CN113140007B - 一种基于稠密点云的集卡定位方法及装置 - Google Patents
一种基于稠密点云的集卡定位方法及装置 Download PDFInfo
- Publication number
- CN113140007B CN113140007B CN202110532405.XA CN202110532405A CN113140007B CN 113140007 B CN113140007 B CN 113140007B CN 202110532405 A CN202110532405 A CN 202110532405A CN 113140007 B CN113140007 B CN 113140007B
- Authority
- CN
- China
- Prior art keywords
- truck
- acquired
- card
- point cloud
- frame
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011111 cardboard Substances 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明公开了一种基于稠密点云的集卡定位方法及装置,方法包括:使用传感器获取集卡的稠密点云数据,将稠密点云数据平面拟合后得到集卡车板的平面;根据集卡车板的平面分割点云,在分割后得到的点云中进行聚类并识别集卡车板的特征;比较已有帧和当前帧获取的集卡车板的特征,若当前帧获取的集卡车板的特征少于已有帧获取的集卡车板的特征,则根据已有帧获取的集卡车板的特征对当前帧获取的集卡车板的特征进行补全后得到集卡车板的完整特征,然后计算集卡的位姿。本发明提供的基于稠密点云的集卡定位方法及装置,通过比较已有帧获取和当前帧获取的集卡车板的特征,然后计算集卡的位姿,能够更精准地定位集卡,从而大大提高集卡放箱作业的成功率。
Description
技术领域
本发明涉及集装箱卡车的放箱操作领域,尤其涉及一种基于稠密点云的集卡定位方法及装置。
背景技术
随着经济技术的发展,越来越多的高新技术被应用到码头,自动化以及智能化逐渐成为未来码头发展的趋势和方向。目前码头对于集装箱卡车(内集卡或外集卡)的放箱操作大多还是采用人工来完成,不仅作业效率很低,而且作业质量不稳定不可控。码头进行人工作业,影响自动化、智能化作业实现的一个重要的障碍在于,集卡的定位难以达到较高的精度。
因此有必要提供一种基于稠密点云的集卡定位方法及装置,能够更精准地定位集卡。
发明内容
本发明所要解决的技术问题是提供基于稠密点云的集卡定位方法及装置,通过比较已有帧获取和当前帧获取的集卡车板的特征,然后计算集卡的位姿,能够更精准地定位集卡,从而大大提高集卡放箱作业的成功率。
本发明为解决上述技术问题而采用的技术方案是提供一种基于稠密点云的集卡定位方法,包括以下步骤:
使用至少一个传感器获取所述集卡的稠密点云数据,将所述稠密点云数据平面拟合后得到所述集卡车板的平面;
根据所述集卡车板的平面分割点云,在分割后得到的点云中进行聚类并识别所述集卡车板的特征;
比较已有帧获取的所述集卡车板的特征和当前帧获取的所述集卡车板的特征,若当前帧获取的所述集卡车板的特征少于已有帧获取的所述集卡车板的特征,则根据已有帧获取的所述集卡车板的特征对当前帧获取的所述集卡车板的特征进行补全后得到所述集卡车板的完整特征;
根据所述集卡车板的完整特征计算所述集卡的位姿。
优选地,在使用至少一个传感器获取集卡的稠密点云数据之后,对所述集卡进行初步定位,若存在所述集卡不在视野内或距离远或快速移动的情况,则等待并继续获取所述集卡的稠密点云数据。
优选地,当所述集卡是内集卡时,所述集卡车板平面的特征为挡板,当所述集卡是外集卡时,所述集卡车板平面的特征为锁钮。
优选地,所述传感器包括深度相机和/或激光雷达。
优选地,所述已有帧为第一帧,所述第一帧包括所述集卡车板的完整特征,若所述当前帧获取的所述集卡车板的特征少于所述第一帧获取的所述集卡车板的特征,则根据所述第一帧获取的所述集卡车板的特征对当前帧获取的所述集卡车板的特征进行补全后得到所述集卡车板的完整特征。
