3D视觉之线激光3D相机

新机器视觉

共 3863字，需浏览 8分钟

· 2022-04-25

点击下方卡片，关注“新机器视觉”公众号

重磅干货，第一时间送达

作者丨飞鸢逐浪@知乎

来源丨https://zhuanlan.zhihu.com/p/486516636

编辑丨3D视觉工坊

1 3D 视觉

常见的三维视觉技术，包含双目、ToF、激光三角、结构光等，如下图：

1）毫米级

双目、ToF、结构光(散斑)的精度为 mm 级，多见于消费领域，如：导航避障，VR/AR，刷脸支付等

2）微米级

线激光、结构光(编码)的精度是 um 级，主要应用在工业领域，如：表面缺陷检测、三维测量等

3）纳米级

另外，还有 nm 级精度的光谱共焦技术，可用于透明材质物体的三维测量

2 激光三角法

按照激光投射的不同模式，激光三角法有点激光、线激光、多线激光、激光网格等

2.1 测量原理

为了直观的了解激光三角法，用点激光位移传感器，演示其测量原理如下：

2.2 精度范围

在3D视觉技术中，从被测物的大小和纵向精度来考虑，广义三角法 (包含激光三角法) 处于中间的位置，如下：

- 被测物体的大小范围 1mm ~ 8m，对应精度 1um ~ 0.4mm

3 线激光3D相机

线激光3D相机，是一种基于三角测量原理，通过图像传感器，捕获激光发生器投射在物体表面的激光线信息，重构物体表面轮廓信息的三维相机

其结构示意图，如下：

3.1 深度测量范围

3.1.1 镜头景深

实际应用中，光圈的减小是有一定限度的：

1) 如果光圈太小，则会产生衍射，使得较小的细节信息变的模糊(即在最佳焦点下可解析的特征尺寸会变大)

2) 随着光圈的减小，进入图像传感器的光线也会越少，相应地，就要增大(激光器)功率或(相机)曝光时间

3.1.2 沙姆定律

在光圈调节受限的情况下，如果仍有部分成像不清晰，则可采用沙姆结构，将镜头逐渐倾斜，从而使整个物体表面都可以清晰成像，如下图：

线激光3D相机，为了增大深度测量范围，通常采用沙姆结构，如下：

- 被摄物平面 (激光平面)、镜头平面、胶片平面 (像平面) 交于一条直线，即沙姆定律(Scheimpflug principle)

3.2 结构形式

线激光3D相机，基本的结构形式有四种：直射式、斜射式、反射式、同侧式。其它的结构，多是在此基础上的发展演变

直射式，布置安装简单，计算结果的应用非常直观，是目前最常用，也是一种通用的结构形式；

斜射式，布置安装简单，计算结果的应用不够直观，多用于对精度要求高的平面物体的特征测量；

反射式，布置安装复杂，计算结果的应用不够直观，多用于反射特性较弱的深色物体的表面测量；

同侧式，多用于高反光件，比较少见 (因为直射式和斜射式，通过俯仰一定的角度，也可达到类似的效果)

3.2.1 分辨率

线激光3D相机的分辨率，可分为三个方向：

3.2.2 光学遮挡

虽然增大相机光轴和激光平面之间的夹角，可以提高 z 轴分辨率，但随着夹角 θ 的增大，光学遮挡现象也会愈发明显

尤其是物体表面有凹凸起伏时，四种结构均存在一定的遮挡：激光线照不到的区域称为阴影，相机接收不着反射光线的区域称为盲区

因为激光发射线正对被测物，所以直射式的阴影最小；同理，因为相机正对被测物，所以反射式的盲区最小

实际中，大部分被测物的表面，通常都是凹凸起伏的。因此，θ 角的设计，要充分考虑精度(z轴) 和遮挡(阴影和盲区) 的平衡

此外，也可增加激光器数量，从不同方向投射，来减少阴影；或者增加相机数量，从不同角度拍摄，将多幅图像进行融合，来降低盲区

3.3 散射特性

当激光束打在不同的被测物上时，考虑物体表面的散射特性，可分为四种情况：

a）激光打在镜面上时，发生镜面反射，反射方向取决于激光和表面的相对方向，反射光一般不会进入相机，表现为无信号

b）激光打在朗伯体上，发生均匀散射，散射的强度正比于观察方向和表面法向量夹角的余弦，是一种最理想的情况

c）激光打在普通物体上，通常发生定向散射，即最大散射强度出现在一个理想的反射方向上，散射分布的角半宽，取决于表面粗糙度

d）激光打在半透明物体上(塑料、玻璃等)，光线会进入物体内部，发生体散射 (volume scattering)

