同步带类运动控制器几何误差的成像检测方法

李佳田, 牛一如, 贺日兴, 贾成林, 李键, 吴华静

李佳田, 牛一如, 贺日兴, 贾成林, 李键, 吴华静. 同步带类运动控制器几何误差的成像检测方法[J]. 武汉大学学报 ( 信息科学版), 2019, 44(5): 723-730. DOI: 10.13203/j.whugis20170077
引用本文: 李佳田, 牛一如, 贺日兴, 贾成林, 李键, 吴华静. 同步带类运动控制器几何误差的成像检测方法[J]. 武汉大学学报 ( 信息科学版), 2019, 44(5): 723-730. DOI: 10.13203/j.whugis20170077
LI Jiatian, NIU Yiru, HE Rixing, JIA Chenglin, LI Jian, WU Huajing. A Geometrical Error Imaging Detection Method for Synchronous Belt Motion Controller[J]. Geomatics and Information Science of Wuhan University, 2019, 44(5): 723-730. DOI: 10.13203/j.whugis20170077
Citation: LI Jiatian, NIU Yiru, HE Rixing, JIA Chenglin, LI Jian, WU Huajing. A Geometrical Error Imaging Detection Method for Synchronous Belt Motion Controller[J]. Geomatics and Information Science of Wuhan University, 2019, 44(5): 723-730. DOI: 10.13203/j.whugis20170077

同步带类运动控制器几何误差的成像检测方法

基金项目: 

国家自然科学基金 41561082

国家自然科学基金 41161061

详细信息
    作者简介:

    李佳田, 博士, 教授, 主要研究方向为数值最优化方法与机器场景理解。ljtwcx@163.com

    通讯作者:

    牛一如, 硕士。2279365497@qq.com

  • 中图分类号: P237

A Geometrical Error Imaging Detection Method for Synchronous Belt Motion Controller

Funds: 

National Natural Science Foundation of China 41561082

National Natural Science Foundation of China 41161061

More Information
    Author Bio:

    LI Jiatian, PhD, professor, specializes in numerical optimization and scene understanding for robot. E-mail: ljtwcx@163.com

    Corresponding author:

    NIU Yiru, master. E-mail: 2279365497@qq.com

  • 摘要: 用于变形监测任务的激光雷达扫描仪需要采用运动控制器来变换探头位置以发射/接收光束,通常运动控制器由步进电机与同步带构成。提出了一种基于外方位元素标定的同步带类运动控制器误差模型建立方法,具体步骤为:①恢复运动轴上不同位置处已知控制点坐标与像平面坐标之间的单应关系,得到摄影机的内、外方位元素;②对不同位置处外方位元素中的平移向量进行线性运算后,求解相应的位置关系;③将输入脉冲数对应的距离作为真值,与所求位置关系作差得到多组误差数据,利用拟合对误差建立多项式模型。实验结果表明,利用该方法检测误差所需设备少且操作简单,所建误差模型精度达到亚毫米级,并能有效地对位置控制予以补偿;同步带类运动控制器的主要误差来源于同步带,以其作为基础的相关测绘仪器可分部件进行验校,以节省使用成本。
    Abstract: An error modeling method of synchronous belt motion controller based on the orientation calibration is proposed. The steps are:(1)restoring the homography between the known point coordinates and the image plane coordinates on the different positions of motion axis, then obtaining the interior and exterior orientation elements of the camera; (2)calculating the corresponding positional relationships between different positions by linearly operating the translation vectors in exterior orientation elements; (3)regarding the distance corresponding to pulses that you input as the true value, which can do the differential operator with the positon relationships previously calculated to obtain multiple sets of error data, then establishing the polynomial error model by fitting. Experiments show that the error modeling method needs less equipment and simple operation, and the model precision can reach to sub-millimeter level.
  • 聚类是数据挖掘的基础技术,有广泛的应用前景[1-2]。聚类算法主要分为层次聚类法、网格聚类法、分割聚类法和密度聚类法[3]。其中,分割聚类法简单、快速,广泛应用于各个领域,典型的分割聚类法是K-means算法和K-medoids算法。在实际应用中,这两种算法由于需要用户输入聚类个数,聚类结果与初始点选择有关等缺点,不能很好地满足用户的需要[4]。《Science》中提出的峰值密度聚类算法虽然解决了上述问题,但存在阈值需要人为输入的问题[5]

