基于双目视觉的金属表面缺陷测量

乔松; 赵章焰

doi:10.12404/j.issn.1671-1815.2505591

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (23) :10041-10049 DOI: 10.12404/j.issn.1671-1815.2505591

自动化技术、计算机技术

基于双目视觉的金属表面缺陷测量

乔松 ,
赵章焰 ^*

作者信息 +

Metal Surface Defect Measurement Based on Binocular Vision

QIAO Song ,
ZHAO Zhang-yan ^*

Author information +

文章历史 +

摘要

为了实现更高精度的金属表面缺陷检测,提出基于双目视觉的金字塔SGBM(semi-global block matching)缺陷测量方法。首先,基于限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)、双边滤波和导向滤波进行图像增强,去除图像中的多余噪声,使其更加清晰;其次利用图像金字塔和ORB(oriented FAST and rotated BRIEF)特征检测进行分层优化,提高算法的计算效率与精度;最后,通过视差后处理,使用加权最小二乘(weighted least squares,WLS)滤波与高斯权重的亚像素精修得到精度更高的视差图。实验结果表明,所提出的方法在金属表面缺陷测量中效果显著,重建出的三维点云结构清晰,改进后的金字塔SGBM算法精度有显著增强,金属表面缺陷尺寸测量相对误差小于5%,满足实际检测需求。本文所提方法可有效克服金属表面反光、复杂噪声对立体匹配的干扰,兼顾运算效率与测量鲁棒性,能够为工业场景下金属构件表面缺陷三维重建与定量尺寸检测提供技术参考和实用方案。

Abstract

To achieve higher-precision detection of metal surface defects, a defect measurement method based on binocular vision and pyramid SGBM(semi-global block matching)was proposed. First, image enhancement was performed using contrast limited adaptive histogram equalization (CLAHE), bilateral filtering, and guided filtering to remove redundant noise from images and improve their clarity. Second, hierarchical optimization was implemented using image pyramids and ORB (oriented FAST and rotated BRIEF) feature detection to enhance the computational efficiency and accuracy of the algorithm. Finally, through disparity post-processing, a more accurate disparity map was obtained using weighted least squares (WLS) filtering and subpixel refinement with Gaussian weights. Experimental results show that the proposed method achieves significant effects in metal surface defect measurement: the reconstructed 3D point cloud has a clear structure, the accuracy of the improved pyramid SGBM algorithm is significantly enhanced, and the relative error of metal surface defect size measurement is less than 5%, which meets the requirements of practical detection. The proposed method can effectively eliminate the interference of metal surface reflection and complex noise on stereo matching, while balancing computational efficiency and measurement robustness. It can provide technical reference and practical solutions for 3D reconstruction and quantitative dimension detection of surface defects of metal components in industrial scenarios.

Graphical abstract

关键词

缺陷测量 / 双目视觉 / SGBM算法 / 金属表面测量 / ORB特征检测 / 图像处理

Key words

defect measurement / binocular vision / SGBM algorithm / metal surface measurement / ORB feature detection / image processing

引用本文

引用格式 ▾

乔松, 赵章焰. 基于双目视觉的金属表面缺陷测量[J]. 科学技术与工程, 2026, 26(23): 10041-10049 DOI:10.12404/j.issn.1671-1815.2505591

QIAO Song, ZHAO Zhang-yan. Metal Surface Defect Measurement Based on Binocular Vision[J]. Science Technology and Engineering, 2026, 26(23): 10041-10049 DOI:10.12404/j.issn.1671-1815.2505591

登录浏览全文

4963

注册一个新账户忘记密码

在现代工业领域,金属材料作为基础性关键工程材料,在航空航天、汽车制造、桥梁建设、电子设备等诸多领域均有广泛应用。产品使用金属材料的状况,直接影响其可靠性及安全性。正因如此,高效且精准地开展金属表面缺陷检测,对于保障产品质量、提高生产效率、削减生产成本,以及保障工业生产安全稳定运行,都具有至关重要的意义。

