Nothing Special   »   [go: up one dir, main page]

CN116596987A - 一种基于双目视觉的工件三维尺寸高精度测量方法 - Google Patents

一种基于双目视觉的工件三维尺寸高精度测量方法 Download PDF

Info

Publication number
CN116596987A
CN116596987A CN202310519817.9A CN202310519817A CN116596987A CN 116596987 A CN116596987 A CN 116596987A CN 202310519817 A CN202310519817 A CN 202310519817A CN 116596987 A CN116596987 A CN 116596987A
Authority
CN
China
Prior art keywords
image
workpiece
algorithm
vertex
dimensional
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
Application number
CN202310519817.9A
Other languages
English (en)
Inventor
唐雁峰
李泽瑶
王鹏
张�诚
郝子强
詹伟达
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.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and Technology
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 Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN202310519817.9A priority Critical patent/CN116596987A/zh
Publication of CN116596987A publication Critical patent/CN116596987A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于图像测量技术领域，尤其为一种基于双目视觉的工件三维尺寸高精度测量方法，包括以下步骤，步骤1，双目相机标定：根据三维空间中标定板本身的角点信息与二维图像的对应点的信息，建立对应的数学关系，从而求得相机系统的内外参数。本发明，使用局部阈值分割算法对经过预处理的工件图像更好的完成了最终的分割，并弥补了OTSU算法产生的缺损和毛刺问题，为提高算法鲁棒性，对工件轮廓再进行多边形拟合以尽量减少毛刺的影响，对二值化工件图像进行去背景杂色处理后，左右图像中工件都与背景完全分离，这对后续的顶点检测至关重要。

