【技术实现步骤摘要】
本专利技术属于激光位移测试，具体涉及一种激光位移测试方法。
技术介绍
1、现有的距离测量技术包括超声波测距、红外线测距、雷达测距等，但这些技术在实际应用中存在一定的局限性，如测量精度不高、受环境影响大等问题。激光测距技术因其高方向性、高单色性和高亮度等特点，在精确距离测量领域具有明显优势。在现有的激光测距领域中，激光位移传感器因其非接触、高精度、高速度等优点而被广泛应用。然而，传统的激光位移测量方法往往受限于环境因素和传感器本身的性能，导致测量精度和稳定性有待提高。
技术实现思路
1、本专利技术提供一种激光位移测试方法，用以解决现有技术中的精度不高以及稳定性较差的技术问题。
2、一种激光位移测试方法，包括：
3、确定激光发射器与被测物体之间的第一测试数据以及不断移动被测物体之后的第二测试数据；
4、其中，所述第一测试数据以及第二测试数据均包括测试距离以及由被测物体表面反射并被面阵图像传感器采集的测试图像；
5、根据所述第一测试数据以及所述第二测试数据，进行测试数据融合，以确定样本图像数据以及对应的位移数据；
6、以样本图像数据以及对应的位移数据为基础，对预先构建的深度学习图像识别模型进行优化，得到位移测试模型；
7、获取实时测试数据，并采用所述位移测试模型对所述实时测试数据进行识别之后，得到激光位移测试结果。
8、进一步地，根据所述第一测试数据以及所述第二测试数据，进行测试数据融合，以确定样本图像数
9、取出第二测试数据中的测试图像，并确定任意两个相邻位置对应的测试图像中光斑对应的像素位置；
10、以所述两个相邻位置对应的测试图像中光斑对应的像素位置以及测试距离为基础，采用线性插值法生成新测试图像以及新测试图像对应的测试距离，以生成测量限程内所有距离下的新测试数据；
11、针对任意一个第二测试数据或任意一个新测试数据，将测试图像与第一测试数据中的测试图像进行拼接，得到拼接图像，并将所述拼接图像作为样本图像数据，将第二测试数据或新测试数据中的测试距离作为对应的位移数据。
12、进一步地，取出第二测试数据中的测试图像，并确定任意两个相邻位置对应的测试图像中光斑对应的像素位置，包括：
13、取出第二测试数据中的测试图像；
14、针对任意一个第二测试数据中的测试图像，确定由被测物体表面反射的激光光斑所在目标像素点；
15、将目标像素点的像素位置进行求平均，得到测试图像中光斑对应的像素位置。
16、进一步地，以所述两个相邻位置对应的测试图像中光斑对应的像素位置以及测试距离为基础，采用线性插值法生成新测试图像以及新测试图像对应的测试距离，以生成测量限程内所有距离下的新测试数据，包括：
17、以所述两个相邻位置对应的测试图像中光斑对应的像素位置为基础，确定两个相邻位置对应的测试图像所对应的光斑距离；
18、以所述两个相邻位置对应的测试图像对应的实际测试距离为基础，确定两个相邻位置对应的测试图像所对应的实际距离；
19、根据所述实际距离以及光斑距离，得到距离比；其中，所述距离比用于表征实际距离对应的单位距离所对应的像素距离；
20、根据距离比，确定移动单位距离所导致的像素距离变化量；
21、以所述两个相邻位置对应的测试图像以及像素距离变化量为基础，将测试图像中的光斑按固定距离移动，得到新测试图像，并同时将实际距离按单位距离修改，得到新测试图像对应的测试距离；
22、将所述新测试图像对应的测试距离共同作为新测试数据。
23、进一步地，以所述两个相邻位置对应的测试图像以及像素距离变化量为基础，将测试图像中的光斑按固定距离移动，得到新测试图像，并同时将实际距离按单位距离修改，得到新测试图像对应的测试距离，包括：
24、针对所述两个相邻位置对应的测试图像，将一个位置对应的测试图像所对应的光斑作为起点，将另一个位置对应的测试图像所对应的光斑作为终点，将测试图像中的光斑按固定距离移动，得到新测试图像；
25、在移动光斑的同时，将起点对应的实际距离按单位距离修改，得到新测试图像对应的测试距离。
26、进一步地，以样本图像数据以及对应的位移数据为基础，对预先构建的深度学习图像识别模型进行优化，得到位移测试模型，包括：
27、针对预先构建的深度学习图像识别模型，随机初始化深度学习图像识别模型对应的模型参数，并将所述模型参数组成向量，得到模型参数向量；
28、以上述模型参数向量获取方法为基础，获取多个不同的模型参数向量，完成初始解的生成；
29、在当前优化过程中，对模型参数向量进行随机方向上的局部信息探索，得到局部信息探索之后的模型参数向量；
30、针对局部信息探索之后的模型参数向量，采用概率决策方法对模型参数向量进行随机方向上的全局信息探索，得到全局信息探索之后的模型参数向量；
31、针对全局信息探索之后的模型参数向量，采用多信息交互方法对模型参数向量进行最优信息探索，得到最优信息探索之后的模型参数向量；
