CN111445401A - 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 - Google Patents
圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111445401A CN111445401A CN202010194686.8A CN202010194686A CN111445401A CN 111445401 A CN111445401 A CN 111445401A CN 202010194686 A CN202010194686 A CN 202010194686A CN 111445401 A CN111445401 A CN 111445401A
- Authority
- CN
- China
- Prior art keywords
- point
- target
- neighbor
- target point
- point cloud
- 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 42
- 230000000007 visual effect Effects 0.000 title claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- 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
- G06T7/136—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种圆柱棒料无序分拣的视觉识别方法、装置、设备及介质,属于机器视觉领域,其中,方法的实现包括:对工件的原始3D点云进行滤波和下采样后得到目标点云;对目标点云中的各点进行聚类分割,分割出若干片点云,其中,每片点云对应拟合一个圆柱;对分割得到的各片点云进行圆柱拟合,对应拟合得到若干个圆柱体。通过本发明实现了圆柱工件点云噪点去除、减少圆柱拟合计算量,进一步地提高了圆柱拟合准确性和大幅降低了圆柱拟合识别时间。
Description
技术领域
本发明属于机器视觉领域,更具体地,涉及一种圆柱棒料无序分拣的视觉识别方法、装置、设备及介质。
背景技术
在工业制造领域,传统的上下料系统是基于自动化工装或人工的方式实现的,工件笨重,人工操作劳动强度大,对应的招工难。随着工业级3D相机的推广和3D视觉算法的兴起,基于3D视觉的无序分拣上料系统有望将过去的人工或自动化的方式实现智能化,实现自动上下料系统的产业升级。
圆柱形毛坯件是典型的一类工件,经过机床加工后可生产各种轴类零件。如图1所示,目前圆柱形工件的3D视觉识别方法包括以下几部分:1.获取原始工件的3D点云;2.对原始点云进行滤波,并计算其法向;3.采用传统圆柱拟合工具分割点云中的圆柱体;4.输出圆柱体的识别结果。
上述方法的主要缺陷在于:在工程实际中,由于原始3D点云中存在噪声点,导致圆柱拟合偏差较大且计算量较大。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种圆柱棒料无序分拣的视觉识别方法、装置、设备及介质,由此解决现有的圆柱形工件的3D视觉识别,由于原始3D点云中存在噪声点,导致圆柱拟合偏差较大且计算量较大的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种圆柱棒料无序分拣的视觉识别方法,包括:
对工件的原始3D点云进行滤波和下采样后得到目标点云;
对所述目标点云中的各点进行聚类分割,分割出若干片点云,其中,每片点云对应拟合一个圆柱;
对分割得到的各片点云进行圆柱拟合,对应拟合得到若干个圆柱体。
优选地,所述对所述目标点云中的各点进行聚类分割,分割出若干片点云,包括:
为所述目标点云生成一个目标搜索树;
对于所述目标点云中的任一个目标点,使用所述目标搜索树搜索所述目标点的邻居点,并从所述邻居点中找出与所述目标点满足预设欧式分割条件的目标邻居点,其中,所述目标点为所述目标点云中未聚类的点;
为所述目标点创建一个空的聚类容器,并将所述目标点及所述目标邻居点添加至所述目标点所对应的聚类容器中,以此得到若干个非空的聚类容器,其中,每个所述非空的聚类容器均对应存储了分割出的一片点云。
优选地,所述预设欧式分割条件同时满足:
所述目标点与所述目标邻居点之间的距离不大于预设距离阈值;
