HIỆU CHUẨN TỌA ĐỘ TRONG KHÔNG GIAN 2 CHIỀU CHO CÁC HỆ THỐNG THỊ GIÁC MÁY SỬ DỤNG PHƯƠNG PHÁP GAUSSIAN PROCESS REGRESSION

Ngô Ngọc Vũ

doi:10.34238/tnu-jst.15254

HIỆU CHUẨN TỌA ĐỘ TRONG KHÔNG GIAN 2 CHIỀU CHO CÁC HỆ THỐNG THỊ GIÁC MÁY SỬ DỤNG PHƯƠNG PHÁP GAUSSIAN PROCESS REGRESSION

Thông tin bài báo

Ngày nhận bài: 30/03/26 Ngày hoàn thiện: 23/06/26 Ngày đăng: 24/06/26

Các tác giả

Ngô Ngọc Vũ , Trường Đại học Kỹ thuật Công nghiệp - ĐH Thái Nguyên

Tóm tắt

Trong hệ thống thị giác máy, hiệu chuẩn tọa độ và hiệu chuẩn camera là quá trình xác định mối liên hệ giữa tọa độ 2 chiều (2-D) trong mặt phẳng ảnh và tọa độ 2 chiều (2-D) hay 3 chiều (3-D) trong không gian thực, điều này ảnh hưởng trực tiếp đến độ chính xác và hiệu suất của hệ thống. Trong nghiên cứu này, phương pháp Gaussian Process Regression (GPR) được sử dụng để dự đoán tọa độ thực từ tọa độ ảnh tương ứng đã biết. Để thiết lập mô hình dự đoán, một bảng hiệu chuẩn gồm một lưới các đường tròn màu đen có đường kính 10 mm đã được thiết kế nhằm xây dựng bộ dữ liệu tọa độ thực ban đầu. Tọa độ ảnh tương ứng được thu thập bởi một camera đặt cố định bên trên bảng hiệu chuẩn. Dữ liệu ảnh được xử lý để trích xuất tọa độ tâm của các đường tròn trong bảng hiệu chuẩn. Dữ liệu gồm tọa độ thực và tọa độ ảnh sau đó được sử dụng để xây dựng mô hình dự đoán. Để đánh giá độ chính xác và hiệu suất của phương pháp hiệu chuẩn, sai lệch hiệu chuẩn cũng được điều tra. Kết quả thực nghiệm chỉ ra rằng sai lệch âm lớn nhất là -0,353 mm và -0,601 mm, trong khi sai lệch dương lớn nhất là 0,351 mm và 0,930 mm tương ứng theo các trục OX và trục OY. Phương pháp đề xuất đã được sử dụng để xác định tọa độ thực của các vật thể từ tọa độ ảnh đã biết được đặt trong không gian làm việc của một cánh tay robot.

Từ khóa

Xử lý ảnh; Thị giác máy; Hiệu chuẩn tọa độ; Phương pháp GPR; Sai lệch hiệu chuẩn; Cánh tay robot

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] B. Tang, L. Chen, W. Sun, and Z. K. Lin, “Review of surface defect detection of steel products based on machine vision,” IET Image Processing, vol. 17, no. 2, pp. 303-322, 2023, doi: 10.1049/ipr2.12647.

[2] Y. Zha, Y. Luo, Y. Ding, and T. Yu, “Research on non-contact measurement based on machine vision,” In 2022 IEEE 6th Information Technology and Mechatronics Engineering Conference (ITOEC), vol. 6, pp. 1956-1960, 2022, doi: 10.1109/ITOEC53115.2022.9734442.

[3] N. V. Ngo, Q. C. Hsu, W. L. Hsiao, and C. J. Yang, “Development of a simple three-dimensional machine-vision measurement system for in-process mechanical parts,” Advances in Mechanical Engineering, vol. 9, no. 10, 2017, doi: 10.1177/1687814017717183.

[4] T. Wang, B. Chen, Z. Zhang, H. Li, and M. Zhang, “Applications of machine vision in agricultural robot navigation: A review,” Computers and Electronics in Agriculture, vol. 198, 2022, doi: 10.1016/j.compag.2022.107085.

[5] N. V. Ngo, G. A. Porter, and Q. C. Hsu, “Development of a Color Object Classification and Measurement System Using Machine Vision,” Sensors & Materials, vol. 31, no. 3, pp. 4135-4154, 2019, doi: 10.18494/SAM.2019.2412.