金属表面缺陷检测已从最初的人工目检,逐步迈向自动化,再到如今的智能化阶段,实现了从人力到算法、从经验到数据驱动的跨越。早期的人工检测主要依赖工人的视觉与触觉,凭借经验来识别金属表面的缺陷。人工检测效率低、精度差,难以满足现代工业大批量、高精度的需求。由此催生了涡流、超声、射线、磁粉、红外等自动化手段。詹湘琳等^[1]基于LDR(photoresistor orlight-dependent resistor)效应可以增强微脱黏界面间的非线性,由此对金属板损伤进行计算;刘佳琪^[2]用透射激光热成像,发现缺陷温度与深度呈指数关系,可直接算出缺陷深度;李嘉兴^[3]将CCD(charge-coupled device)与偏振成像技术结合,设计基于偏振光的钢板尺寸测量系统。

近年来,计算机技术的不断发展催生了机器视觉的缺陷检测,并迅速成为研究热点。周书华等^[4]融合局部信息熵、梯度漂移等技术优化双目视觉测量;张枫吟等^[5]设计了一种自动装车机车厢尺寸测量系统,进一步推动双目视觉测量的发展;吴洪臣等^[6]提出了一种基于多线程半全局立体匹配的工件内部检测方法,改进后的 SGBM(semi-global block matching) 算法处理速度提高,欧式距离测量和区域面积测量均有较高的精度,满足工件内部检测需求;吕钦等^[7]改进SGBM算法,解决铝合金件三维重建误匹配难题;Firmansyah等^[8]基于FPGA硬件加速进行实时测量;Chen等^[9]实现水下障碍实时识别测距;Zhao等^[10]改进了双目立体视觉系统的测量精度;Huang等^[11]、Zhang等^[12]侧重于相机的校准性能;Wang等^[13]改进 AD-Census 算法,提升检测精度与速度;Lin等^[14]改进泊松重建计算猪的点云体积;Kong等^[15]使用实例分割和点云处理对非侵入性鲬鱼进行质量估计;王浩^[16]结合YOLOv8 与SGBM完成划痕三维尺寸测量;王然^[17]结合图像分割与角点检测,实现物体尺寸高精度非接触测量;陈旭佳等^[18]采用双目结构光三维重建技术,实现类球形水果外形指标的非接触、自动化高精度测量;谭斌等^[19]利用YOLOv5(you only look once version 5)与视差计算的方法进行目标检测与测距系统设计,能准确检测室外目标障碍物,并实现目标测距;赵杰等^[20]设计了一套用于移动机械臂抓取物料过程中的三维空间定位的双目检测方法;王晓初等^[21]针对轨道纵向位移测量问题设计了一种基于双目视觉的轨道纵向位移测量方法;王杨等^[22]提出一种双通道立体图像质量评价算法;郑坤等^[23]基于改进的双目立体视觉实现海浪波面三维重建技术。上述情况说明,使用双目视觉技术对金属表面缺陷进行测量已经是一种成熟的检测技术,但是测量精度仍然是一个需要解决的问题。

针对金属表面缺陷纹理较少、光照不均、噪声干扰以及缺陷类型多样、形态各异等因素,提出一种基于双目视觉的金字塔SGBM缺陷测量方法。首先,使用CLAHE(contrast limited adaptive histogram equalization)、双边滤波和导向滤波进行图像增强,去除噪声、保留细节边缘并增加图像对比度;然后,基于ORB(oriented FAST and rotated BRIEF) 特征匹配与图像金字塔的分层优化,在提高算法计算速度的同时提升精度;最后,使用WLS滤波与高斯权重的亚像素精修进行视差后处理,提高视差图的精度。

