CN112487960B - 一种基于机器视觉的座便器胚体模外柔性粘接方法及系统 - Google Patents

一种基于机器视觉的座便器胚体模外柔性粘接方法及系统 Download PDF

Info

Publication number
CN112487960B
CN112487960B CN202011363935.8A CN202011363935A CN112487960B CN 112487960 B CN112487960 B CN 112487960B CN 202011363935 A CN202011363935 A CN 202011363935A CN 112487960 B CN112487960 B CN 112487960B
Authority
CN
China
Prior art keywords
seat ring
data
cup body
characteristic data
posture
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.)
Active
Application number
CN202011363935.8A
Other languages
English (en)
Other versions
CN112487960A (zh
Inventor
张剑
马启航
章珈豪
张云瞻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202011363935.8A priority Critical patent/CN112487960B/zh
Publication of CN112487960A publication Critical patent/CN112487960A/zh
Application granted granted Critical
Publication of CN112487960B publication Critical patent/CN112487960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Abstract

本发明涉及一种基于机器视觉的座便器胚体模外柔性粘接方法,包括以下步骤:步骤S1:获取座便器的杯体图像和座圈图像;步骤S2:从杯体图像和座圈图像中提取杯体特征数据和座圈特征数据;步骤S3:将杯体特征数据和座圈特征数据与数据库特征数据进行对比,得到相应的匹配模板数据;步骤S4:根据杯体特征数据和座圈特征数据,计算得到杯体姿态和座圈姿态;步骤S5:将杯体姿态、座圈姿态和匹配模板数据传递至执行机构,完成座便器杯体和座圈的模外柔性粘接。与现有技术相比,对模具无要求,成本低,检测取样、质量分析简便。

