Быстрый алгоритм совмещения изображений для контроля качества лазерной микрообработки
Бессмельцев В.П., Булушев Е.Д.

Аннотация:
Исследована возможность оперативного контроля качества лазерной микрообработки поверхности по данным оптических измерений. Основной задачей является сопоставление CAD-модели и 3D-геометрии обработанной поверхности. Установлено, что стандартные алгоритмы сопоставления либо имеют низкое быстродействие, либо неэффективны при высоком уровне шума и наличии геометрических искажений. Разработан алгоритм сопоставления на основе алгоритма Ciratefi, который ранее не использовался для совмещения изображений высокого разрешения. Быстродействие алгоритма повышено при помощи итеративного поиска оптимума по пирамиде изображений. Тестирование алгоритма на картах высот объектов, полученных лазерными методами обработки, показало его высокую точность и быстродействие.

Ключевые слова :
лазерная микрообработка, оптическая профилометрия, автоматический контроль качества, совмещение изображений.

Литература:

  1. Orazi, L. An automated procedure for material removal rate prediction in laser surface micromanufacturing / L. Orazi, G. Cuccolini, A. Fortunato, G. Tani // The International Journal of Advanced Manufacturing Technology. – 2009. – V. 46(1). – P. 163-171.
  2. Soveja, A. Optimization of TA6V alloy surface laser texturing using an experimental design approach / A. Soveja, E. Cicala, D. Grevey, J. Jouvard // Optics and Lasers in Engineering. – 2008. – V. 46(9). –P. 671-678.
  3. Desai, C.K. Prediction of depth of cut for single-pass laser micro-milling process using semi-analytical, ANN and GP approaches / C.K. Desai, A. Shaikh // The International Journal of Advanced Manufacturing Technology. – 2011. – V. 60(9-12). – P. 865-882.
  4. Ciurana, J. Neural Network Modeling and Particle Swarm Optimization (PSO) of Process Parameters in Pulsed Laser Micromachining of Hardened AISI H13 Steel / J. Ciurana, G. Arias, T. Ozel // Materials and Manufacturing Processes. – 2009. – V. 24(3). – P. 358-368.
  5. Li, Y. Free-form surface inspection techniques state of the art review / Y. Li, P. Gu // Computer Aided Design. – 2004. – V. 36(13). – P. 1395-1417.
  6. Zitova, B. Image registration methods: a survey // Image and Vision Computing. – 2003. – V. 21(11). – P. 977-1000.
  7. Prieto, F. An Automated Inspection System / F. Prieto, T. Redarce, R. Lepage, P. Boulanger // The International Journal of Advanced Manufacturing Technology. – 2002. – V. 19(12). – P. 917-925.
  8. Wolf, K. An approach to computer-aided quality control based on 3D coordinate metrology / K. Wolf, D. Roller, D. Schäfer // Jounal of Materials Processing Technology. – 2000. – V. 107(1). – P. 96-110.
  9. Besl, P.J. A method for registration of 3-D shapes / P.J. Besl, N.D. McKay // IEEE Transactions on Pattern Anaysis and Machine Intelligence – 1992. – V. 14(2). – P. 239-256.
  10. Rusinkiewicz, S. Efficient Variants of the ICP Algorithm / S. Rusinkiewicz, M. Levoy // 3-D Digital Imaging and Modeling. – 2001. – P. 145-152.
  11. Castro, E. Registration of translated and rotated images using finite Fourier transforms / E. Castro, C. Morandi // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1987. – V. 9(5) – P. 700-703.
  12. Мясников, Е.В. Определение параметров геометрических трансформаций для совмещения портретных изображений // Компьютерная оптика. – 2007. – Т. 31, № 3. – С. 77-82.
  13. Чемерис, Д.С. Исследование методов определения геометрического рассогласования двух изображений для решения задачи оптического наведения и стыковки подводного робота / Д.С. Чемерис, И.Н. Бурдинский // Проектирование инженерных и научных приложений в среде MATLAB: сб. науч. трудов. – СПб., 2011. – С. 465–470.
  14. Чочиа, П.А. Быстрое корреляционное совмещение квазирегулярных изображений // Информационные процессы. – 2009. – Т. 9. № 3. – С. 117-120.
  15. Волегов, Д.Б. Предварительное грубое совмещение изображений по найденным на них прямым линиям для построения мозаик, сверхразрешения и восстановления трёхмерных сцен / Д.Б. Волегов, Д.В. Юрин // Программирование. – 2008. – Т. 34, № 5. – С. 47-66.
  16. Lowe, D.G. Object recognition from local scale-invariant features // Computer Vision. – 1999. – P. 1150-1157.
  17. Briechle, K. Template matching using fast normalized cross correlation // Aerospace, Defense Sensing, Simulation, and Controls. – 2001. – P. 95-102.
  18. Lewis, J.P. Fast Normalized Cross-Correlation // Vision Interface. – 1995. – V. 10(1). – P. 120-123.
  19. Araújo, S.A. Grayscale template-matching invariant to rotation, scale, translation, brightness and contrast / S.A. Ara­újo, H.Y. Kim // IEEE Pacific-Rim Symposium on Image and Video Technology. – 2007. – V. 4872. – P. 100-113.
  20. Tanimoto, S.L. Template matching in pyramids // Computer Graphics and Image Processing. – 1981. – V. 16(4). – P. 356-369.
  21. Vanderbrug, G.J. Two-Stage Template Matching / G.J. Van­derbrug, A. Rosenfeld // Computers, IEEE. Transactions. – 1977. – V. 26(4). – P. 384-393.
  22. Goloshevsky, N. Precision laser system based on complementary scanning principle for dielectric materials microprocessing / N. Goloshevsky, A. Aleshin, S. Baev, V. Bess­meltsev // Fundamentals of Laser Assisted Micro- and Nanotechnologies SPIE. – Ed. by V.P Veiko. – СПб., – 2008. – P. 69850M.1-69850M.9.
  23. Fisher, R. A comparison of algorithms for subpixel peak detection / R.A. Fisher, D.K. Naidu // Image Technology: Advances in Image Processing, Multimedia and Machine Vision. – 1996. – P. 385-404.

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20