 \end{array}] 。 (4) \end{array}

2.3 相机标定

相机标定是视觉测量、三维重建等机器视觉应用中的基础环节,采用何种标定板对标定结果有至关重要的影响^[13]。目前,视觉测量中常用到的标定板大多为棋盘格和圆阵列。为了将图像上检测到的角点坐标与其世界坐标对应,必须保证全部角点都能同时被检测到;同时,当图像畸变太大或者有一定的离焦模糊时,角点检测的精度会明显下降,因此,基于圆阵列容易在固定的面积上排布更多特征点的优势,本研究选择圆阵列标定板来进行相机标定。

本标定板采用的圆阵列,其上设有若干个特征圆点,特征圆点中定义3个特征圆点为特定特征圆点,将其绘制成空心圆环,以区分其他特征圆点。为了方便特征提取,采用白底黑圆+黑色圆环的方式增强对比度,正常光照条件下的相机标定板如图2所示。根据特定特征圆点的世界坐标能够唯一确定其余特征圆点的世界坐标,只需要确保相机标定板的特定特征圆点在相机视场中,即可被成功识别。即使部分特征圆点被遮挡或者超出相机视场,相机标定仍然可正常进行。采用该标定板简化了标定流程,提高了测量效率,降低了零部件测量过程中的标定难度。

图 2. 正常光照条件下的相机标定板

Fig. 2. Camera calibration board under normal illumination

下载图片查看所有图片

2.4 匹配算法

由于随机散斑图像的微小邻域可以唯一标定液压元件表面任意一点的深度信息,基于此特性,采用归一化协方差相关算法在极限约束后进行像素匹配。图3给出了像素匹配的原理图,图3(a)中有一特征点m_l(i,j),图3(b)中有相应的匹配点m_r。匹配方法是使用大小为(2k+1)×(2l+1)的窗口,窗口中心是特征点m_l,在图3(b)中依据极线约束在一定视差范围(d_-,d₊)内搜寻特征点m_r。

图 3. 像素匹配的原理。(a)左图像;(b)右图像

Fig. 3. Principle of pixel matching. (a) Left image; (b) right image

下载图片查看所有图片

其相似程度用邻域像素的归一化协方差相关系数来进行衡量。设I_l(i,j)和I_r(i,j)表示图3中像素点(i,j)处的邻域内的灰度值,定义归一化协方差为

C (m_{l}, m_{r}) = \frac{\overset{k}{\sum_{m = - k}} \overset{l}{\sum_{n = - l}} [I_{l} (m + i, n + j) - {\bar{I}}_{l} (i, j)] \times [I_{r} (m + i + d, n + j) - {\bar{I}}_{r} (i + d, j)]}{\sqrt[]{\{\overset{k}{\sum_{m = - k}} \overset{l}{\sum_{n = - l}} [I_{l} (m + i, n + j) - {\bar{I}}_{l} {(i, j)]}^{2}\} \times \{\overset{k}{\sum_{m = - k}} \overset{l}{\sum_{n = - l}} [I_{r} (m + i + d, n + j) - {\bar{I}}_{r} {(i + d, j)]}^{2}\}}}, (5)

其中d为视差。根据双目视觉系统结构,参考平面的位置和液压元件的初始高度,可以确定一个视差搜索范围(d_-,d₊),大大减少了相关计算量,提高了匹配效率。C的取值范围为[0,1],取值越大,说明两点的匹配性越好。实验过程中,设置一个相关阈值t,仅当C(m_l,m_r)>t时,认为两点是可能的匹配点,将该点的相关信息记录下来,之后选择其中相关值最大的匹配点,作为正确的匹配点。

3 实验与分析

3.1 实验过程

基于双目立体视觉的液压元件测量系统的检测流程如图4所示。

图 4. 双目立体视觉测量系统检测流程图

Fig. 4. Test flow chart of binocular stereo vision measurement system

下载图片查看所有图片

3.1.1 实验平台的搭建

红外双目相机采用红外增透膜,能够透过更多红外波段的光。通过红外图像互补金属氧化物半导体(CMOS)传感器感应红外波段形成红外图像,同时,采用可见光截止膜截止可见光,形成清晰的红外图像。RGB相机同样采用红外截止膜和可见光增透膜形成清晰的彩色图像。通过Zhang平面标定法^[14],计算左相机坐标系与RGB相机坐标系的空间位置关系,获取旋转变换矩阵R和平移变换矩阵T,为视差图与三维点云图之间的转换提供准确的信息支持。相机相关信息如下:测量距离为1 m,水平和垂直视场角分别为68°和47°,相机分辨率是1280 pixel×800 pixel。

