CN110163056A - 智能视觉识别车板线缆盘中心坐标系统 - Google Patents
智能视觉识别车板线缆盘中心坐标系统 Download PDFInfo
- Publication number
- CN110163056A CN110163056A CN201810977086.1A CN201810977086A CN110163056A CN 110163056 A CN110163056 A CN 110163056A CN 201810977086 A CN201810977086 A CN 201810977086A CN 110163056 A CN110163056 A CN 110163056A
- Authority
- CN
- China
- Prior art keywords
- cable disc
- image
- coordinate
- sweep
- coordinate system
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及人工智能领域,特别涉及仓储领域的人工智能,更为具体的说是涉及智能视觉识别车板线缆盘中心坐标系统。通过自学习的方式建立可靠线缆盘图像特征库,并利用扫描设备扫描获得线缆盘图像,结合特征库特征进行轮廓获取和坐标识别,从而能够高准确度、高精确度的自动获得车板装载线缆盘的场地坐标位置。经实验,本发明公开的智能视觉识别车板线缆盘中心坐标系统的识别误差率小于0.3%,所生成场地坐标精度误差在±40mm以内。
Description
技术领域
本发明涉及人工智能领域,特别涉及仓储领域的人工智能,更为具体的说是涉及智能视觉识别车板线缆盘中心坐标系统。
背景技术
人工智能是目前工业化发展的方向,也是工业化发展中研发的热点和重点方向。智能视觉是人工智能一个重要的分支。它是一门研究如何使机器“看”的科学,简单的说就是用摄像头代替人眼,通过对目标进行识别、跟踪和测量,并在电脑中将这些数据处理成更适合人眼观察的图像。
人工智能机器视觉识别技术,利用机器代替人眼来做各种测量和判断。它综合了光学、机械、电子、计算机软硬件等方面的技术,涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。图像处理和模式识别等技术的快速发展,也大大地推动了机器视觉的发展。
轮廓特征值自学习是以轮廓模板插值和局部自学习相结合的图像纹理增强超采样算法,其可以有效恢复插值图像丢失的细节纹理,抑制插值图像边缘的扩散。该方法通过局部自相似性在原始低分辨图像中估计高频信息,对轮廓模板插值图像的细节纹理进行恢复。为了弥补轮廓模板插值缺少先验知识的缺陷,该自学习当中将原始低分辨率图像的高频信息作为先验知识。为了保证估计的高频信息最优,在自学习的匹配过程中采用双匹配,相比较于全局搜索和小窗搜索,提高了效率并保证了匹配精度。此外,轮廓特征值使用高斯模糊代替了传统提取高频信息的方法,简化了算法的复杂度,提高了准确性和效率。
在仓储大场景中实现工业自动化,特别是在仓储的装卸物资过程中实现自动化就必然要依赖于对运输车车板以及其上所装载物资的准确识别,只有精准识别物资位置,物资尺寸才能给出准确的装卸信号,保证装卸自动化操作的可靠性。
线缆盘是电力行业仓储中的常见物资,目前行业内尚未有针对线缆盘的智能视觉识别系统和方法,同时现有的识别系统和方法也并不适合于仓储大场景下的线缆盘识别。因此,线缆盘的准确识别和坐标定位是限制仓储大场景下线缆盘装卸工序工业化、自动化发展的主要问题之一。只有解决好线缆盘的自动识别、坐标定位,才能引导自动装卸设备到达预定装卸位,开展后续的装卸工作。
因此,找到一种可靠的智能视觉识别车板线缆盘坐标系统是目前仓储大场景,也是线缆盘仓储过程中亟待解决的问题。
发明内容
本发明所要解决的技术问题是提供一种通用性好,稳定性高,精确度高的智能视觉识别车板线缆盘坐标系统。
为了解决上述技术问题,本发明公开了一种智能视觉识别车板线缆盘坐标系统,该系统通过以下步骤实现智能视觉识别车板线缆盘坐标的目的,
步骤1:收集不同光照下、不同装车高度条件下、以及不同摆放角度下的线缆盘上位视觉探测图像,提取线缆盘俯视图特征,然后将这些特征与对应的线缆盘型号匹配,并建立不同型号的线缆盘图像特征库;
步骤2:持续对线缆盘视觉探测图像进行自学习,优化该线缆盘图像特征库,提高其识别准确率;
步骤3:每次生成线缆盘卸车坐标前,通过将视觉探测机构对停车区域进行扫描生成的视觉探测图像与线缆盘图像特征库进行特征比对,获得车板上每个线缆盘的形状轮廓;
步骤4:根据线缆盘轮廓,以几何中心的计算方法获取该线缆盘的图像像素点的中心坐标;