所述目标点的法向与所述目标邻居点的法向的点积绝对值不小于预设第一点积阈值;
所述目标邻居点的法向与Z轴正向的点积绝对值不小于预设第二点积阈值。
优选地,在所述使用所述目标搜索树搜索所述目标点的邻居点,并从所述邻居点中找出与所述目标点满足预设欧式分割条件的目标邻居点之后,所述方法还包括:
若所述目标点不存在邻居点,或者,所述邻居点中不存在与所述目标点满足预设欧式分割条件的目标邻居点,则忽略所述目标点,执行搜索下一个目标点的邻居点及目标邻居点的步骤。
按照本发明的另一方面,提供了一种圆柱棒料无序分拣的视觉识别装置,包括:
预处理模块,用于对工件的原始3D点云进行滤波和下采样后得到目标点云;
聚类分割模块,用于对所述目标点云中的各点进行聚类分割,分割出若干片点云,其中,每片点云对应拟合一个圆柱;
识别模块,用于对分割得到的各片点云进行圆柱拟合,对应拟合得到若干个圆柱体。
优选地,所述聚类分割模块包括:
搜索树生成子模块,用于为所述目标点云生成一个目标搜索树;
邻居点搜索子模块,用于对于所述目标点云中的任一个目标点,使用所述目标搜索树搜索所述目标点的邻居点,并从所述邻居点中找出与所述目标点满足预设欧式分割条件的目标邻居点,其中,所述目标点为所述目标点云中未聚类的点;
点云分割子模块,用于为所述目标点创建一个空的聚类容器,并将所述目标点及所述目标邻居点添加至所述目标点所对应的聚类容器中,以此得到若干个非空的聚类容器,其中,每个所述非空的聚类容器均对应存储了分割出的一片点云。
优选地,所述邻居点搜索子模块中,所述预设欧式分割条件同时满足:
所述目标点与所述目标邻居点之间的距离不大于预设距离阈值;
所述目标点的法向与所述目标邻居点的法向的点积绝对值不小于预设第一点积阈值;
所述目标邻居点的法向与Z轴正向的点积绝对值不小于预设第二点积阈值。
优选地,所述邻居点搜索子模块,还用于在所述目标点不存在邻居点,或者,所述邻居点中不存在与所述目标点满足预设欧式分割条件的目标邻居点时,忽略所述目标点,执行搜索下一个目标点的邻居点及目标邻居点。
按照本发明的另一方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明通过聚类分割,并结合传统圆柱拟合方式,实现了噪声点去除,减少圆柱拟合的计算量、提高拟合准确性和批量识别的效果。确保多个识别对象中至少有1个可被抓取,同时实现计算速度的提升。
附图说明
图1是本发明实施例提供的一种传统圆柱拟合流程示意图;
图2是本发明实施例提供的一种圆柱棒料无序分拣的视觉识别方法的流程示意图;
图3是本发明实施例提供的另一种圆柱棒料无序分拣的视觉识别方法的流程示意图;
图4是本发明实施例提供的一种圆管工件原始点云;
图5是本发明实施例提供的一种经过滤波后的点云;
图6是本发明实施例提供的一种传统方法的圆柱拟合结果;
图7是本发明实施例提供的一种经过聚类分割后的结果示意图;
图8是本发明实施例提供的一种对聚类分割后的结果进行圆柱拟合后的示意图;
图9是本发明实施例提供的一种装置结构示意图;
图10是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明实例中,“第一”、“第二”等是用于区别不同的对象,而不必用于描述特定的顺序或先后次序。
实施例一
如图2所示是本发明实施例提供的一种圆柱棒料无序分拣的视觉识别方法的流程示意图,在图2所示的方法中包括以下步骤:
S1:对工件的原始3D点云进行滤波和下采样后得到目标点云;
S2:对目标点云中的各点进行聚类分割,分割出若干片点云,其中,每片点云对应拟合一个圆柱;
S3:对分割得到的各片点云进行圆柱拟合,对应拟合得到若干个圆柱体。
如图3所示是本发明实施例提供的另一种圆柱棒料无序分拣的视觉识别方法的流程示意图,包括以下步骤:
(1)获取工件的原始3D点云,记工件的原始3D点云为P0;
在本发明实施例中,可以通过3D相机获取工件的原始3D点云。
(2)对步骤(1)中的工件原始点云P0进行滤波及下采样,得到滤波后的点云P1;
在本发明实施例中,可以使用PassThrough通道滤波器和VoxelGrid下采样(分辨率设置为1mm)对步骤(1)中的工件原始点云P0进行滤波,还可以选用其它滤波方式,本发明实施例不做唯一性限定。
(3)估计步骤(2)得到的点云P1中各点的法向,得到具有法向信息的点云P2;
在本发明实施例中,可以使用NormalEstimation方法,对步骤(2)得到的点云P1进行法向估计,还可以选用其它法向估计方法,本发明实施例不做唯一性限定。
