Izvestiya MGTU MAMIIzvestiya MGTU MAMIИзвестия МГТУ “МАМИ“2074-05302949-1428Moscow Polytechnic University68578610.17816/2074-0530-685786UMXCILROBOTS, MECHATRONICS AND ROBOTIC SYSTEMSРоботы, мехатроника и робототехнические системыResearch ArticleOptimization of the calibration algorithm for laser marking systems equipped with computer visionОптимизация алгоритма калибровки лазерных маркировочных систем, оснащённых машинным зрениемhttps://orcid.org/0000-0002-4985-11192508-1162TareevaMaria V.ТарееваМария Вячеславовна
Russian Federation

Cand. Sci. (Physics and Mathematics), Assistant professor of the Optical-Electronic Devices and Systems Department at the Institute of Advanced Technologies and Industrial Programming

канд. физ.-мат. наук, доцент кафедры оптико-электронных приборов и систем Института перспективных технологий и индустриального программирования

tareeva@mirea.ruhttps://orcid.org/0009-0007-7658-42248836-0683KobyshAlina N.КобышАлина Николаевна
Russian Federation

Cand. Sci. (Engineering), Acting Head of the Optical-Electronic Devices and Systems Department at the Institute of Advanced Technologies and Industrial Programming

канд. техн. наук, и. о. заведующего кафедрой оптико-электронных приборов и систем Института перспективных технологий и индустриального программирования

kobysh@mirea.ruhttps://orcid.org/0000-0003-4995-246X9363-5702ShestakovaAnastasia P.ШестаковаАнастасия Павловна
Russian Federation

Cand. Sci. (Engineering), Assistant professor of the Optical-Electronic Devices and Systems Department at the Institute of Advanced Technologies and Industrial Programming

канд. техн. наук, доцент кафедры оптико-электронных приборов и систем Института перспективных технологий и индустриального программирования

shestakova@mirea.ruhttps://orcid.org/0000-0001-6050-04198701-7410DebelovVladimir V.ДебеловВладимир Валентинович
Russian Federation

Cand. Sci. (Engineering), assistant professor, Head of the Software Technology Department of the Software Center

канд. техн. наук, доцент, начальник отдела технологии программного обеспечения центра программного обеспечения

vladimir.debelov@nami.ruMIREA – Russian Technological UniversityМИРЭА - Российский технологический университетCentral Scientific Research Automobile and Automotive Engine Institute «NAMI»Центральный научно-исследовательский автомобильный и автомоторный институт «НАМИ»200620261507202620160772506202515122025Copyright ©; 2026, Eco-VectorCopyright ©; 2026, Эко-Вектор2026Eco-VectorЭко-Векторhttps://eco-vector.com/for_authors.php#07https://journals.eco-vector.com/2074-0530/article/view/685786

BACKGROUND: Laser marking technology, based on the interaction of laser radiation with a substance for applying detailed images and inscriptions to various surfaces, is specified by excellent image reproduction accuracy, low power consumption and high processing rate compared to conventional methods.

Effective control of laser marking requires accurate calibration and tuning of the laser system to match surface material characteristics of treated objects. The most promising solution is introducing computer vision systems, enabling high accuracy, speed and scalability for implementation in modern production. Computer vision systems application in laser marking for quality and object orientation monitoring remains underdeveloped. This paper presents computer vision systems integration into a laser marking device through the SharpMark marker tuning algorithm.

AIM: Development of the software algorithm integrated with the computer vision system to automate the process of setting up the SharpMark laser facility for chasing and marking. The tasks solved in this study are aimed at improving image quality by optimizing the algorithm for tuning the laser system.

METHODS: The OpenCV computer vision library was used as the basis for the development of the computer vision system. The ArUco marks were used for accurate identification of the position of the marking object and calibration of the laser marker. The proposed algorithm is implemented in several sequential stages, including: detection of objects in the image, correction of image distortion (Undistort), perspective transformation (WarpPerspective) to compensate for distortions, contour extraction (FindContours) and widening of areas of interest (InflatePaths). The laser system is controlled by means of exchange of data and control commands.

RESULTS: The algorithm that determines object positions automatically and corrects contours for lens distortion by improving camera calibration accuracy has been developed. The calibration method, which defines the camera’s pixel-to-millimeter ratio, enables image linking to marker coordinates for precise marking with an accuracy of up to 0.1mm over a 10 cm distance. The algorithm automatically marks multiple objects within the working area.

CONCLUSION: The practical value of this study lies in enhancing SharpMark’s efficiency by means of optimization of the calibration algorithm. The proposed algorithm is applicable to similar computer vision-equipped laser marking systems and to any automated pattern recognition systems based on computer vision systems.

Обоснование. Технология лазерной маркировки, основанная на взаимодействии излучения с веществом для нанесения детальных изображений и надписей на различные поверхности, характеризуется высокой точностью воспроизведения, низким энергопотреблением и высокой скоростью обработки по сравнению с традиционными методами.