Description

一种基于机器视觉的座便器胚体模外柔性粘接方法及系统
技术领域
本发明涉及座便器加工制造工艺领域,尤其是涉及一种基于机器视觉的座便器胚体模外柔性粘接方法及系统。
背景技术
随着社会的进步,物联网、工业机器人、机器视觉等新技术推动传统制造工艺不断发展,人工成本的不断增加,标准化生产模式加强深化。为了提高工业品的生产效率,市面上已经出现了基于机器视觉、多轴机器人等技术的制造模式,并展现出良好的经济效益。
目前大多数的座便器制造工艺是采用模具高压注浆成型的方法(如中国发明专利CN110666928A),需要将模具进行合并,然后进行注浆、排浆、巩固、开模下胚、洗模脱水等工艺。这类工艺需要对模具的强度和使用寿命有较大的要求,且制造设备、模具、材料成本较高,检测取样、质量分析复杂。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器视觉的座便器胚体模外柔性粘接方法及系统。
本发明的目的可以通过以下技术方案来实现:
一种基于机器视觉的座便器胚体模外柔性粘接方法,该方法包括以下步骤:
步骤S1:获取座便器的杯体图像和座圈图像;
步骤S2:从杯体图像和座圈图像中提取杯体特征数据和座圈特征数据;
步骤S3:将杯体特征数据和座圈特征数据与数据库特征数据进行对比,得到相应的匹配模板数据;
步骤S4:根据杯体特征数据和座圈特征数据,计算得到杯体姿态和座圈姿态;
步骤S5:将杯体姿态、座圈姿态和匹配模板数据传递至执行机构,完成座便器杯体和座圈的模外柔性粘接。
所述杯体图像和座圈图像为结构光图像或激光图像,所述杯体图像和座圈图像对应的点云数据通过CCD相机获取。
所述的杯体特征数据包括杯体特征孔,所述座圈特征数据包括与杯体特征孔对应的座圈特征孔。
杯体特征数据和座圈特征数据与数据库特征数据的对比通过配准公式实现,所述配准公式为:
Figure BDA0002804858360000021
其中,d1'为归一化杯体特征数据或归一化座圈特征数据,d2'为模板数据;
通过置信度函数判断模板数据是否为匹配模板数据,所述置信度函数为:
δ=1-f(d1',d2')
其中,δ为置信度,若置信度大于等于设定阈值,则该次计算的模板数据为匹配模板数据,若置信度小于设定阈值,则该次计算的模板数据非匹配模板数据。
所述座圈姿态的计算公式为:
Figure BDA0002804858360000022
zm1=am1+bm1i+cm1j+dm1k
zm2=am2+bm2i+cm2j+dm2k
杯体姿态的计算公式为:
Figure BDA0002804858360000023
zn1=an1+bn1i+cn1j+dn1k
zn2=an2+bn2i+cn2j+dn2k
其中,以座圈上的圆孔轴线作为z轴,垂直粘接面向上为正方向,原点在粘接面上;以与座便器粘接面中央长轴线平行的轴为x轴,正方向指向座便器正面;叉乘得到y轴。zm1表示座圈上的左侧圆孔姿态,zm2表示座圈上的右侧圆孔姿态,zn1表示杯体上的左侧圆孔姿态,zn2表示杯体上的右侧圆孔姿态,i、j、k分别为绕x、y、z轴的旋转单位向量,am1、bm1、cm1、am2、bm2、cm2、an2、bn2、cn2为对应的旋转向量大小,dm1、dm2、dn2为旋转角度对应的余弦值。
所述的执行机构包括分别与工控机连接的取样装置、粘接装置和检测修整装置,所述检测修整装置采用柔顺控制策略。
所述的取样装置包括海绵吸盘,所述海绵吸盘连接工控机,所述海绵吸盘包括多个真空吸道。
所述的粘接装置包括胶枪,所述胶枪连接工控机,所述胶枪包括相互连接的涂胶喷嘴和真空气道。
所述的检测修整装置包括修补刀,所述修补刀连接工控机,所述修补刀包括相互连接的刀柄和刀头。
一种实现所述的座便器胚体模外柔性粘接方法的系统,包括:
视觉检测单元,获取座便器的杯体图像和座圈图像,从杯体图像和座圈图像中提取杯体特征数据和座圈特征数据,将杯体特征数据和座圈特征数据与数据库特征数据进行对比得到相应的匹配模板数据,并计算得到杯体姿态和座圈姿态;