Description

一种基于双目视觉的工件三维尺寸高精度测量方法
技术领域
本发明涉及图像测量技术领域，具体为一种基于双目视觉的工件三维尺寸高精度测量方法。
背景技术
传统的测量方法及设备存在测量速度慢、效率低、测量力在接触点处变形等缺点，已不能满足现代生产企业的检测要求,迫切需要一种快速、高效、准确的工件三维尺寸测量技术，利用二维图像获取待测物体的三维信息再进行测量无疑是解决这个问题的好办法，在测量环境不变的条件下，能够直接提高精度的方法就是提高采集图像的质量，影响图像采集质量的因素有很多，例如：图像采集相机的分辨率、镜头的畸变程度以及环境光源的选择等，然而高分辨率的相机成本过高，所以本课题通过选择从图像处理角度进行机器视觉测量技术尺寸检测精度的提高，解决测量精度不准确的问题，
中国专利公开号为“CN102628669A”，名称为“尺寸测量设备、尺寸测量方法及用于尺寸测量设备的程序”，该方法提供了尺寸测量设备、尺寸测量方法及用于尺寸测量设备的程序，尺寸测量设备包括：成像部分，其拍摄可移动台上的工件；深度延伸部分，其对可移动台中不同Z-方向位置处的多个工件图像执行深度延伸，以生成深度延伸图像；主要图像显示部分，其将通过拍摄主要工件获得的深度延伸图像屏幕显示为主要图像；测量位置信息生成部分，其针对主要图像指定待测位置和测量方法，以生成测量位置信息；边沿提取部分，其基于测量位置信息从通过拍摄工件获得的深度延伸图像中提取待测位置的边沿；以及尺寸值计算部分，其基于提取的边沿获得待测位置的尺寸值，该方法得到的测量数据精确度差，不符合测量精度要求，同时实现过程复杂且效率低下。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于双目视觉的工件三维尺寸高精度测量方法，解决了上述背景技术中所提出的问题。
(二)技术方案
本发明为了实现上述目的具体采用以下技术方案：
一种基于双目视觉的工件三维尺寸高精度测量方法，包括以下步骤，
步骤1，双目相机标定：根据三维空间中标定板本身的角点信息与二维图像的对应点的信息，建立对应的数学关系，从而求得相机系统的内外参数；
步骤2，图像预处理：由双目相机采集柱体工件的左右图像，通过拉普拉斯变换对两幅图像进行光照增强；然后使用双边滤波进行图像滤波处理；
步骤3，前背景分离：对步骤2预处理的图像进行图像分割，并对分割后的图像去除背景杂色；
步骤4，极线校正：对分割后的左右图像进行极线校正，使左右图像在同一水平线上；
步骤5，顶点检测：对步骤4输出的左右工件图像进行顶点检测，确定顶点在图像中的坐标；
步骤6，顶点匹配与三维尺寸计算：根据工件顶点处的特征量进行左右图像的顶点匹配，然后将所得左右图像顶点坐标利用最小二乘法计算得出工件三维尺寸。
进一步地，所述步骤2中图像预处理用拉普拉斯变换对两幅图像进行光照增强；利用拉普拉斯算子可以改变图像的对比度，锐化了边缘，使得图像更加清晰，更突出图像的细节纹理，本文获取的工件图像的边缘部分就是灰度发生跳变的区域，所以拉普拉斯算子模板运算对于后续前背景分离有着良好效果。
进一步地，所述步骤3中单独将对象目标从背景中分离出来，以减少背景像素的干扰，工件图像分割选择了局部阈值分割算法，因为OTSU分割算法会产生缺损和毛刺现象，所以选择了局部阈值分割进行了准确的图像分割，并对工件轮廓进行多边形拟合以抑制边缘毛刺现象，通过对比原图与边缘轮廓填充图达到分离背景的目的，去除分割后背景杂色，提高测量精确度。
进一步地，所述步骤5在顶点检测中针对传统Harris算法运行速度慢，角点定位不准确等缺点，本发明对传统Harris算法进行改进，首先基于二值图像进行的相似点的去除，然后进行极大值抑制模板的改进以达到精确检测工件图像的角点、边缘，从而提高了算法的实时性。
进一步地，所述步骤6顶点匹配方面，针对工件表面少纹理的特性，创新性的提出了基于工件轮廓中心的对数极坐标匹配方法，避免了传统立体匹配算法纹理丰富的要求,并且极大地减少了算法复杂度与误匹配现象，且这一方法为规则工件的顶点匹配提供了新思路。
(三)有益效果
与现有技术相比，本发明提供了一种基于双目视觉的工件三维尺寸高精度测量方法，具备以下有益效果：
本发明，使用局部阈值分割算法对经过预处理的工件图像更好的完成了最终的分割，并弥补了OTSU算法产生的缺损和毛刺问题，为提高算法鲁棒性，对工件轮廓再进行多边形拟合以尽量减少毛刺的影响，对二值化工件图像进行去背景杂色处理后，左右图像中工件都与背景完全分离，这对后续的顶点检测至关重要。