Эффективное управление маркировкой требует точной калибровки лазерной системы под характеристики материала объектов. Перспективным решением является внедрение систем машинного зрения (СМЗ), обеспечивающих высокую точность, скорость и масштабируемость для современных предприятий. Применение систем машинного зрения в лазерной маркировке для контроля качества и ориентации объектов остаётся недостаточно развитым направлением. В работе представлена интеграция систем машинного зрения в лазерную маркировку через алгоритм настройки маркера SharpMark.

Цель — разработка алгоритма программного обеспечения, интегрированного с системой машинного зрения для автоматизации процесса настройки лазерного комплекса гравировки и маркировки SharpMark. Задачи, решаемые в данной работе, направлены на улучшение качества изображения за счёт оптимизации алгоритма настройки лазерной системы.

Методы. В качестве основы для разработки системы машинного зрения использовалась библиотека OpenCV. Для точной идентификации положения объекта маркировки и калибровки лазерного маркера применялись ArUco метки. Предложенный алгоритм включает несколько последовательных этапов: обнаружение объектов на изображении, коррекцию дисторсии (Undistort), перспективное преобразование (WarpPerspective) для компенсации искажений, выделение контуров (FindContours) и расширение областей интереса (InflatePaths). Управление лазерной системой осуществляется обменом данными и командами.

Результаты. Разработан алгоритм, автоматически определяющий положение объекта и корректирующий контуры с учётом дисторсии объектива за счет точной калибровки камеры. Метод калибровки пиксель/миллиметр обеспечивает привязку изображений к координатам маркера для маркировки с ошибкой до 0,1 мм на 10 см. Алгоритм маркирует несколько объектов в рабочем поле.

Заключение. Практическая ценность работы — повышение эффективности SharpMark за счёт оптимизации калибровки. Алгоритм применим к аналогичным системам лазерной маркировки с машинным зрением и любым автоматизированным системам распознавания на основе систем машинного зрения.

control algorithmlaser marking systemcomputer vision systemselectrotechnical facilitypattern recognitioncalibration algorithmimage calibrationалгоритм управлениялазерная маркировкамашинное зрениеэлектротехнический комплексраспознавание образовалгоритм калибровкикалибровка изображенияThe research and preparation of the publication were carried out within the framework of experimental design and exploratory research within the framework of the technological advance. Equipment: The research was conducted using ‘Laser Class’ equipment in the university’s teaching and practical laboratory in room B316.Исследование и подготовка публикации проведены в рамках опытно-конструкторских работ и поисковых исследований в рамках НТЗ. Оборудование. Исследования проводились с использованием оборудования «Лазерного класса» в учебно-практической лаборатории университета в аудитории B316.Gu B. Review: 40 years of laser-marking industrial applications. Proc. SPIE 6106, Photon Processing in Microelectronics and Photonics V. 2006;610601. doi: 10.1117/12.640838Marx C, Hustedt M, Hoja H, et al. (2013). Investigations on laser marking of plants and fruits. Biosystems Engineering. 2013;116(4):436–446. doi: 10.1016/j.biosystemseng.2013.10.005Sobotova L, Badida M. Laser marking as environment technology. Open Engineering. 2017;1(7):303–316. doi: 10.1515/eng-2017-0030Golnabi H, Asadpour A. Design and application of industrial machine vision systems. Robotics and Computer-Integrated Manufacturing. 2007;23(6):630–637. doi: 10.1016/j.rcim.2007.02.005Fedorov VB, Kharlamov SG, Fedorov AV. Image restoration using a discrete point spread function with consideration of finite pixel size. Russian Technological Journal. 2025;13(2):143–154. doi: 10.32362/2500-316X-2025-13-2-143–154 (In Russ.) EDN: GXAGAWYurevich VI, Grimm VA, Afonyushkin AA, et al. Optical design and performance of F-Theta lenses for high-power and high-precision applications. Optical systems design 2015: optical design and engineering VI. SPIE; 2015;9626:437–452. doi: 10.1117/12.2190777Zhang Z. A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000;22(11):1330–1334. doi: 10.1109/34.888718Garrido-Jurado S, Muñoz-Salinas R, Madrid-Cuevas FJ, et al. Automatic generation and detection of highly reliable fiducial markers under occlusion. Pattern Recognition. 2014;47(6):2280–2292. doi: 10.1016/j.patcog.2014.01.005Mur-Artal R, Montiel JMM, Tardós JD. ORB-SLAM: A Versatile and Accurate Monocular SLAM System. IEEE transactions on robotics. 2015;31(5):1147–1163. doi: 10.1109/TRO.2015.2463671Canny J. A computational approach to edge detection. IEEE Transactions on pattern analysis and machine intelligence. 1986;6:679–698. doi: 10.1109/TPAMI.1986.4767851Douglas DH, Peucker TK. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. Cartographica. 1973;10(2):112–122. doi: 10.3138/FM57-6770-U75U-772Dawson-Howe KA. Practical Introduction to Computer Vision with OpenCV. Chichester: John Wiley & Sons; 2014.Klette R. Concise Computer Vision: An Introduction into Theory and Algorithms. London: Springer; 2014. doi: 10.1007/978-1-4471-6320-6