数据传输单元,向视觉检测单元传递数据库特征数据,将杯体姿态、座圈姿态、粘接执行单元的命令数据以及日志数据存储至数据库;
粘接执行单元,执行座便器杯体和座圈的模外柔性粘接。
与现有技术相比,本发明具有以下优点:
(1)运用了机器视觉、物联网等技术,在脱离模具的情况下,使座便器的杯体和座圈进行柔性粘接,并能够自动根据标准检测出粘接是否合格,同时还可以对粘接后的一体化模胚进行修整,对模具无要求,成本低,检测取样、质量分析简便。
(2)从杯体图像和座圈图像中提取杯体特征数据和座圈特征数据,杯体特征数据包括杯体特征孔,座圈特征数据包括与杯体特征孔对应的座圈特征孔,通过特征孔定位,明显且简便。
(3)杯体特征数据和座圈特征数据与数据库特征数据进行对比,得到相应的匹配模板数据,将杯体姿态、座圈姿态和匹配模板数据传递至执行机构,完成座便器杯体和座圈的模外柔性粘接,利用匹配模板数据进行粘接,结果可靠且一致性高。
附图说明
图1为本发明的流程图;
图2为本发明实施例的结构示意图;
图3为本发明实施例的视觉检测单元流程图;
图4为本发明实施例的数据传输单元逻辑框图;
图5为本发明实施例的取样装置示意图;
图6为本发明实施例的粘接装置示意图;
图7为本发明实施例的检测修整装置示意图;
附图标记:
1为海绵吸盘;11为真空吸道;2为胶枪;21为涂胶喷嘴;22为真空气道;3为修补刀;31为刀柄;32为刀头。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种基于机器视觉的座便器胚体模外柔性粘接方法,包括以下步骤:
步骤S1:获取座便器的杯体图像和座圈图像;
步骤S2:从杯体图像和座圈图像中提取杯体特征数据和座圈特征数据;
步骤S3:将杯体特征数据和座圈特征数据与数据库特征数据进行对比,得到相应的匹配模板数据;
步骤S4:根据杯体特征数据和座圈特征数据,计算得到杯体姿态和座圈姿态;
步骤S5:将杯体姿态、座圈姿态和匹配模板数据传递至执行机构,完成座便器杯体和座圈的模外柔性粘接。
本实施例还提供一种实现上述座便器胚体模外柔性粘接方法的系统,系统包括:
a)视觉检测单元,视觉检测单元包括点云数据重构模块、特征提取与匹配模块以及姿态计算模块,点云数据重构模块将获得的初始数据进行三维重构形成杯体图像和座圈图像(即三维点云数据),特征提取与匹配模块从杯体图像和座圈图像中提取杯体特征数据和座圈特征数据,并将杯体特征数据和座圈特征数据与数据库特征数据进行对比得到相应的匹配模板数据,姿态计算模块根据杯体特征数据和座圈特征数据计算得到杯体姿态和座圈姿态,姿态计算模块以结合粘接面的几何中心点为基点,采用四元数的方法对座圈相对于杯体、座圈相对于世界以及杯体相对于世界的位置和姿态进行描述;
b)数据传输单元,包含输出模块、对外数据共享模块以及数据库存储模块,输出模块向视觉检测单元传递数据库特征数据,对外数据共享模块提供对外信息输出接口。数据库存储模块存储杯体姿态、座圈姿态、粘接执行单元的命令数据以及日志数据;
c)粘接执行单元,分别与工控机连接的取样装置、粘接装置和检测修整装置,执行座便器杯体和座圈的模外柔性粘接。
具体而言:
杯体图像和座圈图像为结构光图像或激光图像,所述杯体图像和座圈图像对应的初始数据通过CCD相机获取;结构光数据、激光数据是一种含有物体深度信息的计算机图像数据,可以通过线扫描的方法,利用光源投射一维光线到杯体和座圈胚体的表面,CCD相机采集经胚体反射的光线,根据三角测量原理得到胚体相对位置的三维信息,通过数据转换得到三维点云数据。
点云数据重构模块将获得初始数据进行三维重构时,首先采用随机采样一致性算法对初始数据进行采样,对偏离程度较大的噪音数据进行剔除,得到局内点和局外点;利用法线估计、基于近邻的局部描述算子、基于视角的全局描述算子中的一种或多种方法对得到的局内点云数据进行特征提取。
数据库特征数据是一种区分度高、区分速度快、区分准确率高的一种对杯体和座圈特征进行描述的三维点云数据。
杯体特征数据和座圈特征数据与数据库特征数据进行对比采用SSD方法,所述配准公式为:
