CN109215075A - 工业机器人物料抓取中工件的定位识别系统及方法 - Google Patents
工业机器人物料抓取中工件的定位识别系统及方法 Download PDFInfo
- Publication number
- CN109215075A CN109215075A CN201710519163.4A CN201710519163A CN109215075A CN 109215075 A CN109215075 A CN 109215075A CN 201710519163 A CN201710519163 A CN 201710519163A CN 109215075 A CN109215075 A CN 109215075A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- sequence
- image
- label
- line segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Abstract
本发明涉及计算机视觉跟踪技术领域，具体公开一种工业机器人物料抓取中工件的定位识别系统，包括人工标志模块，所述人工标志为分别对称设置于工件放置区域四个顶角的多边形，用于标记工件的位置；图像采集模块，用于采集工件放置区域的图像；图像分析模块，用于对所获取的工件放置区域的图像进行二值化处理，并进行连通域分析及人工标志定位，并根据位置关系判断工件的有无。本发明具有有效解决工件位置不固定，无法进行示教的问题、实现抓取的自动化与智能化的有益效果。
Description
技术领域
本发明涉及计算机视觉技术领域，特别涉及一种工业机器人物料抓取中工件的定位识别系统及方法。
背景技术
在工业视觉领域中，对工件的识别主要分为两个思路：一种是根据工件本身的特点，对工件直接进行识别；另一种是根据其他与工件具有精确相对关系的物品，间接进行识别。对于直接对工件进行识别的情况，需根据工件实际的特征进行分析，并非所有的工件都可以用视觉的方法直接进行识别。一方面，对于一些特征不明显的工件，直接进行识别并不是一个很好的选择，其识别难度较大，并且识别稳定性难以得到保证；另一方面由于工件种类较多且无法固定其位置。对于此种情况适宜采用间接定位，虽然由于间接定位引入了新的误差，但是可以让工件的识别更加的容易和稳定。因此，对于精度要求没有那么严格的工件的识别，间接识别也是一种很好的选择。
发明内容
本发明旨在克服现有机器人工件抓取过程中工件种类多无法固定其位置的技术缺陷，提供一种工业机器人物料抓取中工件的定位识别系统及方法。
为实现上述目的，本发明采用以下技术方案：
本发明提供一种工业机器人物料抓取中工件的定位识别系统，包括以下模块：
人工标志模块，所述人工标志为分别对称设置于工件放置区域四个顶角的多边形，用于标记工件的位置；
图像采集模块，用于采集工件放置区域的图像；
图像分析模块，用于对所获取的工件放置区域的图像进行二值化处理，并进行连通域分析及人工标志定位，并根据位置关系判断工件的有无。
一些实施例中，所述多边形为三角形。
一些实施例中，图像分析模块的连通域分析的过程为：
对图像逐行扫描，将每一行中连续的非零像素组成一个序列，并记录下它的起点、终点和行号；
对于除了第一行外的所有行里的序列：
若与上一行中的序列没有重合，则赋予一个新的标号；
若仅与上一行中一个序列有重合，则赋予上一行的序列标号；
若与上一行中的2个以上的序列有重合，则给当前序列赋一个相连序列的最小标号，并将上一行的这几个序列的标记计入相同的一个类，记为等价对。
一些实施例中，图像分析模块通过搜索连通区域外轮廓上的直线个数来对多边形进行定位。
一些实施例中，图像分析模块通过搜索连通区域外轮廓上的直线个数来对多边形进行定位的具体过程为：
提取连通区域的外轮廓；
随机初始化一个点，找到最远距离点，获得两条线段，并将外轮廓点初始化为两部分；
对每条线段，在其点集中找到距其最远的点，判断当前线段是否可用来近似对应的点集；
获得最终的线段集合，线段集合即为外轮廓的多折线拟合；
根据多边形的线段数及线段间的关系，判断是否为所设置的人工标志。
相应地，本发明还提供工业机器人物料抓取中工件的定位识别方法，包括以下步骤：
采集工件放置区域的图像，所述工件放置区域的四个顶角处对称设置有作为标记的多边形；
对所获取的工件放置区域的图像进行二值化处理，并进行连通域分析，从而得到每个连通区域的外轮廓；
对人工标志进行定位；
根据位置关系判断工件的有无。
一些实施例中，所述多边形为三角形。
一些实施例中，连通域分析的具体步骤为：
