CN113763328B - 一种基于改进Anchor Free的无序电子元器件快速准确定位系统 - Google Patents

一种基于改进Anchor Free的无序电子元器件快速准确定位系统 Download PDF

Info

Publication number
CN113763328B
CN113763328B CN202110925871.4A CN202110925871A CN113763328B CN 113763328 B CN113763328 B CN 113763328B CN 202110925871 A CN202110925871 A CN 202110925871A CN 113763328 B CN113763328 B CN 113763328B
Authority
CN
China
Prior art keywords
electronic component
searcher
module
main body
key point
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
CN202110925871.4A
Other languages
English (en)
Other versions
CN113763328A (zh
Inventor
顾寄南
雷文桐
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN202110925871.4A priority Critical patent/CN113763328B/zh
Publication of CN113763328A publication Critical patent/CN113763328A/zh
Application granted granted Critical
Publication of CN113763328B publication Critical patent/CN113763328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于改进Anchor Free的无序电子元器件快速准确定位系统，涉及机器视觉领域，图像采集模块用来获取复杂多场景中无序电子元器件的RGB图像；外部关键点定位模块通过搜索器得到电子元器件主体部分和引脚部分的关键点进行配对组合，生成属于每个电子元器件的外部关键点组；内部关键点定位模块通过搜索器得到电子元器件主体部分的宽高、中心点、电子元器件的角度，进行配对组合，生成属于每个电子元器件的外部关键信息；融合互补模块通过Embeddings组件进行电子元器件内部和外部关键点的匹配融合，通过偏移组件和补偿组件对匹配误差进行检测和补偿，得到电子元器件准确的定位信息。本发明可有效地解决复杂装配场景下无序电子元器件的快速准确定位问题。