Figure BDA0002804858360000051
其中,d1'为归一化杯体特征数据或归一化座圈特征数据,d2'为模板数据;
通过置信度函数判断模板数据是否为匹配模板数据,所述置信度函数为:
δ=1-f(d1',d2')
其中,δ为置信度,若置信度大于等于设定阈值,则该次计算的模板数据为匹配模板数据,若置信度小于设定阈值,则该次计算的模板数据非匹配模板数据。
云服务器可对数据库信息存储模块存储的杯体姿态、座圈姿态、粘接执行单元的命令数据以及日志数据进行数据监控、数据分析评估或数据分享。
工控机对粘接执行单元的执行轨迹进行轨迹规划,采用遗传算法(GA)对空间轨迹点进行优化计算,得出最快避障轨迹。
取样装置包括海绵吸盘1,海绵吸盘1是一种由密封件(海绵)、真空发生器、储能器、独立阀体、外壳以及空气接口组成的执行装置,可以柔性地抓取座圈和杯体。
粘接装置包括胶枪2,胶枪2由真空发生器、储能器、独立阀体、外壳以及空气接口组成,可以柔性地对座圈和杯体进行粘接操作。
检测修整装置包括修补刀3,修补刀3包括相互连接的刀柄31和刀头32,检测修整装置采用柔顺控制策略;柔顺控制是根据力传感器对力进行实时测量,采用基于力反馈的自适应阻抗控制,利用Lyapunov稳定理论设计自适应控制规律。
以下为一具体例子:
图2中有两条流水生产线,1条是杯体流水生产线,另1条是座圈流水生产线,其中杯体流水生产线的节拍要慢于座圈流水生产线的节拍。两条生产线主要由步进电机驱动,并用编码器来监控节拍的快慢,实时产生脉冲信号通过串口传输给工控机。结构光发生器或激光发生器产生的结构光和激光照射到杯体和座圈上,由CCD相机接收经杯体和座圈反射得到的初始数据,通过千兆以太网卡,将信息传输给工控机,经工控机处理后得到三维点云数据。图2中的串口和显示器连接,可以实时显示图像信息的采集、处理、传输等讯息。图2中还包括步进电机驱动模块,通过工控机和步进电机驱动器相连,步进电机驱动器通过调节输入/输出电流和信号驱动步进电机运动。图2中的USB接口可以方便用户调取和烧录软件更新程序。
图3为视觉检测单元的流程图,图中读取点云数据是将经过CCD采集和工控机处理后的txt或pcd格式的点云数据类型转化成二进制形式的计算机语言,写入计算机缓存,并打开相应的线程。点云滤波操作首先采用双边滤波的方式对点云数据进行窗口过滤,其中窗口的大小Z=1000mm。下采样操作是通过选取最小特征点云阈值,将点云数据结构进行精简,提高数据处理速度。随机采样一致性算法对已经采集的点云数据进行采样,对偏离程度较大的噪音数据进行剔除,得到局内点和局外点。特征提取是通过定义检测标准从三维点云数据中获取具有稳定性、区别性的点集。点云分割是根据几何模型对上一步预处理后的点云数据进行几何参数估计,并编码、存储所得到的多个点云块。数据分配到目标模板是将存储后的点云块进行复制重编码,并根据定义检测标准格式化预配准点云数据。配准是将预配准点云数据(杯体特征数据和座圈特征数据)和模板数据(数据库特征数据)进行数学匹配。
位姿估计是根据匹配成功的点云数据,利用座圈和杯体上的圆孔特征(即杯体特征孔和座圈特征孔),运用圆检测方法分别估计出两个孔的姿态,用四元数的方法可以表达成以下形式,其中zm1表示座圈上的左侧圆孔,zm2表示座圈上的右侧圆孔,zn1表示杯体上的左侧圆孔,zn2表示座圈上的右侧圆孔:
zm1=am1+bm1i+cm1j+dm1k
zm2=am2+bm2i+cm2j+dm2k
zn1=an1+bn1i+cn1j+dn1k
zn2=an2+bn2i+cn2j+dn2k
然后利用向量相加再平均的方法估计出座圈和杯体胚体的姿态zm和zn,如下式所示:
Figure BDA0002804858360000071
Figure BDA0002804858360000072