对图像逐行扫描，将每一行中连续的非零像素组成一个序列，并记录下它的起点、终点和行号；
对于除了第一行外的所有行里的序列：
若与上一行中的序列没有重合，则赋予一个新的标号；
若仅与上一行中一个序列有重合，则赋予上一行的序列标号；
若与上一行中的2个以上的序列有重合，则给当前序列赋一个相连序列的最小标号，并将上一行的这几个序列的标记计入相同的一个类，记为等价对。
将等价对转换为等价序列，每个序列需要同样的标记，从1开始为每个序列赋标号；
遍历开始序列的标记，查找等价序列，赋予它们新的标记；
将每个团的标号填入标记图像中。
一些实施例中，通过搜索连通区域外轮廓上的直线个数来对多边形进行定位。
一些实施例中，通过搜索连通区域外轮廓上的直线个数来对多边形进行定位的具体步骤为：
提取连通区域的外轮廓；
随机初始化一个点，找到最远距离点，获得两条线段，并将外轮廓点初始化为两部分；
对每条线段，在其点集中找到距其最远的点，判断当前线段是否可用来近似对应的点集；
获得最终的线段集合，线段集合即为外轮廓的多折线拟合；
根据多边形的线段数及线段间的关系，判断是否为所设置的人工标志。
本发明的有益效果在于：本发明提供的工业机器人物料抓取中工件的定位识别系统有效的解决了工件位置不固定，无法进行示教的问题，实现了抓取的自动化与智能化。
附图说明
图1是本发明工业机器人物料抓取中工件的定位识别系统的模块图；
图2为本发明工业机器人物料抓取中工件的定位识别方法的流程图；
图3是本发明工业机器人物料抓取中工件的定位识别方法中人工标志定位的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明主要对工件进行识别，并通过标定算法将相机识别到的工件位置换算到机器人坐标系中，让工业机器人进行抓取。料箱中工件的底衬，用于安放工件，由于料箱和底衬的特征并不明显与稳定，因此本发明采用在底衬上粘贴人工标志来辅助定位。
请参阅图1，为本发明的工业机器人物料抓取中工件的定位识别系统。具体包括以下模块：
人工标志模块，所述人工标志为分别对称设置于工件放置区域四个顶角的多边形，用于标记工件的位置。在本实施例中，作为人工标志的多边形为四个小三角形。该人工标志的设计为三角形，且两个直角边的外侧为透明部分，其余为图中所示黑色部分。其透明部分是为了方便精确的粘贴。
图像采集模块，用于采集工件放置区域的图像。
图像分析模块，用于对所获取的工件放置区域的图像进行二值化处理，并进行连通域分析及人工标志定位，并根据位置关系判断工件的有无。
具体过程为：放置工件在工件放置区域，图像采集模块采集工件放置区域的图像，图像分析模块对所获取的工件放置区域的图像进行二值化处理，然后对经过二值化后的二值图像中相连的区域形成一个统一的整体，然后提取所得到的连通域的外轮廓，根据轮廓判断是否为人工标志。同时根据连通域的位置关系判断工件的有无。判断工件有无的过程为：首先通过四个三角标志定位料箱当前的位姿，然后根据实际的相对位置关系，可得到工件的图像区域，再根据工件有无时灰度值的不同，分析区域的像素灰度值高低，则可得到当前工件位置是否有工件。根据连通域的位置关系及轮廓判断的工件包括矩形水晶杯、圆形转接件及机械手模型。本发明可应用在工业机器人上，实现精确的定位抓取。经过长期稳定性测试，料箱和工件的定位算法精度在1.2mm以内，可以适应抓手的张开空隙，实现稳定的抓取与装配工作。有效的解决了工件位置不固定，无法进行示教的问题，实现了抓取的自动化与智能化。
下面具体介绍图像分析模块的连通域分析和人工标志定位的过程：连通域分析，即对经过二值化后的二值图像中相连的区域形成一个统一的整体，这样可以方便后续对每个连通区域的处理。同时形成了连通区域后也可以较容易的得到每个连通区域的外轮廓。本实施例中，图像分析模块的连通域分析的过程为：
对图像逐行扫描，将每一行中连续的非零像素组成一个序列，并记录下它的起点、终点和行号。
对于除了第一行外的所有行里的序列。
若与上一行中的序列没有重合，则赋予一个新的标号。
若仅与上一行中一个序列有重合，则赋予上一行的序列标号。
若与上一行中的2个以上的序列有重合，则给当前序列赋一个相连序列的最小标号，并将上一行的这几个序列的标记计入相同的一个类，记为等价对。
将等价对转换为等价序列，每个序列需要同样的标记，从1开始为每个序列赋标号；
遍历开始序列的标记，查找等价序列，赋予它们新的标记；
将每个团的标号填入标记图像中。团即图像的连通域。
图像分析模块通过搜索连通区域外轮廓上的直线个数来对多边形进行定位。具体过程为：
提取连通区域的外轮廓。
随机初始化一个点，找到最远距离点，获得两条线段，并将外轮廓点初始化为两部分。
对每条线段，在其点集中找到距其最远的点，判断当前线段是否可用来近似对应的点集。