    本文根据数据场,提出了数据质量聚类中心的概念。数据场将物质粒子间的相互作用及场描述方法引入到抽象的数域空间,实现数据对象或者样本点间相互作用的形式化描述[6]和计算。数据场将数据所具有的固有属性定义为数据的质量,并根据实际挖掘视角的不同,表示数据不同的属性。本文中,数据质量将代表数据的密集程度,并以此确定聚类中心,该方法无需用户输入聚类个数,也无需选择初始点,更无需人为设定阈值。

    在物理场中,物体的质量是不能改变的,是物体固有的属性。同理,在数据场中,数据的质量也代表了每个数据自身的固有属性。所不同的是,在数据场中,数据并不是实际存在的物体,可以这样认为,n维数据集构成了一个n维的数据空间,数据集中每一个数据就是存在于这个n维空间中的“物体”,其各种属性都遵从于这个n维空间自身的特点。

    定义:设数据集α含有N个数据点,α ={x1, x2xn},其中xi={xi1, xi2xip},组成一个P维空间Ω,在空间Ω中的数据点xi所固有的属性τ,称之为点xi在数据集α中的数据质量。

    需要注意的是,定义中数据质量代表的是数据在数据集中的固有属性,这个固有属性会随着数据挖掘视角的不同而改变。一个数据点在数据集中可能会具有多种不同的固有属性,应当根据当前的挖掘任务赋予数据相应的属性。因此,数据场中数据质量具有集群性,即只在数据集中具有质量;空间唯一性,即相关的属性只在对应的数据集中存在;可变性,即根据需求不同代表的数据属性也不同。

    聚类算法的目的是让类内相似度最高,类间相似度最低。反映在数据集的空间分布上,就是相似度高的数据分布在同一个类簇中,不同的类簇代表了不同的类别。因此,在聚类分析中,一般取数据密集程度这一属性作为数据的质量。此时,数据场中的数据质量本质上是反映数据集中数据的密集程度,处于密集区域的数据具有较大的数据质量,处于稀疏区域的数据具有较小的数据质量。

    图 1所示的红色点标出的是数据集中质量较大的点,与所描述的数据质量概念一致,这些点都处于数据集中的密集区域。在聚类分析中,处于密集区域的点都有可能成为聚类中心。图 1中所示的数据集含有5 000个点,而质量较大的点约有1 000个,显然,只根据数据的质量不能确定数据集的聚类中心。

    图  1  具有较大数据质量的点
    Figure  1.  Points with Big Mass

    类比于物理场中的引力,聚类中心应当具有较大的质量,能够吸引其他质量较小的点在其周围形成一个类簇。同时,各个聚类中心应当相距较远,从而使聚类中心之间的作用力很小,直至可以忽略,这样,类簇与类簇间的相互关系就很弱,而类簇内的相互关系就很强,满足了最基本的聚类思想。

    因此,数据质量聚类算法使用数据质量和数据之间的距离两个属性共同确定一个聚类中心。其中,数据之间的距离属性定义为:在数据集{x1, x2xn}中,所有比xi质量大的点到xi距离的最小值;如果点xi是数据集中质量最大的点,那么其距离属性就为数据集中其他点xj(j≠i)到xi距离的最大值。

    数据距离属性的计算式为:

    $$ {{\delta }_{i}}=\left\{ \begin{align} &\underset{j:{{m}_{j}}>{{m}_{i}}}{\mathop{\min }}\, ({{d}_{ij}}), \ \ \exists \ {{m}_{i}}<{{m}_{j}} \\ &\underset{j=1, 2, \cdots , n}{\mathop{\max }}\, ({{d}_{ij}}), \ \ \nexists \ {{m}_{i}}<{{m}_{j}} \\ \end{align} \right. $$ (1)

