CN110146017A - 工业机器人重复定位精度测量方法 - Google Patents
工业机器人重复定位精度测量方法 Download PDFInfo
- Publication number
- CN110146017A CN110146017A CN201910493974.0A CN201910493974A CN110146017A CN 110146017 A CN110146017 A CN 110146017A CN 201910493974 A CN201910493974 A CN 201910493974A CN 110146017 A CN110146017 A CN 110146017A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- characteristic point
- mechanical arm
- matching
- 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
- 230000003252 repetitive effect Effects 0.000 title claims abstract description 36
- 238000000691 measurement method Methods 0.000 title claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000009434 installation Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000013142 basic testing Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010057855 Hypotelorism of orbit Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及工业机器人重复定位精度测量方法,其包括包括以下步骤,步骤一,将图像传感器固定于机械手臂末端,并随动于机械手臂,预先定义三维空域坐标系,在预先定义的三维空域坐标系中的每一正对位置点安装配准盘;步骤二,机械手臂往复运动于预先定义的三维空域坐标系中的两点或多点之间,在每次机械手臂到达正对位置点后,图像传感器拍摄预先放置的配准盘,并将生成图像信息传输到图像处理系统;步骤三,图像处理系统对每一位置点采集到的图像信息进行特征提取运算,并与该位置点的第一幅图像进行基于尺度不变特征的图像配准,从而获得机械手臂重复定位点云;步骤四,通过对点云的空间坐标变换,得到机械手臂的重复定位精度。
Description
技术领域
本发明涉及工业机器人重复定位精度测量方法。本发明属于工业自动化控制技术领域,尤其涉及一种基于计算机视觉的工业机器人重复定位精度测量的方案与算法。该方法避免了测量装置和机器人之间的机械接触,可用于实现机器人定位参数的高精度标定和测量。
背景技术
重复定位精度是工业机器人的重要技术参数,也是关于机器人的精度的重要参数之一。
随着机械自动化的快速发展,机械自动化慢慢的应用在工业生产中,各种机器人是替代人工进行工件运输、加工的主要设备。在机器人的运动过程中,为了保证对于工件加工的精度,对于机器人运动的重复定位精度要求较高。专利号201410101895公开了一种工业机器人重复定位测试装置,解决激光跟踪仪在工业机器人重复定位精度测量中存在高速易丢光等局限性的问题。但是该装置使用激光传感器和大量位置调节装置,自身采购成本高,位置调节复杂,可靠性难以得到保证。专利号201510098569提供一种用于测量工业机器人重复定位精度的测试系统,采用激光传感器,测量精度得到提高,传输速率高,通讯方式灵活,而且不局限于单一工位的测量,可用应用于多工位机器人的重复定位精度的测量,但是传感器自身位置不固定,工厂应用过程中工人操作困难,难以实现正交方式。
术语:准确度准确度是指在同样的测量条件下,同一被测量的连续测量结果中最终位置的平均值与期望位置之间的距离。
重复定位精度重复定位精度指在同样的测量条件下,同一被测量的连续测量结果中不同最终位置点距离点云中心的距离,详见ISO 9946:1999(en)。
发明内容
本发明所要解决的技术问题总的来说是提供一种工业机器人重复定位精度测量方法;详细解决的技术问题以及取得有益效果在后述内容以及结合具体实施方式中内容具体描述。本发明对亚像素精确测量精度较高,测量方法较简单、不受环境空间限制,便于操作实时性。