1 双目立体匹配算法

1.1 双目视觉原理

将空间中的三维信息转换为图像中的二维信息即是相机成像的过程^[7],如图1所示。

世界坐标系与像素坐标系的转换计算公式为

(1)$ Z_{\mathrm{c}}\left[\begin{array}{c}u \\v \\1\end{array}\right]=\left[\begin{array}{ccc}f_{x} & 0 & u_{0} \\0 & f_{y} & v_{0} \\0 & 0 & 1\end{array}\right]\left[\begin{array}{ll}\boldsymbol{R}_{3 \times 3} & \boldsymbol{t}_{3 \times 1}\end{array}\right]\left[\begin{array}{c}X_{\mathrm{w}} \\Y_{\mathrm{w}} \\Z_{\mathrm{w}} \\1\end{array}\right]$

式(1)中:Z_c为相机坐标系下点的深度值;(u、v)为像素坐标系下点的坐标;f_x、f_y为相机在x轴和y轴方向上的焦距;(u₀、v₀)为主点坐标;(X_w、Y_w、Z_w)为世界坐标系下点的坐标;R_3×3为旋转矩阵;t_3×1为平移向量。

双目视觉算法通过计算左右图像的视差信息,再结合相机内外参数将视差转换为深度信息,从而实现物体三维数据的获取。其原理如图2所示。

在双目视觉计算时,目标点P(x,y)的深度计算公式为

(2)

$Z=\frac{bf}{{x}_{L}-{x}_{R}}$

式(2)中:f为相机焦距;b为基线长度; x_L和x_R分别为目标点P在两个相机图像上的像点P_L、P_R与相机左成像面的距离。因此,在得到相机参数和视差后可计算出对应的三维数据。

1.2 相机标定与校正

左右相机的位置会影响双目视觉的计算结果。而镜头都存在光学畸变,如径向畸变和切向畸变,这些畸变会导致图像中的直线弯曲、像素位置偏离理想的针孔模型投影位置。因此,需要先进行相机标定与图像校正。采用双目相机,依据张正友标定法进行标定,黑白棋盘格规格为12×9-20,采集20张图像,通过双目标定算法进行相机标定。

在实际应用场景中,双目相机系统难以满足完全平行且共面的理想几何配置,导致左右相机所采集的图像存在非平行视场差异。因此,需要对左右图像进行极线校正,通过几何变换消除左右视图间的极线畸变,将左右图像的极线约束为平行且水平的共线结构,从而简化立体匹配的计算复杂度。如图3所示为极线校正的效果。

1.3 双目立体匹配算法

通过对BM(block matching)局部匹配算法、基于SAD(sum of absolute differences)匹配算法与SGBM半全局匹配算法的研究学习。BM算法将图像分为小方块,然后在另一幅图里滑动比对位置,靠位移向量找最相似的小块进行计算,主要应用于实时性要求高、场景纹理丰富的场景,对纹理匮乏区域匹配精度低;SAD匹配算法是基于局部窗口像素灰度差异判断左右视图中像素的匹配程度,对噪声、光照变化敏感,弱纹理区域易匹配错误;SGBM算法使用块匹配代替逐像素匹配计算初始代价,提高效率,通过动态规划路径聚合减少冗余计算,降低内存消耗。

因此,在SGBM算法基础上提出基于图像增强、ORB 特征匹配与图像金字塔的分层优化和WLS 滤波与高斯权重的亚像素精修的金字塔SGBM算法,使其更适合金属表面缺陷图像的计算。其结构如图4所示。

1.3.1 图像增强

金属表面图像受材质特性和拍摄环境影响,存在显著缺陷,会严重干扰后续特征匹配。例如,局部过亮或过暗导致划痕、腐蚀点、接缝等细微特征因曝光过度或不足而难以辨识;表面氧化层、油污或粉尘产生的伪纹理噪声与裂纹、接缝等关键特征形态相似,常规处理极易混淆误判;反光、暗区及噪声还会使关键的缺陷轮廓或结构接缝等边缘特征变得模糊或断裂。清晰完整的边缘是匹配的核心,其失真将直接导致匹配错误。这些缺陷会严重影响后续立体匹配的结果,需要进行针对性处理。

