公开(公告)号：CN115628701A

公开(公告)日：2023-01-20

申请号：CN202211326297.1

申请日：2022-10-27

Applicant: 华中科技大学 ,  深圳华中科技大学研究院

Inventor： 李中伟 ,  钟凯 ,  杨青芃 ,  张攀 ,  苏玉娥

IPC: G01B11/25 ,  G06T17/00

Abstract: 本发明公开了一种基于虚拟图像渲染的自适应投影三维测量方法及系统，建立了耦合投影成像特性与尺度自适应体素多维度特征的图像渲染模型，基于卷积神经网络实现对相机反射率的预测，然后根据相机反射率图计算最优的投影强度，这种全新的尝试有望摆脱对实际图像的依赖，实现仿真环境下视点自动规划；其中，使用数据驱动的神经网络进行学习训练，并根据不同的反射情况计算最佳的投影强度，极大地提升了测量的鲁棒性；本发明提供的方法根据当前体素表面的反射特性自动计算自适应投影参数，以最少视点获取高质三维数据，能够克服传统方法投影强度参数选择难的问题，为视点规划提供必需的基础数据和评估参数。

公开(公告)号：CN115950377A

公开(公告)日：2023-04-11

申请号：CN202211313300.6

申请日：2022-10-25

Applicant: 华中科技大学 ,  深圳华中科技大学研究院

Inventor： 李中伟 ,  钟凯 ,  靳晓博 ,  张攀 ,  李彬 ,  史玉升 ,  杨青芃 ,  苏玉娥

IPC: G01B11/25 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于辐照度融合的自动化多反射表面三维测量方法，使用曝光时间选择网络生成一组最优的曝光次数及对应的曝光时间，无需人为手动设置曝光时间导致捕获的图像冗余，提高三维测量过程的自动化和智能化；通过多重辐照度融合网络将所有灰度图像生成的辐照度图序列融合生成一张辐照度图，一方面避免直接使用灰度图进行相位计算，另一方面降低了使用辐照度图计算的误差，同时多重辐照度融合网络可以将辐照度图误差值反馈给曝光时间选择网络进行学习，从图像上提高了相位计算的准确性。

公开(公告)号：CN116309765A

公开(公告)日：2023-06-23

申请号：CN202211091678.6

申请日：2022-09-07

Applicant: 华中科技大学 ,  深圳华中科技大学研究院

Inventor： 李中伟 ,  张攀 ,  钟凯 ,  史玉升 ,  苏玉娥 ,  靳晓博 ,  杨青芃 ,  李彬

IPC: G06T7/521 ,  G01B11/24 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于强化学习的自动化高反光物体三维测量方法，基于辐照度图构建基于强化学习的多重曝光时间序列预测模型，实现多重曝光时间序列的快速自动化生成，相较于传统方法，基于强化学习综合权衡曝光时间、曝光次数、图像可测区域三者之间的关系，实现多重曝光时间序列的稳定快速预测，并达到曝光时间、曝光次数、图像可测区域三者的全局最优，提升了高反光零件的测量效果。进一步地，通过构建辐照度预测网络基于单张图像实现辐照度的快速稳定预测，相比较于传统方法减少了多重曝光时间序列需要的图片数量，提升了测量速度。

公开(公告)号：CN116295110A

公开(公告)日：2023-06-23

申请号：CN202211718928.4

申请日：2022-12-30

Applicant: 华中科技大学

Inventor： 李中伟 ,  张攀 ,  钟凯 ,  黄羿 ,  杨青芃

IPC: G01B11/25 ,  G06T7/62 ,  G06T17/00

Abstract: 本发明公开了一种基于条纹投影的钣金件孔位三维轮廓测量方法及系统，通过左相机的均匀光照图获取初始孔位区域图像以提取孔位轮廓曲线，将提取的轮廓曲线向周围区域进行两次恒定运动，根据相位匹配重建放大后的三维轮廓点，然后再根据前两个重建的放大轮廓对应点，逆向重建真实的三维轮廓。该方法只需要在一张图像上提取轮廓，因此可以减少轮廓提取不一致的影响。并且，通过在钣金的非边缘区域进行高质量的相位匹配，能够保证钣金件孔位三维轮廓的准确性和完整性。

公开(公告)号：CN115509224A

公开(公告)日：2022-12-23

申请号：CN202211099925.7

申请日：2022-09-07

Applicant: 华中科技大学

Inventor： 李中伟 ,  钟凯 ,  苏玉娥 ,  张攀 ,  杨青芃

IPC: G05D1/02

Abstract: 本发明公开了一种基于强化学习的测量视点与测量路径同步优化方法，基于DQN构建用于同步优化测量视点与测量路径的双重卷积神经网络，智能体通过状态，动作和奖励与环境交互进行学习，将机器人姿态集合和覆盖信息作为状态集合输入，以机器人移动到任意视点位置作为动作集合，根据满足覆盖率要求和总运动代价最小的目标设计奖励函数，通过训练基于DQN的神经网络完成测量视点和测量路径同步优化的策略性学习，将初始状态输入到训练好的神经网络进行视点选择和路径优化，输出一组达到覆盖率要求的视点集以及访问所述视点集成本最小的路径，从而获得最佳的测量视点和最优的运动路径，避免陷入局部最优，规划效果更佳。

公开(公告)号：CN115509224B

公开(公告)日：2024-12-10

申请号：CN202211099925.7

申请日：2022-09-07

Applicant: 华中科技大学

Inventor： 李中伟 ,  钟凯 ,  苏玉娥 ,  张攀 ,  杨青芃

IPC: G05D1/43 ,  G05D1/243 ,  G05D1/633 ,  G05D1/644 ,  G05D1/648 ,  G05D109/10

Abstract: 本发明公开了一种基于强化学习的测量视点与测量路径同步优化方法，基于DQN构建用于同步优化测量视点与测量路径的双重卷积神经网络，智能体通过状态，动作和奖励与环境交互进行学习，将机器人姿态集合和覆盖信息作为状态集合输入，以机器人移动到任意视点位置作为动作集合，根据满足覆盖率要求和总运动代价最小的目标设计奖励函数，通过训练基于DQN的神经网络完成测量视点和测量路径同步优化的策略性学习，将初始状态输入到训练好的神经网络进行视点选择和路径优化，输出一组达到覆盖率要求的视点集以及访问所述视点集成本最小的路径，从而获得最佳的测量视点和最优的运动路径，避免陷入局部最优，规划效果更佳。