优选地,所述已有帧为前一帧,从第一帧开始,对每一帧获取的所述集卡车板的特征进行特征索引的排序,对当前帧的特征索引与前一帧的特征索引进行匹配,未匹配到的特征则根据前一帧特征以及来自匹配成功特征的位移进行补全;
若补全后仍未得到所述集卡车板的完整特征,则依次对当前帧的特征索引与再前一帧的特征索引进行匹配,直到获得所述集卡车板的完整特征为止。
优选地,还包括以下步骤:
若所述当前帧获取的所述集卡车板的特征和所述第一帧获取的所述集卡车板的特征一致,则根据当前帧获取的所述集卡车板的特征的坐标位置得到起重机相对于集卡在大车、小车、吊具方向上的距离以及角度;
若所述当前帧获取的所述集卡车板的特征少于第一帧获取的所述集卡车板的特征,则根据所述集卡车板的完整特征的坐标位置得到所述起重机相对于集卡在大车、小车、吊具方向上的距离以及角度。
优选地,所述使用至少一个传感器获取所述集卡的稠密点云数据包括当使用多个传感器获取所述集卡的稠密点云数据时,根据所述多个传感器的校准外参以将所述多个传感器获取的所述集卡的稠密点云数据进行拼接得到拼接后的所述集卡的稠密点云数据。
优选地,所述至少一个传感器安装在大车靠近集卡车道一侧上方的电气房或横梁上,或安装在大车靠近集卡车道一侧顶部走廊的内侧。
本发明为解决上述技术问题而还采用的技术方案是提供一种基于稠密点云的集卡定位装置,使用上述任一项所述的基于稠密点云的集卡定位方法。
本发明对比现有技术有如下的有益效果:本发明提供的基于稠密点云的集卡定位方法及装置,获取集卡车板的平面分割点云之后,聚类并识别集卡车板的特征,通过比较已有帧获取的集卡车板的特征和当前帧获取的集卡车板的特征,补全当前帧获取的集卡车板的特征后得到集卡车板的完整特征,再根据集卡车板的完整特征计算集卡的位姿,能够更精准地定位集卡,提高检测稳定性,从而大大提高集卡放箱作业的成功率;
进一步地,通过比较已有帧获取的集卡车板的特征和第一帧获取的集卡车板的特征,补全当前帧获取的集卡车板的特征后得到集卡车板的完整特征,再根据集卡车板的完整特征计算集卡的位姿,将第一帧获取的集卡车板的特征作为标准进行比对,从而能够快速补全集卡车板的完整特征;
进一步地,已有帧为前一帧,从第一帧开始,对每一帧获取的所述集卡车板的特征进行特征索引的排序,对当前帧的特征索引与前一帧的特征索引进行匹配,未匹配到的特征则根据前一帧特征以及来自匹配成功特征的位移进行补全,若补全后仍未得到集卡车板的完整特征,则依次对当前帧的特征索引与再前一帧的特征索引进行匹配,直到获得集卡车板的完整特征为止,从而能够更为精准地补全集卡车板的完整特征。
附图说明
图1为本发明实施例中基于稠密点云的集卡定位方法的流程图;
图2为现有技术中外集卡的车板结构示意图;
图3为现有技术中内集卡的车板结构示意图;
图4为本发明实施例中外集卡近起重机侧的车板结构示意图;
图5为本发明实施例中内集卡近起重机侧的车板结构示意图;
图6为本发明实施例中基于稠密点云的集卡定位装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
在以下描述中,为了提供本发明的透彻理解,阐述了很多具体的细节。然而,本发明可以在没有这些具体的细节的情况下实践,这对本领域普通该技术人员来说将是显而易见的。因此,具体的细节阐述仅仅是示例性的,具体的细节可以由奔放的精神和范围而变化并且仍被认为是在本发明的精神和范围内。
现在参看图1,图1为本发明实施例中基于稠密点云的集卡定位方法的流程图。一种基于稠密点云的集卡定位方法,包括以下步骤:S101:使用至少一个传感器获取所述集卡的稠密点云数据,将所述稠密点云数据平面拟合后得到所述集卡车板的平面;S102:根据所述集卡车板的平面分割点云,在分割后得到的点云中进行聚类并识别所述集卡车板的特征;S103:比较已有帧获取的所述集卡车板的特征和当前帧获取的所述集卡车板的特征,若当前帧获取的所述集卡车板的特征少于已有帧获取的所述集卡车板的特征,则根据已有帧获取的所述集卡车板的特征对当前帧获取的所述集卡车板的特征进行补全后得到所述集卡车板的完整特征;S104:根据所述集卡车板的完整特征计算所述集卡的位姿。