    式中,m表示数据的质量,dij表示两点间的距离。当数据集x1, x2xn中存在比xi数据质量大的点xj,即mimj时,数据之间的距离为所有比xi质量大的点到xi距离的最小值;如果不存在比xi数据质量大的点xj,即xi是数据集中质量最大的点,那么其距离属性就为数据集中其他点xj(j≠i)到xi距离的最大值。所以点ximiδi都较大时,可以确定是聚类中心。在实际操作中,为了便于准确找到数据集中同时具有较大数据质量和较大距离属性的点,用数据集中每个数据点的质量属性作为横坐标、距离属性作为纵坐标绘制的决策图来确定聚类中心。在决策图中,同时具有较大横坐标和纵坐标数值的点会脱离其他只具有1个较大属性的点或者不具有较大属性的点,从而可以将这些脱离出来的点作为聚类中心。

    图 2所示为数据集的决策图,可以发现,只有少数几个点的两个属性都较大,这些点用红色标出,作为备选聚类中心。

    图  2  聚类中心
    Figure  2.  Clustering Centers

    数据质量聚类算法的核心是确定聚类中心,涉及数据的质量和距离两个属性。其中,距离属性计算使用欧氏距离,质量的计算采用参考文献[7]中的方法。在确定聚类中心后,先进行数据类别的划分,即将剩余点划入与其最近的聚类中心,形成一个个类簇,然后根据用户需要输出聚类结果。算法流程如图 3所示。

    图  3  算法流程图
    Figure  3.  Algorithm Flow

    通过一系列的对比实验验证数据质量聚类算法的聚类效果,并与传统的K-means算法、K-medoids算法和文献[1]中的峰值密度聚类算法进行了对比。

    在对比实验中,采用7个数据集进行实验。数据集A1、A2、A3分别含有3 000个点和20个类簇、5 250个点和35个类簇、7 500个点和50个类簇,并且3个数据集中类簇内点的个数均为150个。数据集S1、S2、S3、S4都含有5 000个点和15个类簇,但是每个数据集中类簇的扩展程度不一样,而且4个数据集中每个类簇的中心是已知的[8]。这7个数据集的二维可视图如图 4图 5所示,图 4图 5中的横、纵坐标分别为数据集二维可视图的X轴和Y轴。

    图  4  数据集A1、A2、A3
    Figure  4.  Datasets of A1, A2, A3
    图  5  聚类中心数据集S1、S2、S3、S4
    Figure  5.  Clustering Centers Datasets of S1, S2, S3, S4

    首先对数据集A1, A2, A3分别使用数据质量聚类算法和K-means算法、K-medoids算法和峰值密度聚类算法进行聚类。将得到的聚类结果进行二维可视化展示,同时,对每个数据集中聚类结果进行统计,记录每种算法在每个类簇中聚集的点个数,与数据集实际每个类簇中应有点的个数进行对比,计算出准确率。

    K-means算法和K-medoids算法需要输入聚类个数,故按照数据集实际情况输入。数据质量聚类算法使用决策图确定聚类中心,如图 6所示为数据集A1、A2和A3通过决策图选出的聚类中心。图 6中彩色点为聚类中心,即横坐标和纵坐标都较大的点。所选出的聚类中心个数在数据集A1中为20,在A2中为35,在A3中为50,这与数据集原有的类簇个数相同。

    图  6  数据集A1、A2、A3的聚类中心
    Figure  6.  Clustering Centers Datasets of A1, A2, A3

    图 7是4种聚类算法的结果图,从图 7中可以发现,数据质量聚类算法和峰值密度聚类算法都有较好的聚类效果。对于聚类算法的准确率统计每一个数据集中4种算法对每一个类簇聚类的准确率,即类簇内点的个数和实际每个类内点的个数比值。统计结果如表 1所示。

    图  7  数据集A1、A2、A3聚类结果比较
    Figure  7.  Comparison of Clustering Results on Datasets A1, A2, A3
    表  1  数据集A1、A2、A3实验平均准确率统计表/%
    Table  1.  Clustering Accuracies of Datasets A1, A2, A3/%
    数据集 K-means
    算法
    K-medoids
    算法
    峰值密度
    聚类
    数据质量
    聚类
    A1 86.87 70.33 95.33 96.00
    A2 76.84 79.73 96.65 96.91
    A3 79.81 61.17 96.17 97.49
    下载: 导出CSV 
    | 显示表格

    表 1的统计结果中可以发现,数据质量的聚类算法具有最高的平均准确率,相比于传统的K-mean算法和K-medoids算法分割聚类算法,在准确率上提高了很多,同时,与最新的峰值密度聚类算法相比,准确率也有所提高。

