1 合肥工业大学 仪器科学与光电工程学院，安徽合肥230009
2 测量理论与精密仪器安徽省重点实验室，安徽合肥30009
3 教育部安全关键工业测控技术工程研究中心，安徽合肥20009
微器件广泛应用于电子工业。由于衍射效应，微器件的物理边缘与光学边缘不一致，这给检测和测量带来了挑战。为提高微目标检测与测量精度，本文将图像超分辨率重建与目标测量结合，提出了一种基于边缘增强的图像超分辨率重建算法并搭建了对应的测量系统。首先提出了一种新的图像超分辨率重建质量评价参数，证明了图像超分辨率重建提高目标测量精度的可行性。针对目标边缘，将通道注意力机制引入网络，增强了网络对图像边缘的重建能力。最后，设计并搭建了目标测量系统，并进行了实验。结果表明：在公开数据集上，本文算法能取得更高的峰值信噪比（PSNR）和结构相似性（SSIM）等客观指标值；在实际测量中，本文算法可将原有测量系统极限分辨率提高25.9%，目标测量精度平均提高51.6%。本文研究为工业生产中的微目标检测和测量提供了一个潜在的发展方向。
深度学习 图像超分辨率 计算机视觉 边缘检测 亚像素 deep learning image super-resolution computer vision edge detection subpixel
1 华南理工大学机械与汽车工程学院, 广东 广州 510640
2 合肥工业大学广东研究院智能检测团队, 广东 佛山 528137
为了提高多相机一维标定的精度,提出了一种基于归一化算法的分层逐步标定法,由基本矩阵获得射影投影矩阵,进而转换成度量投影矩阵。对标定物图像特征点的坐标进行归一化预处理,以提高标定精度,同时又保持线性方法快速、易实现的优点。在所提标定方法中,一维标定物可自由运动,不受场地环境约束,使用灵活。通过仿真和真实实验,验证了归一化特征点坐标可以显著提高标定结果的精度和稳健性。
机器视觉 一维标定物 多相机标定 归一化算法