(4)为步骤(3)得到的点云P2生成一个目标搜索树T;
在本发明实施例中,目标搜索树T可以为Kd搜索树,或者其它类型的搜索树,本发明实施例不做唯一性限定。
作为一种可选的实施方式,可以通过使用PCL库中search模块的KdTree类建立目标搜索树。
(5)遍历点云P2中的所有点{V1,V2,...,Vn},n表示点云P2中点的数量,判断点Vi,i={1,2,...,n}是否已处理过,即是否已完成聚类,若点Vi,i={1,2,...,n}为未聚类的点,则为点Vi,i={1,2,...,n}创建一个空的聚类容器Ci,并将Vi添加至Ci,将点Vi标记为已完成聚类点,若点Vi,i={1,2,...,n}为已完成聚类的点,则判断下一个点是否已完成聚类;
作为一种可选的实施方式,可以通过使用C++的std标准容器vector创建聚类容器。
(6)使用目标搜索树T搜索点Vi的邻居点{Vi1,Vi2,...,Vim},m表示Vi的邻居点数量,若点Vi与其邻居点Vij,j={1,2,...,m}满足步骤(7)的自定义欧式分割条件,则将点Vij也添加至容器Ci中,将点Vij标记为已处理;
在本发明实施例中,可以通过以下方式搜索Vi的邻居点:
使用Kd搜索树T搜索Vi的邻居点时,可以选择半径搜索的方式,即KdTree类的radiusSearch函数,设置半径大小即可完成搜索。
在本发明实施例中,若目标点Vi不存在邻居点,或者,邻居点中不存在与目标点Vi满足预设欧式分割条件的目标邻居点,则忽略该目标点Vi,执行搜索下一个目标点的邻居点及目标邻居点的步骤。
(7)自定义欧式分割条件为同时满足以下三点:
a)点Vi和Vij的距离不大于设置的距离阈值;
b)分别获取点Vi和Vij的法向Ni和Nij,Ni与Nij的点积绝对值不小于设置的第一点积阈值;
c)Nij与Z轴正向的点积绝对值不小于设置的第二点积阈值;
在本发明实施例中,距离阈值、第一点积阈值及第二点积阈值可以根据实际需要确定,本发明实施例不做唯一性限定。
(8)重复步骤(5)-(7),直到点云P2中的所有点{V1,V2,...,Vn}都处理完毕,得到若干聚类容器{C1,C2,...,Ck},k表示聚类容器数量,每个容器对应存储了分割出的一片点云;
(9)对步骤(8)得到的聚类结果{C1,C2,...,Ck},进行圆柱拟合,得到最终的拟合结果{D1,D2,...},对应拟合的若干个圆柱体。
在本发明实施例中,可以采用现有的圆柱拟合方式进行圆柱拟合,本发明实施例将不再详述。
本发明通过聚类分割对滤波后的工件点云进行初步分割后,减少了点云中的噪声点,并得到多片分割后的点云,每片点云对应拟合1个圆柱,相比于传统方法用全部点云拟合1个圆柱,减少了后续处理的计算量,提升识别速度的同时也提高了拟合精度。
以下结合具体实例对本发明方法及传统的识别方法进行对比说明。
以图4所示的圆管工件原始点云为例,采用PassThrough通道滤波器和VoxelGrid下采样(分辨率1mm)方式进行滤波,滤波后的点云如图5所示,再采用传统圆柱拟合方法识别,结果如图6所示。由于噪点的存在,识别的位置并未处于圆柱的轴线中心处,偏差较大,且仅能拟合出1个圆柱,耗时如下表1。
表1
以图4所示的圆管工件原始点云为例,初步滤波后应用本发明的聚类分割方法,初步分割后的结果如图7所示,其中,每个工件上的三条直线代表x、y、z轴,数字代表识别对象;再经过圆柱拟合,可实现一次同时准确识别4个圆柱,如图8所示;采用本发明的聚类分割和圆柱拟合耗时如下表2所示,共耗时631ms,平均每个工件识别时间为158ms,是图1所示方法的19.8%。
表2
功能 | 读取点云 | 滤波 | 聚类分割 | 圆柱拟合 |
耗时(ms) | 15 | 238 | 393 | 238 |
实施例二
如图9所示是本发明实施例提供的一种圆柱棒料无序分拣的视觉识别装置结构示意图,包括:
预处理模块201,用于对工件的原始3D点云进行滤波和下采样后得到目标点云;
聚类分割模块202,用于对目标点云中的各点进行聚类分割,分割出若干片点云,其中,每片点云对应拟合一个圆柱;
识别模块203,用于对分割得到的各片点云进行圆柱拟合,对应拟合得到若干个圆柱体。
作为一优选方案,在本发明实施例中,上述聚类分割模块202包括:
搜索树生成子模块,用于为目标点云生成一个目标搜索树;
邻居点搜索子模块,用于对于目标点云中的任一个目标点,使用目标搜索树搜索该目标点的邻居点,并从邻居点中找出与该目标点满足预设欧式分割条件的目标邻居点,其中,目标点为目标点云中未聚类的点;