    在数据集S1、S2、S3、S4中,每个类簇的中心是已知的,通过比较4种算法得到的聚类中心与实际中心的偏差量,对比每种算法确定聚类中心的效果。使用决策图确定数据质量聚类算法的聚类中心。K-means算法与K-medoids算法依然输入真实的类簇个数,4种算法聚类结果二维可视图如图 8所示。

    图  8  数据集S1、S2、S3、S4聚类结果比较
    Figure  8.  Comparison of Clustering Results on Datasets S1, S2, S3, S4

    图 8中,数据质量聚类算法和峰值密度聚类算法的聚类效果直观上要优于K-means算法和K-medoids算法。在对比聚类效果后,统计4种聚类算法所确定的聚类中心与实际中心位置的误差率。具体计算式为:

    $$ {{\gamma }_{i}}=\frac{1}{2}(\frac{{{x}_{i}}-{{a}_{i}}}{{{a}_{i}}}+\frac{{{y}_{i}}-{{b}_{i}}}{{{b}_{i}}}) $$ (2)

    式中,xiyi为实验中得到的聚类中心的坐标;aibi为数据集类簇实际的坐标。γi值越小,说明越接近实际的类簇中心。每个数据集中的平均误差率统计结果如表 2所示。

    表  2  数据集S1、S2、S3、S4聚类中心平均误差率统计/%
    Table  2.  Error Rate of Clustering Centers for Datasets S1, S2, S3, S4/%
    数据集 K-means
    算法
    K-medoids
    算法
    峰值密度
    聚类
    数据质量
    聚类
    S1 0.37 0.49 2.81 0.14
    S2 0.53 0.74 0.31 0.11
    S3 0.98 1.55 0.66 0.15
    S4 1.39 1.71 0.46 0.14
    下载: 导出CSV 
    | 显示表格

    表 2中可以看出,数据质量聚类算法所确定的聚类中心与实际聚类中心的误差率最小,几乎与实际中心重合,明显优于K-means算法、K-medoids算法和峰值密度聚类算法。

    综合数据集A1、A2、A3和数据集S1、S2、S3、S4的实验结果,可以认为数据质量聚类算法比传统的分割聚类算法和峰值密度聚类算法有更好的聚类效果。

    上述实验结果说明,数据质量聚类算法不仅可以准确提取出聚类中心的个数,而且在剩余点的划分上也有很高的准确率,对于数据集A1、A2、A3平均准确率分别达到了96.00%、96.91%和97.49%。在确定聚类中心上,本文方法也有很高的准确率,对于数据集S1、S2、S3、S4,聚类中心的平均误差率分别为0.14%、0.11%、0.15%和0.14%。数据质量聚类算法不仅在各项指标上明显优于传统的K-means算法和K-medoids算法,而且优于峰值密度聚类算法。

    对于数据集A1、A2、A3,数据质量聚类算法比峰值密度聚类算法在平均准确率上分别提高了0.67、0.26和1.32个百分点,而对于数据集S1、S2、S3、S4,聚类中心的平均误差率分别降低了20.07、2.82、4.40和3.29倍。综合以上实验结果,可以证明数据质量聚类算法能够准确确定聚类中心,并能够得到准确的聚类结果。

    传统的中心聚类算法虽然简单快速,但是需要用户输入较多参数,并且具有球形偏差,在实际应用中有较多限制。本文提出了数据质量的概念,即代表了数据场中数据的固有属性,并且根据挖掘视角的不同,数据质量所代表的属性也不同。在本文中,赋予数据质量数据密集程度的属性,结合物理场中引力的概念,提出一种确定聚类中心的新方法,即具有较大质量和较大距离属性的点可以视为聚类中心。本文方法解决了需要用户输入参数、聚类结果受初始点影响等问题,减少了中心聚类算法在实际应用中的限制。实验结果证明,数据质量聚类算法能够准确找到数据集的聚类中心,并具有较为准确的聚类结果。