为解决上述问题,本发明所采取的技术方案是:
一种工业机器人重复定位精度测量方法,其特征在于:该方法包括以下步骤,
步骤一,将图像传感器固定于机械手臂末端,并随动于机械手臂,预先定义三维空域坐标系,在预先定义的三维空域坐标系中的每一正对位置点安装配准盘;
步骤二,机械手臂往复运动于预先定义的三维空域坐标系中的两点或多点之间,在每次机械手臂到达正对位置点后,图像传感器拍摄预先放置的配准盘,并将生成图像信息传输到图像处理系统;
步骤三,图像处理系统对每一位置点采集到的图像信息进行特征提取运算,并与该位置点的第一幅图像进行基于尺度不变特征的图像配准,从而获得机械手臂重复定位点云;
步骤四,通过对点云的空间坐标变换,得到机械手臂的重复定位精度。
本发明利用计算机视觉系统测定机械手重复定位精度,能对微小的机械位移提供精确地测量,受外界条件影响小,操作简单,输出数据易于保存记录。通过计算机图像配准算法程序计算并记录每次循环回原点时的微小位移量,提高了传输机械手的重复定位精度,测量精度可达到亚像素级别。解决了标准块法受空间限制大,易收检测手法的影响测量精确度不高的问题。避免了激光跟踪法单站测量,测量半径大,需要现场测量仪器,实际测量精度需要多次移动仪器位置,激光仪价格昂贵,成本高的不足。
本发明采用工业机器人、图像传感器、图像传感器配准盘、图像特征提取系统以及图像配准算法对工业机器人重复定位精度进行亚像素精确测量,为工业机器人机械手臂的重复定位精度精确测量提供了依据,测量方法简单有效,测量精度高,有助于工业机器人自动控制系统的动态性能调优和重复定位精度的提高。
本发明的有益效果不限于此描述,为了更好的便于理解,在具体实施方式部分进行了更加详细的描述。
附图说明
图1为本发明装置示意图。
图2为本发明重复定位系统流程图。
图3为本发明重复精度点云图。
图4为本发明特征描述算子构造示意图。
图5为本发明最佳匹配点对示意图。
其中,1、相机;2、LED照明灯;3、支撑架;4、校准网格;5、图像测量平台;6、转动关节;7、机械臂;8、转换器;9、计算机控制系统;10、支架底座;11、支架底座;12、第一接线;13、第二接线。
具体实施方式
如所有图所示,本发明公开了一种工业机器人重复定位精度测量方法,借助于测量装置,该测量装置包括支架底座(10)、设置在支架底座(10)上的支撑架(3)、设置在支撑架(3)上且作为图像传感器的远心成像光学器件的相机(1)、设置在支撑架(3)横梁下方的机械臂(7)、设置在机械臂(7)末端的转动关节(6)、设置在转动关节(6)上的图像测量平台(5)、设置在图像测量平台(5)上且用于检测相机(1)且作为配准盘的校准网格(4)、转换器(8)、作为图像处理系统的计算机控制系统(9)、设置在机械臂(7)与转换器(8)之间的第一接线(12)、以及设置在计算机控制系统(9)与转换器(8)之间的第二接线(13);
该方法包括以下步骤,
步骤一,将图像传感器固定于机械手臂末端,并随动于机械手臂,预先定义三维空域坐标系,在预先定义的三维空域坐标系中的每一正对位置点安装配准盘;
步骤二,机械手臂往复运动于预先定义的三维空域坐标系中的两点或多点之间,在每次机械手臂到达正对位置点后,图像传感器拍摄预先放置的配准盘,并将生成图像信息传输到图像处理系统;
步骤三,图像处理系统对每一位置点采集到的图像信息进行特征提取运算,并与该位置点的第一幅图像进行基于尺度不变特征的图像配准,从而获得机械手臂重复定位点云;
步骤四,通过对点云的空间坐标变换,得到机械手臂的重复定位精度。
图2为重复定位精度系统的流程图,本发明是利用SURF算法在速度上的优势提取出图像的SURF特征描述算子,用KMeans算法进行预处理过滤明显的错误匹配,将不符合匹配条件的误差较大的匹配或者错误匹配去除,再用RANSAC算法得到精准匹配,该方法在很大程度上改善了错误匹配的问题。
S1,启动工业机器人的测量装置;
S2,设定机械手臂控制参数,控制参数包括要到达的目标位置的位移尺寸和旋转角度、以及往复运动的次数
S3,启动机械手臂,并触发图像传感器获取图像信号,若没有获取图像信号,检测系统重新启动机械手臂;图像获取是实现图像配准的前提条件,不同的图像获取方法会有不同的图像配准效果。
作为优选,在S3中,具体为相机(1)固定在支撑架(3)上,通过支撑架(3)平行移动,相机(1)获取图像数据;相机使用的是基于具有远心成像光学器件的Basler acA1600-20gm/gc相机的视觉系统。有助于减少图像采集期间的失真。相机分辨率为1682×1236像素,视场为7.1mm×5.4mm,像素尺寸为4.4×4.4μm的像素尺寸下。