限制对比度自适应直方图均衡化CLAHE 是一种兼顾局部增强和噪声抑制的方法,平衡了增强效果与图像稳定性,适用于处理金属表面等具有强烈局部光照差异的图像。可以让缺陷、边缘等细节在不同光照条件下都能清晰显现,为后续的特征匹配提供更可靠的基础。

双边滤波和导向滤波共同解决金属图像中噪声与边缘共存且边缘易模糊的矛盾。

双边滤波是基于像素值权重改进后的高斯滤波,要同时考虑像素与距离的影响。在边缘处抑制平滑,保留边缘信息;在平坦区域增强平滑,去除噪声。导向滤波是基于局部线性模型拟合引导图结构,通常以另一幅图像为引导,在平滑当前图像时保持与引导图的结构一致性。在图像经过双边滤波后,边缘可能仍有轻微模糊,导向滤波以原图为引导,进一步锐化边缘。金属表面的均匀反光区域可能存在细微亮度波动,导向滤波会平滑这类冗余纹理,同时保留边缘。这些图像增强的效果如图5所示。

1.3.2 ORB 特征匹配与图像金字塔分层优化

在SGBM算法中,图像使用固定的视差参数进行计算,这对于高分辨率图像和近距离图像很不方便,需要不断调整视差范围参数以适应不同图像。为解决这一问题,基于ORB特征匹配和图像金字塔对SGBM算法的视差范围参数进行优化,使其能够自适应地处理所有图像。

图像金字塔是用于表示图像不同尺度的结构。其核心思想是通过多尺度分层,将不同尺度的特征分离到金字塔的不同层级,为后续跨尺度特征匹配提供基础。

ORB特征匹配是一种高效的图像特征匹配方法,通过将FAST关键点检测与BRIEF描述子相结合提取特征点,然后利用汉明距离进行快速筛选匹配,最后通过随机采样一致性RANSAC(random sample consensus)算法剔除误匹配得到可靠的特征点对应关系。

采用3层图像金字塔结构,底层作为原始分辨率图像;对每一层图像进行高斯模糊和下采样,生成上一层金字塔图像;每层图像对应一个尺度因子,用于后续匹配时的尺度一致性校验。顶层分辨率最低,特征点数量少、覆盖范围大,描述子对细节变化不敏感,但能反映全局结构;低层分辨率最高,特征点数量多、细节丰富,描述子能捕捉局部精细结构。对金字塔的顶层,使用 ORB 算法提取特征点及其描述子,其结果作为顶层计算的视差范围并传递到中层;中层得到上层的视差范围后乘以对应的缩放因子,然后增加若干个像素的搜索边界,同时,中层也进行ORB 特征检测,将其检测到的视差范围与上层传递的视差范围进行平均,作为中层最后的视差范围传递到底层;底层进行与中层相同的视差范围计算,将本层ORB 特征检测的结果与中层的传递结果进行平均,得到底层图像的视差计算范围。

分层优化通过在多分辨率层级上逐级传递匹配约束,大幅提升了计算效率,并利用高层全局信息降低错误匹配风险,最终在底层原始分辨率上实现了高精度且鲁棒的匹配结果。其结构如图6所示。

1.3.3 视差后处理

在SGBM算法计算视差图后,得到的初始视差图可以通过WLS 滤波与左右一致性检查、亚像素精修来提升精度。

WLS滤波通过权重区分区域特性,从而选择性平滑和保留边缘细节。其核心思想是:约束滤波后的视差与原始视差接近;对相邻像素的视差差异进行不同权重的惩罚。

左右一致性检查通过对左右视差图进行对比,将其中差异大于阈值的点作废。检测并标记遮挡区域;过滤错误匹配点并生成置信度图,为后续处理提供可靠性依据。WLS滤波利用左右一致性检查生成的置信度图,对不可信区域,如遮挡边界,进行更谨慎的平滑,避免将错误视差扩散;对可信区域则强化平滑,提高整体精度。