[6] Z. Ding, J. Jiang, J. Zheng, and L. Kong, “Machine Vision-Based Method for Reconstructing the Vehicle Coordinate System in End-of-Line ADAS Calibration,” Electronics, vol. 13, no. 17, 2024, doi: 10.3390/electronics13173405.

[7] Z. Zhang, “A Flexible New Technique for Camera Calibration,” Pattern Anal. Mach. Intell. IEEE Trans., vol. 22, pp. 1330-1334, 2000, doi: 10.1109/34.888718.

[8] G. Wang, H. Zheng, and X. Zhang, "A robust checkerboard corner detection method for camera calibration based on improved YOLOX," Frontiers in Physics, vol. 9, 2022, doi: 10.3389/fphy.2021.819019.

[9] Z. Liu, Q. Wu, S. Wu, and X. Pan, “Flexible and accurate camera calibration using grid spherical images,” Optics Express, vol. 25, no. 13, pp. 15269-15285, 2017, doi: 10.1364/OE.25.015269.

[10] J. Sun, X. Cheng, and Q. Fan, “Camera calibration based on two-cylinder target,” Optics Express, vol. 27, no. 20, pp. 29319-29331, 2019, doi: 10.1364/OE.27.029319.

[11] M. Yang, X. Chen, and C. Yu, “Camera calibration using a planar target with pure translation,” Applied Optics, vol. 58, no. 31, pp. 8362-8370, 2019, doi: 10.1364/AO.58.008362.

[12] B. Chen and B. Pan, “Camera calibration using synthetic random speckle pattern and digital image correlation,” Opt. Lasers Eng., vol. 126, 2020, doi: 10.1016/j.optlaseng.2019.105919.

[13] X. Liu, J. Tian, H. Kuang, and X. Ma, “A stereo calibration method of multi-camera based on circular calibration board,” Electronics, vol. 11, no. 4, 2022, doi: doi: 10.3390/electronics11040627.

[14] H. He, H. Li, Y. Huang, J. Huang, and P. Li, “A novel efficient camera calibration approach based on K-SVD sparse dictionary learning,” Measurement, vol. 159, 2020, doi: 10.1016/j.measurement.2020.107798.

[15] X. Wang, Y. Zhao, and F. Yang, “Camera calibration method based on Pascal’s theorem,” Int. J. Adv. Robot. Syst., vol. 16, no. 3, 2019, doi: 10.1177/1729881419846406.

[16] Y. Duan, Y. Yu, P. Li, and S. Jiang, “High-precision camera calibration based on a 1-D target,” Optics Express, vol. 30, no. 20, pp. 36873-36888, 2022, doi: 10.1364/OE.463414.

[17] H. Brunken and C. Gühmann, “Deep learning self-calibration from planes,” In Twelfth International Conference on Machine Vision, vol. 11433, pp. 980-990, SPIE, 2020, doi: 10.1117/12.2557284.

[18] J. Zhang, B. Luo, Z. Xiang, Q. Zhang, Y. Wang, X. Su, J. Liu, L. Li, and W. Wang, “Deep-learning-based adaptive camera calibration for various defocusing degrees,” Opt. Lett, vol. 46, no. 22, pp. 5537-5540, 2021, doi: 10.1364/OL.443337.

[19] S. El Ghazouali, A. Vissiere, L. F. Lafon, M. L. Bouazizi, and H. Nouira, “Optimised calibration of machine vision system for close range photogrammetry based on machine learning,” Journal of King Saud University-Computer and Information Sciences, vol. 34, no. 9, pp. 7406-7418, 2022, doi: 10.1016/j.jksuci.2022.06.011.

[20] K. Liao, L. Nie, S. Huang, C. Lin, J. Zhang, Y. Zhao, et al., “Deep learning for camera calibration and beyond: A survey,” arXiv preprint arXiv:2303.10559, 2023, doi: 10.48550/arXiv.2303.10559.

[21] N. V. Ngo, “Study of 2-D Coordinate Calibration Method for Machine Vision Systems Using Regression Analysis,” Journal of Image and Graphics, vol. 13, no. 6, pp. 645-650, 2025, doi: 10.18178/joig.13.6.645-650.

[22] N. V. Ngo, “A Homography-Based Planar Coordinate Calibration Method for Machine Vision Systems,” Mathematical Modelling of Engineering Problems, vol. 13, no. 1, pp. 111-118, 2026, doi: 10.18280/mmep.130111.

DOI: https://doi.org/10.34238/tnu-jst.15254

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