获得最终的线段集合，线段集合即为外轮廓的多折线拟合。
根据多边形的线段数及线段间的关系，判断是否为所设置的人工标志。在本实施例中，判断是否为人工标志的三角形的判断条件为三条线段，并且在一定误差的基础上满足勾股定理。
此外，请参阅图2，为一种工业机器人物料抓取中工件的定位识别方法，包括以下步骤：
采集工件放置区域的图像，所述工件放置区域的四个顶角处对称设置有作为标记的多边形；
对所获取的工件放置区域的图像进行二值化处理，并进行连通域分析，从而得到每个连通区域的外轮廓；
对人工标志进行定位；
根据位置关系判断工件的有无。
在本实施例中，所述多边形为三角形。
连通域分析的具体步骤为：
对图像逐行扫描，将每一行中连续的非零像素组成一个序列，并记录下它的起点、终点和行号；
对于除了第一行外的所有行里的序列：
若与上一行中的序列没有重合，则赋予一个新的标号；
若仅与上一行中一个序列有重合，则赋予上一行的序列标号；
若与上一行中的2个以上的序列有重合，则给当前序列赋一个相连序列的最小标号，并将上一行的这几个序列的标记计入相同的一个类，记为等价对。
将等价对转换为等价序列，每个序列需要同样的标记，从1开始为每个序列赋标号；
遍历开始序列的标记，查找等价序列，赋予它们新的标记；
将每个团的标号填入标记图像中。团即图像的连通域。
请参阅图3，为人工标志定位的算法流程图。本发明通过搜索连通区域外轮廓上的直线个数来对多边形进行定位。具体步骤为：
提取连通区域的外轮廓；
随机初始化一个点，找到最远距离点，获得两条线段，并将外轮廓点初始化为两部分；
对每条线段，在其点集中找到距其最远的点，判断当前线段是否可用来近似对应的点集；
获得最终的线段集合，线段集合即为外轮廓的多折线拟合；
根据多边形的线段数及线段间的关系，判断是否为所设置的人工标志。
判断工件有无的步骤为：首先通过四个三角标志定位料箱当前的位姿，然后根据实际的相对位置关系，可得到工件的图像区域，再根据工件有无时灰度值的不同，分析区域的像素灰度值高低，则可得到当前工件位置是否有工件。根据连通域的位置关系及轮廓判断的工件包括矩形水晶杯、圆形转接件及机械手模型。
本发明提出的工业机器人物料抓取中工件的定位识别方法包含两个主要的技术：一个是连通域分析算法；另一个是三角形识别方法。其中连通区域分析算法主要基于前一步的二值化过程，因此主要应用在工件的识别定位中，因为工业环境中背景较为固定，二值化应用较为广泛。在得到连通区域后，再进行后续的图像分析工作就显得较为容易了。三角形识别可以有更为广泛的应用，主要可以对人工标志进行识别与定位。而且其使用的技术不光可以识别三角形，还可以识别多边形，也可以用于对区域的多边形拟合等应用中。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本发明所提供的工业机器人物料抓取中工件的定位识别方法及系统进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种工业机器人物料抓取中工件的定位识别系统，其特征在于，包括以下模块：
人工标志模块，所述人工标志为分别对称设置于工件放置区域四个顶角的多边形，用于标记工件的位置；
图像采集模块，用于采集工件放置区域的图像；
图像分析模块，用于对所获取的工件放置区域的图像进行二值化处理，并进行连通域分析及人工标志定位，并根据位置关系判断工件的有无。
2.如权利要求1所述的工业机器人物料抓取中工件的定位识别系统，其特征在于，所述多边形为三角形。
3.如权利要求1所述的工业机器人物料抓取中工件的定位识别系统，其特征在于，图像分析模块的连通域分析的过程为：
对图像逐行扫描，将每一行中连续的非零像素组成一个序列，并记录下它的起点、终点和行号；
对于除了第一行外的所有行里的序列：
若与上一行中的序列没有重合，则赋予一个新的标号；
若仅与上一行中一个序列有重合，则赋予上一行的序列标号；
若与上一行中的2个以上的序列有重合，则给当前序列赋一个相连序列的最小标号，并将上一行的这几个序列的标记计入相同的一个类，记为等价对；
将等价对转换为等价序列，每个序列需要同样的标记，从1开始为每个序列赋标号；
遍历开始序列的标记，查找等价序列，赋予它们新的标记；
将每个团的标号填入标记图像中。
4.如权利要求1所述的工业机器人物料抓取中工件的定位识别系统，其特征在于，图像分析模块通过搜索连通区域外轮廓上的直线个数来对多边形进行定位。
5.如权利要求4所述的工业机器人物料抓取的定位系统，其特征在于，图像分析模块通过搜索连通区域外轮廓上的直线个数来对多边形进行定位的具体过程为：
提取连通区域的外轮廓；