S4,对图像传感器获取的图像进行图像增强处理,根据预设程序指令,图像增强处理是突出图像中设定的感兴趣的部分,减弱或去除设定的不需要的信息;这样使有用信息得到加强,从而得到一种更加实用的图像或者转换成一种更适合人或机器进行分析处理的图像。
S5,图像处理系统对图像增强处理后的图像进行快速Hession检测与卷积操作,计算特征采用经过方向配准的梯度方向直方图特征作为算法的特征;检测设定的关键点采用快速Hession检测算法,经过卷积操作可以显著加快计算速度。计算特征采用经过方向配准的梯度方向直方图特征作为算法的特征,该特征具有尺度旋转不变性。
S6,构造特征描述算子;首先,在SURF算法中,在相对于第一幅图像,待匹配图的特征点周围取一个正方形框,框的边长为20s,s是所检测到该特征点所在的尺度,该框的方向是SURF算法中检测出来的主方向;然后,把该框分为16个子区域,每个子区域统计25个像素的水平方向和垂直方向的Haar小波特征,其水平和垂直方向都是相对主方向而言的,该Haar小波特征为水平方向值之和、水平方向绝对值之和、垂直方向之和、垂直方向绝对值之和,从而每个小区域就有4个值,所以每个特征点就是16×4=64维的向量;
其中,该正方形框为图像测量平台(5);该过程如图4所示。
S7,特征点的粗匹配;首先,对两个图形的匹配是对两个图形各自特征点描述算子的相似性度量的检测,并用欧式距离进行计算:
式中,Xik表示待匹配图中第i个特征描述算子的第k个元素,Xjk是参考图中第j个特征描述算子的第k个元素,n表示特征向量的维数,从而对于待匹配图上的特征点,计算它到参考图像上所有特征点的欧氏距离,得到一个距离集合;
然后,通过对距离集合进行比较运算得到最小欧氏距离与次最小欧氏距离;其次,设定一个阈值;其次,当最小欧氏距离和次最小欧氏距离的比值小于该阈值时,认为特征点与对应最小欧氏距离的特征点是匹配的,否则没有点与该特征点相匹配;欧氏距离的阈值为0.6~0.8;阈值越小,匹配越稳定,但极值点越少。
一般用这一步匹配出来的特征点的误匹配率会比较大,不能满足实用的要求。
用RANSAC算法进行进一步精匹配修整;但在低信噪比时RANSAC会误判外点为内点,造成误匹配,即噪声数据比信号数据多很多的情况下会造成结果稳定性差,精度不高。故考虑对RANSAC的输入进行预处理,减少输入的噪声信号。首先,把匹配结果作为候选匹配特征集,从候选匹配特征点对中随机选取4个匹配点建立方程组,预测变换矩阵H的8个未知参数;然后,计算剩余特征点经过参考图像变换矩阵H的变换;其次,计算与其候选匹配点之间的距离,若距离小于某一匹配阈值,则该候选点为内点,否则为外点;再次,找出内点数目最多的估计,将该估计所判断出的外点剔除,并采用所有的内点来做最后的参数,当内点数相等时,选择标准方差最小的点集;
RANSAC算法思想简单而巧妙,虽然在很大程度上消除了较多数量的严重误差的影响,但是还是有它的不足之处:(1)选取随机样本集时,存在一个样本的4个候选点距离过近而被认为是一个点,从而求得基本矩阵不准确问题。(2)每次随机挑选一个随机样本集,都需要寻找其对应候选模型参数的支撑集。对于存在较多误差的观测数据集,将会有很多时间浪费在寻找对应的支撑集点上。针对以上不足,对S7.1RANSAC算法进行S8的改进,采用基于预处理的方法先过滤大部分明显的误差数据,增加RANSAC输入的有效信号,使得RANSAC算法在保证精准的基础上加快了速度。
S8,基于KMeans聚类过滤的RANSAC精匹配修正,在使用RANSAC算法进行特征点匹配时,真匹配的匹配点的连线几乎都是平行的。误匹配的匹配点对的连线都是无规律交叉的。首先,前提规律是,在使用RANSAC算法进行特征点匹配时,误匹配的匹配点对的连线相比于真匹配的匹配点的连线都是无规律随机交叉的;然后,基于该规律从参考图像变换矩阵H推出,图像特征点配对中,模型即为从一个平面上的特征点到另一个平面上的特征点的映射关系,反映为映射矩阵H,H是一个包含8个自由度的3×3矩阵,它最少从两个平面中的4对匹配点计算出,但同一平面上的3个点必须不共面;
则投影关系为:
其次,得到每一个齐次坐标(u,v,w)对应的非齐次坐标为即为变换后的新坐标(x′,y′)计算公式如下:
由图4可知,在求解单应性矩阵H的8个参数至少需要4对特征匹配点。