3.1.2 相机标定

首先将圆阵列相机标定板置入相机视场中拍摄,得到多张标定图像。其次利用轮廓查找的方法对标定图像进行分割和滤波降噪处理^[15],以排除非标定板区域,提升算法计算效率,从而提高特征检测的成功率。最后,利用OpenCV的SimpleBlobDetector斑点检测算法^[16]从标定图像中提取出特定特征圆点,并以特定特征圆点为起点,按扩散的方式逐步实现标定图像中其余特征圆点的坐标匹配,继而得到所需的标定数据。

标定时,将标定板从不同的角度、不同的高度采集图像共17幅,红外标定和RGB标定的部分采集图如图5和图6所示。建立图像坐标系与靶标坐标系的转换关系,通过自定义的世界坐标系,得到圆心在世界坐标系中的坐标,进而得到圆心的世界坐标与左右摄像机在像面坐标系中坐标之间的关系,并利用OpenCV的单目标定和立体标定函数,确定双目立体视觉测量系统的内外参数,如表1所示。最终的标定误差范围为:红外标定时左目视觉均方根误差为0.104843,右目视觉均方根误差为0.0946604,RGB标定时均方根误差为0.123748;平均极线误差为0.036557;最大极线误差为0.262299。

表 1. 相机标定结果

Table 1. Camera calibration results

Calibrationparameter	Value
Left cameraintrinsicmatrix M₁	$[\begin{array}{l} 910.132 & 0 & 610.440 \\ 0 & 909.940 & 392.594 \\ 0 & 0 & 1 \end{array}]$
Right cameraintrinsicmatrix M₂	$[\begin{array}{l} 911.131 & 0 & 643.265 \\ 0 & 910.889 & 410.903 \\ 0 & 0 & 1 \end{array}]$
Rotationstructure matrix R	$[\begin{array}{l} 1 & 0.0001 & - 0.0012 \\ - 0.0001 & 1 & - 0.0042 \\ 0.0012 & 0.0042 & 1 \end{array}]$
Translationstructure matrix T	$[\begin{array}{l} - 5.99634 & - 8.81368 & - 3.13699 \end{array}]$

查看所有表

图 5. 双目红外标定

Fig. 5. Binocular infrared calibration

下载图片查看所有图片

图 6. RGB相机标定

Fig. 6. RGB camera calibration

下载图片查看所有图片

3.1.3 弱纹理液压元件的测量

图7给出了可见光下弱纹理液压元件隔膜泵缸盖的实物图,由图可知,在光照的反射下,液压元件表面的纹理不清晰。针对这一问题,本文采用空间相关的方法,用投射器投射由计算机模拟的随机斑点,并通过左右相机同步拍摄一幅图像的方式,来增强液压元件的表面纹理,拍摄后的左右图如图8所示。对处理后的图像按照归一化协方差相关算法进行立体匹配校正,校正过程中选用13 pixel×13 pixel的相关窗口,相关阈值t=0.7,来获取图像中的像素点。由于基于Sobel梯度算子建立的特征描述对绝对亮度不敏感,左右相机在成像亮度有差异的情况下依然能良好匹配,本文选用设定的Sobel梯度算子^[17]对图像进行卷积运算,进而得到图像中像素点的梯度信息。

根据左图和右图像素点的梯度信息,计算左图像素点的梯度信息与右图中聚合窗内所有像素点的梯度信息的差的绝对值之和(SAD),选取SAD值最小的像素点作为匹配代价结果^[18];依据左图像素点和右图匹配代价结果得到视差值,并采用大小为5×5的方形聚合窗口对输出视差作中值滤波^[19];随后将所述视差图与校正后的彩色图像进行配准,以确定每个彩色像素点的深度值。

图 7. 可见光下的实物

Fig. 7. Objects under visible light

下载图片查看所有图片

图 8. 投射有随机斑点的左右图

Fig. 8. Left-right diagram projected with random spots

下载图片查看所有图片

由于视差图和深度图都是灰度图,为了便于观察图像的拍摄效果,需要由深度图转换为伪彩图,由图9可以明显看出液压元件的外轮廓。通过调用GetPcd函数可将获得的深度图转换为点云数据,并采用CloudCompare软件处理点云数据得到点云测量部分参数如图10所示。其中为了点云数据的读取方便,在图10上增加了RGB颜色。

