So sánh Checkerboard và ChArUco trong hiệu chuẩn máy ảnh cho ứng dụng hệ laser vision trên robot hàn
,
*
,
và
Abstract
This study compares Checkerboard and ChArUco for camera calibration in laser vision systems for industrial welding robots, to evaluate their performance and potential for fast recalibration toward real-time use. A unified evaluation framework was developed based on the pinhole camera model with Brown–Conrady distortion, using the same camera–lens setup, board poses, and image acquisition conditions, including three noisy scenarios (glare and partial occlusion). The evaluation metrics include RMS reprojection error, detection speed, and detection success rate. The results show that the estimated intrinsic matrix and distortion coefficients are equivalent, with RMS errors below 0.2 px for both methods. ChArUco outperforms Checkerboard in detection robustness under noisy conditions, whereas Checkerboard achieves faster detection (» 9.5 ms/image versus » 19.5 ms/image) but fails in noisy images. These results indicated that ChArUco is more suitable for fast recalibration scenarios requiring high detection robustness in noisy industrial environments.
Tóm tắt
Nghiên cứu này được thực hiện với mục đích so sánh hai mẫu bảng Checkerboard và ChArUco trong bài toán hiệu chuẩn máy ảnh, cho bối cảnh ứng dụng hệ laser vision trên robot hàn công nghiệp, nhằm đánh giá hiệu năng và tiềm năng áp dụng trong các kịch bản tái hiệu chuẩn hướng tới thời gian thực. Một khung đánh giá thống nhất đã được xây dựng dựa trên mô hình máy ảnh lỗ kim với biến dạng Brown–Conrady, sử dụng cùng cấu hình máy ảnh–ống kính, tập tư thế bảng và điều kiện thu ảnh, trong đó có 03 kịch bản nhiễu (chói sáng, bị che khuất). Chỉ số đánh giá gồm: sai số tái chiếu RMS, tốc độ nhận dạng và tỷ lệ nhận dạng thành công. Kết quả cho thấy ma trận nội và hệ số biến dạng ước lượng là tương đương, với RMS đều nhỏ hơn 0,2 px. ChArUco vượt trội về khả năng nhận dạng trong điều kiện môi trường nhiễu, trong khi Checkerboard đạt tốc độ nhận dạng nhanh hơn (» 9,5 ms/ảnh so với » 19,5 ms/ảnh) nhưng không nhận dạng được ảnh có nhiễu. Các kết quả cho thấy ChArUco phù hợp hơn cho các kịch bản tái hiệu chuẩn nhanh cần độ bền nhận dạng cao trong môi trường công nghiệp có nhiều nhiễu.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
An, G. H., Lee, S., Seo, M.-W., Yun, K., Cheong, W.-S., & Kang, S.-J. (2018). Charuco Board-Based Omnidirectional Camera Calibration Method. Electronics, 7(12), 421. https://doi.org/10.3390/electronics7120421
Cai, W., Wang, J., Jiang, P., Cao, L., Mi, G., & Zhou, Q. (2020). Application of sensing techniques and artificial intelligence-based methods to laser welding real-time monitoring: A critical review of recent literature. Journal of Manufacturing Systems, 57, 1–18. https://doi.org/10.1016/j.jmsy.2020.07.021
Garrido-Jurado, S., Muñoz-Salinas, R., Madrid-Cuevas, F. J., & Marín-Jiménez, M. J. (2014). Automatic generation and detection of highly reliable fiducial markers under occlusion. Pattern Recognition, 47(6), 2280–2292. https://doi.org/10.1016/j.patcog.2014.01.005
Hartley, R., & Zisserman, A. (2003). Multiple view geometry in computer vision (2nd ed). Cambridge University Press. https://doi.org/10.1017/CBO9780511811685
Lin, W., Liang, P., Luo, G., Zhao, Z., & Zhang, C. (2022). Research of Online Hand–Eye Calibration Method Based on ChArUco Board. Sensors, 22(10), 3805. https://doi.org/10.3390/s22103805
Muhammad, J., Altun, H., & Abo-Serie, E. (2018). A robust butt welding seam finding technique for intelligent robotic welding system using active laser vision. The International Journal of Advanced Manufacturing Technology, 94(1–4), 13–29.
https://doi.org/10.1007/s00170-016-9481-8
Nguyen, Q.-C., Hua, H. Q. B., & Pham, P.-T. (2024). Development of a vision system integrated with industrial robots for online weld seam tracking. Journal of Manufacturing Processes, 119, 414–424. https://doi.org/10.1016/j.jmapro.2024.03.090
OpenCV: Camera Calibration. (n.d.). Retrieved September 25, 2025, from https://docs.opencv.org/4.x/dc/dbb/tutorial_py_calibration.html
Pham, D.-A., Bui, D.-Q., Le, T.-D., Tran, D.-H., & Nguyen, T.-H. (2024). Automatic welding seam tracking and real-world coordinates identification with machine learning method. Results in Engineering, 23, 102565. https://doi.org/10.1016/j.rineng.2024.102565
Roshan, M. C., Isaksson, M., & Pranata, A. (2024). A geometric calibration method for thermal cameras using a ChArUco board. Infrared Physics & Technology, 138, 105219. https://doi.org/10.1016/j.infrared.2024.105219
Using the Single Camera Calibrator App—MATLAB & Simulink. (n.d.). Retrieved November 4, 2025, from https://www.mathworks.com/help/vision/ug/using-the-single-camera-calibrator-app.html
Wang, B., Hu, S. J., Sun, L., & Freiheit, T. (2020). Intelligent welding system technologies: State-of-the-art review and perspectives. Journal of Manufacturing Systems, 56, 373–391. https://doi.org/10.1016/j.jmsy.2020.06.020
Wang, T., Meng, K., Cui, L., & Li, X. (2025). Weld tracking technology for all-position welding of pipes based on laser vision. Optics and Lasers in Engineering, 188, 108912. https://doi.org/10.1016/j.optlaseng.2025.108912
Yang, L., Fan, J., Huo, B., Li, E., & Liu, Y. (2022). Image Denoising of Seam Images With Deep Learning for Laser Vision Seam Tracking. IEEE Sensors Journal, 22(6), 6098–6107. https://doi.org/10.1109/JSEN.2022.3147489
Yu, S., Guan, Y., Hu, J., Hong, J., Zhu, H., & Zhang, T. (2024). Unified seam tracking algorithm via three-point weld representation for autonomous robotic welding. Engineering Applications of Artificial Intelligence, 128, 107535. https://doi.org/10.1016/j.engappai.2023.107535
Zhang, G., Huang, J., Wu, Y., Yang, G., Di, S., Yuan, H., Cao, X., & Shin, K. (2023). A Novel 3D Complex Welding Seam Tracking Method in Symmetrical Robotic MAG Welding Process Using a Laser Vision Sensing. Symmetry, 15(5), 1093. https://doi.org/10.3390/sym15051093
Zhang, Z. (2000). A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(11), 1330–1334. https://doi.org/10.1109/34.888718
Zou, Y., Chen, X., Gong, G., & Li, J. (2018). A seam tracking system based on a laser vision sensor. Measurement, 127, 489–500. https://doi.org/10.1016/j.measurement.2018.06.020