本发明，本文对传统Harris算法进行改进，首先基于二值图像进行的相似点的去除，然后进行极大值抑制模板的改进以达到精确检测工件图像的角点、边缘，从而提高了算法的实时性，提出的改进算法不仅仅能够精确的检测角点，也可以精确定位边缘，错检率和漏检率降低，并且运行时间降低，既提高了精度，也增强了算法实时性。
本发明，基于轮廓中心的对数极坐标匹配方法能够稳定准确地配对左右图像的顶点，避免了传统立体匹配算法纹理丰富的要求,并且极大地减少了算法复杂度与误匹配现象，其算法简单高效，具有优越性与可行性，鲁棒性强。
附图说明
图1为本发明的流程图；
图2为本发明局部阈值分割流程图；
图3为本发明改进Harris算法步骤框图；
图4为现有技术和本发明提出方法的相关指标对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1-4所示，本发明一个实施例提出的一种基于双目视觉的工件三维尺寸高精度测量方法，包括以下步骤
步骤1，双目相机标定：双目相机标定采用广泛应用的张氏相机标定法，通过检测标定板上的角点，根据三维空间中标定板本身的角点信息与二维图像的对应点的信息，建立对应的数学关系，从而求得相机系统的内外参数；
步骤2，图像预处理：由双目相机采集柱体工件的左右图像，通过拉普拉斯变换对两幅图像进行光照增强；将Laplace模板在图像原图上进行移动，当模板中数值与某一像素重合时相乘并求和，并将值赋给与模板中心重合的像素，对于无法进行上述操作的图像第一行、最后的行以及列的像素赋值零，就得到了拉普拉斯模板运算结果，因为Laplace算子是二阶微分算子，该算子强调图像素中灰度不连续的部分，减缓了灰度值连续的部分，这样会产生一个具有很明显的灰度边界，然后使用双边滤波进行图像滤波处理；双边滤波是以高斯滤波为基础，对其不足进行了改进发展而来的非线性滤波算法，双边滤波保留了高斯滤波采用加权平均的方法的优点，即用邻域像素灰度值的加权平均代表模板中心像素灰度值，此外还参考了灰度相似度信息，算法基本原理是将一个空间距离高斯函数与一个灰度距离高斯函数相乘，空间距离指的就是当前点与模板中心点的欧式距离，灰度距离则是当前点的灰度值与模板中心灰度值差的绝对值，所以双边滤波在进行滤除噪声的同时还可以保持图像边缘。
步骤3，前背景分离：对步骤2预处理的图像进行图像分割，并对分割后的图像去除背景杂色，局部阈值分割是基于图像目标不同的灰度特性，采用不同阈值进行分割的方法，首先确定最佳灰度阈值，确定一个特定大小的邻域，该邻域以当前像素点为中心，根据该邻域内所有像素点的灰度值进行该邻域的分割阈值的计算，图像中目标和背景的灰度值相对接近，则可以使用均值法来计算局部阈值，该阈值的取值范围就是图像的灰度范围；然后将阈值与图像中各个像素值的大小进行比较，最后根据比较的结果将图像像素进行分类，通过局部阈值分割法对图像进行二值化，通过寻找二值化图像中的最大轮廓得到工件图的轮廓图像，对工件轮廓进行多边形拟合以抑制边缘毛刺现象，opencv中有专门的函数approxPolyDP来实现多边形拟合，此函数可通过设定阈值来实现不同的拟合效果，通常阈值选取为需要拟合轮廓周长的某个特定百分比，通过对比原图与边缘轮廓填充图达到分离背景的目的。
步骤4，极线校正：对分割后的左右图像进行极线校正，使左右图像在同一水平线上，常用的极线校正算法是Bouguet算法，其算法思想如下：(1)双目系统左右相机成像平面调整，根据步骤1相机标定所得旋转矩阵分别得到双目系统中两相机的旋转参数，调整左右相机成像平面平行，(2)双目系统左右相机光轴调整，根据步骤1相机标定所得平移矩阵调整左右相机光轴平行，(3)根据所得的旋转参数与平移参数进行图像校正。
步骤5，顶点检测：对步骤4输出的左右工件图像利用改进Harris算法进行顶点检测，确定顶点在图像中的坐标，为了减少角点响应函数R值的计算量，本发明对图像上的相似点进行去除，首先进行相似点的判断，并去除；计算图像的梯度值，同时利用差分算子进行高斯平滑，去除噪声；计算自相关矩阵M，并计算出自相关矩阵的元素a、b、c,对去除了相似点之后的目标和背景交界处的像素点计算响应函数R值，函数R远大于阈值的则为角点；函数R<0即R为负的时候，检测到的则为边缘，进行非极大值的抑制，在进行局部非极大值抑制的时候，传统的Harris算子采用的是3×3的抑制模板，使用单一的抑制模板虽然能够精确角点，但会误消除一部分边缘点，导致检测到的边缘出现断点，针对上述问题，本发明提出采用1×3和3×1两个模板对x和y方向上的边缘进行抑制，对角点采用3×3的抑制模板，从而得到更为准确、连续的边缘和候选角点，对得到的候选角点进行遍历，如果在某一候选角点的7×7邻域内不止一个角点，则对邻域内的这些候选角点进行算数平均值的求取，以精确最终角点的位置，从而获取最终的真实角点。
