融合显著性检测的V型焊缝激光条纹提取

针对在背景亮度不均的情况下提取的V型焊缝坡口激光带准确度低的问题,提出一种基于视觉注意机制融合颜色特征和方向特征的方法。首先,使用FT(Frequency-Tuned)显著性检测算法获取焊缝图像中激光带的颜色显著图。然后,利用Gabor滤波器得到激光带的单方向特征图,对各方向图阈值分割消除噪声后等比例加权融合得到方向显著图。使用多层元胞自动机融合颜色显著图和细化后的方向显著图,得到最终的焊缝激光带条纹。实验结果表明该方法简单有效,效果较好,准确度高,为后续工作打下基础。

基于FPGA的实时线结构光传感器激光条纹中心提取方法

激光条纹提取方法是线结构光传感系统中的一项重要技术,其准确度和速度直接影响系统的测量性能。然而,传统Hessian矩阵法可能会产生多余中心点和缺失中心点,限制了其准确度和鲁棒性。此外,传统Hessian矩阵法计算复杂,难以应用于实时测量场景。为此,提出了一种适合在FPGA中实现的激光条纹中心提取改进方法。首先,设计了一个新的判断函数来代替最大特征值来选取显著中心点,以增加真实中心和其他区域之间的数值差异,并通过修改中心判断标准,采用非最大值抑制的方法处理多余中心点和缺失中心点。其次,将所提出的方法在FPGA中进行实现。在不降低精度的前提下,对计算进行了合理优化,减少了FPGA的资源利用率和延迟时间。在准确度对比试验中,在噪声水平分别为0,0.01,0.02和0.03时,平均绝对误差分别为0.0039像素,0.0373像素,0.0520像素和0.0646像素,均方根误差分别为0.0068像素,0.0469像素,0.0654像素和0.0811像素;在FPGA中实现时,运行时间和延迟时间分别为14.89 ms和216.42μs。实验结果证明,所提出的方法准确度高、鲁棒性好,能够进行实时中心提取。

用于钢板测量的线激光条纹中心提取方法

针对用于钢板测量的线激光条纹中心提取方法,提出一种基于Steger方法的改进算法。首先,对原始图像进行自适应裁剪处理;其次,通过多次中值滤波操作进行噪声处理;最后,提出一种间隔n行采用Steger算法、中间行近似拟合的方法来计算条纹中心。应用结果表明,该算法将条纹中心提取速度提高了5倍,对于钢板实时测量系统具有一定工程意义。

一种基于极线约束的激光条纹匹配算法

提出了一种基于极线约束的激光条纹匹配算法。先通过双CCD摄像机摄取左右两幅图像 ,然后对图像进行预处理。处理之后的两幅图像是在不同视角下摄取的两条单像素宽的激光条纹 ,在极线约束和连续性约束的理论基础上 ,提出了一种直线和曲线求交的匹配方法 。

结构光截面轮廓测量中激光条纹的处理

在结构光测量系统中需要对采集到的激光条纹图像进行有效处理。该文提出了一种基于差图像的阈值分割方法,应用该方法对采集到的激光条纹图像进行阈值分割从而得到二值激光条纹图像,利用神经网络对二值激光条纹图像进行细化处理,处理过的细化条纹图像满足0.5%的精度要求,图像二值化处理时间不到1s,细化过程的时间小于2s,相对传统的图像处理时间有所增加,已经成功地应用在物体三维重建时特征参数匹配的预处理中。

基于方向显著性的熔池背景下V形焊缝激光条纹的有效提取

焊缝跟踪是机器人自动化焊接的核心技术,而厚板焊接中准确提取用于检测焊缝轮廓的激光条纹技术是实现自动跟踪的关键技术之一。根据同一帧焊缝图像中同时采集了熔池区域和激光条纹的特点,提出采用多区域多方向Gabor滤波的方法获取焊缝图像多方向特征图,然后采用基于局部区域灰度均值最大法消除背景干扰,最后利用连通域法消除因激光条纹轮廓检测缺口而产生的干扰。通过图像处理试验验证了算法的有效性,为厚板焊接的实时跟踪打下基础。

基于极线约束的多线激光条纹匹配算法

依据双目视觉方法,先由双CCD摄像机摄取左右两幅标记有多线激光条纹的图像,然后对图像进行预处理.处理后的两幅图像是在不同视角下摄取的多条单像素宽的激光条纹,在极线约束的理论基础上,提出了一种多线激光条纹的匹配方法,从而实现了激光条纹的匹配和激光扫描线的三维重建.

