基于機器視覺的帶式輸送機高精度煤流檢測研究

摘要：針對現有基于機器視覺的帶式輸送機煤流檢測方法存在的圖像細節缺失、在多處斷裂或斷裂間距較大區域擬合效果較差的問題，基于直射斜收式激光三角測量原理，提出了一種基于機器視覺的帶式輸送機高精度煤流檢測系統，將線激光發射器布置在帶式輸送機測量位置正上方并垂直照射煤堆，煤堆隨帶式輸送機勻速運動，利用相機在斜上方實時拍攝包含激光條紋的煤堆表面圖像。對煤流檢測系統進行標定，包括相機內參數標定和激光平面標定，得到煤堆的高度信息；對煤流截面激光條紋圖像進行處理，從提取精度、算法實時性等角度對比分析了灰度重心法和區域骨架法，根據對比結果選用區域骨架法提取激光條紋中心；針對利用圖像膨脹操作進行激光條紋斷裂修補擬合效果較差的問題，提出采用最小二乘法作為激光條紋斷裂修補算法，相較于閉運算，最小二乘法擬合處理的平滑效果更好，精度較高；建立煤流截面積計算模型，通過計算每一幀上煤堆的橫截面積，即可得出不同帶速下的煤流體積。實驗結果表明，當帶速分別為0.25，0.5，1 m/s 時，煤流檢測系統誤差均較小，最大誤差分別為2.78%，3.61% 和3.89%，驗證了煤流檢測系統具有較高的準確性。

關鍵詞：帶式輸送機；煤流檢測；機器視覺；線激光發射；激光三角測量；激光條紋中心提??；激光條紋斷裂修補；區域骨架法；最小二乘法

中圖分類號：TD634 文獻標志碼：A

0 引言

煤礦井下帶式輸送機功率大、使用時間長，是礦井運輸系統主要的能耗設備[1-4]。傳統帶式輸送機大多采用“逆煤流啟動、順煤流停止”啟停方式，雖然可保障煤炭運輸安全，但也導致部分輸送帶處于空載狀態，同時由于無法保證帶式輸送機物料運量均勻，導致系統或單臺帶式輸送機在負載較輕或無負載狀態下長時間全速運轉，不僅造成電能浪費，而且也使帶式輸送機傳動系統、轉動部件、輸送帶形成無效磨損，縮短了設備使用壽命[5]。

準確的煤流檢測是實現帶式輸送機智能控制的前提[6]。機器視覺技術具有非接觸測量、精度高、可適應較差環境等優點[7]，被應用于帶式輸送機煤流檢測中。文獻[8]利用圖像邊緣檢測求取煤流寬度，結合知識庫模糊計算求取煤流量，但該方法檢測精度較低，識別效率不高。文獻[9]提出了基于深度學習的帶式輸送機煤流量雙目視覺檢測方法，利用卷積神經網絡預測煤料視差，計算煤堆體積，該方法對靜態煤堆體積的測量較精確，但實時性較差，不適合測量動態煤流量。文獻[10]利用激光測距飛行時間原理，結合測速傳感器計算煤流量，該方法受環境影響小，但存在飛行像素噪聲與多徑誤差噪聲，無法準確計算物體邊緣深度。文獻[11]提出了基于激光掃描與機器視覺的煤流測量方法，通過相機內外參數標定，結合激光器投射角度進行機器視覺系統標定，利用圖像膨脹修復激光光斑斷點，進而擬合光斑區域邊緣骨架，計算激光光斑條紋中心線的煤流截面積，最后結合速度傳感器求取煤流體積。但是利用圖像膨脹操作進行激光條紋斷裂修補會導致圖像細節缺失，在多處斷裂或斷裂間距較大區域擬合效果較差。

