CN109584296A - 一种基于单目视觉的叉车识别测距方法 - Google Patents
一种基于单目视觉的叉车识别测距方法 Download PDFInfo
- Publication number
- CN109584296A CN109584296A CN201811141488.4A CN201811141488A CN109584296A CN 109584296 A CN109584296 A CN 109584296A CN 201811141488 A CN201811141488 A CN 201811141488A CN 109584296 A CN109584296 A CN 109584296A
- Authority
- CN
- China
- Prior art keywords
- pallet
- forklift
- picture
- profile
- fork truck
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000013316 zoning Methods 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Forklifts And Lifting Vehicles (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于单目视觉的叉车识别测距方法，包含如下步骤：S1，获取叉车托盘图片，并对所述的叉车托盘图片进行图像处理得到选择区域的颜色图片；S2，对得到的选择区域的颜色图片进行轮廓处理生成直线轮廓线；S3，提取叉车托盘边缘角点坐标，再利用角点坐标根据地平面约束测距模型，使用测距算法计算托盘相对叉车的姿态数据。本发明识别速度快、测距准确。
Description
技术领域
本发明涉及自动化技术领域，特别涉及一种基于单目视觉的叉车识别测距方法。
背景技术
随着自动化技术系统的发展，响应国家人工智能计划与工业制造4.0。许多工厂开始大量采用移动机器人AGV进行货物搬运、自主检查、自动生产等操作来降低人力劳动成本。叉车托盘是通过托盘堆放货物,再通过叉车将托盘叉起运送，搬运到指定位置，来实现工业自动化搬运，广泛运用在生产、仓储、物流等领域。叉车托盘识别是指安装于叉车上的传感器通过机器视觉、图像处理算法检测识别叉车托盘,而叉车测距是指利用托盘识别的结果，根据传感器信息通过数学模型公式计算出叉车相对于托盘的三维坐标姿态信息。
在市面上，叉车托盘识别与测距技术分为是否要改造托盘，其中改造托盘是在托盘端面贴上人工标记，比如在叉车托盘一端面的两侧和端面的中间贴黑白同心圆,或在叉车托盘一端面贴反射带。利用图像处理相关算法识别摄像头采集的叉车图片，对托盘上面的人工标记进行识别和定位。但人工改造托盘进行贴人工标记，需要人工成本和时间成本，并且限制了叉车托盘的流通性，容易磨损标记位置。其中不改造托盘是根据叉车托盘自身纹理、颜色、形状特征，利用图像处理、机器视觉技术完成托盘识别与测距工作。比如利用叉车托盘端面的两个叉口，托盘一端面有3个角，托盘4个角都是90度等信息。叉车托盘识别与测距的难点在于各厂家生产的叉车控制系统不一样，叉车运动模型不一样，单目视觉来计算三维姿态，叉车不能准确识别托盘，叉车不能准确的对准托盘插孔等。
发明内容
本发明解决的问题是针对现有叉车托盘识别存在的技术问题，提供一种基于单目视觉的叉车识别与测距方法，该方法识别速度快、测距准确。
为了实现以上目的，本发明是通过以下技术方案实现的：
一种基于单目视觉的叉车识别测距方法，其特点是，包含如下步骤：
S1，获取叉车托盘图片，并对所述的叉车托盘图片进行图像处理得到选择区域的颜色图片；
S2，对得到的选择区域的颜色图片进行轮廓处理生成直线轮廓线；
S3，提取叉车托盘边缘角点坐标，再利用角点坐标根据地平面约束测距模型，使用测距算法计算托盘相对叉车的姿态数据。
所述的步骤S1包含：
步骤S1.1，通过摄像机实时获取叉车托盘图片；
步骤S1.2，设置摄像机的参数，所述摄像机的参数包括焦距、光圈、像素或增益的一种或几种；
步骤S1.3，将所述的叉车托盘图片分解为三通道RGB图像；
步骤S1.4，分别将三通道RGB图像从RGB颜色空间转换为hsv颜色空间；
步骤S1.5，使用全局阈值对hsv颜色空间中的通道图片进行分割处理；
步骤S1.6，对感兴趣区域进行计算区域的连接组件，得到若干分割开的连接区域；
步骤S1.7，对分割开的连接区域中的孔洞进行填充；
步骤S1.8，对填充的连接区域根据面积进行筛选，得到面积最大区域；
步骤S1.9，对筛选的区域用闭运算来填充孔洞；
步骤S1.10，计算得到的选择区域与叉车托盘图片进行交集，得到选择区域的颜色图片。