一种基于极线约束的激光条纹匹配算法

本文介绍一种基于极线约束的激光条纹匹配算法。先通过双CCD摄像机摄取两幅图像 ,然后对图像进行预处理。处理之后的两幅图像是在不同视角下摄取的两条单像素宽的激光条纹 ,在极线约束和连续性约束的理论基础上 ,提出了一种直线和曲线求交的匹配方法 ,从而实现了激光条纹的快速精确匹配和激光扫描线的三维重建。

一种基于极线约束的激光条纹匹配算法

在逆向工程中为了获得产品的精确CAD模型,必须完成立体点的匹配,通过建立摄像机模型描述了三维世界坐标与计算机图像坐标之间的关系;提出了基于极线约束和连续性约束的激光条纹匹配准则,给出了一种直线和曲线求交的激光条纹匹配新方法,从而实现了激光条纹的快速精确匹配和激光扫描线的三维重建。

强光干扰下的焊缝图像激光条纹提取算法研究

针对强光干扰下部分需提前预判焊缝轮廓信息的激光条纹提取算法的不足,提出了一种无需更改参数的更为可靠的算法。利用单目视觉系统采集强光干扰下的焊缝图像,通过中值滤波和掩膜操作完成图像的预处理阶段,在图像处理阶段,根据激光条纹特点,提出采用高斯混合模型(GMM)法分割所获取图像,得到图像中的高亮区域,之后采用面积过滤和形态学闭操作消除背景噪声干扰,并通过骨支架操作验证了激光条纹提取的有效性。图像处理试验表明,在强光干扰下,该算法具有较高的稳定性。

线激光条纹中心亚像素定位研究

针对现有算法不能兼顾线激光条纹提取速度和精度的缺陷,根据激光条纹红色通道分量的纹理特性,提出自适应阈值加权重心法进行激光条纹的亚像素定位。该方法以含激光条纹的图像中的红色通道分量为研究对象,将Otsu算法得到的自适应阈值对激光条纹进行粗提取,最后利用加权重心法获取激光条纹的亚像素坐标。自适应阈值加权重心法消除了背景对提取激光条纹的影响,增加了光强较强点在重心法中的权重,缩小了有效数据的范围,减少了重心法的计算量。实验表明,该方法具有较快速度和较高的精度,可应用于实时扫描测距系统中。

变边限高斯拟合提取激光条纹中心线方法的研究

投射到物体表面的激光条纹因被调制在条纹不同位置处其宽度也各不相同。因此高斯拟合法提取宽度有变化的激光条纹中心线时,由于不能确定合适的拟合数据使得提取精度较低。针对该种情况,提出了变边限高斯拟合法来提取激光条纹中心线,其特点是当激光条纹粗细发生变化时其高斯拟合数据边限也发生与之对应的改变,具体步骤是先采用极值法和边缘取中法获得条纹像素级的中心位置,然后采用阈值法提取出条纹各列法向宽度值,通过条纹法向宽度值和近似中心位置选定恰当的拟合数据进行高斯拟合。实验证明该法可获得亚像素级的激光条纹中心线,提高了提取精度。

基于灰度权重模型的激光条纹中心提取算法

为了在多噪声环境中精确提取激光条纹中心,采用改进的灰度权重模型,提取激光条纹的亚像素中心。通过均值阈值法以及改进的灰度权重模型对3维激光成像系统采集的图像进行了处理,并与传统的算法进行对比。结果表明,该算法能够较为完整地提取激光条纹区域,并且其平均拟合相关系数为0.9809(最接近1),平均列坐标最大差值为0.4518pixel(最接近0),平均变异系数为0.0062(最接近0),相对其它方法具有更优的结果,能够抑制多噪声环境对于激光条纹提取的影响,精确提取激光条纹的亚像素中心,具有较好的鲁棒性。该算法为精确提取激光条纹的中心提供了参考。