随机初始化一个点，找到最远距离点，获得两条线段，并将外轮廓点初始化为两部分；
对每条线段，在其点集中找到距其最远的点，判断当前线段是否可用来近似对应的点集；
获得最终的线段集合，线段集合即为外轮廓的多折线拟合；
根据多边形的线段数及线段间的关系，判断是否为所设置的人工标志。
6.一种工业机器人物料抓取中工件的定位识别方法，其特征在于，包括以下步骤：
采集工件放置区域的图像，所述工件放置区域的四个顶角处对称设置有作为标记的多边形；
对所获取的工件放置区域的图像进行二值化处理，并进行连通域分析，从而得到每个连通区域的外轮廓；
对人工标志进行定位；
根据位置关系判断工件的有无。
7.如权利要求6所述的工业机器人物料抓取中工件的定位识别方法，其特征在于，所述多边形为三角形。
8.如权利要求6所述的工业机器人物料抓取中工件的定位识别方法，其特征在于，连通域分析的具体步骤为：
对图像逐行扫描，将每一行中连续的非零像素组成一个序列，并记录下它的起点、终点和行号；
对于除了第一行外的所有行里的序列：
若与上一行中的序列没有重合，则赋予一个新的标号；
若仅与上一行中一个序列有重合，则赋予上一行的序列标号；
若与上一行中的2个以上的序列有重合，则给当前序列赋一个相连序列的最小标号，并将上一行的这几个序列的标记计入相同的一个类，记为等价对；
将等价对转换为等价序列，每个序列需要同样的标记，从1开始为每个序列赋标号；
遍历开始序列的标记，查找等价序列，赋予它们新的标记；
将每个团的标号填入标记图像中。
9.如权利要求6所述的工业机器人物料抓取中工件的定位识别方法，其特征在于，通过搜索连通区域外轮廓上的直线个数来对多边形进行定位。
10.如权利要求9所述的工业机器人物料抓取中工件的定位识别方法，其特征在于，通过搜索连通区域外轮廓上的直线个数来对多边形进行定位的具体步骤为：
提取连通区域的外轮廓；
随机初始化一个点，找到最远距离点，获得两条线段，并将外轮廓点初始化为两部分；
对每条线段，在其点集中找到距其最远的点，判断当前线段是否可用来近似对应的点集；
获得最终的线段集合，线段集合即为外轮廓的多折线拟合；
根据多边形的线段数及线段间的关系，判断是否为所设置的人工标志。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710519163.4A CN109215075B (zh) | 2017-06-30 | 2017-06-30 | 工业机器人物料抓取中工件的定位识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710519163.4A CN109215075B (zh) | 2017-06-30 | 2017-06-30 | 工业机器人物料抓取中工件的定位识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109215075A true CN109215075A (zh) | 2019-01-15 |
| CN109215075B CN109215075B (zh) | 2021-07-09 |
Family
ID=64977077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710519163.4A Active CN109215075B (zh) | 2017-06-30 | 2017-06-30 | 工业机器人物料抓取中工件的定位识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109215075B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161232A (zh) * | 2019-12-24 | 2020-05-15 | 贵州航天计量测试技术研究所 | 一种基于图像处理的元器件表面定位方法 |
| CN113232015A (zh) * | 2020-05-27 | 2021-08-10 | 杭州中为光电技术有限公司 | 一种基于模板匹配的机器人空间定位抓取控制方法 |
| CN113506314A (zh) * | 2021-06-25 | 2021-10-15 | 北京精密机电控制设备研究所 | 一种复杂背景下对称四边形工件的自动抓取方法及装置 |
| CN116071361A (zh) * | 2023-03-20 | 2023-05-05 | 深圳思谋信息科技有限公司 | 针对工件的视觉定位方法、装置、计算机设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303226A (zh) * | 2008-06-25 | 2008-11-12 | 南昌航空大学 | 一种基于最大连通域的线路板线宽测量方法 |