為進一步提高帶式輸送機煤流檢測效率和精度，提出一種基于機器視覺的帶式輸送機高精度煤流檢測系統。采用相機內外參數標定和激光平面標定，直接得到煤堆的高度信息；采用多算法融合手段進行圖像灰度化、圖像濾波和圖像分割等預處理，從提取精度、算法實時性等角度對比分析了灰度重心法和區域骨架法，探究最符合煤流檢測的激光條紋中心提取算法；針對利用圖像膨脹操作進行激光條紋斷裂修補擬合效果較差的問題，提出利用最小二乘法擬合效果好且可滿足算法實時性要求的特點，采用最小二乘法作為激光條紋斷裂修補算法；對煤流截面積計算模型進行簡化，計算不同帶速下的煤流體積。

1 煤流檢測系統原理與硬件平臺搭建

1.1 煤流檢測系統原理

激光三角測量是一種線結構光測量技術。根據激光三角原理，采用激光光刀對物體表面進行掃描，用工業相機采集物體表面漫反射信號并送入計算機，得到光刀曲線；利用基準面、像點、像距等之間的關系計算物體表面的深度信息，結合測頭的位移得到物體表面三維坐標信息[12]。在多種激光三角測量布置方式中，直射斜收式結構緊湊，便于安裝與調試，適合進行集成化設計，且激光光斑能量分布均勻，具有較高的測量精度和穩定性[13]。因此本文基于直射斜收式激光三角測量原理搭建煤流檢測系統。

直射斜收式激光三角測量原理如圖1 所示。線激光垂直投射，礦用隔爆相機以一定角度照射，C 點為煤流平面上的投影點， 相機光軸交傳感器于O1 點，h 為被測物體實際高度，H 為鏡頭中心與參考平面之間的垂直距離，OO1 為礦用隔爆相機成像中心與鏡頭之間的距離，投射激光束AC 與相機鏡頭光軸OA 之間的夾角為，O1C1 為礦用隔爆相機成像平面上的光斑移動量。根據三角形相似關系可求得被測物體實際高度：

將線激光發射器布置在帶式輸送機測量位置正上方并垂直照射煤堆，煤堆隨帶式輸送機勻速運動，利用相機在斜上方實時拍攝包含激光條紋的煤堆表面圖像，將連續圖像信息傳給計算機。

1.2 煤流檢測系統硬件平臺

實驗搭建煤流檢測系統時，在硬件方面需要進行帶式輸送機、相機和激光器的選型。實驗用帶式輸送機相關參數見表1。

煤流檢測系統需要對圖像進行逐幀處理，因此對實時性要求較高，同時為了排除外界干擾因素，需要減小增益和曝光時間，使得視野中盡可能只有激光條紋信息。選用SUA134GC 面陣相機，其有效像素大小為130 萬，最大幀速率為211 幀/s，鏡頭可變焦距范圍為7～ 36 mm； 激光器采用型號為HO?Y650P100?26110 的主動光源發射器，其輸出波長為650 nm，具有方向性好、亮度高、單色性好和壽命長等優點。使用工業鋁型材搭建長方體框架，用于安裝工業相機和線激光發射器，如圖2 所示。

2 煤流檢測系統標定

在機器視覺尺寸測量中，相機標定是圖像處理的首要步驟。

2.1 相機內參標定及畸變校正

利用HALCON 助手模塊進行相機內參標定，具體步驟如下。

1） 生成標定文件。調用gen_caltab 算子生成標定板描述文件，包括標定板點的行數和列數、兩圓心點間距、點直徑與點間距比值。

2） 相機參數初始化。根據廠家信息設置相機初始化參數： 單個像元寬4.8 μm，高4.8 μm， 焦距為13 mm，圖像高度為1 024 像素，寬度為1 280 像素。

3） 圖像采集。打開標定界面，連接圖像采集助手，放置標定板，實時采集提取標定板角點信息。移動標定板，變換位置和角度，讓每個位置都有標定板出現，并將標定板墊起采集3～4 張圖像，用于標定相機焦距。如果顯示提取角點信息失敗，則刪除該圖像，重新采集。標定相機內參時采集的16 張圖像如圖3 所示。