步骤6，顶点匹配与三维尺寸计算，根据工件顶点处的特征量进行左右图像的顶点匹配，先运用旋转算法求出包围轮廓顶点的最小外接矩形，再以最小外接矩形的几何中心作为参考原点建立对数极坐标系，各顶点之间极坐标分散，且间隔较大，能够明显从图像中配对左右图像中的各顶点，本文的顶点匹配方法采用的是暴力循环匹配法，即选定左图像中的待匹配顶点，遍历右图像中的顶点的对数极坐标值，寻找左右图像中顶点的对数极坐标值最接近的点，则认为该两顶点匹配，然后将所得左右图像顶点坐标利用最小二乘法计算得出工件三维尺寸。
实施例2
所述步骤1中采用Matlab2018中的Camera Calibration工具箱进行单目相机标定，标定步骤如下：(1)软件读取棋盘纸不同位姿的图片并检测角点；(2)对每幅图进行角点检查后，点击Options按钮可选择计算2阶或3阶径向畸变系数，然后点击Calibrate按钮，得到相机的摄像机参数，分别对左右相机多次按照上述标定过程进行单目标定，选取误差最小的一次作为双目系统的标定结果，通过对双目系统同一时刻采集的不同位姿标定板的左右图像进行分析，得到双目系统的标定结果，其标定步骤与单目标定类似，故不再赘述，最终通过两次相机标定得到相机的内外参数。
所述步骤2中由双目相机采集柱体工件的左右图像，通过拉普拉斯变换对两幅图像进行光照增强，光照增强公式为：
其中，g(x,y)是变换后的图像f(x,y)为原始图像；c是系数，其取值和模板中心数值有关，当中心数值取正时c＝-1，相反c＝1。
然后使用双边滤波进行图像滤波处理；设原图的中心像素点(i,j)的灰度值f(i,j)，其邻域像素点(k,l)的灰度值为f(k,l)，则双边滤波算法公式为
所述步骤3中利用局部阈值分割法对图像进行阈值分割实验，设图像的阈值为T，f(x,y)为点(x,y)处的灰度值，该局部邻域窗口的高度和宽度分别用H和W表示，其计算公式为：
其中，C是个常数，用以调整计算得到的阈值T，达到最佳局部阈值分割效果，选取阈值30、阈值50以及阈值70进行实验，部阈值分割需要进行反复实验以确定最佳阈值，阈值70为最佳阈值，分割效果最好，使用局部阈值分割算法对经过预处理的工件图像进行分割，从局部放大图中可以看出，局部阈值分割更好的完成了最终的分割，并弥补了OTSU算法产生的缺损和毛刺问题，选取轮廓周长的0.1％作为阈值进行拟合左右工件轮廓，通过对左右工件轮廓拟合结果进行颜色填充，则可得到只包含工件的填充图，根据对比原图与填充图，即可将工件从原图中分离出来。
所述步骤4中对左右图像利用Bouguet算法极线校正后，左右图像基本处于同一水平线。
所述步骤5中对步骤4输出的左右工件图像利用改进Harris算法进行顶点检测，确定顶点在图像中的坐标，首先进行相似点的判断，并去除；计算图像的梯度值，同时利用差分算子进行高斯平滑，去除噪声；计算自相关矩阵M，并计算出自相关矩阵的元素a、b、c,对去除了相似点之后的目标和背景交界处的像素点计算响应函数R值，函数R远大于阈值的则为角点；函数R<0即R为负的时候，检测到的则为边缘，进行非极大值的抑制，在进行局部非极大值抑制的时候，采用1×3和3×1两个模板对x和y方向上的边缘进行抑制，对角点采用3×3的抑制模板，从而得到更为准确、连续的边缘和候选角点，对得到的候选角点进行遍历，如果在某一候选角点的7×7邻域内不止一个角点，则对邻域内的这些候选角点进行算数平均值的求取，以精确最终角点的位置，从而获取最终的真实角点。
所述步骤6中确定初始最小外接矩形，选择轮廓中某像素点为顶点，确定其在水平方向和垂直方向上的最大值与最小值，并将此连接而成的矩形作为最小外接矩形的初始参考值，确定边界旋转的角度并旋转图像，求出轮廓顶点pi(xi,yi)所确定线段相对水平方向的夹角θi，则顶点pi(xi,yi)旋转后的坐标记为pi'(x'i,y'i)，则pi'与pi的变换公式如下：
确定最小外接矩形边界，记录上一步中的每次边界旋转后产生的水平方向与垂直方向的顶点最大值与最小值，并计算其面积，将所有边界角度进行旋转后，选取面积最小的外接矩形为最终的最小外接矩形，当以轮廓最小外接矩形中心点为对数极坐标系原点时，左右图像各顶点在对数极坐标系中的极坐标分布分散，且间隔较大，能够明显从图像中配对左右图像中的各顶点，最终将所得左右图像顶点坐标利用最小二乘法的得到得到顶点的空间坐标q。