所述的步骤S2包含：
步骤S2.1，对选择区域的颜色图片使用滤波器提取指定区域图片的边缘得到XLD轮廓；
步骤S2.2，将所述的XLD轮廓分割成若干线段的XLD轮廓；
步骤S2.3，对分割后的XLD轮廓根据设置的长度范围筛选出符合长度范围的XLD轮廓；
步骤S2.4，对筛选后的XLD轮廓进行计算得到叉车图片的轮廓参数；
步骤S2.5，合并近似共线的输入XLD轮廓，并对排序轮廓参数进行排序；
步骤S2.6，计算每条叉车托盘的轮廓长度像素，根据计算的长度值选择最长的轮廓XLD，所述的最长的轮廓XLD为托盘图片的最外边缘；
步骤S2.7，通过线段拟合XLD轮廓的轮廓线，并利用线段起点的行列坐标及线段终点的行列坐标来生成直线轮廓线。
所述的步骤S3包含：
步骤S3.1，提取叉车托盘边缘角点坐标；
步骤S3.2，通过拍摄标定板进行摄像机标定，得到摄像机内外参数；
步骤S3.3，根据地平面约束测距模型使用测距算法计算托盘相对叉车的姿态数据；
步骤S3.4，设托盘最外边缘与实际水平线之间的夹角为Angle1，计算 Angle1的大小和方向；设托盘最外边缘的中心点和摄像机光心的连线与托盘最外边缘线的夹角为Angle2，计算Angle2的大小和方向；计算托盘最外边缘的中心点与摄像机光心间的距离。
所述的步骤S2中通过提取叉车托盘的最外侧上边缘的XLD轮廓来实现后续测距坐标。
所述的步骤S3.3具体为：基于地平面约束测距模型的单目视觉测距模型和算法。基于单目视觉的叉车托盘测距是指在识别出叉车托盘后，测量托盘与摄像头的相对姿态包括相对距离和相对角度信息，从而得到叉车相对托盘的相对位姿。
本发明与现有技术相比，具有以下优点：
该方法是一种基于单目视觉处理托盘纹理和特征的算法，利用叉车托盘角点确定托盘位姿，再根据地平面约束测距模型，利用测距算法计算托盘三维姿态数据，实时控制叉车运动，该算法鲁棒性稳定、准确度高、识别速度快，达到0.14s/次。
附图说明
图1为本发明一种基于单目视觉的叉车识别测距方法的流程图；
图2为本发明塑料托盘规格示意图；
图3为得到的图片XLD轮廓图；
图4为本发明地平面约束测距模型示意图。
具体实施方式
以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
如图1所示，一种基于单目视觉的叉车识别测距方法，包含如下步骤：
S1，获取叉车托盘图片，并对所述的叉车托盘图片进行图像处理得到选择区域的颜色图片；
S2，对得到的选择区域的颜色图片进行轮廓处理生成直线轮廓线；
S3，提取叉车托盘边缘角点坐标，再利用角点坐标根据地平面约束测距模型，使用测距算法计算托盘相对叉车的姿态数据。
所述的步骤S1包含：
步骤S1.1，通过摄像机实时获取叉车托盘图片；
步骤S1.2，设置摄像机的参数，所述摄像机的参数包括焦距、光圈、像素或增益的一种或几种，使工业相机拍摄叉车托盘图片成像质量高、传输速度快、运行稳定。塑料托盘规格示意图如图2所示。
步骤S1.3，将所述的叉车托盘图片分解为三通道RGB图像；
步骤S1.4，分别将三通道RGB图像从RGB颜色空间转换为hsv颜色空间，为后续图像分割做准备，其中颜色空间转化为hls、hsi、hsv、ihs、lms、 yuv效果都可以。
步骤S1.5，使用全局阈值对hsv颜色空间中的通道图片进行分割处理，设置分割灰度值为150-200，使用全局阈值对图像hsv颜色空间中的通道图片进行分割处理，得到感兴趣区域ROI；
步骤S1.6，对感兴趣区域进行计算区域的连接组件，得到若干分割开的连接区域；
步骤S1.7，对分割开的连接区域中的孔洞进行填充；
步骤S1.8，对填充的连接区域根据面积进行筛选，得到面积最大区域，具体有对处理后的区域根据面积最大的区域进行筛选，设置相似度百分比设置为70，选出面积最大区域。
步骤S1.9，对筛选的区域用闭运算来填充孔洞，具体有对筛选的区域用闭运算来填充孔洞，会使被选择区域的边界被平滑，并且用设置小于半径10 的圆形结构元素的区域内的孔会被关闭，使得区域更加光滑，为后续提取边缘做准备；
步骤S1.10，计算得到的选择区域与叉车托盘图片进行交集，得到选择区域的颜色图片。
所述的步骤S2包含：
步骤S2.1，对选择区域的颜色图片使用滤波器提取指定区域图片的边缘得到XLD轮廓，对抠图得到的托盘图片使用Canny滤波器来提取指定区域图片的边缘，还可以选择deriche、shen、sobel等滤波器。提取的边缘在边缘以子像素精确的XLD轮廓形式返回，设置滤镜参数为4，其中较小的值会导致较强的平滑效果，导致有较少的细节。其中参数设置滞后阈值操作的阈值下限为20，参数设置滞后阈值操作的阈值下限为40，得到叉车托盘的边缘 XLD轮廓。如图3所示，得到的图片XLD轮廓；