再次,通过方程解得的H一一对应地把匹配图像上的特征点归一化到参考图像坐标系中;再后来,在解得矩阵H后用式(4)来检验特征点,不满足式(4)的特征点是误匹配特征点,正确匹配特征点是满足式(4)的特征点,但是满足式(4)的特征点对却不一定是正确匹配;
在S8中,关于正确匹配特征点与误匹配特征点筛选,首先,把相似旋转角度θ的特征点对分成一类,认为的正确匹配特征点,不相似旋转角度θ的特征点对分成另一类,认定为误匹配特征点,其中,匹配阈值为θ;然后,只对相似旋转角度θ的特征点进行后续的RANSAC匹配。
所以在用RANSAC算法进行特征点匹配前,可以考虑用H矩阵对RANSAC算法的输入特征点对进行预处理,过滤掉错误的特征点对。可以考虑用某一聚类算法对待匹配的特征点对进行分类,把相似旋转角度θ的特征点对分成一类,不相似旋转角度θ的特征点对分成另一类。只对相似旋转角度θ的特征点进行后续的RANSAC匹配,这样可以大大减少后续匹配的运算量,减少后续匹配的误配率。所以KMeans聚类算法被考虑用来进行预处理过滤误匹配点。
在S8中,关于正确匹配特征点与误匹配特征点筛选,基于聚类算法分好初始聚类中心,并且要预知划分类,预处理过滤算法:
Step1计算所有可能匹配点对连线与水平X轴的夹角θ值;
Step2计算每组夹角的差值△θk,即与0°的差值;
Step3对△θk进行单调递增排序;
Step4对每一个△θk,计算ε=|△θk-△θmin|,如果ε<θε,则点对(Pi,Pj)k属于正确匹配的点对类;由于△θk是单调递增的,ε>θε后的△θk则属于误匹配的点对类。
具体包括以下步骤,S8.1,设定K=2值,即分成相似旋转角度θ与不相似旋转角度θ两类;
假设计算出来特征点集为:
P={p1,p2,p3,...,pi},i=1,2,3,...,m (5),
Pi={pix,piy} (6),
式(7)为求第k组匹配点对连线与X轴正方向形成的夹角θ值;
S8.2,求第k组θ值与第l组θ值的差值,
式(8)为求第k组θ值与第l组θ值的差值;
传统为对式(7)计算出来的θ值进行聚类,进行多次反复迭代,计算出的聚类中心;
然后,进行分类;实验表明,匹配点对连线与水平X轴的角度差之比小于预设阈值的是好的匹配点对。所以该分类问题转化成:
S8.3,以S8.2中最小的△θmin为聚类中心,按照预设的误差条件,分成△θmin相似的一类和与△θmin不相似的另一类。这样就可以直接确定聚类中心,而不需要反复迭代确定聚类中心,大大减小了计算工作量。以图5为例,其可以分成△θmin=0的水平一组(4,5,6)和△θmin>0的不水平的一组(1,2,3)。
S9,计算基准图像的匹配点坐标误差均值。
S10,计算与基准图像的尺度和角度差。
S11,输出定位点云并计算重复定位精度,即最终的机器人位置接近所需的点,并构成点云,重复精度即点云半径。
其中,精度,基本的测试是控制机器人到达所需的点并返回,这个循环在相同的条件下重复多次;
准确性的特点是不同最终位置的平均值与所需位置之间的距离;
重复精度指数估计不同点与云中心的接近程度。
图3为重复精度点云图。
校准网格(4)为25mm×25mm的校准网格;
远心成像光学器件的相机(1)为远心成像光学器件的Basler acA1600-20gm/gc相机。
本发明的关键点运用算法可以更快更精确的得到匹配结果,适合实时性的机械重复精度要求高的工作条件。预处理算法中可以直接以最小的△θmin聚类中心,分成与△θmin相似的一类和△θmin不相似的一类。这样就不再需要反复迭代运算而直接确定聚类中心,大大减少了迭代运算的计算工作量,提高了效率。该方法可以显著地过滤掉误匹配点,增加RANSAC算法输入的有效信号,提高了真匹配的成功率,而且其所消耗的时间明显减少。保护点是利用图像特征提取系统以及图像配准算法对工业机器人重复定位精度进行亚像素精确测量,
本发明设计合理、成本低廉、结实耐用、安全可靠、操作简单、省时省力、节约资金、结构紧凑且使用方便。
本发明充分描述是为了更加清楚的公开,而对于现有技术就不再一一例举。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;作为本领域技术人员对本发明的多个技术方案进行组合是显而易见的。而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种工业机器人重复定位精度测量方法,其特征在于:该方法包括以下步骤,
步骤一,将图像传感器固定于机械手臂末端,并随动于机械手臂,预先定义三维空域坐标系,在预先定义的三维空域坐标系中的每一正对位置点安装配准盘;
