CN110625644A - 一种基于机器视觉的工件抓取方法 - Google Patents
一种基于机器视觉的工件抓取方法 Download PDFInfo
- Publication number
- CN110625644A CN110625644A CN201910885667.7A CN201910885667A CN110625644A CN 110625644 A CN110625644 A CN 110625644A CN 201910885667 A CN201910885667 A CN 201910885667A CN 110625644 A CN110625644 A CN 110625644A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- image
- robot
- beta
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012937 correction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/02—Sensing devices
- B25J19/04—Viewing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1612—Programme controls characterised by the hand, wrist, grip control
-
- G06T5/80—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种基于机器视觉的工件抓取方法,属于工业机器人抓取技术领域,包括离线操作步骤和实时在线操作步骤。离线操作步骤包括:采集工件图像得到工件边缘轮廓并计算工件中心点,经优化得到精确的工件外轮廓并计算工件的定位点以及初始角度β。根据工件边缘轮廓与其对应的初始角度β形成数据库。在线操作步骤包括:采集工件实时图像得到工件边缘轮廓同时计算当前工件的初始角度β'。将实时得到的工件边缘轮廓与数据库中工件轮廓进行匹配,得到机器人末端关节抓取工件的相对旋转角度和机器人末端关节转动方向,机器人以此进行工件抓取。本发明是提供一种基于机器视觉的工件抓取方法,能够使机器人精确定位工件位置并进行有效抓取。
Description
技术领域
本发明涉及一种基于机器视觉的工件抓取方法,属于工业机器人抓取技术领域。
背景技术
随着机器人与视觉技术的应用与发展,越来越多的更加智能化的机器人系统逐渐代替人工完成重复繁杂劳动。随着图像处理技术和芯片技术的发展,机器视觉成为了当前机器人提供其自主智能化程度的最主要工具。机床加工的工件上下料属于劳动密集型重复性工作,利用机器人代替人工不仅可以实现全天候不间断工作提供产能。机器人系统上下料中,机器人需要精确定位到工件的位置与姿态。工件位置可通过机械进行限位,但工件的相对旋转角度难以限制。若对于工件的位置与姿态不能够精确定位,则会降低机器人的夹取效率。机械加工及安装误差以及设备运行时,因振动造成的工件上表面与相机成像面不平行而导致工件外轮廓变形,从而影响机器人的夹取。
发明内容
本发明是提供一种基于机器视觉的工件抓取方法,能够使机器人精确定位工件位置并进行有效抓取。
为达到上述目的,本发明所采用的技术方案是:一种基于机器视觉的工件抓取方法,包括以下步骤:a.采集工件图像得到工件边缘轮廓并计算工件中心点(Cx,Cy);b.采用轮廓校正算法,得到精确的工件外轮廓;c.通过所述精确的工件外轮廓计算工件的定位点;d.根据工件中心点(Cx,Cy)与定位点计算得到初始角度β,所述初始角度β为定位点与工件中心点(Cx,Cy)连线与y=Cy的夹角;e.根据工件边缘轮廓与其对应的初始角度β形成数据库;f.采集工件实时图像得到工件边缘轮廓,将实时得到的工件边缘轮廓与数据库中工件轮廓进行匹配,并得到与数据库中工件轮廓对应的初始角度β;根据步骤a到d,计算得到当前工件的初始角度β';g.将计算得到的所述当前工件的初始角度β'减去初始角度β,得到机器人末端关节抓取工件的相对旋转角度;机器人末端关节根据预设方向旋转,抓取工件。
进一步地,所述采集工件图像得到工件边缘轮廓包括以下步骤:采用工业相机以及条形光源对工件进行图像采集;进行图像预处理;采用边缘检测算法与先验知识算法,获得工件外轮廓;将工件边缘轮廓坐标(xi,yi)转换为极坐标(θi,ri)。
进一步地,所述图像预处理包括以下步骤:将采集到的工件图像进行灰度处理,得到工件灰度图;对所述工件灰度图初步去噪;去噪后的工件灰度图通过阈值分割方法得到二值化图像;对二值化图像进行图像的形态学操作进一步滤除噪声。