4） 生成相機內參。相機內參信息見表2。根據標定參數進行圖像畸變校正。首先，利用change_radial_distortion_cam_par 算子根據指定徑向畸變確定一個新的沒有畸變的內參；然后，利用gen_radial_distortion_map 算子對發生徑向畸變的圖像生成投影映射；最后，調用map_image 算子映射數據進行畸變校正?；冃Ｕ昂髮Ρ热鐖D4 所示。

2.2 激光平面標定

通過激光平面標定可確定激光掃描平面的位置和朝向，得到可靠和精確的高度信息。激光平面標定步驟如下。

1） 確定基準面，將標定板放在空載時帶式輸送機上，利用HALCON 標定助手提取低位置標定板角點特征（圖5（a）），得到低位置外參，即平移距離和旋轉角度。調節曝光時間和增益，得到激光器打到標定板上的激光圖像（圖5（b））。

2） 墊起標定板，重復步驟（1），得到高位置外參和激光圖像，如圖6 所示。

3） 利用采集的高低位置相機外參和激光條紋擬合激光平面，得到激光平面方程：

F（x， y， z） =0：001 972x+0：021 387y0：006 914z266：159 = 0 （2）

式中x，"y，"z分別為像素點在煤流寬度方向、帶式輸送機運行方向、煤流高度方向的坐標。

3 煤流截面激光條紋處理方法

3.1 圖像預處理

圖像預處理可消除圖像中的無關信息，增強有關信息的可檢測性，最大限度地簡化數據[14]。

3.1.1 紅色通道分離

采集的彩色圖像由R，G，B 三種顏色亮度變化及其相互之間的疊加得到[15]?？紤]到相機幀速率和外部環境因素影響，經過調節，獲取如圖7（a）所示的激光條紋圖像，不僅最大限度地排除了帶式輸送機、煤流和外部因素的影響，還能保證相機的幀速率。因為使用紅色線激光發射器，圖像上基本只有黑色和紅色，因此，采用紅色通道分離方法得到顯著的激光圖像，如圖7（b）所示。

3.1.2 圖像濾波

由于CMOS 工業相機自身傳感器產生的光電信號噪聲，加上外部環境干擾，圖像中易產生椒鹽噪聲和高斯噪聲[16]，如圖8（a）所示。本文使用中值濾波法進行濾波，結果如圖8（b）所示。中值濾波法保留了圖像的細節，運行時間也較短。

3.1.3 圖像分割

圖像分割是指將圖像分成若干具有相似特性的區域，并提取出感興趣目標的過程，相似特性可為灰度、紋理和顏色等[17]。因為進行了紅色通道分離，所以得到的圖像只有單像素值，利用閾值法進行圖像分割能很好地滿足實驗要求。閾值分割的原理是選取一個合適的閾值T，將T 和圖像上所有的像素點進行比較：如果像素值大于或等于T，則將灰度值設置為255，成為被測目標區域；當像素值小于T 時，將灰度值設置為0。閾值分割結果如圖9 所示。

3.2 激光條紋中心提取

線激光光源照射到煤流表面時具有一定寬度，而計算煤堆高度只需要激光條紋的中心坐標信息，因此，需要提取出1 根像素寬度為1 的中心線，用其高度代表圖像中激光條紋的高度信息[18-19]。本文比較了灰度重心法和區域骨架法，并選取最佳算法作為本文的激光條紋中心提取算法。

灰度重心法通過計算圖像中每個像素點的灰度值作為權重，確定一個加權形心的位置，從而找到目標物體或線條的灰度重心坐標[20]。采用該方法沿著光條橫截面方向掃描，篩選出灰度值最大點及灰度值大于極大值與閾值之差的所有像素點。對于這些像素點，將灰度值視為權重，對一行篩選出的點的坐標進行加權平均，將得到的坐標視為光條中心坐標，如圖10 所示。

沿著光條橫截面方向搜索，先找到該行中灰度值最大的像素點位置M，其灰度值為Gmax，接著從該最大灰度值點處向光條兩邊搜索，找出高于自適應閾值線Gmax的所有像素點；設兩邊界點之間n 個像素點中的第 i 個像素點列坐標為yi，對應的灰度值為 gi，利用灰度重心法得到該像素所在行的光條中心位置的列坐標：