图 9. 伪彩图

Fig. 9. Pseudo color diagram

下载图片查看所有图片

图 10. 点云测量部分参数图

Fig. 10. Partial parameter diagram of point cloud measurement

下载图片查看所有图片

3.2 实验结果分析

经过相机标定和双线性插值校正畸变之后,采用三目同步的方式,与校正后的彩色图像进行配准,确定每个彩色像素点的深度值,得到清晰的点云数据。对点云图建立坐标系并进行多次测量,得到的尺寸测量值如表2和表3所示,其中表2为隔膜泵缸盖直径尺寸,表3为隔膜泵缸盖螺栓孔尺寸。隔膜泵缸盖直径和螺栓孔尺寸的实际值通过分辨力为0.01 mm的游标卡尺测量获得,由测量精度评价公式(误差等于测量值与标准值之差)进行结果分析。由表2可知,隔膜泵缸盖直径尺寸的相对误差在1.33%以内,经多次测量绝对误差在2.41 mm以内;螺栓孔尺寸的相对误差在2.61%以内,经多次测量绝对误差在0.25 mm以内。引起表2和表3中部分测量数据误差较大的原因有:1)选用算法的不完善;2)本文搭建的实验平台中,相机分辨率是1280 pixel×800 pixel。提高相机分辨率可以增强图像质量,但同时导致其光敏单元的尺寸较小,从而影响测量过程中的灵敏度,造成测量误差。后续可以通过算法改进进一步提高测量精度。由以上分析可以看出,该双目立体视觉测量系统,可以解决弱纹理液压元件在流水线生产中的检测问题,实现了通过一次测量便可实时获得多个尺寸数据的目的。

表 2. 隔膜泵缸盖直径尺寸

Table 2. Diameter dimensions of cylinder head of diaphragm pump

Truevalue /mm	Measuredvalue /mm	Error /mm	Relativeerror /%
180.00	179.72	-0.27	-0.15
	180.83	+0.83	+0.46
	181.18	+1.18	+0.65
	180.62	+0.62	+0.34
	180.73	+0.73	+0.40
	182.41	+2.41	+1.33

查看所有表

表 3. 螺栓孔尺寸

Table 3. Bolt hole dimensions

Truevalue /mm	Measuredvalue /mm	Error /mm	Relativeerror /%
9.70	9.77	+0.07	+0.76
	9.95	+0.25	+2.61
	9.85	+0.15	+1.54
	9.53	-0.16	-1.73
	9.76	+0.06	+0.65
	9.82	+0.12	+1.31

查看所有表

4 结论

研究了采用双目立体视觉测量系统的弱纹理液压元件的测量方法,使用新型圆阵列标定板得到标定图像,并利用轮廓查找对标定图像进行分割和滤波降噪处理,进而得到相机的内外参数。测量中,首先采用三目同步的方式对表面被投射有随机斑点的液压元件进行成像,利用归一化协方差相关算法在极限约束后完成像素匹配;选用Sobel梯度算子对图像进行卷积运算,并采用中值滤波对由SAD最小值和像素点得到的视差值进行处理,得到视差图;最后利用GetPcd函数将得到的深度值转化为点云数据,对点云数据进行测量即可获得液压元件尺寸。实验结果表明,本双目立体视觉测量系统适用于弱纹理液压元件尺寸的实时测量,在液压元件检测中有一定的应用价值,后续将通过算法改进进一步提高测量精度。

参考文献

[1] 何雪明, 李咏平, 武美萍, 等. 基于三坐标测量机双参数向自适应测量自由曲面[J]. 中国机械工程, 2017, 28(5): 525-531.

He X M, Li Y P, Wu M P, et al. Adaptive measurement of free-form surfaces based on CMM double parameter directions[J]. China Mechanical Engineering, 2017, 28(5): 525-531.

[2] 刘书桂, 张海涛, 苏智琨. REVO测头在非正交式三坐标测量机中的探测矢量修正算法[J]. 天津大学学报(自然科学与工程技术版), 2016, 49(9): 956-960.

Liu S G, Zhang H T, Su Z K. Correction of detecting vector of REVO applied in non-orthogonal coordinate measuring machine[J]. Journal of Tianjin University (Science and Technology), 2016, 49(9): 956-960.

[3] 解则晓, 王晓东, 宫韩磊. 基于双目视觉的薄壁零件圆孔轮廓测量[J]. 中国激光, 2019, 46(12): 1204004.

Xie Z X, Wang X D, Gong H L. Round-hole profile measurement of thin-walled parts based on binocular vision[J]. Chinese Journal of Lasers, 2019, 46(12): 1204004.