    数据质量聚类算法虽然较为准确,但在实际应用中需要提高算法的效率,可以采取分布式计算的方式,这将是下一步研究的方向。

  • 图  1   实验设计示意图

    Figure  1.   Experimental Design Diagram

    图  2   不同运动位置示意图

    Figure  2.   Diagram of Different Motion Positions

    图  3   运动控制器误差模型

    Figure  3.   Error Models of Motion Controller

    图  4   运动控制器误差模型残差图

    Figure  4.   Residual Plots of Error Models of Motion Controller

    图  5   模型改正后两轴运动距离残差图

    Figure  5.   Residual Plots of Two-Axis Movement Distance After Model Correction

    表  1   运动控制器横轴基准误差

    Table  1   Horizontal Axis Datum Error of Motion Controller/mm

    Y位移 X位移
    0 100 170 230 310 400 540 610 760 890 980
    0 0 1.098 0 1.195 5 1.526 8 2.365 7 3.880 8 4.934 6 6.478 8 6.942 5 8.361 1 10.969 5
    80 0.114 1 1.143 2 1.246 2 1.602 3 2.412 0 3.910 5 4.939 6 6.500 9 6.974 2 8.491 2 10.998 2
    170 0.325 7 1.315 7 1.535 7 1.624 5 2.421 2 3.935 0 5.023 6 6.624 1 6.996 9 8.499 5 11.042 3
    250 0.423 7 1.550 2 1.736 4 1.658 5 2.550 9 4.090 8 5.209 8 6.678 2 7.125 9 8.506 9 11.154 3
    310 0.520 4 1.744 1 2.040 8 1.695 3 2.609 3 4.134 6 5.291 3 6.695 8 7.180 4 8.631 2 11.465 4
    460 0.565 2 1.959 8 2.229 5 1.778 4 2.718 7 4.240 8 5.376 4 6.749 4 7.204 3 8.745 8 11.578 2
    520 0.778 6 2.198 8 2.324 8 1.870 9 2.820 4 4.257 5 5.493 7 6.788 5 7.296 5 8.703 9 11.746 3
    640 0.937 4 2.350 9 2.430 4 1.973 4 3.035 7 4.287 4 5.489 3 6.801 3 7.346 5 8.954 2 11.750 9
    710 1.352 7 2.493 7 2.653 7 2.139 7 3.210 8 4.330 9 5.463 2 6.815 8 7.398 4 8.932 8 11.847 6
    890 1.627 3 2.774 8 2.858 2 2.434 3 3.413 4 4.543 4 5.484 9 6.828 7 7.401 2 8.997 6 11.954 8
    920 1.974 5 2.956 4 3.060 3 2.645 9 3.500 9 4.750 1 5.508 2 6.815 4 7.425 9 9.078 4 12.060 4
    下载: 导出CSV

    表  2   运动控制器纵轴基准误差/mm

    Table  2   Vertical Axis Datum Error of Motion Controller/mm

    Y位移 X位移
    0 100 170 230 310 400 540 610 760 890 980
    0 0 0.102 1 0.121 9 0.232 6 0.383 1 0.432 8 0.723 4 0.803 6 0.854 2 0.914 9 1.254 8
    80 0.723 7 0.854 0 0.891 2 0.913 0 1.218 3 1.355 9 1.595 4 1.601 2 1.809 6 1.810 6 1.920 3
    170 1.213 4 1.320 9 1.404 0 1.425 8 1.556 5 1.674 2 1.860 9 1.979 8 2.124 7 2.440 8 2.460 4
    250 1.735 2 1.856 3 1.916 4 1.989 3 2.193 5 2.490 4 2.609 8 2.708 7 2.884 5 2.976 5 2.978 7
    310 2.401 4 2.550 4 2.676 3 2.807 8 2.843 6 2.935 2 3.214 4 3.413 8 3.624 9 3.838 9 3.954 4
    460 4.376 2 4.590 2 4.614 8 4.692 2 4.888 5 4.907 3 5.236 6 5.326 4 5.538 0 5.639 2 5.841 5
    520 4.802 4 4.948 0 4.979 2 5.190 3 5.423 5 5.726 3 5.985 7 6.126 9 6.240 8 6.357 4 6.560 9
    640 6.696 6 6.731 2 6.851 3 6.905 2 6.980 8 7.349 2 7.478 4 7.671 3 7.789 5 7.909 9 7.980 3
    710 6.702 3 6.853 2 6.924 8 7.139 4 7.451 3 7.754 5 7.960 2 8.311 4 8.543 8 8.814 2 9.114 7
    890 8.451 0 8.582 7 8.788 6 8.897 4 9.105 2 9.318 4 9.426 3 9.538 2 9.741 7 9.832 4 9.940 8
    920 10.245 3 10.370 3 10.577 4 10.825 7 11.148 5 11.576 4 11.675 8 11.969 5 12.401 2 12.624 5 12.731 0
    下载: 导出CSV