现在参看图2和图3,图2为现有技术中外集卡的车板结构示意图,外集卡21包括外集卡车头22和外集卡车尾23,图3为现有技术中内集卡的车板结构示意图,内集卡31包括内集卡车头32和内集卡车尾33。
现在参看图4和图5,图4为本发明实施例中外集卡近起重机侧的车板结构示意图,外集卡41包括外集卡车头42和外集卡车尾43,44为外集卡近起重机侧,图5为本发明实施例中内集卡近起重机侧的车板结构示意图,内集卡51包括内集卡车头52和内集卡车尾53,54为内集卡近起重机侧。当所述集卡是外集卡41时,所述集卡车板平面的特征为锁钮45,当所述集卡是内集卡51时,所述集卡车板平面的特征为挡板55。
在具体实施中,所述传感器包括深度相机和/或激光雷达。深度相机相比较于传统的相机,深度相机在功能上添加了一个深度测量,从而更方便准确的感知周围的环境及变化。通过深度相机采集到集卡的彩色和深度图像帧并生成稠密点云数据。激光雷达(LiDAR,Light Detection and Ranging)是以发射激光束探测目标的位置、速度等特征量的雷达系统,激光雷达可以获取集卡的激光雷达点云数据。所述使用至少一个传感器获取所述集卡的稠密点云数据包括当单个传感器能够实现稠密点云的扫描,则使用一个传感器进行扫描,否则使用多个传感器对集卡进行扫描,当使用多个传感器获取所述集卡的稠密点云数据时,根据所述多个传感器的校准外参以将所述多个传感器获取的所述集卡的稠密点云数据进行拼接得到拼接后的所述集卡的稠密点云数据。
已有帧获取的所述集卡车板的特征包括深度相机和/或激光雷达获取的所有图像帧获取的集卡车板的特征。当前帧获取的所述集卡车板的特征包括深度相机和/或激光雷达获取的当前的实时图像帧获取的集卡车板的特征。通常认为在作业中特征可能在视野中部分消失,例如内集卡某一挡板被集装箱遮挡而在视野中消失,或外集卡某一锁钮被集装箱遮挡而在视野中消失。
在具体实施中,所述已有帧为第一帧,所述第一帧包括所述集卡车板的完整特征,第一帧特征为初始特征,通常第一帧数据得到的点云信息较为完备。若所述当前帧获取的所述集卡车板的特征少于所述第一帧获取的所述集卡车板的特征,也就是当前帧获取的所述集卡车板的特征由于被集装箱遮挡而部分消失,则根据所述第一帧获取的所述集卡车板的特征对当前帧获取的所述集卡车板的特征进行补全后得到所述集卡车板的完整特征。通过特征补全与跟踪获得完整的特征,从而使得集卡的位姿计算更加精确
在另一具体实施中,所述已有帧为前一帧,从第一帧开始,对每一帧获取的所述集卡车板的特征进行特征索引的排序,对当前帧的特征索引与前一帧的特征索引进行匹配,未匹配到的特征则根据前一帧特征以及来自匹配成功特征的位移进行补全;若补全后仍未得到所述集卡车板的完整特征,则依次对当前帧的特征索引与再前一帧的特征索引进行匹配,直到获得所述集卡车板的完整特征为止。
若所述当前帧获取的所述集卡车板的特征和所述第一帧获取的所述集卡车板的特征一致,则根据当前帧获取的所述集卡车板的特征的坐标位置得到起重机相对于集卡在大车、小车、吊具方向上的距离以及角度(x,y,z,θ);若所述当前帧获取的所述集卡车板的特征少于第一帧获取的所述集卡车板的特征,则根据所述集卡车板的完整特征的坐标位置得到所述起重机相对于集卡在大车、小车、吊具方向上的距离以及角度(x,y,z,θ)。
在使用至少一个传感器获取集卡的稠密点云数据之后,为了进一步提高获取点云数据的效率,可以先对所述集卡进行初步定位,该阶段对定位精度要求低,对视野内点云进行聚类与过滤,得到所有视野内的集卡,若存在所述集卡不在视野内或距离远或快速移动的情况,则等待并继续获取所述集卡的稠密点云数据,从而能够获取高质量的集卡的稠密点云数据。
现在参看图6,图6为本发明实施例中基于稠密点云的集卡定位装置的结构示意图。61是大车,62是小车,63是吊具,所述至少一个传感器安装在大车靠近集卡车道一侧64上方的电气房或横梁上66和/或67,或安装在大车靠近集卡车道一侧64顶部走廊的内侧65。
