视觉在UVW公式推导

已于 2024-01-12 14:34:27 修改
阅读量264 收藏 1
点赞数
文章标签： 算法
于 2022-03-05 22:36:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36786800/article/details/123302698
版权

背景：晶圆曝光机需要双相机对位

双相机在UVW平台对位，双相机的像素相同且不在手眼标定的情况下进行

1、推导L1（L2）和C1（L2）偏差（Dx，Dy）

2、推导角度

【CT/电镜 重建教程 1.1】层析成像的精确实空间迭代重建算法（RESIRE）
2401_87064292的博客
09-14 668
在此，我们报告了RESIRE算法的发展用于准确的断层重建。与实空间迭代算法相比，RESIRE使用傅里叶切片定理或Radon变换作为正向投影，使用线性变换作为反向投影，两者都具有高精度。与EST和GENFIRE相比，RESIRE是一种实空间迭代算法，可以在并行计算中实现快速运行时间。
面向多目标医疗垃圾分类的智能识别分拣系统设计
fzq0625的博客
06-26 325
医疗垃圾中存在大量的病毒和细菌，为解决医疗垃圾源头智能分类问题，开发了基于机器视觉和Delta机构的智能分拣平台样机，并提出一种三阶段的多目标医疗垃圾识别分拣（medical waste recognition- indexes-sorting，MWRIS）算法。第1阶段提出数据增强扩容的IE-YOLOv4算法建立起医疗垃圾识别模型，与Faster R-CNN、RetinaNet、CenterNet等5种模型比较；第2阶段索引分类模型用于管理分类规则；第3阶段定位分拣算法指导目标定位分拣。
XYT对位平台运动算法推导
qq_36038453的博客
06-29 4473
最近遇到项目，相机对位后，对位平台进行运动控制（T轴在XY轴下面，所以XY的坐标系随着T轴的变化而变化），由于之前都是对T轴在XY之上进行运动控制（XY的坐标系不发生变化）。 1.先对T轴在XY轴之上，进行推导。如下图，01为T轴的旋转中心（不知道为啥求旋转中心的可以看https://blog.youkuaiyun.com/yue1453544229/article/details/90402550），P0为标准位点，P1为识别位点；为了节约运动时间，可以一次运动（XYT同时运动到位），其实也是分两步：（1）动T轴，
【工控基础】UVW平台踩坑
songhuangong123的博客
03-30 4929
1 每个轴按顺时针或逆时针走一个距离，就是旋转。 2 图中W动，U轴V轴不动，就是X方向的平移 3 图中U轴V轴同时动，X不动，就是Y方向的平移。
UVW对位平台系列转换
qq_41810539的博客
03-04 5111
相对于XYθ平台采用传统的串联式设计，UVW平台则是采用并联设计，即将3个驱动轴放置于同一平面内，降氏平台厚度和重心，提高承载能力，这样做的好处就是，即便使用普通的步进马达驱动也可以达到较高的精度，通常能做到1个丝以内的精度，咱们这里不讲过多的硬件，只记录软件开发相关的逻辑代码，
UVW对位平台系列转换备忘
sukeman的博客
10-13 696
UVW 两项重要转换
视觉应用工程师 篇二
weixin_35590314的博客
02-19 3058
前言 ​ 上一篇文章说到了一些基本的但重要的知识，对于hanlcon与opencv讲解的还不够仔细，想要深入了解同学可以观看超人视觉与毛星云大神出版的《 OpenCV3编程入门 》（谨以此刻悼念） ​ 这一篇我们来说一下相机编程方面 平台类型 轴卡控制 有关的知识。 相机编程 工业相机种类：海康 大恒 大华等 案例程序：安装相机厂商给你相机工具，点进文件所在的位置，向上或向下就能找到案例程序了，参考案例程序就可以编写相机类了。参照海康相机在WIndows电脑路径给出下图 案例基本上是
UVW平台及其视觉对准系统研究
07-12
UVW平台及其视觉对准系统研究，视觉标定对位在uvw平台的使用及其计算
PLC和C#视觉对位程序
03-18
好的，我现在需要处理用户关于如何用C#编写PLC控制的视觉对位程序的问题。首先，我得理解用户的需求。他们可能是在工业自动化领域工作，想要整合机器视觉和PLC控制，实现精准对位，比如...3. UVW平台运动学模型推导[^4]
【论文翻译】《投光栅到3D表面条件下基于标定和移相的表面测量》
Ujiggg的博客
05-20 650
论文《Calibration-based phase-shifting projected fringe profifilometry for accurate absolute 3D surface profifile measurement》的翻译（和学习） 目录 1. 介绍 2. 测量原则 2.1 基本定义和假设 2.2 基于标定的移相表面测量 2.3 相位-...