其中,以座圈上的圆孔轴线作为z轴,垂直粘接面向上为正方向,原点在粘接面上;以与座便器粘接面中央长轴线平行的方向为x轴,正方向指向座便器正面;叉乘得到y轴。zm1表示座圈上的左侧圆孔姿态,zm2表示座圈上的右侧圆孔姿态,zn1表示杯体上的左侧圆孔姿态,zn2表示杯体上的右侧圆孔姿态,i、j、k分别为绕x、y、z轴的旋转单位向量,am1、bm1、cm1、am2、bm2、cm2、an2、bn2、cn2为对应的旋转向量大小,dm1、dm2、dn2为旋转角度对应的余弦值。
图4为数据传输单元的逻辑图。图4中外部数据源是来自视觉检测单元获取的数据。动作执行器是执行机构中的取样装置、粘接装置和检测修整装置中的一种或多种。逻辑控制器是与硬件系统连接的开关量设备。外部数据源、动作执行器以及逻辑控制器组成外部组件,向由数据处理中心、状态监控中心以及命令生产管理组成的内部组件发送不限于杯体姿态和座圈姿态;内部组块向外部组块或显示设备发送日志、执行命令以及数据处理结果信息。数据处理中心是指视觉检测单元的图像处理器;状态监控中心是整个系统的数据处理、传送、存储的监控器;命令生产管理是根据数据处理结果和中断指令做出动作命令的控制器(上述输出模块完成数据传输单元向数据处理中心、状态监控中心以及命令生产管理输出数据的功能)。外部组件和内部组件进行信息交换的同时,会产生数据库存储数据的过程,该过程存储外部组件和内部组件进行信息交换的重要数据。数据库存储功能块是将外部组件和内部组件进行信息交换的同时,按照不限于时间顺序、特定优先级以及中断优先级的数据存储顺序对数据进行存储。对外数据共享功能块是将数据库中的数据通过外部接口与外部计算机、外部工作人员以及用户中的一种或多种进行数据共享。数据库迭代升级功能块是利用以遗传算法(GA)为主的智能算法对数据库中的信息匹配模板进行更新迭代,产生更具有代表性的信息匹配模板,并备份最原始的定义标准数据。数据库存储功能块与对外数据共享功能块之间,前者会将存储的信息发送给后者进行对外共享,后者会接收外部数据发送给前者进行存储。数据库存储功能块与数据库迭代升级功能块之间,前者会为后者提供基于算法优化的数据库信息,后者会将迭代升级后的数据发送给前者更新存储。数据库迭代升级功能块与对外数据共享功能块之间,前者会将迭代过程信息发送给后者,用于对外显示,后者会将外部输入数据发送给前者进行数据迭代升级和数据匹配。对外接口与对外数据共享功能块相连,进行数据共享操作。
执行机构包括分别与工控机连接的取样装置、粘接装置和检测修整装置,检测修整装置采用柔顺控制策略。图5为取样装置示意图,取样装置包括海绵吸盘1,海绵吸盘1连接工控机,海绵吸盘1包括多个真空吸道11。
图6为粘接装置示意图,粘接装置包括胶枪2,所述胶枪2连接工控机,胶枪2包括相互连接的涂胶喷嘴21和真空气道22。
图7为检测修整装置示意图,修补刀3连接工控机,修补刀3包括相互连接的刀柄31和刀头32。
取样装置、粘接装置和检测修整装置通过机械臂连接工控机,工控机控制取样、粘接和检测修整时,采用柔顺控制策略、粘接工艺专家系统以及基于人机交互控制的机械臂快速示教技术。a)柔顺控制策略,按照粘接工艺要求,制定不同类型卫浴陶瓷产品的作业误差,对机械臂运动学、动力学进行建模,分析机械臂末端作业力/力矩和机械臂关节力矩间的映射关系;根据力传感器对粘接过程中的力进行实时测量,采用基于力反馈的自适应阻抗控制,利用Lyapunov稳定理论设计自适应控制规律,建立机械臂粘接作业的仿真模型,并通过仿真模型验证上述计算分析的正确性,完成控制系统的性能分析;b)粘接工艺专家系统,对粘接效果的测试实验数据进行分析,建立卫浴陶瓷产品结构类型、泥浆成分、泥浆涂抹厚度、施压方式、压紧力、压紧时间以及泥浆压缩量等粘接工艺参数间的对应关系,开发粘接工艺专家系统;结合上、下毛坯体在线识别和匹配技术,实时读取相应的粘接系统控制参数,实现上下质软素坯的机械臂模外有效粘接;c)基于人机交互控制的机械臂快速示教技术,结合机械臂快速示教轨迹规划和工件的三维模型数据,考虑机械臂粘接和转运时的载荷及工具等因素,基于力位混合柔顺控制的示教技术,实时计算关节电机补偿力矩、抑制机械臂惯性力及非线性耦合项,设计合理的人机交互界面,保证粘接及转运机械臂示教过程能够简单、快速、可靠的完成。