基于激光面和极线约束的激光条纹匹配算法

针对典型双目CCD的激光扫描测量系统 ,提出一种基于激光面和极线算法 ,算法结合了正面映射和反面映射 ,并且利用激光面和极线约束这一性质重建了物体的完整点云 ,避免了同一扫描面点云的拼合 .另外还对点匹配的匹配质量进行了控制 。

基于改进质心法的激光条纹中心提取算法

在激光测量系统中激光条纹中心位置的准确定位是整个测量系统的关键。由于激光的光源质量、目标物体表面粗糙度以及光源等因素影响激光条纹中心提取精度。提出一种改进的质心法的激光条纹中心提取算法,该算法利用差影法提取条纹目标,再基于连通域来对条纹目标去噪,通过细化法提取目标条纹的骨架,基于骨架的切线得到激光条纹的法向,最后运用质心法精确地提取激光条纹中心。经过验证,此算法具有提取精度高、实用性广以及鲁棒性好的特点。

线激光条纹特征的健壮性快速提取

为了提高传统的线激光条纹特征提取算法的精度、健壮性和计算效率,使其能够满足更大范围的工业应用,本文在平顶激光模型的基础上提出了线激光条纹中心的健壮性快速提取算法。首先将线激光条纹建模为平顶激光来提高其对各种场景激光条纹的检测鲁棒性;同时,在遍历图像查找激光条纹中心点的过程中加入一种"加窗预判加速机制",将每个激光条纹中心的检测范围限制在与前一个目标点相连的梯形域中,极大地提高了条纹中心点的检测速度。仿真实验表明:当图像中亮度噪声水平小于6时,该算法的条纹中心提取误差小于0. 07pixel,并且检测单张130万像素的线激光条纹图像耗时小于5ms。对各种零件的实际测量实验表明:该算法可以用于光滑、粗糙、深色、浅色、普通金属材质等各种物体的线激光条纹特征的提取,具有很强的健壮性。

激光条纹法向中心的快速提取算法研究

探讨一种亚像素级激光条纹法向中心快速提取算法。主要考虑激光条纹中心存在于条纹骨架的法向截面上,当条纹被物体表面调制成曲线或者受噪声影响不规则变化时,提取法向中心十分困难。首先设计一个模板对条纹图像进行两次卷积,以消除孤立光斑,并使用中值滤波器来减少随机噪声;其次沿着条纹边缘,在小邻域内计算每个点的灰度梯度值,以获得条纹法线;最后找到距离法线最近的光点,利用灰度重心法提取条纹的亚像素中心坐标。实验结果证明该算法具有较高的提取精度和广泛的实用性。

基于多任务学习的焊缝图像激光条纹分割与特征点定位方法研究

焊缝信息的快速准确获取是实现自动化焊接的首要问题。然而,在实际焊接过程中,电弧、飞溅、强反射光等噪声会严重污染采集的图像,导致焊缝定位偏移,最终导致跟踪失败。为了提高跟踪过程中的焊缝定位精度与图像处理速度,本文提出了一种将激光条纹分割与焊缝特征点定位相结合的轻量级多任务深度学习模型。该模型由编码器和解码器组成,激光条纹分割子任务与焊缝特征点定位子任务共用编码器主干网络,解码器包含激光条纹分割分支和基于可微空间到数值转换(DSNT)的焊缝特征点定位分支,整个模型遵从轻量化设计思想,同时利用多个子任务之间的相关信息,进一步提升各子任务的性能。实验结果表明,所提模型能够有效克服各类焊接噪声,完成焊缝特征的提取,单幅图像的处理时间约为11.45 ms,特征点定位精度可达0.1872 pixel,在自动化焊接方面具有广阔的应用前景。

一种基于极线约束的激光条纹匹配算法

提出了一种基于极线约束的激光条纹匹配算法。先通过双CCD摄像机摄取左右两幅图像,然后对图像进行预处理。处理之后的两幅图像是在不同视角下摄取的两条单像素宽的激光条纹,在极线约束和连续性约束的理论基础上,提出了一种直线和曲线求交的匹配方法,从而实现了激光条纹的快速精确匹配和激光扫描线的三维重建。

一种利用激光干涉条纹位相进行微位移测量方法

利用激光干涉条纹的位相,提出了一种简便、快速且精度很高的微小位移的测量方法。实验表明,计算程序是可行,测量精度可达1/360的条纹间隔,可实现光学亚微米和纳米尺度的测量。