亚像素精修是通过二次曲线拟合实现视差值的亚像素级精细化,首先构建有效掩码筛选出视差范围内的可处理像素,采用自适应高斯加权SAD计算替代传统均匀权重,显著抑制边缘伪影并增强中心特征响应。在动态代价计算阶段,以当前整数视差为中心扩展±1~2像素搜索范围,实时截取左右图像块并计算归一化匹配代价。核心优化通过选取最低代价的三个视差点进行抛物线拟合,利用顶点公式Δx=-b/(2a)计算偏移量,同时实施双重鲁棒性保障:严格限制偏移幅度在搜索范围内以排除野值,最终校验视差结果是否处于有效区间。

视差后处理过程通过左右一致性检查先标记遮挡区、错误匹配点,生成置信度图;WLS滤波基于权重处理置信度图,对高置信区域平滑去噪,对低置信区域平滑保边缘;最后亚像素精修在 WLS滤波优化后的视差基础上,通过局部拟合提升精度,从整数级到亚像素级,为后续三维分析提供坚实基础。

1.4 算法性能检测

为了验证改进的金字塔SGBM算法的精准效果,选取Middlebury Stereo数据集^[24-25]中venus、tsukuba、cones和teddy作为数据集,与BM算法、SAD算法与SGBM算法进行对比,结果如图7所示。另外,通过计算双目视差图与数据集图像的非遮挡区域、全局、视差不连续区域的误匹配率PBM(percentage of bad matching pixels)作为评价指标,计算公式为

(3)$ \mathrm{PBM}=\frac{1}{N} \sum_{(x, y)}\left|d_{\mathrm{c}}(x, y)-d_{\mathrm{t}}(x, y)\right|>d$

式(3)中:d为所允许的误差;d_c(x,y)与d_t(x,y)分别是待评估视差图与标准视差图;N为视差图中参与误匹配率计算的有效像素总数,误匹配率为无量纲比例指标,本文中以百分比形式呈现。按照d=3进行对比,其结果如表1所示。

由图7和表1可知,BM算法基于滑动窗口进行计算,因此其得到的视差图边缘模糊,中间部分有大量无效视差区域,其误匹配率最高;SGBM算法使用块匹配代替逐像素匹配计算初始代价,依赖于参数调整,整体视差图效果较差,误匹配率也高于本文算法;SAD 算法通过计算左右视图中对应像素块内像素灰度值绝对差值的总和来完成视差估计,但该算法在纹理区域的响应较弱,对边缘的处理效果欠佳,因此整体匹配错误率相对较高;而本文中使用的金字塔SGBM算法计算得到的视差图边缘清晰,还能保留局部细节,匹配效果最好。

2 实验分析

选取锈蚀和破损两种常见的缺陷,使用双目相机拍摄边长为10 cm的金属板锈蚀和破损图像,通过本文中金字塔SGBM立体匹配算法生成视差图,将视差图转化为深度图与三维点云数据,通过人机交互在图像上框选缺陷区域,并将缺陷区域的像素坐标代入深度图中,从而计算缺陷区域的尺寸。重建结果如图8所示,左视图和视差图中的红色方框就是所选择的缺陷区域。在深度图中对这两种缺陷尺寸进行多次,取5次结果,如表2所示。

为确保算法的实用性能,选取真实场景下的金属锈蚀和破损进行实验验证,包含钢板表面锈蚀、箱型梁表面锈蚀和破损。其重建结果示意图和测量结果分别如图9和表3所示。

由图8和图9可知,本文中金字塔SGBM算法可以精准地计算出图像场景对应的点云数据,根据表2和表3的测量数据可得,测量的尺寸误差在5%以内,测量效果比较好,可以应用于实际工作中。