| CN101853333A (zh) * | 2010-05-26 | 2010-10-06 | 中国科学院遥感应用研究所 | 医疗机器人导航定位图像中的标记拾取方法 |
| CN102231187A (zh) * | 2011-07-12 | 2011-11-02 | 四川大学 | 一种基于计算机视觉检测技术的qr码检测识别方法 |
| CN103065314A (zh) * | 2012-12-28 | 2013-04-24 | 中国电子科技集团公司第五十四研究所 | 一种基于线描述子的图像连通域快速标记方法 |
| US20150269734A1 (en) * | 2014-03-20 | 2015-09-24 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing location of object |
| CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
| CN106054931A (zh) * | 2016-07-29 | 2016-10-26 | 北方工业大学 | 一种基于视觉定位的无人机定点飞行控制系统 |
| CN106560297A (zh) * | 2015-10-05 | 2017-04-12 | 发那科株式会社 | 具备拍摄目标标记的照相机的机器人系统 |
-
2017
- 2017-06-30 CN CN201710519163.4A patent/CN109215075B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303226A (zh) * | 2008-06-25 | 2008-11-12 | 南昌航空大学 | 一种基于最大连通域的线路板线宽测量方法 |
| CN101853333A (zh) * | 2010-05-26 | 2010-10-06 | 中国科学院遥感应用研究所 | 医疗机器人导航定位图像中的标记拾取方法 |
| CN102231187A (zh) * | 2011-07-12 | 2011-11-02 | 四川大学 | 一种基于计算机视觉检测技术的qr码检测识别方法 |
| CN103065314A (zh) * | 2012-12-28 | 2013-04-24 | 中国电子科技集团公司第五十四研究所 | 一种基于线描述子的图像连通域快速标记方法 |
| US20150269734A1 (en) * | 2014-03-20 | 2015-09-24 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing location of object |
| CN106560297A (zh) * | 2015-10-05 | 2017-04-12 | 发那科株式会社 | 具备拍摄目标标记的照相机的机器人系统 |
| CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
| CN106054931A (zh) * | 2016-07-29 | 2016-10-26 | 北方工业大学 | 一种基于视觉定位的无人机定点飞行控制系统 |
Non-Patent Citations (5)
| Title |
|---|
| FUMIHIRO INOUE 等: "Development of High Accuracy Position Marking System in Construction Site Applying Automated Mark Robot", 《2012 PROCEEDINGS OF SICE ANNUAL CONFERENCE》 * |
| 姜圆香 等: "基于连通域筛选和腐蚀重构的钢材裂痕检测", 《长江大学学报（自然科学版）》 * |
| 孙广成 等: "标志线特征匹配的机器人自定位方法", 《第三届中国智能计算大会论文集》 * |
| 李培丰 等: "分水岭算法耦合感兴趣区域识别的智能机械手工件定位", 《组合机床与自动化加工技术》 * |
| 邓勇军 等: "移动焊接机器人的工件识别及焊缝起始位置定位", 《上海交通大学学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161232A (zh) * | 2019-12-24 | 2020-05-15 | 贵州航天计量测试技术研究所 | 一种基于图像处理的元器件表面定位方法 |