本发明为解决上述技术问题而还采用的技术方案是提供一种基于稠密点云的集卡定位装置,使用上述任一项所述的基于稠密点云的集卡定位方法。
综上,本实施例提供的基于稠密点云的集卡定位方法及装置,获取集卡车板的平面分割点云之后,聚类并识别集卡车板的特征,通过比较已有帧获取的集卡车板的特征和当前帧获取的集卡车板的特征,补全当前帧获取的集卡车板的特征后得到集卡车板的完整特征,再根据集卡车板的完整特征计算集卡的位姿,能够更精准地定位集卡,提高检测稳定性,从而大大提高集卡放箱作业的成功率;
进一步地,通过比较已有帧获取的集卡车板的特征和第一帧获取的集卡车板的特征,补全当前帧获取的集卡车板的特征后得到集卡车板的完整特征,再根据集卡车板的完整特征计算集卡的位姿,将第一帧获取的集卡车板的特征作为标准进行比对,从而能够快速补全集卡车板的完整特征;
进一步地,已有帧为前一帧,从第一帧开始,对每一帧获取的所述集卡车板的特征进行特征索引的排序,对当前帧的特征索引与前一帧的特征索引进行匹配,未匹配到的特征则根据前一帧特征以及来自匹配成功特征的位移进行补全,若补全后仍未得到集卡车板的完整特征,则依次对当前帧的特征索引与再前一帧的特征索引进行匹配,直到获得集卡车板的完整特征为止,从而能够更为精准地补全集卡车板的完整特征。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (10)
1.一种基于稠密点云的集卡定位方法,其特征在于,包括以下步骤:
使用至少一个传感器获取所述集卡的稠密点云数据,将所述稠密点云数据平面拟合后得到所述集卡车板的平面;
根据所述集卡车板的平面分割点云,在分割后得到的点云中进行聚类并识别所述集卡车板的特征;
比较已有帧获取的所述集卡车板的特征和当前帧获取的所述集卡车板的特征,若当前帧获取的所述集卡车板的特征少于已有帧获取的所述集卡车板的特征,则根据已有帧获取的所述集卡车板的特征对当前帧获取的所述集卡车板的特征进行补全后得到所述集卡车板的完整特征;
根据所述集卡车板的完整特征计算所述集卡的位姿。
2.根据权利要求1所述的基于稠密点云的集卡定位方法,其特征在于,在使用至少一个传感器获取集卡的稠密点云数据之后,对所述集卡进行初步定位,若存在所述集卡不在视野内或距离远或快速移动的情况,则等待并继续获取所述集卡的稠密点云数据。
3.根据权利要求1所述的基于稠密点云的集卡定位方法,其特征在于,当所述集卡是内集卡时,所述集卡车板平面的特征为挡板,当所述集卡是外集卡时,所述集卡车板平面的特征为锁钮。
4.根据权利要求1所述的基于稠密点云的集卡定位方法,其特征在于,所述传感器包括深度相机和/或激光雷达。
5.根据权利要求1所述的基于稠密点云的集卡定位方法,其特征在于,所述已有帧为第一帧,所述第一帧包括所述集卡车板的完整特征,若所述当前帧获取的所述集卡车板的特征少于所述第一帧获取的所述集卡车板的特征,则根据所述第一帧获取的所述集卡车板的特征对当前帧获取的所述集卡车板的特征进行补全后得到所述集卡车板的完整特征。
6.根据权利要求1所述的基于稠密点云的集卡定位方法,其特征在于,所述已有帧为前一帧,从第一帧开始,对每一帧获取的所述集卡车板的特征进行特征索引的排序,对当前帧的特征索引与前一帧的特征索引进行匹配,未匹配到的特征则根据前一帧特征以及来自匹配成功特征的位移进行补全;
若补全后仍未得到所述集卡车板的完整特征,则依次对当前帧的特征索引与再前一帧的特征索引进行匹配,直到获得所述集卡车板的完整特征为止。
7.根据权利要求1所述的基于稠密点云的集卡定位方法,其特征在于,还包括以下步骤:
若所述当前帧获取的所述集卡车板的特征和第一帧获取的所述集卡车板的特征一致,则根据当前帧获取的所述集卡车板的特征的坐标位置得到起重机相对于集卡在大车、小车、吊具方向上的距离以及角度;
若所述当前帧获取的所述集卡车板的特征少于第一帧获取的所述集卡车板的特征,则根据所述集卡车板的完整特征的坐标位置得到所述起重机相对于集卡在大车、小车、吊具方向上的距离以及角度。