步骤S2.2，将所述的XLD轮廓分割成若干条XLD轮廓，对叉车托盘的边缘进行分割为线段，其中设置用于平滑轮廓的点数为5，第一次迭代轮廓与近似线之间的最大距离为7.5，第二次迭代轮廓和近似线之间的最大距离为 3；
步骤S2.3，对分割后的XLD轮廓根据设置的长度范围筛选出符合长度范围的XLD轮廓，根据设置长度在50-9000pixel范围来筛选轮廓，从输入轮廓中选择XLD轮廓；
步骤S2.4，对筛选后的XLD轮廓进行计算得到叉车图片的轮廓参数，其中设置离群值处理类型为不处理，异常处理的迭代次数为1，计算得出叉车图片的轮廓参数；
步骤S2.5，合并近似共线的输入XLD轮廓，并对排序轮廓参数进行排序，合并近似共线的输入XLD轮廓，即大致位于同一直线上。用于桥接所提取的边缘或线条中的间隙，定义两个轮廓的共线性条件参数为：沿着参考轮廓的回归线测量的两个轮廓之间的间隙的最大长度为15。两个轮廓之间的间隙的最大长度，相对于参考轮廓的长度，均沿参考轮廓的回归线测量为1。第二个轮廓与参考轮廓的回归线的最大距离为8，两个轮廓的回归线之间的最大角度为0.3。这样操作可以避免因图像形态学操作导致提取边缘断裂而使得托盘边缘提取一部分，不是全部边缘带来的错误，同时排序轮廓参数根据为：该位置由周围矩形的左上角确定，增加排序顺序，首先对行进行排序，然后对列进行排序；
步骤S2.6，计算每条叉车托盘的轮廓长度像素，根据计算的长度值选择最长的XLD轮廓，所述的最长的XLD轮廓为托盘图片的最外边缘；
步骤S2.7，通过线段拟合XLD轮廓的轮廓线，并利用线段起点的行列坐标及线段终点的行列坐标来生成直线轮廓线，通过线段拟合XLD轮廓的轮廓线，它不执行输入轮廓的分割。因此必须确保每个轮廓对应于一个且仅有一个线段。其中参数为用于拟合线的算法选择标准最小二乘线拟合，用于计算的轮廓点的最大数量为所有点。拟合忽略轮廓起点和终点的点数，其中最大迭代次数为5，用于消除异常值的剪切因子为2。最后计算出线段起点的行坐标和列坐标，线段终点的行坐标和列坐标，法向矢量的行坐标和列坐标，线与原点的距离。
所述的步骤S3包含：
步骤S3.1，提取叉车托盘边缘角点坐标，提取左右两边角点坐标，为后续计算叉车托盘与叉车相对位置提供数据来源；
步骤S3.2，通过拍摄标定板进行摄像机标定，得到摄像机内外参数；
设P点在图像像素坐标系下的坐标为(u,v)，P点在图像物理坐标系下的坐标为(x,y)，P点在世界坐标系下的坐标为P(XW,YW,ZW)。用齐次坐标与矩阵来表示计算表示摄像机标定，得到图像像素坐标系和世界坐标系之间的关系：
其中[R，t]为摄像机外部参数矩阵，其中(u0,v0)为主点坐标au,av分别为图像u轴和v轴上的尺度因子，s是描述两图像坐标轴倾斜程度的参数，dx、dy分别表示摄像机水平和垂直方向的单位像素焦距。
步骤S3.3，根据地平面约束测距模型使用测距算法计算托盘相对叉车的姿态数据；
基于单目视觉的叉车托盘测距是指在识别出叉车托盘后，测量托盘与摄像头的相对姿态包括相对距离和相对角度信息，从而知道叉车相对托盘的相对位姿。
当叉车与托盘同处于地平面，且叉车安装的工业摄像机在垂直方向有一定的倾斜角时，可建立如图4所示的地平面约束测距模型。其中，C点为摄像机光心，光心在地平面T上的垂直投影点O作为原点来建立世界坐标系。其中CC0＝f、F1F2F3F4为成像平面，大小为CCD靶面尺寸大小，θ为摄像机倾角，P为地平面任意一点。又已知数据有摄像机标定的结果dx、dy、u0、v0，摄像机固定安装在叉车，用米尺计算出摄像机倾角θ，摄像机距离地平面高度h。根据地平面约束测距模型求解点P在世界坐标系中的横纵坐标。
点P的纵坐标值：
点P的横坐标值：
其中，
步骤S3.4，设托盘最外边缘与实际水平线之间的夹角为Angle1，计算 Angle1的大小和方向；设托盘最外边缘的中心点和摄像机光心的连线与托盘最外边缘线的夹角为Angle2，计算Angle2的大小和方向；计算托盘最外边缘的中心点与摄像机光心间的距离。
计算Angle1，Angle1为托盘最外边缘的实际的水平线之间的夹角。判断 Angle1方向，托盘朝向右边，角度为正号。托盘朝向左边，角度为负号；
计算Angle2，Angle2为托盘最外边缘的中心点和摄像机光心的连线，与托盘最外边缘线的夹角。判断Angle2方向，夹角朝向右边，角度为正号。夹角朝向左边，角度为负号；
计算Distance，Distance为托盘最外边缘的中心点与摄像机光心间的距离。
所述的步骤S2中通过提取叉车托盘的最外侧上边缘的XLD轮廓来实现后续测距坐标。
所述的步骤S3.3具体为：基于地平面约束测距模型的单目视觉测距模型和算法。基于单目视觉的叉车托盘测距是指在识别出叉车托盘后，测量托盘与摄像头的相对姿态包括相对距离和相对角度信息，从而得到叉车相对托盘的相对位姿。