步骤二,机械手臂往复运动于预先定义的三维空域坐标系中的两点或多点之间,在每次机械手臂到达正对位置点后,图像传感器拍摄预先放置的配准盘,并将生成图像信息传输到图像处理系统;
步骤三,图像处理系统对每一位置点采集到的图像信息进行特征提取运算,并与该位置点的第一幅图像进行基于尺度不变特征的图像配准,从而获得机械手臂重复定位点云;
步骤四,通过对点云的空间坐标变换,得到机械手臂的重复定位精度。
2.根据权利要求1所述的工业机器人重复定位精度测量方法,其特征在于:其中,利用SURF算法提取出图像的SURF特征描述算子,用KMeans算法进行预处理过滤的错误匹配,将不符合匹配条件的匹配或者错误匹配去除,再用RANSAC算法得到再次匹配。
3.根据权利要求1所述的工业机器人重复定位精度测量方法,其特征在于:借助于测量装置,该测量装置包括支架底座(10)、设置在支架底座(10)上且平行移动的支撑架(3)、设置在支撑架(3)上且作为图像传感器图像数据的远心成像光学器件的相机(1)、设置在支撑架(3)横梁下方的机械臂(7)、设置在机械臂(7)末端的转动关节(6)、设置在转动关节(6)上的图像测量平台(5)、设置在图像测量平台(5)上且用于检测相机(1)且作为配准盘的校准网格(4)、转换器(8)、作为图像处理系统的计算机控制系统(9)、设置在机械臂(7)与转换器(8)之间的第一接线(12)、以及设置在计算机控制系统(9)与转换器(8)之间的第二接线(13)。
4.根据权利要求3所述的工业机器人重复定位精度测量方法,其特征在于:该方法包括以下步骤,
S1,启动工业机器人的测量装置;
S2,设定机械手臂控制参数,控制参数包括要到达的目标位置的位移尺寸和旋转角度、以及往复运动的次数;
S3,启动机械手臂,并触发图像传感器获取图像信号,若没有获取图像信号,检测系统重新启动机械手臂;
S4,对图像传感器获取的图像进行图像增强处理,根据预设程序指令,图像增强处理是突出图像中设定的感兴趣的部分,减弱或去除设定的不需要的信息;
S5,图像处理系统对图像增强处理后的图像进行快速Hession检测与卷积操作,计算特征采用经过方向配准的梯度方向直方图特征作为算法的特征;
S6,构造特征描述算子;首先,在SURF算法中,在相对于第一幅图像,待匹配图的特征点周围取一个正方形框,框的边长为20s,s是所检测到该特征点所在的尺度,该框的方向是SURF算法中检测出来的主方向;然后,把该框分为16个子区域,每个子区域统计25个像素的水平方向和垂直方向的Haar小波特征,其水平和垂直方向都是相对主方向而言的,该Haar小波特征为水平方向值之和、水平方向绝对值之和、垂直方向之和、垂直方向绝对值之和,从而每个小区域就有4个值,所以每个特征点就是16×4=64维的向量;
其中,该正方形框为图像测量平台(5);
S7,特征点的粗匹配;首先,对两个图形的匹配是对两个图形各自特征点描述算子的相似性度量的检测,并用欧式距离进行计算:
式中,Xik表示待匹配图中第i个特征描述算子的第k个元素,Xjk是参考图中第j个特征描述算子的第k个元素,n表示特征向量的维数,从而对于待匹配图上的特征点,计算它到参考图像上所有特征点的欧氏距离,得到一个距离集合;
然后,通过对距离集合进行比较运算得到最小欧氏距离与次最小欧氏距离;其次,设定一个阈值;其次,当最小欧氏距离和次最小欧氏距离的比值小于该阈值时,认为特征点与对应最小欧氏距离的特征点是匹配的,否则没有点与该特征点相匹配;
S8,基于KMeans聚类过滤的RANSAC精匹配修正,首先,前提规律是,在使用RANSAC算法进行特征点匹配时,误匹配的匹配点对的连线相比于真匹配的匹配点的连线都是无规律随机交叉的;然后,基于该规律从参考图像变换矩阵H推出,图像特征点配对中,模型即为从一个平面上的特征点到另一个平面上的特征点的映射关系,反映为映射矩阵H,H是一个包含8个自由度的3×3矩阵,它最少从两个平面中的4对匹配点计算出,但同一平面上的3个点必须不共面;
则投影关系为:
其次,得到每一个齐次坐标(u,v,w)对应的非齐次坐标为即为变换后的新坐标(x′,y′)计算公式如下:
其中,在求解单应性矩阵H的8个参数至少需要4对特征匹配点;
再次,通过方程解得的H一一对应地把匹配图像上的特征点归一化到参考图像坐标系中;再后来,在解得矩阵H后用式(4)来检验特征点,不满足式(4)的特征点是误匹配特征点,正确匹配特征点是满足式(4)的特征点,但是满足式(4)的特征点对却不一定是正确匹配。