3 结论

针对金属表面缺陷测量问题,提出金字塔SGBM算法,可输出精准平滑的视差图与细节清晰的三维点云模型,为缺陷量化评估提供可靠支撑。该算法创新点集中于三方面。

(1)采用CLAHE、双边滤波与导向滤波结合的三级图像增强方案,针对性地解决金属图像反光、噪声难题,兼顾去噪与保边。

(2)融合ORB特征匹配与图像金字塔,构建分层优化机制,突破固定视差参数限制,提升算法效率与匹配精度。

(3)设计WLS 滤波与高斯权重亚像素精修的视差后处理策略,实现亚像素级精度,形成完整技术闭环。

本文算法的测量平均误差<5%,满足工程高精度需求,三维重建效果优异,支持缺陷可视化精准测量,鲁棒性强。后期将进一步优化算法模型,提高视差计算和三维建模的速度,实现实时检测。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	詹湘琳, 李淑文. 基于局部缺陷共振的纤维金属层板微脱黏缺陷评价方法[J]. 激光与光电子学进展, 2021, 58(23): 247-255.

[2]	Zhan Xianglin, Li Shuwen. Evaluation of micro-delamination defects in fiber metal laminates based on local defect resonance[J]. Laser & Optoelectronics Progress, 2021, 58(23): 247-255.

[3]	刘佳琪. 基于激光热成像的金属表面缺陷检测研究[D]. 太原: 中北大学, 2021.

[4]	Liu Jiaqi. Research on metal surface defect detection based on laser thermography[D]. Taiyuan: North University of China, 2021.

[5]	李嘉兴. 钢板尺寸与缺陷的光学检测图像处理算法的研究[D]. 太原: 太原科技大学, 2024.

[6]	Li Jiaxing. Research on optical inspection image processing algorithms for steel plate dimension and defect detection[D]. Taiyuan: Taiyuan University of Science and Technology, 2024.

[7]	周书华, 许四祥, 董晨晨, 等. 基于局部信息熵和梯度漂移的双目视觉测量算法[J]. 激光与光电子学进展, 2023, 60(12): 333-341.

[8]	Zhou Shuhua, Xu Sixiang, Dong Chenchen, et al. Binocular vision measurement algorithm based on local information entropy and gradient drift[J]. Laser & Optoelectronics Progress, 2023, 60(12): 333-341.

[9]	张枫吟, 李永新. 基于双目视觉的水泥自动装车机车厢尺寸测量系统[J]. 传感器与微系统, 2025, 44(2): 160-162, 168.

[10]	Zhang Fengyin, Li Yongxin. Automatic cement-loading truck compartment dimension measurement system based on binocular vision[J]. Transducer and Microsystem Technologies, 2025, 44(2): 160-162, 168.

[11]	吴洪臣, 陈晓荣, 李柏杨. 多线程半全局立体匹配工件内部检测方法[J]. 中国机械工程, 2025, 36(11): 2783-2791.

[12]	Wu Hongchen, Chen Xiaorong, Li Baiyang. Multi-threaded semi-global stereo matching method for internal workpiece inspection[J]. China Mechanical Engineering, 2025, 36(11): 2783-2791.

[13]	吕钦, 周诗洋, 万波为, 等. 基于双目视觉的铝合金件三维点云重建研究[J]. 组合机床与自动化加工技术, 2025(2): 63-68.

[14]	Lü Qin, Zhou Shiyang, Wan Bowei, et al. Research on 3D point-cloud reconstruction of aluminum alloy parts based on binocular vision[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2025(2): 63-68.

[15]	Firmansyah I, Yamaguchi Y, Maruyama T, et al. FPGA-based stereo matching for crop height measurement using monocular camera[J]. Microprocessors and Microsystems, 2024, 108: 105063.

[16]	Chen Q, Liu H, Gan W Y. A real-time recognition and distance measurement method for underwater dynamic obstacles based on binocular vision[J]. Measurement, 2025, 252: 117329.

[17]	Zhao H, Ma W, Ji P, et al. Modeling the measurement accuracy for binocular stereo vision system[J]. Optics Express, 2025, 33(9): 19051-19066.

[18]	Huang W, Miao H, Jiao S, et al. A planar constraint optimization method to improve camera calibration for imperfect planar targets[J]. Optics and Lasers in Engineering, 2024, 180: 108273.