点云分割子模块,用于为目标点创建一个空的聚类容器,并将目标点及目标邻居点添加至目标点所对应的聚类容器中,以此得到若干个非空的聚类容器,其中,每个非空的聚类容器均对应存储了分割出的一片点云。
更进一步的,在本发明实施例中,邻居点搜索子模块的预设欧式分割条件同时满足:
目标点与目标邻居点之间的距离不大于预设距离阈值;
目标点的法向与目标邻居点的法向的点积绝对值不小于预设第一点积阈值;
目标邻居点的法向与Z轴正向的点积绝对值不小于预设第二点积阈值。
作为一优选方案,在本发明实施例中,上述邻居点搜索子模块还用于在目标点不存在邻居点,或者,邻居点中不存在与目标点满足预设欧式分割条件的目标邻居点时,忽略该目标点,执行搜索下一个目标点的邻居点及目标邻居点。
本发明所示的一种圆柱棒料无序分拣的视觉识别装置,通过聚类分割对滤波后的工件点云进行初步分割后,减少了点云中的噪声点,并得到多片分割后的点云,每片点云对应拟合1个圆柱,相比于现有的用全部点云拟合1个圆柱,减少了后续处理的计算量,提升识别速度的同时也提高了拟合精度。
实施例三
如图10所示是本发明实施例提供的一种计算机设备的结构示意图,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于:可通过系统总线相互通信连接的存储器21、处理器22,如图10所示。需要指出的是,图10仅示出了具有组件21-22的计算机设备20,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)储器21也可以是计算机设备20的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件,例如方法实施例中的圆柱棒料无序分拣的视觉识别装置的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行圆柱棒料无序分拣的视觉识别装置,以实现方法实施例中的圆柱棒料无序分拣的视觉识别方法。
实施例四
本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储圆柱棒料无序分拣的视觉识别装置,被处理器执行时实现方法实施例的圆柱棒料无序分拣的视觉识别方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种圆柱棒料无序分拣的视觉识别方法,其特征在于,包括:
对工件的原始3D点云进行滤波和下采样后得到目标点云;
对所述目标点云中的各点进行聚类分割,分割出若干片点云,其中,每片点云对应拟合一个圆柱;
对分割得到的各片点云进行圆柱拟合,对应拟合得到若干个圆柱体。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标点云中的各点进行聚类分割,分割出若干片点云,包括:
为所述目标点云生成一个目标搜索树;
对于所述目标点云中的任一个目标点,使用所述目标搜索树搜索所述目标点的邻居点,并从所述邻居点中找出与所述目标点满足预设欧式分割条件的目标邻居点,其中,所述目标点为所述目标点云中未聚类的点;
为所述目标点创建一个空的聚类容器,并将所述目标点及所述目标邻居点添加至所述目标点所对应的聚类容器中,以此得到若干个非空的聚类容器,其中,每个所述非空的聚类容器均对应存储了分割出的一片点云。
3.根据权利要求2所述的方法,其特征在于,所述预设欧式分割条件同时满足:
所述目标点与所述目标邻居点之间的距离不大于预设距离阈值;
所述目标点的法向与所述目标邻居点的法向的点积绝对值不小于预设第一点积阈值;
所述目标邻居点的法向与Z轴正向的点积绝对值不小于预设第二点积阈值。
4.根据权利要求2或3所述的方法,其特征在于,在所述使用所述目标搜索树搜索所述目标点的邻居点,并从所述邻居点中找出与所述目标点满足预设欧式分割条件的目标邻居点之后,所述方法还包括:
若所述目标点不存在邻居点,或者,所述邻居点中不存在与所述目标点满足预设欧式分割条件的目标邻居点,则忽略所述目标点,执行搜索下一个目标点的邻居点及目标邻居点的步骤。
5.一种圆柱棒料无序分拣的视觉识别装置,其特征在于,包括:
预处理模块,用于对工件的原始3D点云进行滤波和下采样后得到目标点云;
聚类分割模块,用于对所述目标点云中的各点进行聚类分割,分割出若干片点云,其中,每片点云对应拟合一个圆柱;