UVW平台运动控制算法以及matlab仿真
少磊的博客
12-21 8396
最近公司同事因为对某视觉对位平台的运动控制算法有疑问，所以来请教我。 由于我也是第一次接触到UVW自动对位平台（也可以叫XXY自动对位平台），于是找了一些资料学习一下，大概了解了运动模式后，使用matlab模拟了此平台，并验证了UVW平台资料提供的运动控制算法的正确性。 一、UVW平台介绍 1、这是一种可以实现以平面上任意一点为中心，进行旋转运动的装置，并可沿着任意的方向平移。 2、此平...
视觉对位贴合halcon_上下对位贴合
weixin_32319177的博客
01-17 8802
上下对位流程：先通过仰视相机拍照，然后通过俯视相机拍照，然后对位计算，将贴合物放置在待贴合位置。准备工作：两相机分别九点标定加旋转中心标定，将像素坐标值转换为世界坐标值(不懂的可以爬梯看看之前的推文)。这样就统一了俯视相机坐标系，仰视相机坐标系，机器人世界坐标系三者。在一个坐标系中计算。减小复杂计算程度。中心思想：先旋转后平移由于是需要将两个图像中的物体进行平移旋转重合在一起，所以不需要...
机器视觉——双目视觉的基础知识（视差深度、标定、立体匹配）
热门推荐
m0_61238051的博客
10-13 1万+
一、背景 ”张正友标定”是指张正友教授1998年提出的单平面棋盘格的摄像机标定方法[1]。文中提出的方法介于传统标定法和自标定法之间，但克服了传统标定法需要的高精度标定物的缺点，而仅需使用一个打印出来的棋盘格就可以。同时也相对于自标定而言，提高了精度，便于操作。因此张氏标定法被广泛应用于计算机视觉方面。 二、计算内参和外参的初值 1、计算单应性矩阵H 根据之前博客介绍的摄像机模型，设三维世界坐标的点为X=[X,Y,Z,1]T ，二维相机平面像素坐标为m=[u,v,1]T ，所以标定用的棋盘格平面到图像
爱普生自动贴合项目
TSA2016的博客
01-20 295
开启三个线程，一个负责左相机识别采集，一个负责右相机识别采集，一个线程负责综合计算，定义俩个相机采集标志位，俩个相机都完成采集后，标志位状态为真。左相机拍物料左边的角，采用模板匹配+俩个直线卡尺=》俩直线卡尺输出俩直线交点坐标(求俩直线的交点 intersection_lines)，通过点的仿射变换得到实际坐标。同时左相机，右相机实体类的对象不为空状态下，调用图像处理类的综合计算方法，输出中和计算实体类的对象。这里把左相机，右相机，综合计算线程，用三个不同的实体类的对象，三个人工事件对象，分别管理。
双CCD视觉UVW对位开发
gitblog_06692的博客
10-29 545
双CCD视觉UVW对位开发 【下载地址】双CCD视觉UVW对位开发分享 本项目专注于实现高精度的双CCD视觉系统在UVW坐标系下的对位技术。通过集成两个互补的摄像头（CCDs），本技术能够同时捕捉和处理图像信息，进而实现物体在三维空间中的精确对准。适用于精密制造、自动化装配、医疗影像分析等领域，特别是在需要高度精准定位的...
CCD视觉对位原理
covion的博客
02-08 2606
CCD自动对位系统， 工作原理就是通过专用CCD相机、工业镜头及光源对产品上的特征位置进行拍照取像，通过图像处理机（PC机 ）采集图像数据进行图像处理，并进行位置运算来判断产品的实际位置，并通过与之前设定的基准位置进行对比算出产品的实际偏移值，通过控制对位平台运动，使得产品运动到之前设定的基准位置上，以达到快速，闭环、高精度对位。通过对定位参照点的识别计算出被测物体在XYθ方向的偏移量，并自动控制移动平台反向移动相应的移动量，纠正被测物体的位置，实现精确自动定位。Ø 相机可安放在任意位置。
基于VPLC7机器视觉运动控制一体机的UVW视觉对位解决方案
weixin_57350300的博客
08-01 1475
UVW视觉对位解决方案
UVW运算
qq_53123139的博客
01-06 2073
在工业视觉中每一个对位项目都会涉及到平台的使用，而UVW平台是较为常见的一种，理解UVW平台的计算规则主要从两个方面的计算出发，其一是平台本身的轴运动方式，其二是实际运动距离与平台轴运动的转换关系。
视觉引导对位
钢铁男儿
12-22 3724
在对标定工作完成后，视觉系统将引导平台进行对位。机器视觉对位，就是要利用数字图像处理技术分别提取待对位物体的中心点以及长边。所谓中心点，并不一定要位于在物体中心，可以是物体上与中心有固定偏差的点，只要成像稳定，方便提取即可。所谓长边就是指物体上成像效果比较稳定且容易获取的直线边缘，或者是容易提取的两个角点的连线。即可用中心点以及长边表征物体的位置姿态。对位调整的时候，以中心点对中心点，调整位置；以长边对长边，调整角度姿态。本系统中，以两个Mark 中心点连线确定角度信息，以两个Mark 中心点中任意一个可
OpenCV CCD 对位
最新发布
04-02