进一步地,所述极坐标(θi,ri)通过公式(1)和公式(2)计算得到:
xi=Cx+ricos(θi) (1)
yi=Cy+risin(θi) (2)
其中,i=1,…,N,N表示提取的轮廓点数,θi∈[-π,π],i=1,…,N。
进一步地,所述轮廓校正算法包括以下步骤:计算得到工件外轮廓极坐标轮廓点中直线段的表达式;将该直线段带入到定位点所在弧形段,得到优化的工件外轮廓坐标(θm,)。
进一步地,所述优化的工件外轮廓坐标(θm,)由公式(3)得到:
其中,a为拟合直线的斜率,b为拟合直线的截距,m=k2,k2+1,…,k2+n2,k2,k2+n2∈[1,N],k2,n2是正整数,为校正后的工件外轮廓弧形段的坐标。
进一步地,所述计算工件的定位点,包括以下步骤:对精确的工件外轮廓的多个顶角进行定位,得到各顶角的坐标以及各顶角的局部区域;利用最小二乘拟合计算每个所述局部区域对应的最高点的坐标;对计算得出的多个所述最高点的坐标做平均值,所述平均值坐标即为定位点。
进一步地,所述预设方向为:若相对旋转角度为正值,则机器人末端关节朝逆时针方向转动|β'-β|后抓取;若相对旋转角度为负值,则机器人末端关节朝顺时针方向转动|β'-β|后抓取。
本发明通过轮廓校正算法对轮廓进行校正,有效解决了机械加工及安装误差以及设备运行时,因振动造成的工件上表面与相机成像面不平行而导致的工件外轮廓变形问题。本发明通过校正后的轮廓,可得到更加精确的相对旋转角度,为机器人夹取工件提供精确稳定的角度信息,从而提高机器人夹取效率。
本发明通过建立工件轮廓及对应初始角度的数据库,因此可适用于多种形状的工件,适用范围更广。
附图说明
图1为本发明实施例中数据库建立的流程示意图;
图2显示了本发明实施例中工件抓取流程示意图;
图3为本发明实施例中采集到的原始工件轮廓灰度图;
图4为本发明实施例中经过优化处理后的工件外轮廓及顶角;
图5为本发明实施例的未校正的工件轮廓检测结果图;
图6是为本发明实施例的工件局部轮廓变形校正示意图。
具体实施方式
为了更好的理解本发明的实质,下面结合具体实施例和附图对本发明作进一步的阐述。
本发明公开了一种基于机器视觉的工件抓取方法,适用于工业机器人抓取技术领域,具体步骤如图1,图2所示:
步骤1,采用工业相机以及条形光源对工件进行图像采集,将采集到的工件图像进行灰度处理,得到工件灰度图,如图3所示。对工件灰度图利用高斯模糊处理初步去噪。去噪后的工件灰度图通过阈值分割方法得到二值化图像,对得到的二值化图像进行图像的形态学操作进一步滤除噪声。采用边缘检测算法与先验知识算法,获得工件外轮廓(xi,yi),i=1,…,N,N是轮廓点的个数,如图4所示。
将工件边缘轮廓坐标(xi,yi)转换为极坐标(θi,ri):
设(θ,r)表示图像中工件外轮廓的二维坐标,(Cx,Cy)表示工件的中心坐标,此中心坐标(Cx,Cy)通过工件内圆与外圆拟合计算并做平均得到,以(Cx,Cy)为坐标中心,将工件轮廓坐标(xi,yi)转换为极坐标(θi,ri),具体关系式如下:
xi=Cx+ricos(θi) (1)
yi=Cy+risin(θi) (2)
其中i=1,…,N,N表示提取的轮廓点数,θi∈[-π,π],i=1,…,N。
步骤2,由于受到工件上表面与相机成像面不平行等因素的影响,工件外轮廓会产生变形,极坐标下的计算结果会出现倾斜从而引起误差,如图5所示。为此利用定位点区域外的近似直线段拟合弧度角与半径的直线,并将该直线带入到定位点弧度区域进行校正,得到更准确的工件外轮廓。对获得的外轮廓采用轮廓校正算法,得到精确的工件外轮廓,校正后的外轮廓如图6所示。
轮廓校正算法包括以下步骤:
a.令(θj,rj)表示极坐标轮廓点中直线段A的离散坐标点,(θm,rm)表示极坐标轮廓点中弧形段上的离散坐标点,(θt,rt)表示极坐标轮廓点中直线段B的离散坐标点;其中,j=k1,k1+1,…,k1+n1,m=k2,k2+1,…,k2+n2,t=k3,k3+1,…,k3+n3;k1,k2,k3,n1,n2,n3是正整数,且k1,k2,k3,k1+n1,k2+n2,k3+n3∈[1,…,N]。
b.根据公式(1)对直线段A和直线段B进行最小二乘拟合,计算出常数a和b的值:
其中,a为拟合直线的斜率,b为拟合直线的截距。
c.分别计算直线段A和直线段B的表达式:
rAj=aθj+b (4)
rBt=aθt+b (5)
d.弧线段C利用公式(4)进行校正:
其中,m=k2,k2+1,…,k2+n2,为校正后的工件外轮廓弧形段的坐标。