Description

一种基于改进Anchor Free的无序电子元器件快速准确定位 系统
技术领域
本发明涉及机器视觉领域，尤其涉及到一种基于改进Anchor Free的无序电子元器件快速准确定位方法。
背景技术
电子元器件的快速准确定位是电子元器件智能装配机器人视觉控制的基础。通过对电子元器件的位置、姿态快速准确定位，将视觉定位信息同机器人控制相结合，形成视觉伺服控制系统，使机器人具有同外部环境智能交互的能力，完成机器人协同控制。在实际生产中，能够快速、准确地实现电子元器件的定位，直接关系到智能装配机器人装配的精度与效率。
现有的基于电子元器件的视觉定位方法，主要针对同种类同尺寸或整齐排布的电子元器件定位，这种简单场景的物体定位方法已经不能满足实际的生产需求，没有解决不同种类不同尺寸或无序排布的复杂多场景中电子元器件的定位问题。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于改进Anchor Free的无序电子元器件快速准确定位方法，能够有效地解决不同种类不同尺寸或无序排布的复杂多场景中电子元器件的快速、准确定位问题。
本发明是通过以下技术手段实现上述技术目的的。
一种基于改进Anchor Free的无序电子元器件快速准确定位方法，包括图像采集模块、外部关键点定位模块、内部关键点定位模块和融合互补模块；
图像采集模块，所述图像采集模块用来获取复杂多场景中无序电子元器件的RGB图像；
外部关键点定位模块，所述外部关键点定位模块通过搜索器得到电子元器件主体部分和引脚部分的关键点，进行配对组合，生成属于每个电子元器件的外部关键点定位信息组；
内部关键点定位模块，所述内部关键点定位模块通过搜索器得到电子元器件主体部分的宽、高、中心点、电子元器件的角度，进行配对组合，生成属于每个电子元器件的内部关键定位信息；
融合互补模块，所述融合互补模块通过Embeddings组件进行电子元器件内部和外部关键点的匹配融合，通过偏移组件和补偿组件对匹配误差进行检测和补偿，最终得到电子元器件准确的定位信息。
进一步的，所述外部关键点定位模块包括主干网HourglassNet、第一搜索器、第二搜索器和第一关键点匹配模块；
所述主干网HourglassNet用于图像的特征提取；
所述第一搜索器用于搜索电子元器件主体部分的关键点；
所述第二搜索器用于搜索电子元器件引脚部分的关键点；
所述第一关键点匹配模块将第一搜索器得到的电子元器件主体部分关键点组成的组和第二搜索器得到的电子元器件引脚部分关键点组成的组进行配对组合，生成属于每个电子元器件的外部关键点定位信息组。
进一步的，所述第一搜索器、第二搜索器均包括heatmaps组件和Embeddings组件；所述heatmaps组件通过热力图表达每个电子元器件的外部关键点范围位置，所述Embeddings组件将属于同一个电子元器件的主体或者引脚部分关键点进行匹配，得到电子元器件主体部分和引脚部分的关键点定位信息组。
进一步的，所述内部关键点定位模块包括主干网DLANet、第三搜索器、第四搜索器、第五搜索器和第二关键点匹配模块；
所述主干网DLANet用于图像的特征提取；
所述第三搜索器用于搜索电子元器件主体部分的中心点C(X，Y)；
所述第四搜索器用于搜索电子元器件主体部分的宽W和高H；
所述第五搜索器用于搜索电子元器件的角度α；
所述第二关键点匹配模块将第三搜索器得到的电子元器件主体部分的中心点C(X，Y)，第四搜索器得到的电子元器件主体部分的宽W和高H，第五搜索器得到的电子元器件的角度α进行配对组合，生成属于每个电子元器件的外部关键信息(X，Y，W，H，α)。
进一步的，所述融合互补模块包括融合模块和互补模块；所述融合模块中的Embeddings组件将电子元器件外部关键点定位信息组和电子元器件内部关键定位信息进行embedding vector计算，得到每个电子元器件外部关键点定位信息组和内部关键定位信息的embedding向量，将embedding向量的距离进行排序，对于每个电子元器件选择距离最近的外部关键点定位信息组和内部关键定位信息进行映射和匹配，生成每个电子元器件的完整内外部定位信息；所述互补模块包括偏移组件和补偿组件；所述偏移组件是衡量融合模块输出点组之间的匹配误差，所述补偿组件是对匹配误差的偏移量进行补偿，最终准确表达电子元器件的定位信息。
与现有技术相比，本发明技术方案至少具有以下效益：
1.本发明通过有效的主干网进行提取特征，将外部关键点与外部关键信息分开检测，大大地提高了元器件定位的准确性。
2.本发明将网络模型进行裁剪与简化，提高了模型预测的速度，在移动设备上也能进行高效地实时定位。
3.本发明将原来的Anchor-based(基于锚框)优化为Anchor-Free(不基于锚框)，解决了早期的目标检测依赖过多的手动锚框设计、训练和预测过程低效、正负样本不均衡的问题。
4.本发明相较于一般的目标检测定位方法，将检测框多加了角度参数，能够让边界框更好地拟合多角度、多姿态的无序电子元器件，更完整准确地表达电子元器件的位姿性质，实现机械手的高精度定位、抓取和装配。