在步骤S3.1与S3.2之间还包含：出错处理步骤，为防止XLD轮廓起点和终点顺序出错，根据比较起点行坐标和终点行坐标，如果顺序出错，线段起点和终点互换数值。
在步骤S3.5后还包含：异常错误判断，叉车托盘实际距离为1200mm，如果计算叉车托盘左右点之间的距离在1100-1300mm之间，输出Distance、 Angle1、Angle2，否则返回0。
综上所述，本发明一种基于单目视觉的叉车识别测距方法，利用叉车托盘角点确定托盘位姿，再根据地平面约束测距模型，利用测距算法计算托盘三维姿态数据，实时控制叉车运动，该算法鲁棒性稳定、准确度高、识别速度快，达到0.14s/次。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (6)
1.一种基于单目视觉的叉车识别测距方法，其特征在于，包含如下步骤：
S1，获取叉车托盘图片，并对所述的叉车托盘图片进行图像处理得到选择区域的颜色图片；
S2，对得到的选择区域的颜色图片进行轮廓处理生成直线轮廓线；
S3，提取叉车托盘边缘角点坐标，再利用角点坐标根据地平面约束测距模型，使用测距算法计算托盘相对叉车的姿态数据。
2.如权利要求1所述的基于单目视觉的叉车识别测距方法，其特征在于，所述的步骤S1包含：
步骤S1.1，通过摄像机实时获取叉车托盘图片；
步骤S1.2，设置摄像机的参数，所述摄像机的参数包括焦距、光圈、像素或增益的一种或几种；
步骤S1.3，将所述的叉车托盘图片分解为三通道RGB图像；
步骤S1.4，分别将三通道RGB图像从RGB颜色空间转换为hsv颜色空间；
步骤S1.5，使用全局阈值对hsv颜色空间中的通道图片进行分割处理；
步骤S1.6，对感兴趣区域进行计算区域的连接组件，得到若干分割开的连接区域；
步骤S1.7，对分割开的连接区域中的孔洞进行填充；
步骤S1.8，对填充的连接区域根据面积进行筛选，得到面积最大区域；
步骤S1.9，对筛选的区域用闭运算来填充孔洞；
步骤S1.10，计算得到的选择区域与叉车托盘图片进行交集，得到选择区域的颜色图片。
3.如权利要求1所述的基于单目视觉的叉车识别测距方法，其特征在于，所述的步骤S2包含：
步骤S2.1，对选择区域的颜色图片使用滤波器提取指定区域图片的边缘得到XLD轮廓；
步骤S2.2，将所述的XLD轮廓分割成若干条XLD轮廓；
步骤S2.3，对分割后的XLD轮廓根据设置的长度范围筛选出符合长度范围的XLD轮廓；
步骤S2.4，对筛选后的XLD轮廓进行计算得到叉车图片的轮廓参数；
步骤S2.5，合并近似共线的输入XLD轮廓，并对排序轮廓参数进行排序；
步骤S2.6，计算每条叉车托盘的轮廓长度像素，根据计算的长度值选择最长的XLD轮廓，所述的最长的XLD轮廓为托盘图片的最外边缘；
步骤S2.7，通过线段拟合XLD轮廓的轮廓线，并利用线段起点的行列坐标及线段终点的行列坐标来生成直线轮廓线。
4.如权利要求1所述的基于单目视觉的叉车识别测距方法，其特征在于，所述的步骤S3包含：
步骤S3.1，提取叉车托盘边缘角点坐标；
步骤S3.2，通过拍摄标定板进行摄像机标定，得到摄像机内外参数；
步骤S3.3，根据地平面约束测距模型使用测距算法计算托盘相对叉车的姿态数据；
步骤S3.4，设托盘最外边缘与实际水平线之间的夹角为Angle1，计算Angle1的大小和方向；设托盘最外边缘的中心点和摄像机光心的连线与托盘最外边缘线的夹角为Angle2，计算Angle2的大小和方向；计算托盘最外边缘的中心点与摄像机光心间的距离。
5.如权利要求1所述的基于单目视觉的叉车识别测距方法，其特征在于，所述的步骤S2中通过提取叉车托盘的最外侧上边缘的XLD轮廓来实现后续测距坐标。
6.如权利要求1所述的基于单目视觉的叉车识别测距方法，其特征在于，所述的步骤S3.3具体为：基于地平面约束测距模型的单目视觉测距模型和算法；
基于单目视觉的叉车托盘测距是指在识别出叉车托盘后，测量托盘与摄像头的相对姿态包括相对距离和相对角度信息，从而得到叉车相对托盘的相对位姿。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811141488.4A CN109584296A (zh) | 2018-09-28 | 2018-09-28 | 一种基于单目视觉的叉车识别测距方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811141488.4A CN109584296A (zh) | 2018-09-28 | 2018-09-28 | 一种基于单目视觉的叉车识别测距方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109584296A true CN109584296A (zh) | 2019-04-05 |