    表  3   运动轴误差模型拟合优度

    Table  3   Goodness of Fit of Motion Axes Error Model

    轴向 和方差/mm2 确定系数 均方根/mm
    横轴 31.96 0.974 9 0.527 2
    纵轴 24.08 0.983 3 0.457 6
    下载: 导出CSV
  • [1] 郗志刚, 周宏甫.运动控制器的发展与现状[J].机床电器, 2005, 32(4):5-10 doi: 10.3969/j.issn.1004-0420.2005.04.001

    Xi Zhigang, Zhou Hongfu.The Development and Status of the Motion Controller[J].Machine Tool Electric Apparatus, 2005, 32(4):5-10 doi: 10.3969/j.issn.1004-0420.2005.04.001

    [2] 张望先.基于三坐标测量机的立体视觉测头设计与实现[D].武汉: 武汉大学, 2004

    Zhang Wangxian.Design and Realization of Stereo Vision Measuring Probe Based on 3D Coordinate Measuring Machine[D].Wuhan: Wuhan University, 2004

    [3] 于秋则, 曹矩, 谭毅华, 等.基于DEM与可见光图像的机载激光成像雷达强度像仿真[J].测绘学报, 2004, 33(3):249-253 doi: 10.3321/j.issn:1001-1595.2004.03.012

    Yu Qiuze, Cao Ju, Tan Yihua, et al.Simulation of Intensity Image of Airborne-Based Imaging Laser Radar Based on DEM and Visible Image[J].Acta Geodaetica et Cartographica Sinica, 2004, 33(3):249-253 doi: 10.3321/j.issn:1001-1595.2004.03.012

    [4] 张涛.光电雷达目标模拟器控制算法研究[D].沈阳: 沈阳航空航天大学, 2012

    Zhang Tao.Research on Control Algorithm of Photovoltaic Radar Target Simulator[D].Shenyang: Shenyang Aerospace University, 2012

    [5]

    Zou H R, Gong Z B, Xie S R.A Pan-tilt Camera Control System of UAV Visual Tracking Based on Biomimetic Eye[C].The 2006 IEEE International Conference on Robotics and Biomimetics, Kunming, China, 2006

    [6]

    Fahlstrom P G, Gleason T J.Introduction to UAV Systems[M].New Jersey:John Wiley & Sons, 2012

    [7] 刘又午, 刘丽冰, 赵小松, 等.数控机床误差补偿技术研究[J].中国机械工程, 1998, 9(12):48-52 doi: 10.3321/j.issn:1004-132X.1998.12.015

    Liu Youwu, Liu Libing, Zhao Xiaosong, et al.Investigation of Error Compensation Technology for NC Machine Tool[J].China Mechanical Engineering, 1998, 9(12):48-52 doi: 10.3321/j.issn:1004-132X.1998.12.015

    [8]

    Schwenke H, Franke M, Hannaford J, et al.Error Mapping of CMMs and Machine Tools by a Single Tracking Interferometer[J].CIRP Annals-Manufacturing Technology, 2005, 54(1):475-478 doi: 10.1016/S0007-8506(07)60148-6

    [9]

    Ziegert J C, Mize C D.The Laser Ball Bar:A New Instrument for Machine Tool Metrology[J].Precision Engineering, 1994, 16(4):259-267 doi: 10.1016/0141-6359(94)90002-7

    [10]

    Wang C.A Definition of Volumetric Error[J].Manufacturing Engineering, 2005, 134(1):16-17 http://cn.bing.com/academic/profile?id=e1f8360e493156994928e5613c451e5e&encoded=0&v=paper_preview&mkt=zh-cn