5.对外部关键点定位模块进行了优化，将Anchor Free目标检测中的经典算法CornerNet进行改进，改进后的V-CornerNet包括主干网、第一搜索器、第二搜索器和第一关键点匹配模块；优化后的外部关键点定位模块不仅能检测出电子元器件主体部分的关键点信息，还能检测出电子元器件引脚的始末端点，及时发现不符合装配要求的引脚，为电子元器件的有效装配提供充分保证。
6.对内部关键点定位模块进行了优化，将Anchor Free目标检测中的经典算法CenterNet进行改进，改进后的V-CenterNet包括主干网、第三搜索器、第四搜索器、第五搜索器和第二关键点匹配模块；优化后的内部关键点定位模块将传统目标检测中角度固定的预测框变为了角度自适应的预测框，能够适应多角度、多姿态的无序电子元器件，搜索出最贴合电子元器件外形的预测框。相比于角度固定的预测框，能够减少预测框中的背景信息，实现更精确的定位，为智能装配机器人的抓取提供准确的信息。
附图说明
图1为根据本发明实施例涉及到的一种基于改进Anchor Free的无序电子元器件快速准确定位方法的流程示意图；
图2为本发明图1的具体工作流程示意图；
图3圆柱体或者立方体电子元器件散落在传送带上时的外部关键点示意图；
图4立方体形电子元器件整齐立式排布时的外部关键点示意图；
图5圆柱体为电子元器件整齐立式排布时的外部关键点示意图；
图6圆柱体或者立方体电子元器件散落在传送带上时的内部关键信息示意图；
图7立方体形电子元器件整齐立式排布时的内部关键信息示意图；
图8圆柱体为电子元器件整齐立式排布时的内部关键信息示意图。
附图标记：
1-图像采集模块；2-外部关键点定位模块；3-内部关键点定位模块；4-融合互补模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
利用单目工业相机CCD对不同复杂装配场景的电子元器件的图像进行采集，得到电子元器件RGB图像；将每张RGB图像同时传入到外部关键点定位模块和内部关键点定位模块中。
在外部关键点定位模块中，利用主干网HourglassNet进行图像的特征提取，利用第一搜索器中的Heatmaps组件生成热力图表达每个电子元器件的主体部分关键点范围，利用第一搜索器中的Embeddings组件将属于同一个电子元器件的主体部分关键点进行匹配；同理，利用第二搜索器中的Heatmaps组件生成热力图表达每个电子元器件的引脚关键点范围，利用第二搜索器中的Embeddings组件将属于同一个电子元器件的引脚部分关键点进行匹配；利用第一关键点匹配模块将第一搜索器和第二搜索器的结果进行匹配，得到电子元器件的外部关键定位信息；
在内部关键点定位模块中，利用主干网DLANet进行图像的特征提取，利用第三搜索器搜索电子元器件主体部分的中心点C(X，Y)，利用第四搜索器搜索电子元器件主体部分的宽W和高H，利用第五搜索器搜索电子元器件的角度α；利用第二关键点匹配模块将第三搜索器、第四搜索器、第五搜索器的结果进行匹配，得到电子元器件的内部关键定位信息；利用融合互补模块进行电子元器件内部关键信息与外部关键信息的融合、匹配误差衡量和补偿，最终准确表达电子元器件的定位信息。
结合附图1、2所示，一种基于改进Anchor Free的无序电子元器件快速准确定位方法，包括图像采集模块1、外部关键点定位模块2、内部关键点定位模块3和融合互补模块4，其中，附图2为本发明图1的具体工作流程示意图。
图像采集模块1采集复杂多场景中无序电子元器件的RGB图像；外部关键点定位模块2通过搜索器得到电子元器件主体部分和引脚部分的关键点，进行配对组合，生成属于每个电子元器件的外部关键点组；内部关键点定位模块3通过搜索器得到电子元器件主体部分的宽W、高H和中心点C(X，Y)，以及电子元器件的角度，进行配对组合，生成属于每个电子元器件的外部关键信息；融合互补模块4通过Embeddings组件进行电子元器件内部和外部关键点的匹配融合，通过偏移组件和补偿组件对匹配误差进行检测和补偿，最终得到电子元器件准确的定位信息。
具体实施时，本发明的图像采集模块采集不同复杂装配场景的图像，复杂装配场景包括装配前、装配中、装配后的场景。其中，装配前的场景指电子元器件摆放在传送带或料箱内，等待装配的场景，此时，电子元器件会出现整齐排列、无序排列的情况；装配中的场景指一幅图像中同时出现PCB板、PCB板上已装配的电子元器件、传送带上待装配的电子元器件，此时，电子元器件会同时出现整齐排列和无序排列的情况，PCB板上的电子元器件整齐排列，传送带上的电子元器件无序排列；装配后的场景指PCB板上电子元器件已经完成装配的场景，此时，需要通过机器视觉技术检查电子元器件装配的位置和类别是否正确，是否出现误装、漏装、多装的问题。
具体实施时，本发明的图像采集对象为电子元器件，形状多为(或接近)圆柱体或立方体，在电子元器件的装配场景中采集到的图像展现为矩形、圆形，且由于电子元器件的特性，每个插装式电子元器件具有引脚，引脚长度范围0.1cm～2cm。
具体实施时，采集到的RGB图像的大小在输入网络前会统一缩放(resize)到512×512，通道数为3。其中，缩放操作是按比例缩放，但采集到的图像大多为长方形，所以在缩放图片时，会将长边缩放到512×512，短边加上灰条最终补充到512，避免失真。