8.根据权利要求1所述的基于稠密点云的集卡定位方法,其特征在于,所述使用至少一个传感器获取所述集卡的稠密点云数据包括当使用多个传感器获取所述集卡的稠密点云数据时,根据所述多个传感器的校准外参以将所述多个传感器获取的所述集卡的稠密点云数据进行拼接得到拼接后的所述集卡的稠密点云数据。
9.根据权利要求1所述的基于稠密点云的集卡定位方法,其特征在于,所述至少一个传感器安装在大车靠近集卡车道一侧上方的电气房或横梁上,或安装在大车靠近集卡车道一侧顶部走廊的内侧。
10.一种基于稠密点云的集卡定位装置,使用如权利要求1-9任一项所述的基于稠密点云的集卡定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532405.XA CN113140007B (zh) | 2021-05-17 | 2021-05-17 | 一种基于稠密点云的集卡定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532405.XA CN113140007B (zh) | 2021-05-17 | 2021-05-17 | 一种基于稠密点云的集卡定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113140007A CN113140007A (zh) | 2021-07-20 |
CN113140007B true CN113140007B (zh) | 2023-12-19 |
Family
ID=76817152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532405.XA Active CN113140007B (zh) | 2021-05-17 | 2021-05-17 | 一种基于稠密点云的集卡定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113140007B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829972A (zh) * | 2019-01-19 | 2019-05-31 | 北京工业大学 | 一种面向连续帧点云的三维人体标准骨架提取方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 |
CN110902570A (zh) * | 2019-11-25 | 2020-03-24 | 上海驭矩信息科技有限公司 | 一种用于集装箱装卸作业的动态测量方法及系统 |
CN111622145A (zh) * | 2020-07-28 | 2020-09-04 | 北京主线科技有限公司 | 基于反光道钉的无人集卡定位方法及系统 |
CN111724439A (zh) * | 2019-11-29 | 2020-09-29 | 中国科学院上海微系统与信息技术研究所 | 一种动态场景下的视觉定位方法及装置 |
CN112037283A (zh) * | 2020-09-04 | 2020-12-04 | 上海驭矩信息科技有限公司 | 一种基于机器视觉的集卡定位及对箱检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230152815A (ko) * | 2019-03-21 | 2023-11-03 | 엘지전자 주식회사 | 포인트 클라우드 데이터 부호화 장치, 포인트 클라우드 데이터 부호화 방법, 포인트 클라우드 데이터 복호화 장치 및 포인트 클라우드 데이터 복호화 방법 |
-
2021
- 2021-05-17 CN CN202110532405.XA patent/CN113140007B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829972A (zh) * | 2019-01-19 | 2019-05-31 | 北京工业大学 | 一种面向连续帧点云的三维人体标准骨架提取方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 |