    [11] 李振, 王辉, 蒋宇雯.相位式地面三维激光雷达实验室检校[J].武汉大学学报·信息科学版, 2014, 39(8):987-991 http://ch.whu.edu.cn/CN/abstract/abstract3056.shtml

    Li Zhen, Wang Hui, Jiang Yuwen.Laboratory Calibration of Phase-Terrestrial 3D Laser Scanner[J].Geomatics and Information Science of Wuhan University, 2014, 39(8):987-991 http://ch.whu.edu.cn/CN/abstract/abstract3056.shtml

    [12] 蔡银桥, 童小华, 舒嵘.基于线状阵列扫描的激光雷达快速三维成像[J].同济大学学报(自然科学版), 2011, 39(7):1062-1067 doi: 10.3969/j.issn.0253-374x.2011.07.022

    Cai Yinqiao, Tong Xiaohua, Shu Rong.Fast 3D Imaging with Time-of-Flight Laser Scanner Based on Linear Array Scanning[J].Journal of Tongji University(Natural Science), 2011, 39(7):1062-1067 doi: 10.3969/j.issn.0253-374x.2011.07.022

    [13] 林祥国, 张继贤.架空输电线路机载激光雷达点云电力线三维重建[J].测绘学报, 2016, 45(3):347-353 http://d.old.wanfangdata.com.cn/Periodical/chxb201603016

    Lin Xiangguo, Zhang Jixian.3D Power Line Reconstruction from Airborne LiDAR Point Cloud of Overhead Electric Power Transmission Corridors[J].Acta Geodaetica et Cartographica Sinica, 2016, 45(3):347-353 http://d.old.wanfangdata.com.cn/Periodical/chxb201603016

    [14] 张毅, 闫利, 杨红, 等.地面激光扫描球形标靶的球心误差研究[J].武汉大学学报·信息科学版, 2012, 37(5):598-601 http://ch.whu.edu.cn/CN/abstract/abstract201.shtml

    Zhang Yi, Yan Li, Yang Hong, et al.Spherical Center Error of Sphere Target in TLS[J].Geomatics and Information Science of Wuhan University, 2012, 37(5):598-601 http://ch.whu.edu.cn/CN/abstract/abstract201.shtml

    [15] 沈利霞.同步带定位系统的动力学仿真与实验分析[J].机床与液压, 2007, 35(8):62-63 doi: 10.3969/j.issn.1001-3881.2007.08.021

    Shen Lixia.Dynamics Simulation and Test Analysis of Timing-Belt Position System[J].Machine Tool & Hydraulics, 2007, 35(8):62-63 doi: 10.3969/j.issn.1001-3881.2007.08.021

    [16] 杨建国, 范开国, 杜正春.数控机床误差实时补偿技术[M].北京:机械工业出版社, 2013

    Yang Jianguo, Fan Kaiguo, Du Zhengchun.CNC Machine Tool Error Real-Time Compensation Technology[M].Beijing:Mechanical Industry Press, 2013

    [17]

    Shen H, Fu J, He Y, et al.On-line Asynchronous Compensation Methods for Static/Quasi-static Error Implemented on CNC Machine Tools[J].International Journal of Machine Tools & Manufacture, 2012, 60(1):14-26 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=263508148c29ef35f81756ca1abfb695

    [18] 张剑清, 潘励, 王树根.摄影测量学原理[M].2版.武汉:武汉大学出版社, 2009

    Zhang Jianqing, Pan Li, Wang Shugen.The Principles of Photogrammetry[M].2nd ed.Wuhan:Wuhan University Press, 2009

    [19] 王之卓.摄影测量原理[M].武汉:武汉大学出版社, 2007

    Wang Zhizhuo.The Principles of Photogrammetry[M].Wuhan:Wuhan University Press, 2007

    [20]

    Zhang Z.A Flexible New Technique for Camera Calibration[J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(11):1330-1334 http://cn.bing.com/academic/profile?id=0bc5d4ddc26376a66ba74dcc389e89d6&encoded=0&v=paper_preview&mkt=zh-cn

图(5)  /  表(3)
计量
  • 文章访问数:  3839
  • HTML全文浏览量:  227
  • PDF下载量:  158
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-01-15
  • 发布日期:  2019-05-04

目录

/

返回文章
返回