5.根据权利要求4所述的工业机器人重复定位精度测量方法,其特征在于:在S8中,关于正确匹配特征点与误匹配特征点筛选,首先,把相似旋转角度θ的特征点对分成一类,认为的正确匹配特征点,不相似旋转角度θ的特征点对分成另一类,认定为误匹配特征点,然后,只对相似旋转角度θ的特征点进行后续的RANSAC匹配。
6.根据权利要求5所述的工业机器人重复定位精度测量方法,其特征在于:在S8中,关于正确匹配特征点与误匹配特征点筛选,基于聚类算法分好初始聚类中心,并且要预知划分类,预处理过滤算法:
Step1计算所有可能匹配点对连线与水平X轴的夹角θ值;
Step2计算每组夹角的差值△θk,即与0°的差值;
Step3对△θk进行单调递增排序;
Step4对每一个△θk,计算ε=|△θk-△θmin|,如果ε<θε,则点对(Pi,Pj)k属于正确匹配的点对类;由于△θk是单调递增的,ε>θε后的△θk则属于误匹配的点对类。
7.根据权利要求6所述的工业机器人重复定位精度测量方法,其特征在于:具体包括以下步骤,
S8.1,设定K=2值,即分成相似旋转角度θ与不相似旋转角度θ两类;
假设计算出来特征点集为:
P={p1,p2,p3,...,pi},i=1,2,3,...,m (5),
Pi={pix,piy} (6),
式(7)为求第k组匹配点对连线与X轴正方向形成的夹角θ值;
S8.2,求第k组θ值与第l组θ值的差值,
式(8)为求第k组θ值与第l组θ值的差值;
S8.3,以S8.2中最小的△θmin为聚类中心,按照预设的误差条件,分成△θmin相似的一类和与△θmin不相似的另一类。
8.根据权利要求7所述的工业机器人重复定位精度测量方法,其特征在于:
S9,计算基准图像的匹配点坐标误差均值;
S10,计算与基准图像的尺度和角度差;
S11,输出定位点云并计算重复定位精度,即最终的机器人位置接近所需的点,并构成点云,重复精度即点云半径。
9.根据权利要求8所述的工业机器人重复定位精度测量方法,其特征在于:其中,精度,基本的测试是控制机器人到达所需的点并返回,这个循环在相同的条件下重复多次;
准确性的特点是不同最终位置的平均值与所需位置之间的距离;
重复精度指数估计不同点与云中心的接近程度。
10.根据权利要求9所述的工业机器人重复定位精度测量方法,其特征在于:其中,匹配阈值为θ;欧氏距离的阈值为0.6~0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493974.0A CN110146017B (zh) | 2019-06-08 | 2019-06-08 | 工业机器人重复定位精度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493974.0A CN110146017B (zh) | 2019-06-08 | 2019-06-08 | 工业机器人重复定位精度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146017A true CN110146017A (zh) | 2019-08-20 |
CN110146017B CN110146017B (zh) | 2021-02-02 |
Family
ID=67590864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910493974.0A Active CN110146017B (zh) | 2019-06-08 | 2019-06-08 | 工业机器人重复定位精度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146017B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738180A (zh) * | 2019-10-21 | 2020-01-31 | 易思维(杭州)科技有限公司 | 对检测过程中信号准确度及系统精度进行评估的方法 |
CN110807803A (zh) * | 2019-10-11 | 2020-02-18 | 北京文香信息技术有限公司 | 一种摄像机定位方法、装置、设备及存储介质 |
CN112330738A (zh) * | 2020-01-08 | 2021-02-05 | 沈阳和研科技有限公司 | 一种划片机检测工件角度和步进的方法 |