Claims (10)

1.一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,该方法包括以下步骤:
步骤S1:获取座便器的杯体图像和座圈图像;
步骤S2:从杯体图像和座圈图像中提取杯体特征数据和座圈特征数据;
步骤S3:将杯体特征数据和座圈特征数据与数据库特征数据进行对比,得到相应的匹配模板数据;
步骤S4:根据杯体特征数据和座圈特征数据,计算得到杯体姿态和座圈姿态;
步骤S5:将杯体姿态、座圈姿态和匹配模板数据传递至执行机构,完成座便器杯体和座圈的模外柔性粘接。
2.根据权利要求1所述的一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,所述杯体图像和座圈图像为结构光图像或激光图像,所述杯体图像和座圈图像对应的点云数据通过CCD相机获取。
3.根据权利要求1所述的一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,所述的杯体特征数据包括杯体特征孔,所述座圈特征数据包括与杯体特征孔对应的座圈特征孔。
4.根据权利要求3所述的一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,杯体特征数据和座圈特征数据与数据库特征数据的对比通过配准公式实现,所述配准公式为:
Figure FDA0003965254000000011
其中,d1'为归一化杯体特征数据或归一化座圈特征数据,d2'为模板数据;
通过置信度函数判断模板数据是否为匹配模板数据,所述置信度函数为:
δ=1-f(d1',d2')
其中,δ为置信度,若置信度大于等于设定阈值,则该次计算的模板数据为匹配模板数据,若置信度小于设定阈值,则该次计算的模板数据非匹配模板数据。
5.根据权利要求4所述的一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,所述座圈姿态的计算公式为:
Figure FDA0003965254000000012
zm1=am1+bm1i+cm1j+dm1k
zm2=am2+bm2i+cm2j+dm2k
杯体姿态的计算公式为:
Figure FDA0003965254000000021
zn1=an1+bn1i+cn1j+dn1k
zn2=an2+bn2i+cn2j+dn2k
其中,以座圈上的圆孔轴线作为z轴,垂直粘接面向上为正方向,原点在粘接面上;以与座便器粘接面中央长轴线平行的轴为x轴,正方向指向座便器正面;叉乘得到y轴,zm1表示座圈上的左侧圆孔姿态,zm2表示座圈上的右侧圆孔姿态,zn1表示杯体上的左侧圆孔姿态,zn2表示杯体上的右侧圆孔姿态,i、j、k分别为绕x、y、z轴的旋转单位向量,am1、bm1、cm1、am2、bm2、cm2、an2、bn2、cn2为对应的旋转向量大小,dm1、dm2、dn2为旋转角度对应的余弦值。
6.根据权利要求1所述的一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,所述的执行机构包括分别与工控机连接的取样装置、粘接装置和检测修整装置,所述检测修整装置采用柔顺控制策略。
7.根据权利要求6所述的一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,所述的取样装置包括海绵吸盘,所述海绵吸盘连接工控机,所述海绵吸盘包括多个真空吸道。
8.根据权利要求6所述的一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,所述的粘接装置包括胶枪,所述胶枪连接工控机,所述胶枪包括相互连接的涂胶喷嘴和真空气道。
9.根据权利要求6所述的一种基于机器视觉的座便器胚体模外柔性粘接方法,其特征在于,所述的检测修整装置包括修补刀,所述修补刀连接工控机,所述修补刀包括相互连接的刀柄和刀头。
10.一种实现权利要求1-9任一所述的座便器胚体模外柔性粘接方法的系统,其特征在于,包括:
视觉检测单元,获取座便器的杯体图像和座圈图像,从杯体图像和座圈图像中提取杯体特征数据和座圈特征数据,将杯体特征数据和座圈特征数据与数据库特征数据进行对比得到相应的匹配模板数据,并计算得到杯体姿态和座圈姿态;
数据传输单元,向视觉检测单元传递数据库特征数据,将杯体姿态、座圈姿态、粘接执行单元的命令数据以及日志数据存储至数据库;
粘接执行单元,执行座便器杯体和座圈的模外柔性粘接。
CN202011363935.8A 2020-11-27 2020-11-27 一种基于机器视觉的座便器胚体模外柔性粘接方法及系统 Active CN112487960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011363935.8A CN112487960B (zh) 2020-11-27 2020-11-27 一种基于机器视觉的座便器胚体模外柔性粘接方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011363935.8A CN112487960B (zh) 2020-11-27 2020-11-27 一种基于机器视觉的座便器胚体模外柔性粘接方法及系统