其公式为
q＝(kTk)-1kTl
其中：
顶点在Z轴上的投影距离并不统一，故为减少误差，工件的尺寸计算选取点在X，Y平面上的投影计算，可得工件的三维尺寸。
本发明通过构建一种基于双目视觉的工件三维尺寸高精度测量方法，实现了对柱体工件的三维几何尺寸高精度测量，并在原形状上下文匹配算法基础上提出了较为通用稳定的基于轮廓中心的顶点匹配算法，避免了因表面纹理较少导致的误匹配现象，为一般柱体工件的顶点匹配提供了新思路；相比于其他论文手动选择顶点匹配，本发明的改进Harris算法顶点检测方法进一步提高了顶点检测的精度，测量精度更高，相同条件下，通过计算与现有方法得到测量的相关指标，进一步验证了该方法的可行性和优越性，现有技术和本发明提出方法的相关指标对比如图4所示：
从图4中可知，本发明提出的方法比现有方法拥有更高的测量速度和精确度，这些指标也进一步说明了本发明提出的方法具有更快的测量速度和更高的测量精度。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于双目视觉的工件三维尺寸高精度测量方法，其特征在于：包括以下步骤，
步骤1，双目相机标定：根据三维空间中标定板本身的角点信息与二维图像的对应点的信息，建立对应的数学关系，从而求得相机系统的内外参数；
步骤2，图像预处理：由双目相机采集柱体工件的左右图像，通过拉普拉斯变换对两幅图像进行光照增强；然后使用双边滤波进行图像滤波处理；
步骤3，前背景分离：对步骤2预处理的图像进行图像分割，并对分割后的图像去除背景杂色；
步骤4，极线校正：对分割后的左右图像进行极线校正，使左右图像在同一水平线上；
步骤5，顶点检测：对步骤4输出的左右工件图像进行顶点检测，确定顶点在图像中的坐标；
步骤6，顶点匹配与三维尺寸计算：根据工件顶点处的特征量进行左右图像的顶点匹配，然后将所得左右图像顶点坐标利用最小二乘法计算得出工件三维尺寸。
2.根据权利要求1所述的一种基于双目视觉的工件三维尺寸高精度测量方法，其特征在于：所述步骤2中图像预处理用拉普拉斯变换对两幅图像进行光照增强；利用拉普拉斯算子可以改变图像的对比度，锐化了边缘，使得图像更加清晰，更突出图像的细节纹理，本文获取的工件图像的边缘部分就是灰度发生跳变的区域，所以拉普拉斯算子模板运算对于后续前背景分离有着良好效果。
3.根据权利要求1所述的一种基于双目视觉的工件三维尺寸高精度测量方法，其特征在于：所述步骤3中单独将对象目标从背景中分离出来，以减少背景像素的干扰，工件图像分割选择了局部阈值分割算法，因为OTSU分割算法会产生缺损和毛刺现象，所以选择了局部阈值分割进行了准确的图像分割，并对工件轮廓进行多边形拟合以抑制边缘毛刺现象，通过对比原图与边缘轮廓填充图达到分离背景的目的，去除分割后背景杂色，提高测量精确度。
4.根据权利要求1所述的一种基于双目视觉的工件三维尺寸高精度测量方法，其特征在于：所述步骤5在顶点检测中针对传统Harris算法运行速度慢，角点定位不准确等缺点，本发明对传统Harris算法进行改进，首先基于二值图像进行的相似点的去除，然后进行极大值抑制模板的改进以达到精确检测工件图像的角点、边缘，从而提高了算法的实时性。
5.根据权利要求1所述的一种基于双目视觉的工件三维尺寸高精度测量方法，其特征在于：所述步骤6顶点匹配方面，针对工件表面少纹理的特性，创新性的提出了基于工件轮廓中心的对数极坐标匹配方法，避免了传统立体匹配算法纹理丰富的要求,并且极大地减少了算法复杂度与误匹配现象，且这一方法为规则工件的顶点匹配提供了新思路。
CN202310519817.9A 2023-05-10 2023-05-10 一种基于双目视觉的工件三维尺寸高精度测量方法 Pending CN116596987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310519817.9A CN116596987A (zh) 2023-05-10 2023-05-10 一种基于双目视觉的工件三维尺寸高精度测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310519817.9A CN116596987A (zh) 2023-05-10 2023-05-10 一种基于双目视觉的工件三维尺寸高精度测量方法