CN112894879A (zh) * | 2019-11-19 | 2021-06-04 | 财团法人资讯工业策进会 | 机械手臂的定位精度量测系统与方法 |
CN113256693A (zh) * | 2021-06-04 | 2021-08-13 | 武汉工控仪器仪表有限公司 | 基于K-means与正态分布变换的多视角配准方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5469263A (en) * | 1994-07-01 | 1995-11-21 | Motorola, Inc. | Method for alignment in photolithographic processes |
CN102230783A (zh) * | 2011-05-04 | 2011-11-02 | 南京航空航天大学 | 一种用于工业机器人的空间立体网格精度补偿方法 |
CN103217128A (zh) * | 2013-04-22 | 2013-07-24 | 钟兴辉 | 双镜头测量系统 |
CN103676976A (zh) * | 2013-12-23 | 2014-03-26 | 中国地质科学院地质研究所 | 三维工作台重复定位误差的校正方法 |
CN203758455U (zh) * | 2014-04-25 | 2014-08-06 | 南京埃斯顿机器人工程有限公司 | 一种工业机器人重复定位精度测量装置 |
CN107088892A (zh) * | 2017-04-01 | 2017-08-25 | 西安交通大学 | 一种基于双目视觉的工业机器人运动精度检测方法 |
-
2019
- 2019-06-08 CN CN201910493974.0A patent/CN110146017B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5469263A (en) * | 1994-07-01 | 1995-11-21 | Motorola, Inc. | Method for alignment in photolithographic processes |
CN102230783A (zh) * | 2011-05-04 | 2011-11-02 | 南京航空航天大学 | 一种用于工业机器人的空间立体网格精度补偿方法 |
CN103217128A (zh) * | 2013-04-22 | 2013-07-24 | 钟兴辉 | 双镜头测量系统 |
CN103676976A (zh) * | 2013-12-23 | 2014-03-26 | 中国地质科学院地质研究所 | 三维工作台重复定位误差的校正方法 |
CN203758455U (zh) * | 2014-04-25 | 2014-08-06 | 南京埃斯顿机器人工程有限公司 | 一种工业机器人重复定位精度测量装置 |
CN107088892A (zh) * | 2017-04-01 | 2017-08-25 | 西安交通大学 | 一种基于双目视觉的工业机器人运动精度检测方法 |
Non-Patent Citations (1)
Title |
---|
蒋凌志: "SURF特征及预处理RANSAC算法在人脸识别中的应用", 《计算机科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807803A (zh) * | 2019-10-11 | 2020-02-18 | 北京文香信息技术有限公司 | 一种摄像机定位方法、装置、设备及存储介质 |
CN110738180A (zh) * | 2019-10-21 | 2020-01-31 | 易思维(杭州)科技有限公司 | 对检测过程中信号准确度及系统精度进行评估的方法 |
CN110738180B (zh) * | 2019-10-21 | 2022-05-17 | 易思维(杭州)科技有限公司 | 对检测过程中信号准确度及系统精度进行评估的方法 |
CN112894879A (zh) * | 2019-11-19 | 2021-06-04 | 财团法人资讯工业策进会 | 机械手臂的定位精度量测系统与方法 |
CN112330738A (zh) * | 2020-01-08 | 2021-02-05 | 沈阳和研科技有限公司 | 一种划片机检测工件角度和步进的方法 |
CN112330738B (zh) * | 2020-01-08 | 2024-10-01 | 沈阳和研科技股份有限公司 | 一种划片机检测工件角度和步进的方法 |
