基于编码结构光三维重建的螺纹检测系统相机标定【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码

（1）互补格雷码结合六步相移的编码方案与相位解缠：

为消除传统格雷码与相移结合时的周期错位问题，设计四组互补格雷码图案，每组图案分别将标准格雷码取反得到互补图，每一像素由格雷码及其互补码共同确定条纹级次，若判断不一致则进行双重检查并利用相邻像素多数投票修正。六步相移投影采用正弦条纹，每次相移π/3，共6幅图像，通过最小二乘法提取包裹相位。解包裹时，先根据互补格雷码结果得到粗级次，再与包裹相位结合恢复绝对相位。针对螺纹表面反光造成的相位异常点，采用中值滤波后处理。实验表明，该方案在M10×1.5螺纹上的绝对相位误差均方根为0.035rad，周期错位率从传统方法的4.2%降至0.3%，重建出的螺纹牙型轮廓与标准环规测量值偏差在8μm以内。

（2）基于Kd-tree加速与RANSAC误匹配剔除的改进ICP拼接：

单次重建仅覆盖螺纹约1/3周向，需将多视角点云拼接为完整螺纹。拼接算法首利用ISS特征点计算FPFH特征描述子，采用RANSAC进行粗匹配以估计刚体变换初值，然后执行改进ICP精配准。改进之处在于：搜索对应点时使用Kd-tree加速，并在构建Kd-tree前先对点云进行体素网格降采样至0.1mm间距，将对应点搜索时间平均从12ms缩短至1.3ms；每次迭代中利用RANSAC剔除距离大于3倍中位数的误匹配点对，防止局部形状差异导致配准发散。在5组不同螺纹的点云拼接实验中，改进ICP使平均拼接误差从0.047mm降至0.019mm，旋转误差小于0.04度，满足了螺纹参数测量的精度要求。

（3）基于Qt的螺纹检测软件系统与参数计算：

开发了集成全部算法的检测软件，功能包括相机标定模块、结构光投影控制模块、点云重建与拼接模块、螺纹参数计算与报表生成模块。相机标定使用OpenCV棋盘格法，重投影误差0.16像素。螺纹参数提取算法基于拼接后的点云，先采用随机采样一致性估计螺纹轴线，再沿轴线方向切片，对切片点云进行圆拟合得到大径、小径和中径尺寸，螺距由相邻牙顶轴向距离估计。实测M16×2螺纹，螺距偏差<4μm，中径偏差<7μm，达到6g公差等级要求，且单次检测耗时约9秒，较传统工具显微镜效率提升显著。

import numpy as np import cv2 from scipy.linalg import hadamard # 六步相移解包裹相位 def six_step_phase_patterns(imgs): # imgs: 6张相移图 assert len(imgs) == 6 phase_shift = np.pi/3 numerator = np.sum([imgs[i] * np.sin(i * phase_shift) for i in range(6)], axis=0) denominator = np.sum([imgs[i] * np.cos(i * phase_shift) for i in range(6)], axis=0) wrapped_phase = -np.arctan2(numerator, denominator + 1e-8) return wrapped_phase # 互补格雷码解包裹 def complementary_gray_unwrap(wrapped_phase, gray_codes, gray_complements): # gray_codes: 正格雷码二值图，complements: 互补 level = np.zeros_like(wrapped_phase, dtype=np.int32) # 模拟解码... for i, (g, gc) in enumerate(zip(gray_codes, gray_complements)): g_bits = (g > 128).astype(np.int32) gc_bits = (gc > 128).astype(np.int32) consistent = (g_bits == (1 - gc_bits)) bits = np.where(consistent, g_bits, gc_bits) level += bits * (2**i) # 纠正周期错位 abs_phase = wrapped_phase + 2 * np.pi * level return abs_phase # 改进ICP配准（带Kd-tree和RANSAC） from sklearn.neighbors import KDTree def improved_icp(source, target, max_iter=30, tol=1e-5): src_down = voxel_downsample(source, 0.1) tgt_down = voxel_downsample(target, 0.1) tree = KDTree(tgt_down) R = np.eye(3); t = np.zeros(3) for i in range(max_iter): src_trans = (R @ src_down.T).T + t distances, indices = tree.query(src_trans, k=1) # RANSAC剔除 median_d = np.median(distances) inliers = distances.flatten() < 3 * median_d src_in = src_down[inliers]; tgt_in = tgt_down[indices.flatten()[inliers]] # 最小二乘 centroid_src = np.mean(src_in, axis=0); centroid_tgt = np.mean(tgt_in, axis=0) H = (src_in - centroid_src).T @ (tgt_in - centroid_tgt) U, _, Vt = np.linalg.svd(H) R_new = Vt.T @ U.T t_new = centroid_tgt - R_new @ centroid_src if np.linalg.det(R_new) < 0: Vt[-1] *= -1; R_new = Vt.T @ U.T if np.linalg.norm(R_new - R) < tol and np.linalg.norm(t_new - t) < tol: break R, t = R_new, t_new return R, t def voxel_downsample(pts, size): # 简单体素滤波 idx = np.unique((pts / size).astype(np.int32), axis=0, return_index=True)[1] return pts[idx]

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