Family
ID=65919917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811141488.4A Pending CN109584296A (zh) | 2018-09-28 | 2018-09-28 | 一种基于单目视觉的叉车识别测距方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109584296A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113267180A (zh) * | 2021-06-10 | 2021-08-17 | 上海大学 | 一种基于3d深度视觉的agv叉车托盘定位及叉取方法 |
| CN113724322A (zh) * | 2021-07-30 | 2021-11-30 | 上海动亦科技有限公司 | 一种用于无人叉车的货物托盘定位方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1213584A1 (en) * | 2000-12-05 | 2002-06-12 | B.I.M. n.v. | Carcass segmentation apparatus and method by means of morphological operators |
| US20090190798A1 (en) * | 2008-01-25 | 2009-07-30 | Sungkyunkwan University Foundation For Corporate Collaboration | System and method for real-time object recognition and pose estimation using in-situ monitoring |
| EP2174117A1 (en) * | 2007-08-06 | 2010-04-14 | QR Limited | Pantograph damage and wear monitoring system |
| US7899243B2 (en) * | 2000-11-06 | 2011-03-01 | Evryx Technologies, Inc. | Image capture and identification system and process |
| US20130191070A1 (en) * | 2004-06-30 | 2013-07-25 | Georgetown Rail Equipment Company | System and method for inspecting railroad ties |
| CN104777835A (zh) * | 2015-03-11 | 2015-07-15 | 武汉汉迪机器人科技有限公司 | 一种全向自动叉车及3d立体视觉导航定位方法 |
| CN104981105A (zh) * | 2015-07-09 | 2015-10-14 | 广东工业大学 | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 |
| CN106672859A (zh) * | 2017-01-05 | 2017-05-17 | 深圳市有光图像科技有限公司 | 一种基于叉车视觉识别托盘的方法及叉车 |
| CN107218927A (zh) * | 2017-05-16 | 2017-09-29 | 上海交通大学 | 一种基于tof相机的货物托盘检测系统和方法 |
| CN108012325A (zh) * | 2017-10-30 | 2018-05-08 | 上海神添实业有限公司 | 一种基于uwb和双目视觉的导航定位方法 |
| CN108152823A (zh) * | 2017-12-14 | 2018-06-12 | 北京信息科技大学 | 一种基于视觉的无人驾驶叉车导航系统及其定位导航方法 |
| CN108502810A (zh) * | 2018-04-13 | 2018-09-07 | 深圳市有光图像科技有限公司 | 一种叉车识别托盘的方法及叉车 |
| CN108545669A (zh) * | 2018-06-29 | 2018-09-18 | 广东嘉腾机器人自动化有限公司 | 基于避障传感器的叉车货物存取方法及装置 |
-
2018