实际中，物体表面的散射特性是 a) b) c) d) 的混合，其中占主导地位的散射特征，主要取决于表面粗糙度，如下图：

- 随着表面粗糙度的增加，物体的散射特性，由镜面散射占主导地位，逐渐演变为漫散射占主导

如果物体表面的颗粒大小和入射光的波长相近时，激光容易发生相长和相消干涉，产生散斑噪声，如下：

此外，激光散斑噪声，也与成像系统的放大率有关，放大率 β 越大，散斑噪声愈发明显。

保持系统结构不变，更换焦距为之前 1/2 的镜头，对于同样的激光条，新拍摄的图像，如下：

对于线激光3D相机，如果出现比较明显的散斑噪声，会影响光条中心点的提取精度，如下：

3.4 多重反射

如果被测物体的表面不均匀，则除了光学遮挡外，还有可能出现多重反射，如下图：

- 光线1是入射光在物体表面发生的第一次反射，光线2是入射光在物体表面发生的第二次反射，这两条光线在探测器上的成像位置不同

二次或多次反射的光线，与一次反射的光线相比，在光条图像上会看到明显变粗的倾向，因此，可将宽度超过一定阈值的光条剔除掉

但是，对于二次反射的光线，如果其反射的强度大于一次反射的强度，则可能会形成假像，影响测量精度

这种二次反射形成的假像，在物体材质为金属且表面存在小孔洞时，出现的概率较大，目前暂无有效的方法 (潜在可能解决的一个方向是线偏振)

4 行业浅析

从线激光3D相机到3D视觉产业，再到整个机器视觉的产业链图谱，如下：

1）上游是基础器件的生产商，如镜头、图像传感器、算法平台等；

2）中游为视觉系统制造商，如 ToF相机、线激光3D相机、结构光相机等；

3）下游则是围绕中游提供的视觉系统，深入到各个行业的系统集成商，如3C行业的缺陷检测、汽车制造的质量控制等

随着国家智能制造大战略的推进，整个行业将迎来快速增长期，尤其是国产化替代的进程会大大加快，替代过程会先从产业链的下游，再到中游，最后扩展到上游

以线激光3D相机为例，在 2015年以前，第一梯队主要是Keyence、LMI、Cognex等国外品牌，第二梯队有SICK、米铱、SmartRay等众多国外厂家，国内鲜有成规模的企业与之竞争

然而，到了 2020年左右，国内涌现出了深视智能、中科行智等一批国产厂商，虽然暂时不能完全替代第一梯队，但已经对第二梯队形成了较大的冲击

由此，预测在未来的 5-8年内，机器视觉行业内将会出现不止一家独角兽企业，完成产业链上-中-下游的全面整合，对当前第一二梯队的国外品牌形成全面的冲击，至少完成50%以上的国产化替代

未来机器视觉行业内，独角兽企业的形成有两种可能：

一种可能是，做某行业系统集成的下游企业，在业务拓展到一定规模后，反过来向上收购中游的3D视觉企业，最后把触手伸向上游的基础器件厂家，完成全产业链的整合

另一种则是，中游的视觉系统企业，在给下游企业提供视觉设备时，逐渐积累了具体行业内的应用经验，从而引入新的业务，形成对原来下游企业的成本优势，从而完成产业链的整合

参考资料

1、景深与焦深：https://www.edmundoptics.cn/knowledge-center/application-notes/imaging/depth-of-field-and-depth-of-focus/

2、分辨率与对比的限制：艾里斑https://www.edmundoptics.cn/knowledge-center/application-notes/imaging/limitations-on-resolution-and-contrast-the-airy-disk/

3、Scheimpflung principle：https://www.optowiki.info/glossary/scheimpflug-principle/

4、LMI 3D Line Confocal Sensors：https://lmi3d.com/focalspec-line-confocal-sensors/

5、GOM High Precision 3D Metrology：https://www.gom.com/en/products/high-precision-3d-metrology

6、Teledyne e2v How does laser triangulation work：https://imaging.teledyne-e2v.com/products/applications/3d-imaging/laser-triangulation/

7、Understanding laser-based 3D triangulation methods：https://content.coherent.com/legacy-assets/pdf/3DMachineVision.pdf