步骤5:根据视觉探测图片像素原点的场地坐标值,按比例和角度关系,将每个线缆盘的像素点中心坐标转化成装卸场地坐标。
作为优选的技术方案,步骤1中所述的线缆盘俯视图特征包括“工”字型形状以及线缆盘边框图像灰度值渐变特征、线缆盘绕线区域图像灰度值渐变特征。
在另一个优选的技术方案中,所述步骤2中对线缆盘图像特征库中的图像进行自学习的方法是,获取装有线缆盘的运输车图像,并将对应型号的线缆盘特征库中的俯视图特征进行旋转、缩放,然后在相同偏转角度、相同大小的状态下进行比对,并对结果进行人工检测,如果错误,则人工标定修正,完成自学习。
通过比对过程中的旋转、缩放,可以避免由于运输车车板高度不同,线缆盘装车角度不同造成的识别误差。
优选的,所述根据图片像素原点的场地坐标值,按比例和角度关系,将每个线缆盘像素点的中心坐标转化成场地坐标的具体方法是,根据图片像素原点的场地坐标值,按照每个像素点对应的实际场地尺寸(毫米)和角度偏转关系,将线缆盘像素点的中心坐标转化为毫米级场地坐标。
不同于其他的电力物资,由于线缆盘的结构具有很大的特殊性和视觉识别干扰项,因此在线缆盘的坐标获取过程中,我们采用自学习方式不断优化线缆盘图像特征库,从而能够有效避免由于不同光照条件、不同装车高度、不同摆放角度下造成轮廓识别错误和偏差。
采用本发明所公开的技术方案,能够高准确度、高精确度的自动获得车板装载线缆盘的场地坐标位置。经实验,本发明公开的智能视觉识别车板线缆盘中心坐标系统的识别误差率小于0.3%,所生成场地坐标精度误差在±40mm以内。因此,是一种高精度、高可靠度的识别方法。从而为后续的自动化操作提供基础数据。从而实现自动化、智能化仓储操作。不仅能够节省人力成本,同时还可以提高生产效率,使仓储作业更加规范、安全、有序。
具体实施方式
为了更好的理解本发明,下面我们结合具体的实施例对本发明进行进一步的阐述。
在本实施例中对智能视觉识别车板线缆盘坐标系统如何实现智能视觉识别车板线缆盘坐标的目的,进行具体的阐述和说明。
在本实施例中首先通过收集不同光照下、不同装车高度条件下、以及不同摆放角度下的线缆盘上位视觉扫描图像,提取线缆盘俯视图特征,包括“工”字型形状以及线缆盘边框图像灰度值渐变特征、线缆盘绕线区域图像灰度值渐变特征,然后将这些特征与对应的线缆盘型号匹配,并建立不同型号的线缆盘图像特征库。
然后,为了保证线缆盘图像特征库的可靠性,我们对线缆盘图像特征库中的图像进行自学习,优化该线缆盘图像特征库;具体来说,在本实施例中我们首先要获取装有线缆盘的运输车图像,并将对应型号的线缆盘特征库中的俯视图特征进行旋转、缩放,然后在相同偏转角度、相同大小的状态下进行比对,并对结果进行人工检测,如果错误,则人工标定修正,完成自学习。
通过比对过程中的旋转、缩放,可以避免由于运输车车板高度不同,线缆盘装车角度不同造成的识别误差。由于这些特征信息中包含有线缆盘边框图像灰度值渐变特征、线缆盘绕线区域图像灰度值渐变特征,因此,可以通过自学习优化适应不同的光照条件,以及不同光照条件下,不同装车高度,不同摆放角度下线缆盘的识别。
当完成自学习后,线缆盘图像特征库可以用来自动智能识别图像中的线缆盘。
具体来说,在现场识别过程中首先利用视觉探测设备(激光探测传感器)对停车区车辆进行扫描,扫描设备沿车辆纵轴方向进行扫描,可以是从前至后,也可以是从后至前,生成扫描图像;然后将扫描图像通过线缆盘图像特征库进行特征提取,并获得线缆盘轮廓;最后根据线缆盘轮廓以几何中心的计算方法获取该线缆盘的图像像素点的中心坐标;
当获取线缆盘图像中心的像素点坐标后,根据视觉探测图片像素原点的场地坐标值,按照每个像素点对应的实际场地尺寸(毫米)和视觉探测图片像素点坐标系与场地坐标系之间的角度偏转关系,将线缆盘像素点的中心坐标转化为毫米级场地坐标。
以上所述是本发明的具体实施方式。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (5)
1.智能视觉识别车板线缆盘坐标系统,其特征在于:该系统通过以下步骤实现智能视觉识别车板线缆盘坐标的目的,
步骤1:收集不同光照下、不同装车高度条件下、以及不同摆放角度下的线缆盘上位视觉探测图像,提取线缆盘俯视图特征,然后将这些特征与对应的线缆盘型号匹配,并建立不同型号的线缆盘图像特征库;
步骤2:持续对线缆盘视觉探测图像进行自学习,优化该线缆盘图像特征库,提高其识别准确率;
步骤3:每次生成线缆盘卸车坐标前,通过将视觉探测机构对停车区域进行扫描生成的视觉探测图像与线缆盘图像特征库进行特征比对,获得车板上每个线缆盘的形状轮廓;
步骤4:根据线缆盘轮廓,以几何中心的计算方法获取该线缆盘的图像像素点的中心坐标;