CN110902570A (zh) * | 2019-11-25 | 2020-03-24 | 上海驭矩信息科技有限公司 | 一种用于集装箱装卸作业的动态测量方法及系统 |
CN111724439A (zh) * | 2019-11-29 | 2020-09-29 | 中国科学院上海微系统与信息技术研究所 | 一种动态场景下的视觉定位方法及装置 |
CN111622145A (zh) * | 2020-07-28 | 2020-09-04 | 北京主线科技有限公司 | 基于反光道钉的无人集卡定位方法及系统 |
CN112037283A (zh) * | 2020-09-04 | 2020-12-04 | 上海驭矩信息科技有限公司 | 一种基于机器视觉的集卡定位及对箱检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113140007A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110793512A (zh) | 位姿识别方法、装置、电子设备和存储介质 | |
US11320833B2 (en) | Data processing method, apparatus and terminal | |
EP4283515A1 (en) | Detection method, system, and device based on fusion of image and point cloud information, and storage medium | |
CN106839985B (zh) | 无人天车钢卷抓取的自动识别定位方法 | |
CN104217441A (zh) | 一种基于机器视觉的机械臂定位抓取方法 | |
CN107218927A (zh) | 一种基于tof相机的货物托盘检测系统和方法 | |
WO2020237516A1 (zh) | 点云的处理方法、设备和计算机可读存储介质 | |
CN111964680B (zh) | 一种巡检机器人的实时定位方法 | |
WO2022247137A1 (zh) | 机器人及其充电桩识别方法和装置 | |
CN110927732A (zh) | 位姿识别方法、电子设备和存储介质 | |
CN115880372A (zh) | 自动化起重机的外集卡定位相机统一标定方法及系统 | |
CN110852180B (zh) | 用于自动引导车的tof相机标定方法及自动引导车 | |
CN113140007B (zh) | 一种基于稠密点云的集卡定位方法及装置 | |
CN112037283B (zh) | 一种基于机器视觉的集卡定位及对箱检测方法 | |
CN112797893B (zh) | 一种用于远距离线缆位置参数的测量方法 | |
CN113126119A (zh) | 融合点云数据与机器视觉的精定位方法、系统及介质 | |
CN113469195A (zh) | 一种基于自适应颜色快速点特征直方图的目标识别方法 | |
CN112581519A (zh) | 一种放射性废物包识别定位方法与装置 | |
CN116443527A (zh) | 基于激光雷达的托盘叉取方法、装置、设备和介质 | |
CN110543612A (zh) | 一种基于单目视觉测量的集卡定位方法 | |
CN115600118A (zh) | 基于二维激光点云的托盘腿识别方法及系统 | |
CN114897981A (zh) | 一种基于视觉检测的吊具位姿识别方法 | |
CN114724111A (zh) | 一种基于deepstream的智能叉车识别避障方法 | |
CN114283193A (zh) | 一种栈板三维视觉定位方法及系统 | |
CN114228411A (zh) | 连接控制方法、装置、设备及存储介质 |
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 |