Publications (2)

Publication Number Publication Date
CN112487960A CN112487960A (zh) 2021-03-12
CN112487960B true CN112487960B (zh) 2023-02-10

Family

ID=74936512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011363935.8A Active CN112487960B (zh) 2020-11-27 2020-11-27 一种基于机器视觉的座便器胚体模外柔性粘接方法及系统

Country Status (1)

Country Link
CN (1) CN112487960B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114734528B (zh) * 2022-03-17 2023-05-26 佛山市高明安华陶瓷洁具有限公司 高压注浆垂直成型控制方法、计算机设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106567435A (zh) * 2016-11-09 2017-04-19 中科院合肥技术创新工程院 一种智能健康马桶的智能检测系统及方法
CN107291004A (zh) * 2017-05-23 2017-10-24 科勒(中国)投资有限公司 自动控制装置、方法及马桶
CN109102547A (zh) * 2018-07-20 2018-12-28 上海节卡机器人科技有限公司 基于物体识别深度学习模型的机器人抓取位姿估计方法
CN209059021U (zh) * 2018-10-16 2019-07-05 舞阳县冠军瓷业有限责任公司 一种马桶座圈铰链
CN111890519A (zh) * 2020-08-13 2020-11-06 广东金马领科智能科技有限公司 一种自动粘接的座便器高压注浆生产线及生产方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106567435A (zh) * 2016-11-09 2017-04-19 中科院合肥技术创新工程院 一种智能健康马桶的智能检测系统及方法
CN107291004A (zh) * 2017-05-23 2017-10-24 科勒(中国)投资有限公司 自动控制装置、方法及马桶
CN109102547A (zh) * 2018-07-20 2018-12-28 上海节卡机器人科技有限公司 基于物体识别深度学习模型的机器人抓取位姿估计方法
CN209059021U (zh) * 2018-10-16 2019-07-05 舞阳县冠军瓷业有限责任公司 一种马桶座圈铰链
CN111890519A (zh) * 2020-08-13 2020-11-06 广东金马领科智能科技有限公司 一种自动粘接的座便器高压注浆生产线及生产方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于LabVIEW的粘接机械手视觉系统研究";王玮钊;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20120215;I138-2159页 *

Also Published As

Publication number Publication date
CN112487960A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN111046589B (zh) 一种智能产线可试验数字孪生体建模方法
US11338435B2 (en) Gripping system with machine learning
US11741701B2 (en) Autonomous task performance based on visual embeddings
CN111251295B (zh) 一种应用于参数化零件的视觉机械臂抓取方法及装置
CN112509063A (zh) 一种基于边缘特征匹配的机械臂抓取系统及方法
CN111055293A (zh) 一种基于曲面自适应的工业机器人高精度恒力打磨方法
CN109159113B (zh) 一种基于视觉推理的机器人作业方法
CN109202912A (zh) 一种基于单目深度传感器和机械臂配准目标轮廓点云的方法
Sayour et al. Autonomous robotic manipulation: Real-time, deep-learning approach for grasping of unknown objects
CN113814986B (zh) 一种基于机器视觉控制scara机器人的方法及系统
CN111085997A (zh) 基于点云获取和处理的抓取训练方法及系统
CN112487960B (zh) 一种基于机器视觉的座便器胚体模外柔性粘接方法及系统
CN111459274A (zh) 一种基于5g+ ar的针对非结构化环境的遥操作方法
CN112257293A (zh) 一种基于ros的非标准物体抓取方法及装置
CN115016293A (zh) 一种基于力反馈的猪胴体分割机器人路径自主修正方法
CN114299039B (zh) 一种机器人及其碰撞检测装置和方法
CN115464657A (zh) 一种由电机驱动的旋转扫描装置的手眼标定方法
JPH0780790A (ja) 三次元物体把持システム
CN113793383A (zh) 一种3d视觉识别取放系统及方法
CN113034575A (zh) 一种模型构建方法、位姿估计方法及物体拣取装置
CN116442219B (zh) 一种智能机器人控制系统及方法
CN115861780B (zh) 一种基于yolo-ggcnn的机械臂检测抓取方法
CN112530267A (zh) 一种基于计算机视觉的机械臂智能示教方法及应用
Zhou et al. A cooperative shared control scheme based on intention recognition for flexible assembly manufacturing
Yu et al. Category-level 6-d object pose estimation with shape deformation for robotic grasp detection

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