步骤5:根据视觉探测图片像素原点的场地坐标值,按比例和角度关系,将每个线缆盘的像素点中心坐标转化成装卸场地坐标。
2.根据权利要求1所述的智能视觉识别车板线缆盘坐标系统,其特征在于:步骤1中所述的线缆盘俯视图特征包括“工”字型形状。
3.根据权利要求1所述的智能视觉识别车板线缆盘坐标系统,其特征在于:步骤1中所述的线缆盘俯视图特征还包括线缆盘边框图像灰度值渐变特征、线缆盘绕线区域图像灰度值渐变特征。
4.根据权利要求1所述的智能视觉识别车板线缆盘坐标系统,其特征在于:所述步骤2中对线缆盘图像特征库中的图像进行自学习的方法是,获取装有线缆盘的运输车图像,并将对应型号的线缆盘视觉特征库中的俯视图特征进行自动旋转、缩放匹配,直至匹配度最接近,然后在相同偏转角度、相同大小的状态下进行比对,并对结果进行人工检测,如果错误,则人工标定修正,完成自学习。
5.根据权利要求1所述的智能视觉识别车板线缆盘坐标系统,其特征在于:所述根据图片像素原点的场地坐标值,按比例和角度关系,将每个线缆盘像素点的中心坐标转化成场地坐标的具体方法是,根据图片像素原点的场地坐标值,按照每个像素点对应的实际场地尺寸(毫米)和角度偏转关系,将线缆盘像素点的中心坐标转化为毫米级场地坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810977086.1A CN110163056B (zh) | 2018-08-26 | 2018-08-26 | 智能视觉识别车板线缆盘中心坐标系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810977086.1A CN110163056B (zh) | 2018-08-26 | 2018-08-26 | 智能视觉识别车板线缆盘中心坐标系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163056A true CN110163056A (zh) | 2019-08-23 |
CN110163056B CN110163056B (zh) | 2020-09-29 |
Family
ID=67645036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810977086.1A Active CN110163056B (zh) | 2018-08-26 | 2018-08-26 | 智能视觉识别车板线缆盘中心坐标系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163056B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902271A (zh) * | 2012-10-23 | 2013-01-30 | 上海大学 | 基于双目视觉的机器人目标识别与抓取系统及方法 |
CN103294832A (zh) * | 2013-06-27 | 2013-09-11 | 西安工业大学 | 一种基于反馈学习的运动捕获数据检索方法 |
EP3115772A4 (en) * | 2014-12-30 | 2017-11-08 | Tsinghua University | Vehicle checking method and system |
CN107671008A (zh) * | 2017-11-13 | 2018-02-09 | 中国科学院合肥物质科学研究院 | 一种基于视觉的零部件流水线自动分拣装箱设备 |
-
2018
- 2018-08-26 CN CN201810977086.1A patent/CN110163056B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902271A (zh) * | 2012-10-23 | 2013-01-30 | 上海大学 | 基于双目视觉的机器人目标识别与抓取系统及方法 |
CN103294832A (zh) * | 2013-06-27 | 2013-09-11 | 西安工业大学 | 一种基于反馈学习的运动捕获数据检索方法 |
EP3115772A4 (en) * | 2014-12-30 | 2017-11-08 | Tsinghua University | Vehicle checking method and system |
CN107671008A (zh) * | 2017-11-13 | 2018-02-09 | 中国科学院合肥物质科学研究院 | 一种基于视觉的零部件流水线自动分拣装箱设备 |