CN113256693A (zh) * | 2021-06-04 | 2021-08-13 | 武汉工控仪器仪表有限公司 | 基于K-means与正态分布变换的多视角配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110146017B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146017A (zh) | 工业机器人重复定位精度测量方法 | |
CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
CN112766103B (zh) | 一种机房巡检方法及装置 | |
CN107481284A (zh) | 目标物跟踪轨迹精度测量的方法、装置、终端及系统 | |
CN110675376A (zh) | 一种基于模板匹配的pcb缺陷检测方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
US12073582B2 (en) | Method and apparatus for determining a three-dimensional position and pose of a fiducial marker | |
CN112361958B (zh) | 一种线激光与机械臂标定方法 | |
CN107345789A (zh) | 一种pcb板孔位检测装置及方法 | |
Bai et al. | Corner point-based coarse–fine method for surface-mount component positioning | |
CN113822882A (zh) | 基于深度学习的电路板表面缺陷检测方法与检测装置 | |
CN113674218A (zh) | 焊缝特征点提取方法、装置、电子设备与存储介质 | |
CN106556606B (zh) | 基于机器视觉的大型机械产品总成件的在线质量控制方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN114092448B (zh) | 一种基于深度学习的插件电解电容混合检测方法 | |
Liu et al. | A novel subpixel industrial chip detection method based on the dual-edge model for surface mount equipment | |
Wang et al. | A binocular vision method for precise hole recognition in satellite assembly systems | |
Wang et al. | Assembly defect detection of atomizers based on machine vision | |
CN116393982B (zh) | 一种基于机器视觉的螺丝锁付方法及装置 | |
CN112990190A (zh) | 指针式仪表读数的识别方法、装置 | |
Xu et al. | The location of component with rectangular pins based on the point set registration | |
CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
Shen et al. | Design and implementation of PCB detection and classification system based on machine vision | |
Rao et al. | A real-time auto-recognition method for pointer-meter under uneven illumination | |
Junhong et al. | On-line inspection system for finished circuit board based on machine vision |
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 |