识别模块,用于对分割得到的各片点云进行圆柱拟合,对应拟合得到若干个圆柱体。
6.根据权利要求5所述的装置,其特征在于,所述聚类分割模块包括:
搜索树生成子模块,用于为所述目标点云生成一个目标搜索树;
邻居点搜索子模块,用于对于所述目标点云中的任一个目标点,使用所述目标搜索树搜索所述目标点的邻居点,并从所述邻居点中找出与所述目标点满足预设欧式分割条件的目标邻居点,其中,所述目标点为所述目标点云中未聚类的点;
点云分割子模块,用于为所述目标点创建一个空的聚类容器,并将所述目标点及所述目标邻居点添加至所述目标点所对应的聚类容器中,以此得到若干个非空的聚类容器,其中,每个所述非空的聚类容器均对应存储了分割出的一片点云。
7.根据权利要求6所述的装置,其特征在于,所述邻居点搜索子模块中,所述预设欧式分割条件同时满足:
所述目标点与所述目标邻居点之间的距离不大于预设距离阈值;
所述目标点的法向与所述目标邻居点的法向的点积绝对值不小于预设第一点积阈值;
所述目标邻居点的法向与Z轴正向的点积绝对值不小于预设第二点积阈值。
8.根据权利要求6或7所述的装置,其特征在于,所述邻居点搜索子模块还用于在所述目标点不存在邻居点,或者,所述邻居点中不存在与所述目标点满足预设欧式分割条件的目标邻居点时,忽略所述目标点,执行搜索下一个目标点的邻居点及目标邻居点。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010194686.8A CN111445401B (zh) | 2020-03-19 | 2020-03-19 | 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010194686.8A CN111445401B (zh) | 2020-03-19 | 2020-03-19 | 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445401A true CN111445401A (zh) | 2020-07-24 |
CN111445401B CN111445401B (zh) | 2023-10-27 |
Family
ID=71652391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010194686.8A Active CN111445401B (zh) | 2020-03-19 | 2020-03-19 | 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445401B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114227054A (zh) * | 2022-01-05 | 2022-03-25 | 南昌大学 | 一种基于3d点云的管板焊缝自动检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110304619A1 (en) * | 2010-06-10 | 2011-12-15 | Autodesk, Inc. | Primitive quadric surface extraction from unorganized point cloud data |
US20140192050A1 (en) * | 2012-10-05 | 2014-07-10 | University Of Southern California | Three-dimensional point processing and model generation |
CN104298998A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云的数据处理方法 |
-
2020
- 2020-03-19 CN CN202010194686.8A patent/CN111445401B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110304619A1 (en) * | 2010-06-10 | 2011-12-15 | Autodesk, Inc. | Primitive quadric surface extraction from unorganized point cloud data |