32、判断当前优化次数是否到达最大优化次数，若是，则根据最优信息探索之后的模型参数向量，确定深度学习图像识别模型的最终参数，得到位移测试模型，否则返回局部信息探索的步骤。
33、进一步地，对模型参数向量进行随机方向上的局部信息探索，得到局部信息探索之后的模型参数向量为：
34、
35、其中，表示第t次优化过程中第i个模型参数向量，表示第t+1次优化过程中第i个模型参数向量，即第i个局部信息探索之后的模型参数向量；i＝1,2,…,i，i表示模型参数向量的总数，表示除了模型参数向量之外的其他模型参数向量，rand1表示(0,1)之间的随机数，π表示圆周率。
36、进一步地，针对局部信息探索之后的模型参数向量，采用概率决策方法对模型参数向量进行随机方向上的全局信息探索，得到全局信息探索之后的模型参数向量为：
37、针对每个全局信息探索之后的模型参数向量，确定其变异概率为：
38、
39、其中，θ表示变异概率，表示第k个全局信息探索之后的模型参数向量对应的适应度，表示最优模型参数向量对应的适应度，exp表示以自然常数e为底的指数函数；
40、确定变异数量为：
41、ηt＝int(αcos(πt/t)*ηt-1)
42、其中，ηt表示第t次优化过程中的变异数量，ηt-1表示第t-1次优化过程中的变异数量，int表示取整函数，α表示衰减因子，t表示最大优化次数，π表示圆周率；
43、将全局信息探索之后的模型参数向量按照适应度从大到小的顺序排列，并将最优模型参数向量之外的前ηt个模型参数向量取出，作为目标模型参数向量；
44、针本文档来自技高网...
【技术保护点】
1.一种激光位移测试方法，其特征在于，包括：
2.根据权利要求1所述的激光位移测试方法，其特征在于，根据所述第一测试数据以及所述第二测试数据，进行测试数据融合，以确定样本图像数据以及对应的位移数据，包括：
3.根据权利要求2所述的激光位移测试方法，其特征在于，取出第二测试数据中的测试图像，并确定任意两个相邻位置对应的测试图像中光斑对应的像素位置，包括：
4.根据权利要求3所述的激光位移测试方法，其特征在于，以所述两个相邻位置对应的测试图像中光斑对应的像素位置以及测试距离为基础，采用线性插值法生成新测试图像以及新测试图像对应的测试距离，以生成测量限程内所有距离下的新测试数据，包括：
5.根据权利要求4所述的激光位移测试方法，其特征在于，以所述两个相邻位置对应的测试图像以及像素距离变化量为基础，将测试图像中的光斑按固定距离移动，得到新测试图像，并同时将实际距离按单位距离修改，得到新测试图像对应的测试距离，包括：
6.根据权利要求1-5任一所述的激光位移测试方法，其特征在于，以样本图像数据以及对应的位移数据为基础，对预先构建的
7.根据权利要求6所述的激光位移测试方法，其特征在于，对模型参数向量进行随机方向上的局部信息探索，得到局部信息探索之后的模型参数向量为：
8.根据权利要求7所述的激光位移测试方法，其特征在于，针对局部信息探索之后的模型参数向量，采用概率决策方法对模型参数向量进行随机方向上的全局信息探索，得到全局信息探索之后的模型参数向量为：
9.根据权利要求8所述的激光位移测试方法，其特征在于，针对全局信息探索之后的模型参数向量，采用多信息交互方法对模型参数向量进行最优信息探索，得到最优信息探索之后的模型参数向量为：
10.根据权利要求1所述的激光位移测试方法，其特征在于，获取实时测试数据，并采用所述位移测试模型对所述实时测试数据进行识别之后，得到激光位移测试结果，包括：
...【技术特征摘要】
1.一种激光位移测试方法，其特征在于，包括：
2.根据权利要求1所述的激光位移测试方法，其特征在于，根据所述第一测试数据以及所述第二测试数据，进行测试数据融合，以确定样本图像数据以及对应的位移数据，包括：
3.根据权利要求2所述的激光位移测试方法，其特征在于，取出第二测试数据中的测试图像，并确定任意两个相邻位置对应的测试图像中光斑对应的像素位置，包括：
4.根据权利要求3所述的激光位移测试方法，其特征在于，以所述两个相邻位置对应的测试图像中光斑对应的像素位置以及测试距离为基础，采用线性插值法生成新测试图像以及新测试图像对应的测试距离，以生成测量限程内所有距离下的新测试数据，包括：
5.根据权利要求4所述的激光位移测试方法，其特征在于，以所述两个相邻位置对应的测试图像以及像素距离变化量为基础，将测试图像中的光斑按固定距离移动，得到新测试图像，并同时将实际距离按单位距离修改，得到新测试图像对应的测试距离，包括：
6...
【专利技术属性】
技术研发人员：顾青柏，
申请(专利权)人：北京海铵德机械科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。