由于θm和校正的θm/a-b/a为离散值,因此在计算过程中θm/a-b/a若位于θm和θm+1之间,可利用线性插值方法得到rm(θm/a-b/a)。
步骤3,通过精确的工件外轮廓计算得到工件的定位点:
(1)对精确的工件外轮廓的多个顶角进行定位,得到各顶角的坐标以及各顶角的局部区域,如图4所示,得到工件六个顶角及其对应的局部区域。
(2)利用最小二乘拟合计算每个局部区域对应的最高点的坐标。
(3)对计算得出的六个最高点的坐标做平均值,得到定位点坐标。对多个最高点计算平均值的目的在于进一步提高旋转角度的计算精度与稳定性。
步骤4,计算初始角度β,并将此工件边缘轮廓对应的初始角度β保存,形成数据库。初始角度β为定位点与工件中心点(Cx,Cy)连线与y=Cy的夹角。
步骤5,机器人开始工作时,采集工件实时图像得到工件边缘轮廓,将实时得到的工件边缘轮廓与数据库中工件轮廓进行匹配,并得到与数据库中工件轮廓对应的初始角度β。采用步骤1至步骤4的方法,计算得到当前工件的初始角度β';
步骤6,将计算得到的需抓取工件的初始角度β'减去初始角度β,得到机器人末端关节抓取工件的相对旋转角度和机器人末端关节转动方向,机器人末端关节根据预设方向旋转,抓取工件:
若相对旋转角度为正值,则机器人末端关节朝逆时针方向转动|β'-β|后抓取;
若相对旋转角度为负值,则机器人末端关节朝顺时针方向转动|β'-β|后抓取。
应当指出,虽然通过上述实施方式对本发明进行了描述,然而本发明还可有其它多种实施方式。在不脱离本发明精神和范围的前提下,熟悉本领域的技术人员显然可以对本发明做出各种相应的改变和变形,但这些改变和变形都应当属于本发明所附权利要求及其等效物所保护的范围内。
Claims (8)
1.一种基于机器视觉的工件抓取方法,其特征在于,包括以下步骤:
a.采集工件图像得到工件边缘轮廓并计算工件中心点(Cx,Cy);
b.采用轮廓校正算法,得到精确的工件外轮廓;
c.通过所述精确的工件外轮廓计算工件的定位点;
d.根据工件中心点(Cx,Cy)与定位点计算得到初始角度β,所述初始角度β为定位点与工件中心点(Cx,Cy)连线与y=Cy的夹角;
e.根据工件边缘轮廓与其对应的初始角度β形成数据库;
f.采集工件实时图像得到工件边缘轮廓,将实时得到的工件边缘轮廓与数据库中工件轮廓进行匹配,并得到与数据库中工件轮廓对应的初始角度β;根据步骤a到d,计算得到当前工件的初始角度β';
g.将计算得到的所述当前工件的初始角度β'减去初始角度β,得到机器人末端关节抓取工件的相对旋转角度;机器人末端关节根据预设方向旋转,抓取工件。
2.根据权利要求1所述基于机器视觉的工件抓取方法,其特征在于,
所述采集工件图像得到工件边缘轮廓包括以下步骤:
采用工业相机以及条形光源对工件进行图像采集;
进行图像预处理;
采用边缘检测算法与先验知识算法,获得工件外轮廓;
将工件边缘轮廓坐标(xi,yi)转换为极坐标(θi,ri)。
3.根据权利要求2所述基于机器视觉的工件抓取方法,其特征在于,
所述图像预处理包括以下步骤:
将采集到的工件图像进行灰度处理,得到工件灰度图;
对所述工件灰度图初步去噪;
去噪后的工件灰度图通过阈值分割方法得到二值化图像;
对二值化图像进行图像的形态学操作进一步滤除噪声。
4.根据权利要求2所述基于机器视觉的工件抓取方法,其特征在于,
所述极坐标(θi,ri)通过公式(1)和公式(2)计算得到:
xi=Cx+ri cos(θi) (1)
yi=Cy+ri sin(θi) (2)
其中,i=1,…,N,N表示提取的轮廓点数,θi∈[-π,π],i=1,…,N。
5.根据权利要求1所述基于机器视觉的工件抓取方法,其特征在于,
所述轮廓校正算法包括以下步骤:
计算得到工件外轮廓极坐标轮廓点中直线段的表达式;
将该直线段带入到定位点所在弧形段,得到优化的工件外轮廓坐标
6.根据权利要求5所述基于机器视觉的工件抓取方法,其特征在于:
所述优化的工件外轮廓坐标由公式(3)得到:
其中,a为拟合直线的斜率,b为拟合直线的截距,m=k2,k2+1,…,k2+n2,k2,k2+n2∈[1,N],k2,n2是正整数,为校正后的工件外轮廓弧形段的坐标。
7.根据权利要求1所述基于机器视觉的工件抓取方法,其特征在于:
所述计算工件的定位点,包括以下步骤:
对精确的工件外轮廓的多个顶角进行定位,得到各顶角的坐标以及各顶角的局部区域;
利用最小二乘拟合计算每个所述局部区域对应的最高点的坐标;
对计算得出的多个所述最高点的坐标做平均值,所述平均值坐标即为定位点。
8.根据权利要求1所述基于机器视觉的工件抓取方法,其特征在于:
所述预设方向为:
