專案背景：
專案用於工業零件的公差檢測，主要是針對縫隙和高低差兩種公差，具體應用領域如汽車、飛機的蒙皮對接檢測，當然，對於別的公差改變一些**，也是可以做到的；
技術方案：
採用線結構光進行三維重建，用三維點雲資料進行相應公差計算；
選用硬體：basler相機乙隻，stackyale雷射器乙隻，精密一維移動平台一台（記得好像是北京的路科銳威的），棋盤格標定版乙個（好像是深圳的一家）
軟體：opencv1.0 + c++ + vs2003
具體步驟：
1.硬體外形設計，採用雷射器垂直照射，相機傾斜的外形布局；
2.系統標定，包括相機的內、外引數標定，雷射器的結構引數標定，主要是光平面方程；
a、相機標定，經典標定方法是張正友的和tsai，我選的是tsai，具體標定步驟按照tsai**中來，獲取二維和三維座標矩陣後，直接用opencv搞定；
b、雷射器標定，借助移動平台和棋盤格，採集幾幅帶有線結構光的棋盤格影象，對光條進行處理，包括二值化、形態學、去噪，細化（骨架化），獲取線結構光光條的
二維座標和三維座標，三維座標的獲取類似相機標定的做法，擬合平面方程；
3，三維重建，採集一幅測量目標的線結構光影象，經過光條細化後，基於系統引數和光條二維座標，獲取光條對應的三維座標；
4，根據三維點雲座標，進行相應公差特徵計算；
創新點：
首次採用二次標定演算法。系統標定好後，使用一段時間，測量精度會下降，或者首次（或連續多次）標定均達不到精度要求，
這時不知道你們會怎麼辦？我們的做法是二次標定，即使用該系統三維測量乙個標準件，通過測量誤差和實際誤差的不同，進行優化，把系統引數調整到最優，
優化理論基於非線性最小二乘演算法，目標函式主要基於光平面方程推導而來，實驗證明二次優化很有效果。
下面是當時設計的產品，現在看來真是醜陋啊，不過測量精度還是不錯的，達到0.03mm，達到了需要公司的要求了。
呵呵，時間有限就寫這麼多吧，歡迎交流！更詳細的可以看我的碩士畢業**！有需要聯絡我！
機器學習系列之一 線性回歸模型
目錄1.線性回歸 1.1 問題轉換 1.2 衡量標準 1.3 學習方向 1.線性回歸 1.1 問題轉換 今天我們來談一下線性回歸。問題 假如我想知道乙個房屋的房價是多少，現在我們能提供的資料報含房屋的面積，房屋的朝向，房屋的地理位置等有關房子的資訊，我們該怎麼做呢？聰明的你一定已經知道了。為了方便，...
機器視覺學習系列五 增強現實
專案背景 定位人臉特徵點，進行人臉位姿估計，疊加眼鏡模型或者頭髮模型，完成增強現實 已有成熟的有標識物庫artoolkit，這個還是不錯的，針對任何特定圖案，略微修改一下，即可實現需要的效果 不過，對於無顯著標識物的 即是採用自然標識物的 該庫不就太行了，需要自己來完成略微 具體實施方案 1 標定攝...
機器學習 演算法一 線性回歸
監督學習 給定資料集 部分資料集已有標籤，對其進行學習，再分類 分類問題 無監督學習 給定一系列數，讓機器自己發現規律。聚類問題 回歸問題 是指要 乙個連續值的輸出，比如房價 線性回歸是很常見的一種回歸，用來 或者分類，主要解決線性問題 m 訓練集樣本數 x 輸入變數 y 輸出變數 h 假設函式，給...