### 使用OpenCV实现CCD相机的图像对位处理 要使用 OpenCV 实现 CCD 相机的图像对位处理，主要涉及以下几个方面：相机校准、畸变矫正以及基于特征匹配或几何变换的方法完成图像对齐。 #### 1. 相机校准与失真矫正 在进行图像对位之前，通常需要先对相机进行校准以获取内参矩阵 \(K\) 和畸变系数 \([k_1, k_2, p_1, p_2, k_3]\)[^1]。这些参数可以帮助消除由于光学透镜引起的径向和切向畸变。 以下是利用 OpenCV 进行单目相机校准的一个简单代码示例： ```python import numpy as np import cv2 import glob # 准备棋盘格角点坐标 (世界坐标系) chessboard_size = (9, 6) # 棋盘格内部交差点数量 objp = np.zeros((np.prod(chessboard_size), 3), dtype=np.float32) objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2) # 存储对象点和图像点 objpoints = [] # 3D points in real world space imgpoints = [] # 2D points in image plane. images = glob.glob('calibration_images/*.jpg') for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None) if ret: objpoints.append(objp) imgpoints.append(corners) ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) print("内参矩阵:\n", mtx) print("畸变系数:\n", dist) ``` 上述代码实现了从一组标定图片中提取相机内参矩阵 `mtx` 和畸变系数 `dist` 的功能[^3]。 --- #### 2. 双 CCD 对位的核心思路 双 CCD 系统通过对两幅图像之间的相对位置关系建模来实现 UVW 坐标系下的精确定位[^2]。具体来说，可以通过以下方法完成对位： - **特征检测与匹配** 利用 SIFT 或 ORB 特征检测算法找到两张图像中的关键点并建立对应关系。 - **估计几何变换模型** 根据匹配的关键点计算两者间的仿射变换或透视变换矩阵。 下面是一个简单的特征匹配流程： ```python # 加载待配准的两幅图像 img1 = cv2.imread('image1.jpg', cv2.IMREAD_GRAYSCALE) img2 = cv2.imread('image2.jpg', cv2.IMREAD_GRAYSCALE) # 创建ORB特征检测器 orb = cv2.ORB_create() # 寻找关键点和描述符 kp1, des1 = orb.detectAndCompute(img1, None) kp2, des2 = orb.detectAndCompute(img2, None) # BFMatcher with default params bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) matches = bf.match(des1, des2) matches = sorted(matches, key=lambda x:x.distance) # 绘制前10个最佳匹配 match_img = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None) cv2.imshow("Matched Features", match_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此部分完成了初步的特征匹配工作，后续可以根据匹配结果拟合变换矩阵。 --- #### 3. 应用阈值分割优化目标区域识别 为了提高对位精度，在实际应用中可能还需要借助阈值分割技术去除背景干扰项[^4]。例如： ```python gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) ``` 通过设定合适的阈值分离前景与背景，从而更准确地标记感兴趣的目标区域。 --- #### 总结 综上所述，使用 OpenCV 完成 CCD 相机的图像对位主要包括三个阶段的工作——相机标定、特征匹配及必要的预处理操作（如二值化）。每一步都依赖于特定的技术手段及其对应的库函数支持。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xutingjie168

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值