若相对旋转角度为正值,则机器人末端关节朝逆时针方向转动|β'-β|后抓取;
若相对旋转角度为负值,则机器人末端关节朝顺时针方向转动|β'-β|后抓取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910885667.7A CN110625644B (zh) | 2019-09-19 | 2019-09-19 | 一种基于机器视觉的工件抓取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910885667.7A CN110625644B (zh) | 2019-09-19 | 2019-09-19 | 一种基于机器视觉的工件抓取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110625644A true CN110625644A (zh) | 2019-12-31 |
CN110625644B CN110625644B (zh) | 2022-04-08 |
Family
ID=68971671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910885667.7A Active CN110625644B (zh) | 2019-09-19 | 2019-09-19 | 一种基于机器视觉的工件抓取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110625644B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932490A (zh) * | 2020-06-05 | 2020-11-13 | 浙江大学 | 一种用于工业机器人的视觉系统抓取信息提取方法 |
CN112058701A (zh) * | 2020-08-28 | 2020-12-11 | 河海大学常州校区 | 基于偏振成像的煤与煤矸石分拣系统及方法 |
CN112157657A (zh) * | 2020-09-23 | 2021-01-01 | 创新奇智(上海)科技有限公司 | 机械臂定位方法、装置、电子设备及存储介质 |
CN112356057A (zh) * | 2020-09-21 | 2021-02-12 | 埃夫特智能装备股份有限公司 | 一种基于多种复杂钣金件的矩阵吸盘的状态规划方法 |
CN113771045A (zh) * | 2021-10-15 | 2021-12-10 | 广东工业大学 | 视觉引导的直角机器人手机中框高适应定位抓取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104626169A (zh) * | 2014-12-24 | 2015-05-20 | 四川长虹电器股份有限公司 | 基于视觉与机械综合定位的机器人抓取零件的方法 |
CN106934813A (zh) * | 2015-12-31 | 2017-07-07 | 沈阳高精数控智能技术股份有限公司 | 一种基于视觉定位的工业机器人工件抓取实现方法 |
CN110000783A (zh) * | 2019-04-04 | 2019-07-12 | 上海节卡机器人科技有限公司 | 机器人的视觉抓取方法和装置 |
CN110110760A (zh) * | 2019-04-17 | 2019-08-09 | 浙江工业大学 | 一种基于机器视觉的工件定位与识别方法 |
-
2019
- 2019-09-19 CN CN201910885667.7A patent/CN110625644B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104626169A (zh) * | 2014-12-24 | 2015-05-20 | 四川长虹电器股份有限公司 | 基于视觉与机械综合定位的机器人抓取零件的方法 |
CN106934813A (zh) * | 2015-12-31 | 2017-07-07 | 沈阳高精数控智能技术股份有限公司 | 一种基于视觉定位的工业机器人工件抓取实现方法 |
CN110000783A (zh) * | 2019-04-04 | 2019-07-12 | 上海节卡机器人科技有限公司 | 机器人的视觉抓取方法和装置 |