US20140192050A1 (en) * | 2012-10-05 | 2014-07-10 | University Of Southern California | Three-dimensional point processing and model generation |
CN104298998A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云的数据处理方法 |
Non-Patent Citations (3)
Title |
---|
方军;李朝奎;张新长;张强;廖孟光;卜璞;: "顾及几何特征的规则激光点云分割方法" * |
李嘉;阿依古丽・阿曼;郑德华;: "复杂场景三维点云中未知球形目标的自动识别方法" * |
黄凯;程效军;贾东峰;胡旦华;胡敏捷;: "一种密集管道点云数据自动分割算法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114227054A (zh) * | 2022-01-05 | 2022-03-25 | 南昌大学 | 一种基于3d点云的管板焊缝自动检测方法 |
CN114227054B (zh) * | 2022-01-05 | 2023-01-31 | 南昌大学 | 一种基于3d点云的管板焊缝自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111445401B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402264B (zh) | 图像区域分割方法、装置及其模型训练方法及计算机设备 | |
CN110008809B (zh) | 表格数据的获取方法、装置和服务器 | |
CN108364311B (zh) | 一种金属部件自动定位方法及终端设备 | |
CN111815706B (zh) | 面向单品类拆垛的视觉识别方法、装置、设备及介质 | |
JP2014056572A (ja) | 勾配方位のヒストグラムによるテンプレート・マッチング | |
CN111259854B (zh) | 一种文本图像中表格的结构化信息的识别方法及装置 | |
CN108229232B (zh) | 批量扫描二维码的方法和批量扫描二维码的装置 | |
CN113658150A (zh) | 一种基于深度学习的染色体自动分割和分类方法 | |
CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
CN111445401B (zh) | 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 | |
CN109871743B (zh) | 文本数据的定位方法及装置、存储介质、终端 | |
CN114863464A (zh) | 一种pid图纸图件信息的二阶识别方法 | |
CN114463767A (zh) | 信用证识别方法、装置、计算机设备和存储介质 | |
CN111325214B (zh) | 喷印字符提取处理方法、装置、存储介质和电子设备 | |
CN111401184A (zh) | 机器视觉处理方法、装置、存储介质和电子设备 | |
CN115438682B (zh) | 用于确定解码方向的方法、装置及解码设备 | |
CN113657378B (zh) | 车辆跟踪方法、车辆跟踪系统和计算设备 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN111275693A (zh) | 一种图像中物体的计数方法、计数装置及可读存储介质 | |
CN109949335B (zh) | 一种图像处理方法及装置 | |
CN111897984B (zh) | 图片标注方法、装置、终端设备及存储介质 | |
CN112258602B (zh) | 一种停止线生成方法、装置、电子设备及存储介质 | |
CN116071400B (zh) | 一种基于激光雷达设备的目标轨迹跟踪方法 | |
CN114723748B (zh) | 电机控制器的检测方法、装置、设备及存储介质 | |
CN117709001A (zh) | 模板生成方法、模板生成装置及可读存储介质 |
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 |