具体实施时，外部关键点定位模块的主干网采用的是目标检测里的特征提取主干网HourglassNet-104，网络结构通过两个Hourglass模块进行堆叠，拼接下采样和上采样操作，获取到所有尺度图像的信息，能够同时有效地检测大目标、中目标和小目标。
具体实施时，内部关键点定位模块的主干网采用的是深层特征融合网络DLANet，该结构是iterative deep aggregation(IDA)和hierarchical deep aggregation(HDA)的融合。IDA主要关注分辨率和尺度的特征，HAD主要关注stage、block、channel之间的特征，DLANet将IDA与HAD进行融合，能够更好提取图像特征。输入图像经过DLANet获得一个大小为128×128、通道数为64的高分辨率特征图，
具体实施时，第一搜索器用于搜索电子元器件主体部分的关键点，如圆柱体形元器件侧面的四个角点、圆柱体形元器件正面的四个角点等；第二搜索器用于搜索电子元器件引脚部分的关键点，如引脚的两头端点，引脚个数范围为1-3个。
具体实施时，第一搜索器、第二搜索器各有2个组件，组件1为heatmaps组件，通过热力图表达每个电子元器件的外部关键点范围位置，组件2为Embeddings组件，将属于同一个电子元器件的主体或引脚部分关键点进行匹配，得到电子元器件主体部分和引脚部分的关键点组。
具体实施时，第三搜索器用于搜索电子元器件主体部分的中心点C(X，Y)，第四搜索器用于搜索电子元器件主体部分的宽W和高H，第五搜索器用于搜索电子元器件的角度α。
具体实施时，第三搜索器将图像中的每个电子元器件进行中心特征点的搜索，计算二维高斯半径，找出内接矩形，生成二维高斯分布图，提取二维高斯分布图上局部峰值点local peaks作为最终预测的中心点。第三搜索器仅提取每个目标的中心点，无需对关键点进行分组或者后处理，模型训练过程采用标准的监督学习，推理过程采用单个前向传播网络。
具体实施时，第四搜索器的网络结构为：首先经过一个kernel size＝3×3、stride＝1、channel＝64的卷积进行特征整合，经过BatchNormal标准化和Relu激活函数进行激活，再经过一个kernel size＝1×1、stride＝1、channel＝2的卷积进行通道数channel的调整，将通道数由原来的64压缩为2，从而实现电子元器件主体部分的宽W和高H的检测。
具体实施时，第五搜索器首先通过transpose_and_gather_feat(ang,inds)命令搜索每个电子元器件的弧度值angle，再结合电子元器件的特征进行弧度制与角度制的转化。其中，弧度是角的度量单位，根据定义，一周的弧度数为2π。
具体实施时，电子元器件主体部分的宽W和高H，对于电子元器件侧面，引脚同方向为高，引脚垂直方向为宽，对于电子元器件正面，高和宽根据实际尺寸来确定。电子元器件的角度是指电子元器件与竖直向上基线的顺时针角度α，其中α为正，范围为0-360°，电子元器件带有引脚的方向定义规定为上。
具体实施时，融合互补模块包括融合模块和互补模块。融合模块的关键组件是Embeddings组件。Embeddings组件将电子元器件外部关键点组和电子元器件内部关键信息(X，Y，W，H，α)进行embedding vector计算，得到每个电子元器件外部关键点定位信息组和内部关键定位信息的embedding向量，将embedding向量的距离进行排序，对于每个电子元器件选择距离最近的外部关键点定位信息组和内部关键定位信息进行映射和匹配，生成每个电子元器件的完整内外部定位信息。如果几个点属于同一个目标，那么这个点组embedding vector之间的距离会明显低于别的组，将距离近的信息进行匹配。互补模块的关键组件包括偏移组件和补偿组件。偏移组件是衡量融合模块输出点组之间的匹配误差，补偿组件是对匹配误差的偏移量进行补偿，最终准确表达电子元器件的定位信息。
电子元器件的外部关键点情况有图3、图4和图5三种。
具体实施时，对于圆柱体形和立方体形电子元器件，装配前和装配中散落在传送带上时，会出现图3所示的情况，即从图像上能看到一个矩形，矩形的某条边上存在1个或多个引脚。此时，电子元器件的外部关键点为电子元器件主体部分矩形的四个顶点(J1，J2，J3，J4)，电子元器件引脚部分的两头端点(Y1，Y2…Yn)，其中2＜n≤6，且n为偶数。
具体实施时，对于立方体形电子元器件，装配前和装配中整齐立式排布在料箱中、装配后固定在PCB板上时，会出现图4所示的情况，即从图像上能看到一个矩形，但不能在矩形外看到电子元器件引脚。此时，电子元器件的外部关键点为电子元器件主体部分矩形的四个顶点(J1，J2，J3，J4)。
具体实施时，对于圆柱体形电子元器件，装配前和装配中整齐立式排布在料箱中、装配后固定在PCB板上时，会出现图5所示的情况，即从图像上能看到一个圆形，但不能在圆形外看到电子元器件引脚。此时，电子元器件的外部关键点不能得到，但后续能够通过电子元器件的内部关键信息实现定位。
电子元器件的内部关键点情况有图6，图7，图8三种。
具体实施时，对于圆柱体形和立方体形电子元器件，装配前和装配中散落在传送带上时，会出现图6所示的情况，即从图像上能看到一个矩形，矩形的某条边上存在1个或多个引脚。此时，电子元器件的内部关键信息为电子元器件主体部分的中心点C(X,Y)、主体部分的宽W、高H、电子元器件的角度α，即(X，Y，W，H，α)。