Non-Patent Citations (1)
Title |
---|
肖进胜 等: "基于轮廓模板和自学习的图像纹理增强超采样算法", 《自动化学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110163056B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507167B (zh) | 一种基于点云平面轮廓匹配的货物托盘检测方法及系统 | |
Tazir et al. | CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration | |
CN107610176A (zh) | 一种基于Kinect的栈板动态识别与定位方法、系统及介质 | |
Cho et al. | 2D barcode detection using images for drone-assisted inventory management | |
CN112509044A (zh) | 一种基于点线特征融合的双目视觉slam方法 | |
CN116128841A (zh) | 托盘位姿检测方法及装置、无人叉车、存储介质 | |
CN111767780A (zh) | 一种ai与视觉结合的智能集卡定位方法和系统 | |
CN115546202B (zh) | 一种用于无人叉车的托盘检测与定位方法 | |
CN112581519B (zh) | 一种放射性废物包识别定位方法与装置 | |
CN109815763A (zh) | 二维码的检测方法、装置和存储介质 | |
Lee et al. | Adaptive Bayesian recognition and pose estimation of 3D industrial objects with optimal feature selection | |
CN110163056A (zh) | 智能视觉识别车板线缆盘中心坐标系统 | |
CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 | |
CN114897974B (zh) | 一种目标物空间定位方法、系统、存储介质及计算机设备 | |
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 | |
Lu et al. | Vision-based real-time road detection in urban traffic | |
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 | |
Lin et al. | Image features-based mobile robot visual SLAM | |
Zhou et al. | Box Detection and Positioning based on Mask R-CNN [1] for Container Unloading | |
Luo et al. | Visual simultaneous localization and mapping using stereo vision with human body elimination for service robotics | |
Meierhold et al. | Referencing of images to laser scanner data using linear features extracted from digital images and range images | |
CN114310875B (zh) | 一种曲轴定位识别方法、装置、存储介质和设备 | |
Motai et al. | Concatenate feature extraction for robust 3d elliptic object localization | |
Westell et al. | 3D object recognition via multi-view inspection in unknown environments | |
Monica et al. | Detection of Unsorted Metal Components for Robot Bin Picking Using an Inexpensive RGB-D Sensor |
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 |