8、《Laser Measurement Technology》ch10

9、《3D Imaging, Analysis and Applications》2nd, ch5

10、《Machine Vision: Automated Visual Inspection:Theory, Practice and Applications》

本文仅做学术分享，如有侵权，请联系删文。

—THE END—

浏览 186

点赞

收藏

分享

举报

评论

图片

表情

CVPR 2024｜大视觉模型的开山之作！无需任何语言数据即可打造大视觉模型

↑ 点击蓝字关注极市平台作者丨科技猛兽编辑丨极市平台极市导读本文提出一种序列建模 (sequential modeling) 的方法，不使用任何语言数据，训练大视觉模型。>>加入极市CV技术交流群，走在计算机视觉的最前沿本文目录1 序列建模打造大视觉模型(来自 U

聊一聊我最常关注的9个计算机视觉、自动驾驶、AI方向高质量圈子

随着计算机视觉（2D/3D）、SLAM、自动驾驶、AI技术的快速迭代更新，可落地的技术也成为人们争先学习的重点。这使得从业者对于最前沿技术的获取能力变得至关重要。微信公众号便是一个非常有效的前沿信息分享平台。这里给大家推荐9个最常打开的计算机视觉、自动驾驶、SLAM、机器学习和AI方向的优质公众号平

机器学习初学者

GPT的风也吹到了CV，详解自回归视觉模型的先驱！ ImageGPT：使用图像序列训练图像 GPT模型

作者丨科技猛兽编辑丨极市平台导读在 CIFAR-10 上，iGPT 使用 linear probing 实现了 96.3% 的精度，优于有监督的 Wide ResNet，并通过完全微调实现了 99.0% 的精度，匹配顶级监督预训练模型。本文目录1 自回归视觉模型的先驱 ImageGPT：

机器学习初学者

AI智能视觉检测技术在工业级测量领域的创新应用--AMB Tube-Q导管数字化测量系统

技术背景在深度学习算法出来之前，对于视觉算法来说，大致可以分为以下5个步骤：特征感知，图像预处理，特征提取，特征筛选，推理预测与识别。早期的机器学习中，占优势的统计机器学习群体中，对特征是不大关心的。深度学习是机器学习技术的一个方面，由人工神经网络提供支持。深度学习技术的工作原理是教机器通过实例学习

自动控制方面的大牛们/2D圆盘跟随式AI涂胶视觉检测系统/点光谱弧面玻璃轮廓度检测

微信改了推送规则，如果您还想收到我们的推送！点击上方“机器视觉”，右上角...选择“置顶/星标”公众号行业资讯机器视觉十大应用场景介绍控制理论研究领域目前遇到的瓶颈是什么？控制理论到底有什么用？自动控制方面的大牛们都有哪些主要贡献？OpenCV 5 进度更新 2024 年 4

视觉Transformer中ReLU替代softmax

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达仅作学术分享，不代表本公众号立场，侵权联系删除转载于：机器之心Transformer 架构已经在现代机器学习领域得到了广泛的应用。注意力是 transformer 的一大核心组件，其中包含了一个 softmax，作用是产生 tok

小白学视觉

图像处理，计算机视觉和人工智能之间的差异

作者：Pallawi原文链接：https://medium.com/@pallawi.ds/difference-between-image-processing-computer-vision-and-artificial-intelligence-af670d65055d编译：AI算法与图像处理

机器学习初学者

深入理解Camera 三 (相机应用层)

和你一起终身学习，这里是程序员Android经典好文推荐，通过阅读本文，您将收获以下知识点:一、概览二、Camera Api v2三、Camera Framework四、Camera App Demo相机应用层一、概览相机应用处于整个框架的上层，在现实生活中，为了满足各式各样的应用场景，会加入很多业

程序员Android

深入理解Camera 二 (相机架构概览)

和你一起终身学习，这里是程序员Android经典好文推荐，通过阅读本文，您将收获以下知识点:相机架构概览Android系统利用分层思想，将各层的接口定义与实现分离开来，以接口作为各层的脉络连接整体框架，将具体实现的主导权交由各自有具体实现需求的平台厂商或者Android 开发者，这样既做到把控全局，

程序员Android

带你玩转Linux系统之lscpu命令

链接：https://bbs.huaweicloud.com/blogs/422603一、lscpu命令介绍lscpu 是一个 Linux 命令，用于显示CPU架构的详细信息。它可以用来查看 CPU 的型号、主频、架构、虚拟化支持等。二、lscpu命令的使用帮助2.1 命令格式lscpu [选项]2

点赞

收藏

分享

举报