具体实施时，对于立方体形电子元器件，装配前和装配中整齐立式排布在料箱中、装配后固定在PCB板上时，会出现图7所示的情况，即从图像上能看到一个矩形，但不能在矩形外看到电子元器件引脚。此时，电子元器件的内部关键信息为电子元器件主体部分的中心点C(X,Y)、主体部分的宽W、高H、电子元器件的角度α，即(X，Y，W，H，α)。
具体实施时，对于圆柱体形电子元器件，装配前和装配中整齐立式排布在料箱中、装配后固定在PCB板上时，会出现图8所示的情况，即从图像上能看到一个圆形，但不能在圆形外看到电子元器件引脚。此时，电子元器件的内部关键信息为圆心W(X,Y)，圆的直径D，即(X,Y,D)
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种基于改进Anchor Free的无序电子元器件快速准确定位系统，其特征在于，包括图像采集模块、外部关键点定位模块、内部关键点定位模块和融合互补模块；
图像采集模块，所述图像采集模块用来获取复杂多场景中无序电子元器件的RGB图像；
外部关键点定位模块，所述外部关键点定位模块通过搜索器得到电子元器件主体部分和引脚部分的关键点，进行配对组合，生成属于每个电子元器件的外部关键点定位信息组；
内部关键点定位模块，所述内部关键点定位模块通过搜索器得到电子元器件主体部分的宽、高、中心点、电子元器件的角度，进行配对组合，生成属于每个电子元器件的内部关键定位信息；
融合互补模块，所述融合互补模块通过Embeddings组件进行电子元器件内部和外部关键点的匹配融合，通过偏移组件和补偿组件对匹配误差进行检测和补偿，最终得到电子元器件准确的定位信息。
2.根据权利要求1所述的基于改进Anchor Free的无序电子元器件快速准确定位系统，其特征在于，所述外部关键点定位模块包括主干网HourglassNet、第一搜索器、第二搜索器和第一关键点匹配模块；
所述主干网HourglassNet用于图像的特征提取；
所述第一搜索器用于搜索电子元器件主体部分的关键点；
所述第二搜索器用于搜索电子元器件引脚部分的关键点；
所述第一关键点匹配模块将第一搜索器得到的电子元器件主体部分关键点组成的组和第二搜索器得到的电子元器件引脚部分关键点组成的组进行配对组合，生成属于每个电子元器件的外部关键点定位信息组。
3.根据权利要求2所述的基于改进Anchor Free的无序电子元器件快速准确定位系统，其特征在于，所述第一搜索器、第二搜索器均包括heatmaps组件和Embeddings组件；所述heatmaps组件通过热力图表达每个电子元器件的外部关键点范围位置，所述Embeddings组件将属于同一个电子元器件的主体或者引脚部分关键点进行匹配，得到电子元器件主体部分和引脚部分的关键点定位信息组。
4.根据权利要求1所述的基于改进Anchor Free的无序电子元器件快速准确定位系统，其特征在于，所述内部关键点定位模块包括主干网DLANet、第三搜索器、第四搜索器、第五搜索器和第二关键点匹配模块；
所述主干网DLANet用于图像的特征提取；
所述第三搜索器用于搜索电子元器件主体部分的中心点C(X，Y)；
所述第四搜索器用于搜索电子元器件主体部分的宽W和高H；
所述第五搜索器用于搜索电子元器件的角度α；
所述第二关键点匹配模块将第三搜索器得到的电子元器件主体部分的中心点C(X，Y)，第四搜索器得到的电子元器件主体部分的宽W和高H，第五搜索器得到的电子元器件的角度α进行配对组合，生成属于每个电子元器件的外部关键信息(X，Y，W，H，α)。
5.根据权利要求1所述的基于改进Anchor Free的无序电子元器件快速准确定位系统，其特征在于，所述融合互补模块包括融合模块和互补模块；所述融合模块中的Embeddings组件将电子元器件外部关键点定位信息组和电子元器件内部关键定位信息进行embeddingvector计算，得到每个电子元器件外部关键点定位信息组和内部关键定位信息的embedding向量，将embedding向量的距离进行排序，对于每个电子元器件选择距离最近的外部关键点定位信息组和内部关键定位信息进行映射和匹配，生成每个电子元器件的完整内外部定位信息；所述互补模块包括偏移组件和补偿组件；所述偏移组件是衡量融合模块输出点组之间的匹配误差，所述补偿组件是对匹配误差的偏移量进行补偿，最终准确表达电子元器件的定位信息。
CN202110925871.4A 2021-08-12 2021-08-12 一种基于改进Anchor Free的无序电子元器件快速准确定位系统 Active CN113763328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110925871.4A CN113763328B (zh) 2021-08-12 2021-08-12 一种基于改进Anchor Free的无序电子元器件快速准确定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110925871.4A CN113763328B (zh) 2021-08-12 2021-08-12 一种基于改进Anchor Free的无序电子元器件快速准确定位系统