[4] 郑淼, 赵红颖, 杨鹏, 等. 基于光场数据的无纹理景物视差估计方法[J]. 北京大学学报(自然科学版), 2018, 54(2): 336-340.

Zheng M, Zhao H Y, Yang P, et al. Disparity estimation method for free-texture scenes based on light field[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(2): 336-340.

[5] 杜英魁, 刘成, 田丹, 等. 弱纹理环境双目视觉稠密视差鲁棒估计方法[J]. 光学精密工程, 2017, 25(4): 1086-1094.

Du Y K, Liu C, Tian D, et al. Robust estimation method for dense disparity of binocular vision under textureless environment[J]. Optics and Precision Engineering, 2017, 25(4): 1086-1094.

[6] 乔玉晶, 张思远, 赵宇航. 高光弱纹理物体表面鲁棒重建方法[J]. 光子学报, 2019, 48(12): 1212002.

Qiao Y J, Zhang S Y, Zhao Y H. Surface robust reconstruction method for high lightand weak textured objects[J]. Acta Photonica Sinica, 2019, 48(12): 1212002.

[7] GiordanoA, NwubaA, Chiang FP. Digital projection speckle technique for fringe generation[M] ∥Advancements in Optical Methods & Digital Image Correlation in Experimental Mechanics. Cham: Springer International Publishing, 2019: 1- 7.

[8] Xu JH, Mao Z H. Multilabel feature extraction algorithm via maximizing approximated and symmetrized normalized cross-covariance operator[J/OL]. IEEE Transactions on Cybernetics, 2019: 1-14. [2020-03-15]. https://ieeexplore.ieee.org/document/8703436.

[9] 李美菊. 投影数字散斑双目视觉系统的立体匹配[D]. 成都: 四川大学, 2005.

Li MJ. Stereo matching based on a speckle-projected stereovision system[D]. Chengdu: Sichuan University, 2005.

[10] 陈爱鸾. 基于SIFT算子的双目视觉三维测量技术研究[D]. 广州: 广东工业大学, 2015.

Chen AL. Research of 3D-measurement technology by binocular stereo vision based on sift operator[D]. Guangzhou: Guangdong University of Technology, 2015.

[11] 张志强, 施文华. 改进的尺度不变特征变换算法并行加速双目测距系统及其实现[J]. 激光与光电子学进展, 2019, 56(14): 141502.

Zhang Z Q, Shi W H. Research and implementation of binocular distance measurement system based on improved scale-invariant feature transform algorithm with parallel acceleration[J]. Laser & Optoelectronics Progress, 2019, 56(14): 141502.

[12] 蔡成涛, 王峰. 基于双目相机的直线运动轨迹快速测量算法[J]. 激光与光电子学进展, 2019, 56(5): 051502.

Cai C T, Wang F. Fast trajectory measurement algorithm for linear motion based on binocular camera[J]. Laser & Optoelectronics Progress, 2019, 56(5): 051502.

[13] 汪首坤, 赵金枝, 姜明, 等. 基于圆形阵列标定板的张氏相机标定法[J]. 北京理工大学学报, 2019, 39(8): 859-863.

Wang S K, Zhao J Z, Jiang M, et al. Zhang's camera calibration method based on circular array calibration board[J]. Transactions of Beijing Institute of Technology, 2019, 39(8): 859-863.

[14] Zhang Z. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(11): 1330-1334.

[15] 李健, 丁小奇, 陈光, 等. 基于改进高斯滤波算法的叶片图像去噪方法[J]. 南方农业学报, 2019, 50(6): 1385-1391.

Li J, Ding X Q, Chen G, et al. Blade image denoising method based on improved Gauss filtering algorithm[J]. Journal of Southern Agriculture, 2019, 50(6): 1385-1391.

[16] 吴冏, 张然然, 魏舒罕, 等. 改进的斑点检测算法[J]. 计算机工程与设计, 2010, 31(22): 4851-4854.

Wu J, Zhang R R, Wei S H, et al. Improved blotch detection method[J]. Computer Engineering and Design, 2010, 31(22): 4851-4854.

[17] 苗晓孔, 王春平. 改进Sobel算子的单帧红外弱小目标检测[J]. 光电工程, 2016, 43(12): 119-125.

Miao X K, Wang C P. Single frame infrared(IR) dim small target detection based on improved sobel operator[J]. Opto-Electronic Engineering, 2016, 43(12): 119-125.