骨架提取也叫二值圖像細化，對二值化目標圖像進行細化處理后得到目標字符的細線化圖像，即線寬為單像素的“骨架”。利用圖像骨架提取目標圖像的過程不僅是一個重要的拓撲描述，也減少了圖像的冗余信息，在信息壓縮、特征提取和圖像分析等領域均有應用[21]。

激光條紋中心線提取結果如圖11 所示。從提取精度、算法時間、方向性、斷裂擬合、中心線形狀改變大小等方面，將灰度重心法和區域骨架法提取的激光條紋中心線進行對比分析，結果見表3。

從表3 可看出，灰度重心法和區域骨架法都是亞像素級別的精度，都能保存激光條紋的細節信息。灰度重心法雖然能在斷裂較小的位置擬合，但是其方向性差；區域骨架法雖然不能進行斷裂擬合，但是其方向性好，算法用時也比灰度重心法短。綜合考慮，選取區域骨架法作為激光條紋中心提取算法。

3.3 激光條紋斷裂修補

3.3.1 形態學處理

形態學處理是對圖像的局部像素進行處理，用于提取有意義的局部圖像細節[22]。通過改變局部區域的像素形態，對目標進行增強，為后續激光條紋提取做準備[23]。利用形態學處理的閉運算填補激光條紋斷裂部分，結果如圖12（a）所示。利用骨架細化法提取激光條紋中心，結果如圖12（b）所示。將紅色通道提取的激光圖像和提取出的激光條紋中心線放在一個圖中進行比較，結果如圖12（c）所示?？煽吹剑瑢τ诖蠓秶膮^域，擬合效果較好，但是對于局部小型的區域，由于閉運算丟失了一些圖像細節，擬合效果偏差。

3.3.2 最小二乘法擬合處理

最小二乘法可用某一個或某些未知量表征所測得的觀測值，常用到參數估計或曲線擬合中[24]。利用最小二乘法進行曲線擬合，結果如圖13 所示。

3.3.3 對比分析

1） 擬合效果。閉運算和最小二乘法擬合效果對比如圖14 所示。對于多處斷裂部分，可看出，閉運算處理由于采用膨脹算法，丟失了部分圖像細節，導致擬合曲線誤差較大，而最小二乘法擬合的曲線精度較高。

2） 擬合時間。利用HALCON 中的count_seconds算子計算算法的執行時間，得到閉運算的擬合時間為2.171 ms，最小二乘法擬合時間為3.082 ms，表明閉運算處理的擬合時間較短。

閉運算和最小二乘法性能對比見表4。2 種算法的提取精度都是亞像素級別，但是針對多處斷裂細節，最小二乘法明顯優于形態學處理的閉運算方法，在提取速度方面，最小二乘法也可滿足實驗要求。因此，本文選取最小二乘法作為激光條紋斷裂修補算法。

4 煤流量計算

4.1 煤流截面積計算模型

煤流截面積計算模型如圖15 所示。設條紋曲線函數為，利用黎曼積分方程可得x 軸上從點到點這一段曲線與x 軸圍成的區域面積：

圖像由像素點組成，且每個像素點的坐標是離散的。像素大小由圖像分辨率決定，實驗圖像的分辨率為1 280×1 024。[a，b]區間共包含1 280 個點，將其分為1 280 個子區間：[x0， x1]， （x2， x3]，…， （x1279，x1280]，其中x0 = a， x1280 = b，各區間的長度Δxi = xi+1-xi（0≤i≤1 279），則面積可表示為

進行相機標定，并將激光條紋的圖像坐標和世界坐標進行一一對應，得到真實的點數據。設激光條紋像素點坐標x 在世界坐標中的映射值為X，則像素點序號N 與X 的對應關系如圖16 所示?？煽闯觯琋 與X 之間呈線性關系，即相鄰2 點之間橫坐標的差值相同。因此，對煤流橫截面積計算模型進行進一步簡化，將Δxi變換為常量d，得