Publications (1)

Publication Number Publication Date
CN116596987A true CN116596987A (zh) 2023-08-15

Family

ID=87593047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310519817.9A Pending CN116596987A (zh) 2023-05-10 2023-05-10 一种基于双目视觉的工件三维尺寸高精度测量方法

Country Status (1)

Country Link
CN (1) CN116596987A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117705720A (zh) * 2024-02-04 2024-03-15 石家庄铁道大学 一种双块式轨枕外观尺寸及缺陷同步快速检测系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117705720A (zh) * 2024-02-04 2024-03-15 石家庄铁道大学 一种双块式轨枕外观尺寸及缺陷同步快速检测系统

Similar Documents

Publication Publication Date Title
CN109544456B (zh) 基于二维图像和三维点云数据融合的全景环境感知方法
CN109190628A (zh) 一种基于机器视觉的板材镰刀弯检测方法
CN112116576A (zh) 基于偏振结构光成像和改进Mask R-CNN的缺陷检测方法
CN107767456A (zh) 一种基于rgb‑d相机的物体三维重建方法
CN107392849B (zh) 基于图像细分的靶标识别与定位方法
CN112067233B (zh) 一种用于风洞模型六自由度运动捕获方法
CN109615654B (zh) 基于双目视觉的排水管道内表面腐蚀深度及面积测量方法
CN107358628B (zh) 基于靶标的线阵图像处理方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN115096206B (zh) 一种基于机器视觉的零件尺寸高精度测量方法
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN114627080B (zh) 基于计算机视觉的车辆冲压配件缺陷检测方法
CN106952262B (zh) 一种基于立体视觉的船板加工精度分析方法
CN115861274A (zh) 一种融合三维点云与二维图像的裂缝检测方法
CN113313116A (zh) 一种基于视觉的水下人工目标准确检测与定位方法
CN110751690B (zh) 铣床刀头视觉定位方法
CN116596987A (zh) 一种基于双目视觉的工件三维尺寸高精度测量方法
CN115330684A (zh) 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法
CN115546153A (zh) 一种基于三维点云与二维图像融合感知的产品表面缺陷检测方法
CN114612412A (zh) 三维点云数据的处理方法及其用途、电子设备、存储介质
CN116645418A (zh) 基于2d和3d相机的屏幕按钮检测方法、装置及其相关介质
CN111630569B (zh) 双目匹配的方法、视觉成像装置及具有存储功能的装置
CN115184362B (zh) 一种基于结构光投影的快速缺陷检测方法
CN114963981B (zh) 一种基于单目视觉的筒状零件对接非接触式测量方法
CN113592953B (zh) 一种基于特征点集的双目非合作目标位姿测量方法

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