Publications (2)

Publication Number Publication Date
CN113763328A CN113763328A (zh) 2021-12-07
CN113763328B true CN113763328B (zh) 2024-05-14

Family

ID=78789162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110925871.4A Active CN113763328B (zh) 2021-08-12 2021-08-12 一种基于改进Anchor Free的无序电子元器件快速准确定位系统

Country Status (1)

Country Link
CN (1) CN113763328B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682700A (zh) * 2017-01-05 2017-05-17 北京细推科技有限公司 一种基于关键点描述算子的分块快速匹配算法
CN111881934A (zh) * 2020-06-18 2020-11-03 江苏大学 电子元器件属性与类别的空间关系发现方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110657803B (zh) * 2018-06-28 2021-10-29 深圳市优必选科技有限公司 机器人定位方法、装置以及存储装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682700A (zh) * 2017-01-05 2017-05-17 北京细推科技有限公司 一种基于关键点描述算子的分块快速匹配算法
CN111881934A (zh) * 2020-06-18 2020-11-03 江苏大学 电子元器件属性与类别的空间关系发现方法

Also Published As

Publication number Publication date
CN113763328A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
WO2019042426A1 (zh) 增强现实场景的处理方法、设备及计算机存储介质
CN107953329B (zh) 物体识别和姿态估计方法、装置及机械臂抓取系统
Su et al. Global localization of a mobile robot using lidar and visual features
US20150043828A1 (en) Method for searching for a similar image in an image database based on a reference image
CN107833250B (zh) 语义空间地图构建方法及装置
US20160224858A1 (en) Method and device for recognizing a known object in a field of view of a three-dimensional machine vision system
CN110738146A (zh) 一种目标重识别神经网络及其构建方法和应用
CN112233181A (zh) 6d位姿识别的方法、装置及计算机存储介质
Zhang et al. Keypoint-graph-driven learning framework for object pose estimation
CN111709980A (zh) 基于深度学习的多尺度图像配准方法和装置
CN103679702A (zh) 一种基于图像边缘矢量的匹配方法
CN114693661A (zh) 一种基于深度学习的快速分拣方法
CN115527036A (zh) 电网场景点云语义分割方法、装置、计算机设备和介质
Yuan et al. Self-supervised object tracking with cycle-consistent siamese networks
Du et al. Robot robust object recognition based on fast surf feature matching
CN113762159A (zh) 一种基于有向箭头模型的目标抓取检测方法及系统
Haochen et al. CNN-based model for pose detection of industrial PCB
CN113763328B (zh) 一种基于改进Anchor Free的无序电子元器件快速准确定位系统
Gui et al. A scale transfer convolution network for small ship detection in SAR images
Zou et al. UniM $$^ 2$$ AE: Multi-modal Masked Autoencoders with Unified 3D Representation for 3D Perception in Autonomous Driving
JP6016242B2 (ja) 視点推定装置及びその分類器学習方法
CN112529917A (zh) 一种三维目标分割方法、装置、设备和存储介质
Li et al. Online workpieces recognition for the robotic spray-painting production line with a low-cost RGB-D camera
Chen et al. An integrated target acquisition approach and graphical user interface tool for parallel manipulator assembly
CN111881934A (zh) 电子元器件属性与类别的空间关系发现方法

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