[发明专利]一种基于线结构光的冰形轮廓测量的方法

摘要

本发明公开了一种基于线结构光的冰形轮廓测量方法，可用于结冰风洞物理模拟过程中的结冰冰形轮廓测量。该方法利用LM‑BP神经网络来实现系统标定，训练得到图像坐标映射到激光平面内标定板特征点坐标的LM‑BP网络模型；通过向冰形表面投射线结构光，对冰形轮廓表面进行调制，得到畸变激光光条，利用摄像机采集激光器投射的冰形线结构光图像；通过线结构光图像处理，得到激光线中心线图像坐标；利用激光线中心线图像坐标，通过已经训练好LM‑BP网络模型，得到冰形实际三维轮廓测量。本发明提出了一种非接触测量方式的冰形轮廓测量方法，与目前使用的热刀法相比，可显著降低人工成本，提供效率和测量精度。

主权项

一种基于线结构光的的冰形轮廓测量方法，其特征在于，包含以下步骤：S1：测量系统标定；S2：测量图像采集；S3：线结构光图像处理；S4：冰形实际轮廓测量；在步骤S1中，测量系统标定采用LM‑BP神经网络标定法标定摄像机和激光平面，计算出图像坐标到激光平面上标定板特征点坐标的映射模型，它们满足关系式：；具体标定过程如下：1）：标定板采用二维平面板，平面板上要有二维坐标已知的棋盘格角点，以它们的二维坐标作为；2）：用丝线法使得标定板平面与激光平面重合，将标定板放在与激光器所发射光线所在的平面重合的位置，打开两个摄像机，釆集图像；3）：用Harris算子提取特征点，得到左右两幅特征点图像；4）：用Forstner算子求解两幅图像的特征点坐标；5）：将得到的全部特征点分为前后两部分，一部分用于训练，另一部分用于检测，其中，前3/4组特征点作为LM‑BP神经网络的输入，相应地选取已知平面坐标的前3/4坐标点（即激光平面坐标）作为网络输出，另外后1/4用于检验网络的误差，训练神经网络直至网络达到要求；其中，LM‑BP神经网络标定流程如下：1）： 从训练集中取出某一样本，把信息输入网络中；2）： 通过各节点间的连接情况正向逐层处理后，得到神经网络实际输出；3）： 计算网络实际输出与期望输出的误差；4）：将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化；5）：对训练集中每一个输入—输出样本重复以上步骤，直到整个训练样本集的误差减小到符合要求为止；6）：作为建立在BP神经网络算法基础上的优化训练算法，LM算法是高斯—牛顿法的一种优化改进形式，总的来说它既有梯度下降法的全局特性，也有高斯—牛顿法的局部特性；7）：根据高斯—牛顿法则有：对于LM算法有：LM算法是提供了牛顿法的速度和梯度下降法的收敛的一种方法，比原来的梯度下降法的收敛速度提高了几十倍甚至是上百倍，既保证了算法可以收敛又保证了算法的速度；步骤S2中图像采集流程是：所需的硬件设备包含摄像机、镜头、滤光片、激光器、工控板、支架，将设备安装至被测冰形上；通过激光器向冰形表面投射线结构光，对冰形轮廓表面进行调制，得到畸变激光光条，利用摄像机采集激光器投射的冰形线结构光图像；步骤S3中线结构光图像处理，用于提取图像中激光线的中心坐标，该步骤包含以下子步骤：1）：采用中值滤波对图像进行去噪；2）：对去噪后图像进行二值化处理，去除密集噪声；3）：采用目标骨架提取算法，提取激光中心线；4）：采用MatLab中的imcontour函数计算激光中心线图像坐标；步骤S4：冰形实际轮廓测量，将激光中心线图像坐标输入到训练好的神经网络中，网络的输出则是激光平面内坐标，得到了冰形的实际轮廓值。