CN110110760A (zh) * | 2019-04-17 | 2019-08-09 | 浙江工业大学 | 一种基于机器视觉的工件定位与识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932490A (zh) * | 2020-06-05 | 2020-11-13 | 浙江大学 | 一种用于工业机器人的视觉系统抓取信息提取方法 |
CN111932490B (zh) * | 2020-06-05 | 2023-05-05 | 浙江大学 | 一种用于工业机器人的视觉系统抓取信息提取方法 |
CN112058701A (zh) * | 2020-08-28 | 2020-12-11 | 河海大学常州校区 | 基于偏振成像的煤与煤矸石分拣系统及方法 |
CN112356057A (zh) * | 2020-09-21 | 2021-02-12 | 埃夫特智能装备股份有限公司 | 一种基于多种复杂钣金件的矩阵吸盘的状态规划方法 |
CN112356057B (zh) * | 2020-09-21 | 2022-05-31 | 埃夫特智能装备股份有限公司 | 一种基于多种复杂钣金件的矩阵吸盘的状态规划方法 |
CN112157657A (zh) * | 2020-09-23 | 2021-01-01 | 创新奇智(上海)科技有限公司 | 机械臂定位方法、装置、电子设备及存储介质 |
CN113771045A (zh) * | 2021-10-15 | 2021-12-10 | 广东工业大学 | 视觉引导的直角机器人手机中框高适应定位抓取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110625644B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110625644B (zh) | 一种基于机器视觉的工件抓取方法 | |
CN110091333B (zh) | 复杂曲面表面焊缝特征识别和自动磨抛的装置及方法 | |
CN112529858A (zh) | 一种基于机器视觉的焊缝图像处理方法 | |
CN111721259B (zh) | 基于双目视觉的水下机器人回收定位方法 | |
CN110717872B (zh) | 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取系统 | |
CN113146172B (zh) | 一种基于多视觉的检测与装配系统及方法 | |
CN113112496B (zh) | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 | |
CN111062940B (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
CN111784655B (zh) | 一种水下机器人回收定位方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN114092403A (zh) | 基于机器视觉的砂轮磨损检测方法及系统 | |
CN111452038B (zh) | 一种高精度工件组件及高精度工件组件的装配方法 | |
CN111047588A (zh) | 一种轴型小零件尺寸的图像化测量方法 | |
CN114888692B (zh) | 一种抛光打磨机械臂控制系统及方法 | |
CN110728657A (zh) | 一种基于深度学习的环状轴承外表面缺陷检测方法 | |
CN116503403B (zh) | 基于图像处理的金属切削刀头的缺陷检测方法 | |
CN110852265B (zh) | 一种应用在工业流水线上的快速目标检测和定位方法 | |
CN116544753A (zh) | 基于多感知融合的自动插拔方法、系统及可读存储介质 | |
CN109671059B (zh) | 一种基于OpenCV的电池盒图像处理方法及系统 | |
CN111178296B (zh) | 多工件视觉定位和识别方法 | |
CN113554713A (zh) | 飞机蒙皮移动机器人制孔视觉定位及检测方法 | |
CN116213884B (zh) | 管-法兰微分阵列式划分及自适应焊接路径规划方法 | |
CN110415247B (zh) | 一种机器人化模锻过程锻件异位识别和定位方法 | |
CN114851206B (zh) | 基于视觉引导机械臂抓取炉具的方法 | |
CN112484680A (zh) | 一种基于圆检测的蓝宝石晶片定位跟踪方法 |
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 |