- 2018-09-28 CN CN201811141488.4A patent/CN109584296A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7899243B2 (en) * | 2000-11-06 | 2011-03-01 | Evryx Technologies, Inc. | Image capture and identification system and process |
| EP1213584A1 (en) * | 2000-12-05 | 2002-06-12 | B.I.M. n.v. | Carcass segmentation apparatus and method by means of morphological operators |
| US20130191070A1 (en) * | 2004-06-30 | 2013-07-25 | Georgetown Rail Equipment Company | System and method for inspecting railroad ties |
| EP2174117A1 (en) * | 2007-08-06 | 2010-04-14 | QR Limited | Pantograph damage and wear monitoring system |
| US20090190798A1 (en) * | 2008-01-25 | 2009-07-30 | Sungkyunkwan University Foundation For Corporate Collaboration | System and method for real-time object recognition and pose estimation using in-situ monitoring |
| CN104777835A (zh) * | 2015-03-11 | 2015-07-15 | 武汉汉迪机器人科技有限公司 | 一种全向自动叉车及3d立体视觉导航定位方法 |
| CN104981105A (zh) * | 2015-07-09 | 2015-10-14 | 广东工业大学 | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 |
| CN106672859A (zh) * | 2017-01-05 | 2017-05-17 | 深圳市有光图像科技有限公司 | 一种基于叉车视觉识别托盘的方法及叉车 |
| CN107218927A (zh) * | 2017-05-16 | 2017-09-29 | 上海交通大学 | 一种基于tof相机的货物托盘检测系统和方法 |
| CN108012325A (zh) * | 2017-10-30 | 2018-05-08 | 上海神添实业有限公司 | 一种基于uwb和双目视觉的导航定位方法 |
| CN108152823A (zh) * | 2017-12-14 | 2018-06-12 | 北京信息科技大学 | 一种基于视觉的无人驾驶叉车导航系统及其定位导航方法 |
| CN108502810A (zh) * | 2018-04-13 | 2018-09-07 | 深圳市有光图像科技有限公司 | 一种叉车识别托盘的方法及叉车 |
| CN108545669A (zh) * | 2018-06-29 | 2018-09-18 | 广东嘉腾机器人自动化有限公司 | 基于避障传感器的叉车货物存取方法及装置 |
Non-Patent Citations (7)
| Title |
|---|
| GANG CHEN: "Real-Time Positioning and Orienting of Pallets Based on Monocular Vision", 《2012 8TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS, NETWORKING AND MOBILE COMPUTING》 * |
| NENGSHENG BAO: "Design of inspection system of glaze defect on the surface of ceramic pot based on machine vision", 《2017 IEEE 2ND INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC)》 * |