4.2 煤流體積檢測模型

煤流體積檢測模型如圖17 所示。設帶式輸送機以速度勻速直線運行， 相機的幀速率為σ， 第1，2，…，m幀煤堆截面積為S（1），S（2），……，S（m），則煤流體積可近似表示為

式中yj+1-yj為相機第 j 幀到第 j+1幀之間帶式輸送機運行的距離，可表示為

yj+1 -yj = vtj （8）

式中tj為第 j 幀到第j+1幀所用的時間。

用幀速率σ替換tj，得到化簡后的煤流體積公式：

式（9）中v和σ為定值，通過計算每一幀上煤堆的截面積，即可得出煤流體積。

5 實驗驗證

5.1 激光條紋提取精度驗證

通過對標準模型（圖18）的寬度、高度和面積測量，驗證煤流檢測系統標定和激光條紋提取精度。

經過算法處理得到標準模型激光條紋擬合曲線，如圖19 所示。

提取激光條紋上的像素坐標信息，轉換為三維坐標信息，得到世界坐標，如圖20 所示，其中Z 為激光條紋像素點坐標z 在世界坐標中的映射值。

標準模型檢測結果見表5?？煽闯?，寬度最大誤差為0.69%，高度最大誤差為?0.83%，面積最大誤差為1.36%。檢測誤差較小，驗證了煤流檢測系統激光條紋提取算法的合理性。

5.2 煤流體積計算實驗驗證

準備6 組煤堆，體積分別為295.4， 498.0， 617.4，725.7，773.4，956.5 cm3，密度為1.98 g/cm3，使用煤流檢測系統測量煤堆體積，結果見表6?？煽闯?，當帶速分別為0.25，0.5，1 m/s 時，煤流檢測系統誤差均較小，最大誤差分別為2.78%，3.61% 和3.89%，表明基于機器視覺的煤流檢測系統具有較高準確性。

6 結論

1） 利用區域骨架法提取激光條紋中心，不僅不會改變原本的激光條紋形狀，而且可保留細節信息，相較于灰度重心法應用效果更好。

2） 采用最小二乘法進行激光條紋斷裂修補，相較于閉運算，最小二乘法擬合處理的平滑效果更好，精度較高。

3） 對標準模型的寬度、高度和面積進行測量，誤差均在1.5% 以下，驗證了煤流檢測系統標定和激光條紋中心提取算法的精度。

4） 煤流體積測量實驗結果表明，當帶速分別為0.25，0.5，1 m/s 時，煤流檢測系統誤差均較小，最大誤差分別為2.78%，3.61% 和3.89%，驗證了煤流檢測系統具有較高的準確性。

參考文獻（References）：

[ 1 ]李曉麗，王慶福. 基于GA?BP 神經網絡的帶式輸送機故障監測系統研究[J]. 煤炭技術， 2021， 40（12） ：222-224.

LI Xiaoli，WANG Qingfu. Research on fault monitoringsystem of belt conveyor based on GA-BP neuralnetwork[J]. Coal Technology，2021，40（12）：222-224.

[ 2 ]宋欽一. 基于故障樹和貝葉斯網絡的帶式輸送機故障診斷[J]. 礦山機械，2022，50（9）：55-58.

SONG Qinyi. Fault diagnosis on belt conveyor based onfault tree and Bayesian network[J]. Mining amp;Processing Equipment，2022，50（9）：55-58.

[ 3"]GAN Hong， CHEN Kun， ZHONG Xinghong. Staticanalysis on the measurement system of an electronic beltscale[J]. Applied Mechanics and Materials， 2013， 345：525-529.

[ 4 ]趙學軍，楊征，閆雪. 基于語義分割的帶式輸送機煤料運輸區域檢測算法[J]. 計算機應用與軟件， 2024，41（2）：56-61，99.

ZHAO Xuejun， YANG Zheng， YAN Xue. Coaltransportation area detection algorithm of belt conveyorbased on semantic segmentation[J]. ComputerApplications and Software，2024，41（2）：56-61，99.

[ 5 ]張文科，郭瑜，趙輝. 基于圖像識別的煤礦帶式輸送機自適應調速系統設計[J]. 煤炭工程， 2024， 56（1） ：220-224.

ZHANG Wenke， GUO Yu， ZHAO Hui. Self-adaptivespeed control system of coal mine conveying belt basedon image recognition[J]. Coal Engineering， 2024，56（1）：220-224.

[ 6 ]汪心悅，喬鐵柱，龐宇松，等. 基于TOF 深度圖像修復的輸送帶煤流檢測方法[J]. 工礦自動化， 2022，48（1）：40-44，63.

WANG Xinyue， QIAO Tiezhu， PANG Yusong， et al.Coal flow detection method for conveyor belt based onTOF depth image restoration[J]. Industry and MineAutomation，2022，48（1）：40-44，63.

[ 7 ]周富林，黃靖. AI 邊緣計算在工業視覺識別系統中的應用[J]. 現代傳輸，2022（6）：54-56.

ZHOU Fulin， HUANG Jing. Application of AI edgecomputing in industrial visual recognition system[J].Modern Transmission，2022（6）：54-56.

[ 8 ]李紀棟，蒲紹寧，翟超，等. 基于視頻識別的帶式輸送機煤量檢測與自動調速系統[J]. 煤炭科學技術，2017，45（8）：212-216.

LI Jidong， PU Shaoning， ZHAI Chao， et al. Coalquantity detection and automatic speed regulation systemof belt conveyor based on video identification[J]. CoalScience and Technology，2017，45（8）：212-216.

[ 9 ]楊春雨，顧振，張鑫，等. 基于深度學習的帶式輸送機煤流量雙目視覺測量[J]. 儀器儀表學報， 2021，41（8）：164-174.

YANG Chunyu， GU Zhen， ZHANG Xin， et al.Binocular vision measurement of coal flow of beltconveyors based on deep learning[J]. Chinese Journal ofScientific Instrument，2021，41（8）：164-174.

[10]曾飛，吳青，初秀民，等. 帶式輸送機物料瞬時流量激光測量方法[J]. 湖南大學學報（自然科學版），2015，42（2）：40-47.

ZENG Fei，WU Qing，CHU Xiumin，et al. Measurementof material instantaneous flow on belt conveyors basedon laser scanning[J]. Journal of Hunan University（Natural Sciences），2015，42（2）：40-47.

[11]胡而已. 融合激光掃描與機器視覺的煤流量測量研究[J]. 煤炭工程，2021，53（11）：146-151.

HU Eryi. Coal flow measurement based on laserscanning and machine vision[J]. Coal Engineering，2021，53（11）：146-151.

[12]李淑軍，田昌勇，周傳揚. 基于結構光的激光自動焊接跟蹤研究[J]. 應用光學，2023，44（6）：1280-1285.

LI Shujun， TIAN Changyong， ZHOU Chuanyang.Research on automatic laser welding tracking based onstructured light[J]. Journal of Applied Optics， 2023，44（6）：1280-1285.

[13]朱錚濤，裴煒冬，李淵，等. 基于遠心鏡頭的激光三角測距系統研究與實現[J]. 激光與光電子學進展，2018，55（3）：191-196.

ZHU Zhengtao，PEI Weidong，LI Yuan，et al. Researchand implementation of laser triangulation system basedon telecentric lens[J]. Laser amp; OptoelectronicsProgress，2018，55（3）：191-196.

[14]祝磊，韓自營，阮宇靜，等. 基于機器視覺的輪胎胎面檢測系統設計與實現[J]. 計算機工程與設計，2018，39（6）：1782-1787.

ZHU Lei， HAN Ziying， RUAN Yujing， et al. Designand implementation of tire tread detection system basedon machine vision[J]. Computer Engineering andDesign，2018，39（6）：1782-1787.

[15]鄭彬，羅山，蔣銀成. 基于RGB 圖像處理的輪胎胎面缺陷檢測方法研究[J]. 制造業自動化，2023，45（6）：35-38，49.

ZHENG Bin， LUO Shan， JINAG Yincheng. Researchon tire tread defect detection method based on RGBimage processing[J]. Manufacturing Automation，2023，45（6）：35-38，49.

[16]唐義杰，胡超，張倚瑋，等. 強椒鹽噪聲下的模糊邊緣自適應中值濾波算法[J]. 電子制作， 2022， 30（16） ：89-91.

TANG Yijie， HU Chao， ZHANG Yiwei， et al. Fuzzyedge adaptive median filtering algorithm under strongsalt and pepper noise[J]. Practical Electronics， 2022，30（16）：89-91.

[17]劉傳洋，吳一全. 基于紅外圖像的電力設備識別及發熱故障診斷方法研究進展 [J/OL]. 中國電機工程學報： 1-27[2024-04-12]. http：//kns.cnki.net/kcms/detail/11.2107.TM.20240226.0957.002.html.

LIU Chuanyang， WU Yiquan. Research progress onpower equipment identification and heating faultdiagnosis methods based on infrared images[J/OL].Proceedings of the CSEE：1-27[2024-04-12]. http：//kns.cnki.net/kcms/detail/11.2107.TM.20240226.0957.002.html.

[18]宋立彬，張淑艷. 基于機器視覺的煤流量快速檢測方法[J]. 煤炭技術，2023，42（9）：241-243.

SONG Libin，ZHANG Shuyan. Rapid detection methodof coal flow based on machine vision[J]. CoalTechnology，2023，42（9）：241-243.

[19]吳玉波，陳迪來，楊超，等. 基于Steger 算法的多線結構光中心提取[J]. 應用激光，2023，43（10）：188-195.

WU Yubo，CHEN Dilai，YANG Chao，et al. Multi-linestructured light center extraction based on improvedsteger algorithm[J]. Applied Laser， 2023， 43（10） ：188-195.

[20]陳哲，王生懷，鐘明. 3D 線激光相機的激光條紋中心提取方法[J]. 工具技術，2023，57（10）：155-160.

CHEN Zhe， WANG Shenghuai， ZHONG Ming. Laserstripe center extraction method for 3D line lasercameras[J]. Tool Engineering，2023，57（10）：155-160.

[21]胡石. 基于激光掃描的工業機器人焊接焊縫跟蹤方法[J]. 重慶科技學院學報（自然科學版），2023，25（5）：69-75.

HU Shi. Study on welding seam tracking method ofindustrial robot based on laser scanning[J]. Journal ofChongqing University of Science and Technology（Natural Sciences Edition），2023，25（5）：69-75.

[22]王浩，趙小輝，徐龍哲，等. 結構光視覺輔助焊接的軌跡識別與控制技術[J]. 焊接學報， 2023， 44（6） ： 50-57，132.

WANG Hao， ZHAO Xiaohui， XU Longzhe， et al.Research on trajectory recognition and controltechnology of structured light vision-assistedwelding[J]. Transactions of the China WeldingInstitution，2023，44（6）：50-57，132.

[23]南諾，侯作勛，曹東晶，等. 一種基于圖像形態學的深空圖像模糊復原方法[J]. 航天返回與遙感， 2023，44（2）：101-108.

NAN Nuo， HOU Zuoxun， CAO Dongjing， et al. Deepairimage blur restoration method based on imagemorphology[J]. Spacecraft Recovery amp; RemoteSensing，2023，44（2）：101-108.

[24]田江云，溫欣，劉旭東，等. 基于改進最小二乘法的橢圓形玻璃幕墻缺陷多傳感器融合檢測技術[J]. 無損檢測，2024，45（1）：28-32.

TIAN Jiangyun， WEN Xin， LIU Xudong， et al. Multisensorfusion detection technology for elliptical glasscurtain wall defects based on improved least squaresmethod[J]. Nondestructive Testing， 2024， 45（1） ：28-32.

基金項目：國家自然科學基金資助項目（52375069）。