[18] 刘洋, 王立, 华宝成, 等. 着陆避障中双目立体匹配方法与仿真[J]. 空间控制技术与应用, 2018, 44(3): 73-78.

Liu Y, Wang L, Hua B C, et al. Stereo-vision matching-techniques and simulation for hazard detection during planetary landing[J]. Aerospace Control and Application, 2018, 44(3): 73-78.

[19] 万丰丰, 周国民, 周晓. 一种去除椒盐噪声的自适应模糊中值滤波算法[J]. 浙江大学学报(理学版), 2019, 46(4): 445-453.

Wan F F, Zhou G M, Zhou X. An adaptive fuzzy median filtering algorithm for salt and pepper noise removal[J]. Journal of Zhejiang University (Science Edition), 2019, 46(4): 445-453.

雷经发, 韦旺, 李永玲, 张淼, 何玉. 基于双目视觉的弱纹理液压元件尺寸测量[J]. 激光与光电子学进展, 2020, 57(18): 181511. Jingfa Lei, Wang Wei, Yongling Li, Miao Zhang, Yu He. Dimensionality Measurement of Weak Texture Hydraulic Components Based on Binocular Vision[J]. Laser & Optoelectronics Progress, 2020, 57(18): 181511.

基于双目视觉的弱纹理液压元件尺寸测量下载： 992次

1 引言

2 双目立体视觉测量系统

2.1 测量系统的构成

2.2 双目立体视觉测量原理

图 1. 双目立体视觉测量原理

Fig. 1. Binocular stereo vision measurement principle

2.3 相机标定

图 2. 正常光照条件下的相机标定板

Fig. 2. Camera calibration board under normal illumination

2.4 匹配算法

图 3. 像素匹配的原理。(a)左图像;(b)右图像

Fig. 3. Principle of pixel matching. (a) Left image; (b) right image

3 实验与分析

3.1 实验过程

图 4. 双目立体视觉测量系统检测流程图

Fig. 4. Test flow chart of binocular stereo vision measurement system

表 1. 相机标定结果

Table 1. Camera calibration results

图 5. 双目红外标定

Fig. 5. Binocular infrared calibration

图 6. RGB相机标定

Fig. 6. RGB camera calibration

图 7. 可见光下的实物

Fig. 7. Objects under visible light

图 8. 投射有随机斑点的左右图

Fig. 8. Left-right diagram projected with random spots

图 9. 伪彩图

Fig. 9. Pseudo color diagram

图 10. 点云测量部分参数图

Fig. 10. Partial parameter diagram of point cloud measurement

3.2 实验结果分析

表 2. 隔膜泵缸盖直径尺寸

Table 2. Diameter dimensions of cylinder head of diaphragm pump

表 3. 螺栓孔尺寸

Table 3. Bolt hole dimensions

4 结论

Article Outline

关于本站 Cookie 的使用提示

全站搜索

基于双目视觉的弱纹理液压元件尺寸测量 下载： 992次

1 引言

2 双目立体视觉测量系统

2.1 测量系统的构成

2.2 双目立体视觉测量原理

图 1. 双目立体视觉测量原理

Fig. 1. Binocular stereo vision measurement principle

2.3 相机标定

图 2. 正常光照条件下的相机标定板

Fig. 2. Camera calibration board under normal illumination

2.4 匹配算法

图 3. 像素匹配的原理。(a)左图像;(b)右图像

Fig. 3. Principle of pixel matching. (a) Left image; (b) right image

3 实验与分析

3.1 实验过程

图 4. 双目立体视觉测量系统检测流程图

Fig. 4. Test flow chart of binocular stereo vision measurement system

表 1. 相机标定结果

Table 1. Camera calibration results

图 5. 双目红外标定

Fig. 5. Binocular infrared calibration

图 6. RGB相机标定

Fig. 6. RGB camera calibration

图 7. 可见光下的实物

Fig. 7. Objects under visible light

图 8. 投射有随机斑点的左右图

Fig. 8. Left-right diagram projected with random spots

图 9. 伪彩图

Fig. 9. Pseudo color diagram

图 10. 点云测量部分参数图

Fig. 10. Partial parameter diagram of point cloud measurement

3.2 实验结果分析

表 2. 隔膜泵缸盖直径尺寸

Table 2. Diameter dimensions of cylinder head of diaphragm pump

表 3. 螺栓孔尺寸

Table 3. Bolt hole dimensions

4 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于双目视觉的弱纹理液压元件尺寸测量下载： 992次