[19]	Zhang X, Lü T, Dan W, et al. High-precision binocular camera calibration method based on a 3D calibration object[J]. Applied Optics, 2024, 63(10): 2667-2682.

[20]	Wang Y N, Gu M J, Zhu Y F, et al. Improvement of AD-census algorithm based on stereo vision[J]. Sensors, 2022, 22(18): 6933.

[21]	Lin J, Chen H, Wu R, et al. Calculating volume of pig point cloud based on improved poisson reconstruction[J]. Animals, 2024, 14(8): 1210.

[22]	Kong M, Li B, Zhang Y, et al. Non-intrusive mass estimation method for crucian carp using instance segmentation and point cloud processing[J]. Computers and Electronics in Agriculture, 2024, 226: 109445.

[23]	王浩. 高速动车组车轴划痕缺陷视觉检测技术研究[D]. 长春: 吉林大学, 2024.

[24]	Wang Hao. Research on visual inspection technology for scratch defects on high-speed EMU axles[D]. Changchun: Jilin University, 2024.

[25]	王然. 基于双目视觉的物体尺寸测量研究[D]. 唐山: 华北理工大学, 2023.

[26]	Wang Ran. Research on object dimension measurement based on binocular vision[D]. Tangshan: North China University of Science and Technology, 2023.

[27]	陈旭佳, 彭羽萌, 俞盛旗, 等. 基于双目结构光三维重建的类球形水果外形指标测量[J]. 农业工程学报, 2024, 40(20): 187-194.

[28]	Chen Xujia, Peng Yumeng, Yu Shengqi, et al. Measurement of shape indices for near-spherical fruits based on binocular structured-light 3-D reconstruction[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(20): 187-194.

[29]	谭斌, 王婷. YOLOv5与视差计算算法的目标检测与测距系统设计[J]. 科学技术与工程, 2024, 24(21): 9015-9024.

[30]	Tan Bin, Wang Ting. Design of an object detection and ranging system based on YOLOv5 and disparity computation[J]. Science Technology and Engineering, 2024, 24(21): 9015-9024.

[31]	赵杰, 汪志成, 黄南海, 等. 基于双目视觉的物料三维空间定位算法[J]. 科学技术与工程, 2023, 23(18): 7861-7867.

[32]	Zhao Jie, Wang Zhicheng, Huang Nanhai, et al. 3-D spatial positioning algorithm for materials based on binocular vision[J]. Science Technology and Engineering, 2023, 23(18): 7861-7867.

[33]	王晓初, 钟隆昇, 王义, 等. 基于双目视觉的轨道纵向位移测量方法[J]. 科学技术与工程, 2022, 22(27): 12167-12174.

[34]	Wang Xiaochu, Zhong Longsheng, Wang Yi, et al. Longitudinal displacement measurement of railway tracks based on binocular vision[J]. Science Technology and Engineering, 2022, 22(27): 12167-12174.

[35]	王杨, 贾曦然, 隆海燕. 双通道立体图像质量评价方法的研究[J]. 科学技术与工程, 2023, 23(4): 1589-1597.

[36]	Wang Yang, Jia Xiran, Long Haiyan. Research on dual-channel stereoscopic image quality assessment method[J]. Science Technology and Engineering, 2023, 23(4): 1589-1597.

[37]	郑坤, 姜文正, 卢晓, 等. 基于双目立体视觉的海浪波面三维重建技术[J]. 科学技术与工程, 2021, 21(6): 2392-2396.

[38]	Zheng Kun, Jiang Wenzheng, Lu Xiao, et al. 3D reconstruction technology of ocean wave surface based on binocular stereoscopic vision[J]. Science Technology and Engineering, 2021, 21(6): 2392-2396.

[39]	Scharstein D, Szeliski R. A taxonomy and evaluation of dense two-frame stereo correspondence algorithms[J]. International Journal of Computer Vision, 2002, 47(1-3): 7-42.

[40]	Szeliski S D. High-accuracy stereo depth maps using structured light[C]// IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2003: 195-202.