| SUNGMIN BYUN: "Real-Time Positioning and Orienting of Pallets Based on Monocular Vision", 《2008 20TH IEEE INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE》 * |
| 中国电子学会: "《第四届全国信号处理学术会议论文集 上》", 31 October 1992, 中国科学技术文献缩微复印公司 * |
| 杨唐文: "基于空间几何约束的单目视觉物体测距", 《南京理工大学学报（自然科学版）》 * |
| 王东: "基于机器视觉的微小零件表面缺陷检测研究", 《万方数据知识服务平台》 * |
| 逯瑜娇: "视觉信息下移动机器人目标识别算法", 《电子技术与软件工程》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113267180A (zh) * | 2021-06-10 | 2021-08-17 | 上海大学 | 一种基于3d深度视觉的agv叉车托盘定位及叉取方法 |
| CN113724322A (zh) * | 2021-07-30 | 2021-11-30 | 上海动亦科技有限公司 | 一种用于无人叉车的货物托盘定位方法及系统 |
| CN113724322B (zh) * | 2021-07-30 | 2024-05-07 | 上海动亦科技有限公司 | 一种用于无人叉车的货物托盘定位方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108305264B (zh) | 一种基于图像处理的无人机精确着陆方法 | |
| CN111767780A (zh) | 一种ai与视觉结合的智能集卡定位方法和系统 | |
| CN113267180B (zh) | 一种基于3d深度视觉的agv叉车托盘定位及叉取方法 | |
| CN109584296A (zh) | 一种基于单目视觉的叉车识别测距方法 | |
| CN107977960A (zh) | 一种基于改进的susan算子的轿车表面划痕检测算法 | |
| CN115546202B (zh) | 一种用于无人叉车的托盘检测与定位方法 | |
| CN114170521B (zh) | 一种叉车托盘对接识别定位方法 | |
| CN112304960A (zh) | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 | |
| CN112837381A (zh) | 一种适用于驾驶设备的摄像头的标定方法、系统及设备 | |
| CN110260818A (zh) | 一种基于双目视觉的电子连接器鲁棒检测方法 | |
| CN114413958A (zh) | 无人物流车的单目视觉测距测速方法 | |
| CN116991162A (zh) | 一种非巡线机器人自主定位视觉识别方法 | |
| CN114202548A (zh) | 一种叉车托盘的定位方法、装置、存储介质及电子设备 | |
| CN116160458B (zh) | 一种移动机器人多传感器融合快速定位方法、设备及系统 | |
| CN116309882A (zh) | 一种面向无人叉车应用的托盘检测和定位方法及系统 | |
| Kita et al. | Localization of pallets on shelves in a warehouse using a wide-angle camera | |
| CN112416000A (zh) | 无人驾驶方程式赛车环境感知和导航方法及转向控制方法 | |
| CN115439821A (zh) | 基于多目视觉agv的定位与跟踪方法及系统 | |
| CN114237280B (zh) | 一种无人机精准降落机巢平台的方法 | |
| CN113706610B (zh) | 基于rgb-d相机的栈板位姿计算方法 | |
| CN113096187B (zh) | 一种车辆与障碍物相对位置自动获取方法 | |
| CN111854678B (zh) | 一种单目视觉下基于语义分割和卡尔曼滤波的位姿测量方法 | |
| CN115082509A (zh) | 一种对无特征目标的追踪方法 | |
| CN113095324A (zh) | 一种针对锥桶的分类与测距方法及系统 | |
| CN109242910A (zh) | 一种基于任意已知平面形状的单目相机自标定方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
| RJ01 | Rejection of invention patent application after publication |