| CN111161232B (zh) * | 2019-12-24 | 2023-11-14 | 贵州航天计量测试技术研究所 | 一种基于图像处理的元器件表面定位方法 |
| CN113232015A (zh) * | 2020-05-27 | 2021-08-10 | 杭州中为光电技术有限公司 | 一种基于模板匹配的机器人空间定位抓取控制方法 |
| CN113506314A (zh) * | 2021-06-25 | 2021-10-15 | 北京精密机电控制设备研究所 | 一种复杂背景下对称四边形工件的自动抓取方法及装置 |
| CN113506314B (zh) * | 2021-06-25 | 2024-04-09 | 北京精密机电控制设备研究所 | 一种复杂背景下对称四边形工件的自动抓取方法及装置 |
| CN116071361A (zh) * | 2023-03-20 | 2023-05-05 | 深圳思谋信息科技有限公司 | 针对工件的视觉定位方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109215075B (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109215075A (zh) | 工业机器人物料抓取中工件的定位识别系统及方法 | |
| US10974394B2 (en) | Robot assisted object learning vision system | |
| CN108126914B (zh) | 一种基于深度学习的料框内散乱多物体机器人分拣方法 | |
| CN109461184B (zh) | 一种机器人机械臂抓取物体的抓取点自动定位方法 | |
| CN108890692A (zh) | 一种用于工业机器人视觉分拣的物料颜色识别方法 | |
| CN100491904C (zh) | 饮料瓶口视觉定位方法 | |
| CN105690393A (zh) | 一种基于机器视觉的四轴并联机器人分拣系统及其分拣方法 | |
| CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
| CN113245235B (zh) | 一种基于3d视觉的商品分类方法及装置 | |
| CN113666028B (zh) | 一种基于激光雷达和相机融合的垃圾桶检测抓取方法 | |
| CN105945953A (zh) | 一种机器人的视觉识别系统 | |
| CN106780531B (zh) | 一种基于色块点特征的图像边缘提取方法 | |
| CN112345534B (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 | |
| CN108074264A (zh) | 一种分级多目视觉定位方法、系统及装置 | |
| CN114187312A (zh) | 目标物的抓取方法、装置、系统、存储介质及设备 | |
| JP6041710B2 (ja) | 画像認識方法 | |
| CN205552536U (zh) | 一种基于机器视觉的四轴并联机器人分拣系统 | |
| CN112150398B (zh) | 图像合成方法、装置及设备 | |
| Kalitsios et al. | Vision-enhanced system for human-robot disassembly factory cells: introducing a new screw dataset | |
| CN209312143U (zh) | 一种基于机器视觉的机器人自动储售货系统 | |
| Huang et al. | Engineering Applications based on Industrial Robots and Machine Vision | |
| CN107598917A (zh) | 一种机器人的视觉识别系统 | |
| CN201689064U (zh) | 一种饮料灌装后杂质检测装置 | |
| CN114419451B (zh) | 电梯内外识别方法、装置、电子设备及存储介质 | |
| CN116228854B (zh) | 一种基于深度学习的包裹自动分拣方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |