CN114029243A - 一种用于分拣机器手的软物抓取识别方法 - Google Patents

一种用于分拣机器手的软物抓取识别方法 Download PDF

Info

Publication number
CN114029243A
CN114029243A CN202111331512.2A CN202111331512A CN114029243A CN 114029243 A CN114029243 A CN 114029243A CN 202111331512 A CN202111331512 A CN 202111331512A CN 114029243 A CN114029243 A CN 114029243A
Authority
CN
China
Prior art keywords
soft object
soft
image
target
sorting robot
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
Application number
CN202111331512.2A
Other languages
English (en)
Other versions
CN114029243B (zh
Inventor
王三祥
王欣
王�锋
刘洪顺
张成国
张朝年
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 Yubo Automation Equipment Co ltd
Original Assignee
Jiangsu Yubo Automation Equipment Co ltd
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 Yubo Automation Equipment Co ltd filed Critical Jiangsu Yubo Automation Equipment Co ltd
Priority to CN202111331512.2A priority Critical patent/CN114029243B/zh
Publication of CN114029243A publication Critical patent/CN114029243A/zh
Application granted granted Critical
Publication of CN114029243B publication Critical patent/CN114029243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/04—Sorting according to size
    • B07C5/10—Sorting according to size measured by light-responsive means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
    • B07C2501/0063—Using robots

Landscapes

  • Manipulator (AREA)

Abstract

本发明提供了一种用于分拣机器手的软物抓取识别方法，其包括：基于预设图像采集设备采集软物的目标图像，并对所述目标图像进行分析，确定所述软物的尺寸信息以及分布规则；基于所述软物的尺寸信息以及分布规则对分拣机器手的运动路径以及抓取方式进行规划；基于规划结果对所述软物进行抓取，并将抓取后的软物放置于目标区域，完成对软物的识别抓取。通过采集软物图像并分析，得到软物的尺寸信息以及分布规则，便于对抓取路径以及抓取方案进行有效规划，同时增强了分拣机器手在对软物抓取时的安全性，提升了分拣机器手的工作效率。

Description

一种用于分拣机器手的软物抓取识别方法
技术领域
本发明涉及工业机器人技术领域，特别涉及一种用于分拣机器手的软物抓取识别方法。
背景技术
目前，工业机器人是面向工业领域的多关节机械手或多自由度的机器装置，它能自动执行工作，是靠自身动力和控制能力来实现各种功能的一种机器，但是，现有的工业机器人在生产软物的物体的工厂使用时，因软物物体的特性会使得在传送机构上分布没有规律，同时软物的形状不规则，在工业机器人抓取时，容易造成软物物体出现受力不均匀，出现损坏的现象，同时软物物体在传送机构的放置没有规律，工业机器人不能够很好的根据软物物体的形状进行调整抓取的方向，造成工业机器人不能够在针对软物物体进行抓取时得到很好的应用；
因此，本发明提供了一种用于分拣机器手的软物抓取识别方法，通过采集软物图像并分析，得到软物的尺寸信息以及分布规则，便于对抓取路径以及抓取方案进行有效规划，同时增强了分拣机器手在对软物抓取时的安全性，提升了分拣机器手的工作效率。
发明内容
本发明提供一种用于分拣机器手的软物抓取识别方法，用以通过采集软物图像并分析，得到软物的尺寸信息以及分布规则，便于对抓取路径以及抓取方案进行有效规划，同时增强了分拣机器手在对软物抓取时的安全性，提升了分拣机器手的工作效率。
本发明提供了一种用于分拣机器手的软物抓取识别方法，包括：
步骤1：基于预设图像采集设备采集软物的目标图像，并对所述目标图像进行分析，确定所述软物的尺寸信息以及分布规则；
步骤2：基于所述软物的尺寸信息以及分布规则对分拣机器手的运动路径以及抓取方式进行规划；
步骤3：基于规划结果对所述软物进行抓取，并将抓取后的软物放置于目标区域，完成对软物的识别抓取。
优选的，一种用于分拣机器手的软物抓取识别方法，步骤1中，基于预设图像采集设备采集软物的目标图像，包括：
获取目标图像采集点，其中，所述目标图像采集点至少为两个，且每个目标图像采集点对应一个预设图像采集设备；
基于所述目标图像采集点对所述预设图像采集设备进行焦距校准，并基于校准结果对所述软物进行图像采集，得到待整合图像，其中，所述待整合图像至少为两张；
构建3D图像模型，并对所述待整合图像进行分析处理，得到所述软物的目标图像，其中所述目标图像为所述软物的3D图像。
优选的，一种用于分拣机器手的软物抓取识别方法，构建3D图像模型，并对所述待整合图像进行分析处理，得到所述软物的目标图像，其中所述目标图像为所述软物的3D图像，包括：
获取得到的所述待整合图像，并确定每张所述待整合图像的拍摄角度，其中每个拍摄角度至少对应两张待整合图像，且所述拍摄角度至少为两个；
基于所述拍摄角度将所述待整合图像进行分类，并基于分类结果对每一类待整合图像进行筛选，得到每一类对应的目标待整合图像；
将每一类对应的目标待整合图像进行主体图像和背景图像分割，并基于所述拍摄角度提取主体图像中的所述软物的特征；
基于所述软物的特征将所述主体图像进行整合，得到所述软物的3D图像。
优选的，一种用于分拣机器手的软物抓取识别方法，步骤1中，对所述目标图像进行分析，确定所述软物的尺寸信息以及分布规则，包括：
获取历史物体目标图像，并构建清晰度调整模型，其中，所述历史物体目标图像至少为两张；
基于预设清晰度对所述历史物体目标图像进行筛选，并对筛选后的历史物体目标图像的清晰度进行平均，得到目标清晰度值；
基于所述目标清晰度值对所述清晰度调整模型的参数进行调整，得到目标清晰度调整模型，并基于所述目标清晰度调整模型对获取到的目标图像的清晰度进行调整，得到标准目标图像，其中，所述标准目标图像中包括预设参考物以及待抓取软物；
基于所述标准目标图像确定所述预设参考物中的预设标定点以及所述预设标定点在所述标准目标图像中的图像像素坐标，其中，所述预设参考物的实际尺寸为预设值；
基于所述预设参考物中的预设标定点在所述标准目标图像中的图像像素坐标确定所述预设参考物在所述标准目标图像中的像素尺寸，并基于所述预设参考物的像素尺寸以及设参考物的实际尺寸确定尺寸换算模型；
同时，基于所述标准目标图像确定所述软物的像素尺寸，并基于所述尺寸换算模型对所述软物的像素尺寸进行换算，得到所述软物的实际尺寸信息；
构建三维坐标系，基于所述软物的实际尺寸信息提取所述软物的特征点，并基于预设参考点将所述特征点在所述三维坐标系中进行定位；
基于定位结果在所述三维坐标系中生成所述软物对应的软物模型，并基于所述软物模型确定所述软物的分布规则。
优选的，一种用于分拣机器手的软物抓取识别方法，基于所述软物模型确定所述软物的分布规则，包括：
获取基于目标图像确定的软物的实际尺寸信息以及所述软物的分布规则，并将所述软物的实际尺寸信息以及分布规则进行分类；
获取分拣机器手终端对待接收数据的目标数据格式，并基于所述目标数据格式将分类后的实际尺寸信息以及分布规则分别进行转换，且将转换后的实际尺寸信息以及分布规则存储至待传输数据队列；
基于所述待传输数据队列将所述软物的实际尺寸信息以及分布规则传输至所述分拣机器手终端。
优选的，一种用于分拣机器手的软物抓取识别方法，步骤2中，基于所述软物的尺寸信息以及分布规则对分拣机器手的运动路径以及抓取方式进行规划，包括：
获取所述软物的尺寸信息以及分布规则，并基于所述软物的尺寸信息以及分布规则构建虚拟分拣机器手三维空间模型，其中，所述虚拟分拣机器手三维空间模型包括所述软物所处环境的障碍物情况以及所述软物和分拣机器手所处的位置情况；
基于所述虚拟分拣机器手三维空间模型确定所述分拣机器手的最大可达范围，并当所述软物所处位置在所述分拣机器手的最大可达范围内时，确定所述分拣机器手在对所述软物进行抓取时的目标关键点；
基于所述软物所处环境的障碍物情况、所述软物和分拣机器手所处的位置情况以及目标关键点对所述分拣机器手进行模拟运动，并在运动过程中实时进行路径规划以及碰撞检测，得到目标运动路径；
基于所述目标运动路径将所述分拣机器手运动至所述软物的正上方，并基于所述软物的分布规则确定所述软物的轮廓点集合，其中，所述轮廓点集合由所述软物的轮廓点构成；
基于所述轮廓点集合对所述软物进行可抓取分析，从所述轮廓点集合中选取目标抓取点；
确定所述目标抓取点在所述软物上的分布特征，并基于所述分布特征将所述目标抓取点放置于预设三维坐标系；
基于所述预设三维坐标系确定所述分拣机器手的抓取张度以及所述分拣机器手的抓取姿态，并基于所述抓取张度以及抓取姿态对分拣机器人进行模拟抓取；
基于抓取结果确定所述分拣机器人对所述软物的抓取方式。
优选的，一种用于分拣机器手的软物抓取识别方法，在运动过程中实时进行路径规划以及碰撞检测，得到目标运动路径，包括：
获取在对分拣机器手模拟运动过程中，实时进行路径规划以及碰撞检测后得到的初始规划运动路径，其中，所述初始规划运动路径至少为两条；
获取所述分拣机器手的伸缩速度，并基于所述伸缩速度计算所述分拣机器手在每一条初始规划运动路径中完成对软物识别抓取所用的目标时间；
基于所述目标时间递增的顺序将所述初始规划运动路径进行排序，并将所述目标时间最短的初始规划运动路径判定为目标运动路径。
优选的，一种用于分拣机器手的软物抓取识别方法，步骤3中，基于规划结果对所述软物进行抓取，并将抓取后的软物放置于目标区域，包括：
获取对分拣机器手的运动路径以及抓取方式的规划结果，同时，获取所述目标区域的位置信息；
基于所述规划结果控制所述分拣机器手对所述软物进行抓取，并基于所述目标区域的位置信息将所述软物放置于所述目标区域；
基于预设图像采集装置采集所述软物放置于所述目标区域的放置图像，并基于所述放置图像判断所述分拣机器手是否将所述软物稳妥放置；
若稳妥放置，判定所述分拣机器手完成当前分拣任务；
否则，判定所述分拣机器手未完成当前分拣任务，并对所述软物的放置位置进行调整，直至判定将所述软物稳妥放置。
优选的，一种用于分拣机器手的软物抓取识别方法，判定所述分拣机器手完成当前分拣任务，包括：
基于预设图像采集装置采集所述软物被放置稳妥后的校验图像，其中，所述校验图像不唯一；
获取采集到的软物的目标图像，其中，所述目标图像为所述软物未被抓取前的原始图像，且目标图像与校验图像的拍摄角度一一对应；
将所述校验图像与所述目标图像进行比较；
若所述校验图像与所述目标图像存在差异，判定所述分拣机器手在对所述软物进行抓取时，对软物表面造成损坏；
基于所述校验图像与所述目标图像存在的差异，确定所述差异对应的软物的具体部位信息，并将所述具体部位信息传输至管理终端；
否则，判定所述分拣机器手在对所述软物进行抓取时，未对软物表面造成损坏。
优选的，一种用于分拣机器手的软物抓取识别方法，基于所述规划结果控制所述分拣机器手对所述软物进行抓取，包括：
对物品集所在的目标区域进行图像采集，生成物品集图像；
对所述物品集图像进行图像识别，确定所述物品集中的物品形状，同时，确定所述物品形状的形状类型，其中，所述形状类型包括：规则形状与不规则形状；
在所述物品集中对所述不规则形状的物品进行第一标记，并生成标记物品；
对所述标记物品根据预设方法进行软硬度识别，并将软硬度为预设软硬度的所述标记物品进行第二标记，同时，根据第二标记结果确定所述物品集中的软物；
基于所述第二标记结果生成抓取控制指令，并根据所述抓取控制指令控制所述分拣机器手对所述软物进行抓取。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种用于分拣机器手的软物抓取识别方法的流程图；
图2为本发明实施例中一种用于分拣机器手的软物抓取识别方法中步骤1的流程图；
图3为本发明实施例中一种用于分拣机器手的软物抓取识别方法中步骤3的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种用于分拣机器手的软物抓取识别方法，如图1所示，包括：
步骤1：基于预设图像采集设备采集软物的目标图像，并对所述目标图像进行分析，确定所述软物的尺寸信息以及分布规则；
步骤2：基于所述软物的尺寸信息以及分布规则对分拣机器手的运动路径以及抓取方式进行规划；
步骤3：基于规划结果对所述软物进行抓取，并将抓取后的软物放置于目标区域，完成对软物的识别抓取。
该实施例中，预设图像采集设备是提前设定好的，用于对待识别抓取的软物进行拍照，例如可以是摄像头、照相机等。
该实施例中，分布规则指的是软物当前的摆放姿态以及外表形状等。
该实施例中，对分拣机器手的运动路径以及抓取方式进行规划指的是将分拣机器手与软物所处周围的机械物或其他建筑物进行模型构建，并对分拣机器手进行模型抓取，挑选适合分拣机器手的运动路径以及抓取方式。
该实施例中，目标区域是提前设定好的，用于规定放置抓取的软物。
该实施例中，运动路径指的是是分拣机器手运动至软物所在位置的路径以及在运动过程中，每个关节对应的伸缩量。
该实施例中，抓取方式指的是分拣机器手在对软物进行抓取时，分拣机器手的张度以及分拣机器手与软物之间的相对角度。
上述技术方案的有益效果是：通过采集软物图像并分析，得到软物的尺寸信息以及分布规则，便于对抓取路径以及抓取方案进行有效规划，同时增强了分拣机器手在对软物抓取时的安全性，提升了分拣机器手的工作效率。
实施例2：
在上述实施例1的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，如图2所示，步骤1中，基于预设图像采集设备采集软物的目标图像，包括：
步骤101：获取目标图像采集点，其中，所述目标图像采集点至少为两个，且每个目标图像采集点对应一个预设图像采集设备；
步骤102：基于所述目标图像采集点对所述预设图像采集设备进行焦距校准，并基于校准结果对所述软物进行图像采集，得到待整合图像，其中，所述待整合图像至少为两张；
步骤103：构建3D图像模型，并对所述待整合图像进行分析处理，得到所述软物的目标图像，其中所述目标图像为所述软物的3D图像。
该实施例中，目标图像采集点时提前设定好的，用于从不同的角度、不同的方位对软物当前的状况进行图像采集。
该实施例中，焦距校准指的是对每个预设图像采集设备的拍摄焦距进行相应的调整，确保拍出的照片清晰。
该实施例中，待整合图像指的是预设图像采集设备在不同角度对软物进行采集软物图像，目的是为了从各个角度对软物进行分析，从而得到软物的3D图像。
该实施例中，目标图像指的是对软物各个角度的拍照图像后，得到软物的3D图像。
上述技术方案的有益效果是：通过预设图像采集设备从不同的角度不同的访问对软物进行图像采集，并通过对图像进行分析处理，得到软物对应的3D图像，为确定软物的分布规则提供了有利的保障，确保分拣机器手能够成功对软物进行识别抓取，提高了抓取的效率。
实施例3：
在上述实施例2的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，构建3D图像模型，并对所述待整合图像进行分析处理，得到所述软物的目标图像，其中所述目标图像为所述软物的3D图像，包括：
获取得到的所述待整合图像，并确定每张所述待整合图像的拍摄角度，其中每个拍摄角度至少对应两张待整合图像，且所述拍摄角度至少为两个；
基于所述拍摄角度将所述待整合图像进行分类，并基于分类结果对每一类待整合图像进行筛选，得到每一类对应的目标待整合图像；
将每一类对应的目标待整合图像进行主体图像和背景图像分割，并基于所述拍摄角度提取主体图像中的所述软物的特征；
基于所述软物的特征将所述主体图像进行整合，得到所述软物的3D图像。
该实施例中，拍摄角度指的是预设图像采集设备与软物之间的相对方向以及相对高度，例如预设图像采集设备处于软物的正北方，且预设图像采集设备与软物处于同一高低水平线。
该实施例中，基于所述拍摄角度将所述待整合图像进行分类指的是将同一拍摄角度的图像归为一类。
该实施例中，目标待整合图像指的是将同一类中待整合图像中的模糊图像、失真图像去除后得到的能够准确分析软物分布规则的各个拍摄角度对应的标准图像。
该实施例中，软物的特征指的是该拍摄角度下的软物与其他拍摄角度下的软出外表、形状等存在差别的点。
该实施例中，基于所述软物的特征将所述主体图像进行整合指的是通过3D建模技术根据软物在各个不同角度或方向下的姿态，软物进行3D建模，得到软物对应的3D图像。
上述技术方案的有益效果是：通过对不同拍摄角度下的软物图像进行处理，确保筛选后的图像足够准确，为分析软物的分布规则提供了保障，为实现对软物的识别抓取路径以及抓取方式提供了便利。
实施例4：
在上述实施例1的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，步骤1中，对所述目标图像进行分析，确定所述软物的尺寸信息以及分布规则，包括：
获取历史物体目标图像，并构建清晰度调整模型，其中，所述历史物体目标图像至少为两张；
基于预设清晰度对所述历史物体目标图像进行筛选，并对筛选后的历史物体目标图像的清晰度进行平均，得到目标清晰度值；
基于所述目标清晰度值对所述清晰度调整模型的参数进行调整，得到目标清晰度调整模型，并基于所述目标清晰度调整模型对获取到的目标图像的清晰度进行调整，得到标准目标图像，其中，所述标准目标图像中包括预设参考物以及待抓取软物；
基于所述标准目标图像确定所述预设参考物中的预设标定点以及所述预设标定点在所述标准目标图像中的图像像素坐标，其中，所述预设参考物的实际尺寸为预设值；
基于所述预设参考物中的预设标定点在所述标准目标图像中的图像像素坐标确定所述预设参考物在所述标准目标图像中的像素尺寸，并基于所述预设参考物的像素尺寸以及设参考物的实际尺寸确定尺寸换算模型；
同时，基于所述标准目标图像确定所述软物的像素尺寸，并基于所述尺寸换算模型对所述软物的像素尺寸进行换算，得到所述软物的实际尺寸信息；
构建三维坐标系，基于所述软物的实际尺寸信息提取所述软物的特征点，并基于预设参考点将所述特征点在所述三维坐标系中进行定位；
基于定位结果在所述三维坐标系中生成所述软物对应的软物模型，并基于所述软物模型确定所述软物的分布规则。
该实施例中，历史物体目标图像指的是分拣机器手以前识别抓取的物体图像，且是分拣机器手能够能成识别的图像。
该实施例中，预设清晰度是提前设定好的，用于对历史物体目标图像进行筛选，将历史物体目标图像中清晰度小于预设清晰度的图像进行剔除，留下清晰度大于或等于预设清晰度的历史物体目标图像。
该实施例中，目标清晰度值指的是对软物采集的目标图像的清晰度需要大于或等于目标清晰度值，是对清晰度调整模型进行调整的依据参数。
该实施例中，目标清晰度调整模型指的是对模型的参数进行调整后，能直接运用于对采集的图像的清晰度调整工作。
该实施例中，标准目标图像指的是在对采集到的软物图像的清晰度进行调整后，清晰度满足预设要求的物体图像。
该实施例中，预设参考物是图像采集前提前设定好的，用于为确定待抓取软物的尺寸信息提供便利。
该实施例中，预设标定点指的是提前在预设参考物上设定的标记点。
该实施例中，预设参考物的实际尺寸为预设值指的是预设参考物的物理尺寸是已经提前知道的。
该实施例中，像素尺寸指的是预设参考物在便准目标图像中的长度值。
该实施例中，软物的实际尺寸信息指的是软物当前摆放姿态下的长宽高。
该实施例中，特征点指的是从软物中挑选几个能够明显表明软物分布规则的外表结构点，例如选取外表轮廓中高度最高的点以及外表轮廓中宽度最宽的点等。
该实施例中，预设参考点是提前设定好的，例如可以是三维坐标系中的原点等。
上述技术方案的有益效果是：通过对获取到的目标图像进行清晰度调整，确保采集到的目标图像能够为准确分析软物尺寸信息以及分布规则提供便利，其次，通过确定软物在目标图像中的像素尺寸实现对软物的实际寸尺进行准确换算，确保得到的软物的尺寸足够准确，为规划抓取路径提供了便利，最后通过软物的尺寸信息将软物在三维坐标系中进行模型构建，确保了对软物的分布规则进行准确判断，同时便于对软物的抓取方式进行精准的规划。
实施例5：
在上述实施例4的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，基于所述软物模型确定所述软物的分布规则，包括：
获取基于目标图像确定的软物的实际尺寸信息以及所述软物的分布规则，并将所述软物的实际尺寸信息以及分布规则进行分类；
获取分拣机器手终端对待接收数据的目标数据格式，并基于所述目标数据格式将分类后的实际尺寸信息以及分布规则分别进行转换，且将转换后的实际尺寸信息以及分布规则存储至待传输数据队列；
基于所述待传输数据队列将所述软物的实际尺寸信息以及分布规则传输至所述分拣机器手终端。
该实施例中，将所述软物的实际尺寸信息以及分布规则进行分类指的是将实际尺寸信息分为一类，将分布规则分为另一类。
该实施例中，获取分拣机器手终端对待接收数据的目标数据格式指的是获取分拣机器手终端对待接收数据的数据格式要求。
该实施例中，待传输数据队列指的是将实际尺寸信息以及分布规则放置与数据传输队列，即数据传输队列为传输数据的载体，可将数据传输至数据接收端。
上述技术方案的有益效果是：通过将软物的实际尺寸信息以及分布规则进行数据格式转换，并将转换后的数据传输至分拣机器手，便于分拣机器手及时根据接收到的尺寸信息以及分布规则做出准确的运动路径规划以及抓取方式的规划，提高了分拣机器手的工作效率。
实施例6：
在上述实施例1的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，步骤2中，基于所述软物的尺寸信息以及分布规则对分拣机器手的运动路径以及抓取方式进行规划，包括：
获取所述软物的尺寸信息以及分布规则，并基于所述软物的尺寸信息以及分布规则构建虚拟分拣机器手三维空间模型，其中，所述虚拟分拣机器手三维空间模型包括软物所处环境的障碍物情况以及软物和分拣机器手所处的位置情况；
基于所述虚拟分拣机器手三维空间模型确定所述分拣机器手的最大可达范围，并当所述软物所处位置在所述分拣机器手的最大可达范围内时，确定所述分拣机器手在对所述软物进行抓取时的目标关键点；
基于所述软物所处环境的障碍物情况、所述软物和分拣机器手所处的位置情况以及目标关键点对所述分拣机器手进行模拟运动，并在运动过程中实时进行路径规划以及碰撞检测，得到目标运动路径；
基于所述目标运动路径将所述分拣机器手运动至所述软物的正上方，并基于所述软物的分布规则确定所述软物的轮廓点集合，其中，所述轮廓点集合由所述软物的轮廓点构成；
基于所述轮廓点集合对所述软物进行可抓取分析，从所述轮廓点集合中选取目标抓取点；
确定所述目标抓取点在所述软物上的分布特征，并基于所述分布特征将所述目标抓取点放置于预设三维坐标系；
基于所述预设三维坐标系确定所述分拣机器手的抓取张度以及所述分拣机器手的抓取姿态，并基于所述抓取张度以及抓取姿态对分拣机器人进行模拟抓取；
基于抓取结果确定所述分拣机器人对所述软物的抓取方式。
该实施例中，虚拟分拣机器手三维空间模型包括软物所处环境的障碍物情况以及软物和分拣机器手所处的位置情况，通过将分拣机器手与软物进行模拟，实现对分拣机器手的运动路径以及抓取方式进行有效的规划。
该实施例中，最大可达范围指的是分拣机器手所有关节伸展至最大程度时，分拣机器手更够覆盖的范围。
该实施例中，目标关键点指的是分拣机器手在对软物进行抓取过程中的必经点。
该实施例中，在运动过程中实时进行路径规划以及碰撞检测指的是通过虚拟分拣机器手三维空间模型不断尝试多种能够达到软物所在位置的运动路径，其中运动路径需要做到避障等，将尝试过程中出现与障碍物发生碰撞的路径进行剔除以及从规划出的路径中筛选出最优路径的过程。
该实施例中，目标运动路径指的是分拣机器手最终运动至软物所在位置的路径，该路径是规划好的初始路径中用时最短、效率最高的路径。
该实施例中，轮廓点集合指的是软物当前状态下所有轮廓的点集合。
该实施例中，目标抓取点指的是软物上能够允许分拣机器手进行抓取的点。
该实施例中，基于所述轮廓点集合对所述软物进行可抓取分析指的是根据软物当前的分布规则以及状态，对软物的可受力点进行分析，确保分拣机器手能够成功将软物抓取。
该实施例中，分布特征指的是软物上的目标抓取点在软物上的分布情况，便于分拣机器手根据分布特征制定相应的抓取方式。
该实施例中，预设三维坐标系是提前设定好的，用于将目标抓取点放置在预设三维坐标系内，从而实现对分拣机器手的张度，抓取姿态进行有效规划。
上述技术方案的有益效果是：通过将软物以及软物周围的障碍物情况进行虚拟建模，并根据建模结果对分拣机器手的运动路径进行有效的规划，确保最终得到运动路径高效安全，其次通过对软物的分布规则进行分析，确保准确得到软物的目标抓取点，并根据目标抓取点的分布特征实现对分拣机器手的抓取姿态以及抓取张度的有效规划，确保了能够将软物顺利抓取，提高了对抓取路径以及抓取方式规划的准确性，也提高了对软物的抓取安全性。
实施例7：
在上述实施例6的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，在运动过程中实时进行路径规划以及碰撞检测，得到目标运动路径，包括：
获取在对分拣机器手模拟运动过程中，实时进行路径规划以及碰撞检测后得到的初始规划运动路径，其中，所述初始规划运动路径至少为两条；
获取所述分拣机器手的伸缩速度，并基于所述分拣速度计算所述分拣机器手在每一条初始规划运动路径中完成对软物识别抓取所用的目标时间；
基于所述目标时间递增的顺序将所述初始规划运动路径进行排序，并将所述目标时间最短的初始规划运动路径判定为目标运动路径。
该实施例中，初始规划运动路径指的是在对分拣机器手进行模拟运动时，分拣机器手能够成功到达软物所在位置的所有运动路径。
该实施例中，目标时间指的是分拣机器手从开始运动到结束运动所用的总的时间长度。
该实施例中，目标运动路径指的是对得到多条初始挂户运动路径进行筛选后，分拣机器手工作效率最高的一条运动路径。
该实施例中，获取所述分拣机器手的伸缩速度，并基于所述伸缩速度计算所述分拣机器手在每一条初始规划运动路径中完成对软物识别抓取所用的目标时间，包括：
获取所述分拣机器手的伸缩速度，并根据如下公式计算所述分拣机器手在每一条初始规划运动路径中完成对软物识别抓取所用的目标时间长度值：
Figure BDA0003349058620000161
其中，T表示所述分拣机器手在每一条初始规划运动路径中完成对软物识别抓取所用的目标时间长度值；μ表示误差因子，且取值范围为(0.05，0.15)；S表示所述每一条初始规划运动路径的总长度；V表示所述分拣机器手在所述每一条初始规划运动路径上的伸缩速度值；H表示所述分拣机器手需要将软物提升的高度值；m表示所述软物的质量值；F表示所述分拣机器手提供的拉力；f1表示所述软物的重力；f2表示所述软物在抓取过程中受到的空气阻力；
将计算得到的目标时间长度值按照数值递增顺序进行排序；
基于排序结果，将所述目标时间长度值最小的初始规划运动路径判定为目标运动路径。
上述伸缩速度值指的是分拣机器人在可覆盖范围内，根据待抓取物调整自身机械臂长短的速度，即伸缩速度值。
上述公式
Figure BDA0003349058620000171
中，若μ取值为0.1，S取值为5，V取值为1，H取值为1.5，m取值为4，F取值为80，f1取值为39.2，f2取值为10，计算得到的T为4.59。
上述技术方案的有益效果是：通过对得到的多条初始规划运动路径进行筛选，便于提高了分拣机器手的工作效率，同时也便于分拣机器手对软物进行有效的抓取。
实施例8：
在上述实施例1的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，如图3所示，步骤3中，基于规划结果对所述软物进行抓取，并将抓取后的软物放置于目标区域，包括：
步骤301：获取对分拣机器手的运动路径以及抓取方式的规划结果，同时，获取所述目标区域的位置信息；
步骤302：基于所述规划结果控制所述分拣机器手对所述软物进行抓取，并基于所述目标区域的位置信息将所述软物放置于所述目标区域；
步骤303：基于预设图像采集装置采集所述软物放置于所述目标区域的放置图像，并基于所述放置图像判断所述分拣机器手是否将所述软物稳妥放置；
步骤304：若稳妥放置，判定所述分拣机器手完成当前分拣任务；
步骤305：否则，判定所述分拣机器手未完成当前分拣任务，并对所述软物的放置位置进行调整，直至判定将所述软物稳妥放置。
该实施例中，预设图像采集装置是提前在目标区域设定好的，用于采集分拣机器手对软物放置后的图像信息，根据图像信息判断分拣机器手是否将软物进行妥善放置。
该实施例中，放置图像指的是软物被放置在目标区域后，为了验证软物是否放置合格而采集的图像。
该实施例中，基于所述放置图像判断所述分拣机器手是否将所述软物稳妥放置指的是根据放置图像查看软物是否被放在指定区域范围内以及软物是否存在晃动的情况等。
上述技术方案的有益效果是：通过判断分拣机器手是否将软物进行稳妥放置，提高了对软物搬运过程中安全性的检测，同时确保分拣机器手严格执行相应的识别抓取任务，提升了分拣机器手的工作效率。
实施例9：
在上述实施例8的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，判定所述分拣机器手完成当前分拣任务，包括：
基于预设图像采集装置采集所述软物被放置稳妥后的校验图像，其中，所述校验图像不唯一；
获取采集到的软物的目标图像，其中，所述目标图像为所述软物未被抓取前的原始图像，且目标图像与校验图像的拍摄角度一一对应；
将所述校验图像与所述目标图像进行比较；
若所述校验图像与所述目标图像存在差异，判定所述分拣机器手在对所述软物进行抓取时，对软物表面造成损坏；
基于所述校验图像与所述目标图像存在的差异，确定所述差异对应的软物的具体部位信息，并将所述具体部位信息传输至管理终端；
否则，判定所述分拣机器手在对所述软物进行抓取时，未对软物表面造成损坏。
该实施例中，校验图像指的是软物被放置在目标区域后，对软物的外表进行拍照，目的是为了与抓取前的图像做对比，从而实现对软物是否被损坏进行判定。
该实施例中，若所述校验图像与所述目标图像存在差异，判定所述分拣机器手在对所述软物进行抓取时，对软物表面造成损坏，包括：
获取所述分拣机器手识别抓取软物的总个数，并基于所述分拣机器手识别抓取软物的总个数计算所述分拣机器手对软物识别抓取的合格率，具体步骤包括：
根据如下公式计算所述分拣机器手对软物识别抓取的合格率：
Figure BDA0003349058620000191
其中，η表示分拣机器手对软物识别抓取的合格率；α表示所述分拣机器手识别抓取软物的总个数；β表示所述分拣机器手造成软物表面损坏的软物个数；
Figure BDA0003349058620000194
表示允许误差范围值，且取值范围为(-0.05，0.05)；
将计算得到的合格率与预设合格率进行比较；
若所述合格率大于或等于所述预设合格率，判定对所述分拣机器手规划的抓取方式合格；
否则，判定对所述分拣机器手规划的抓取方式不合格，并重新对所述分拣机器人的抓取方式进行规划，直至所述合格率大于或等于所述预设合格率。
上述预设合格率是提前设定好的，用于衡量分拣机器手在对软物表面造成损坏的程度是否在允许范围内。
上述公式
Figure BDA0003349058620000192
中，当α≠β时，若α取值为100，β取值为10，
Figure BDA0003349058620000193
取值为0.025，则计算得到的η为92.5％。
上述技术方案的有益效果是：通过获取软物被放置后的图像，并与软物被抓取前的图像进行比较，从而准确查找二者图像中的差异之处，实现对软物是否被损坏进行了准确高效的判断，提升了对软物事变抓取的安全性。
实施例10：
在上述实施例8的基础上，本实施例提供了一种用于分拣机器手的软物抓取识别方法，基于所述规划结果控制所述分拣机器手对所述软物进行抓取，包括：
对物品集所在的目标区域进行图像采集，生成物品集图像；
对所述物品集图像进行图像识别，确定所述物品集中的物品形状，同时，确定所述物品形状的形状类型，其中，所述形状类型包括：规则形状与不规则形状；
在所述物品集中对所述不规则形状的物品进行第一标记，并生成标记物品；
对所述标记物品根据预设方法进行软硬度识别，并将软硬度为预设软硬度的所述标记物品进行第二标记，同时，根据第二标记结果确定所述物品集中的软物；
基于所述第二标记结果生成抓取控制指令，并根据所述抓取控制指令控制所述分拣机器手对所述软物进行抓取。
该实施例中，物品集包括：软物、硬物。
该实施例中，第一标记、第二标记例如可以是用特定字符进行标记，目的是将规则形状的物品与不规则形状的物品进行区分。
该实施例中，预设方法是提前设定好的，例如可以是通过挤压的方式进行软硬度识别。
该实施例中，预设软硬度是提前设定好的，即预设软硬度是用来区分物体是否为软物的参考依据。
上述技术方案的有益效果是：通过对待抓取的众多物品进行图像识别，便于分拣机器手快速找到对应的待抓取软物并进行标记，提高了分拣机器手的工作效率以及分拣抓取的准确性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种用于分拣机器手的软物抓取识别方法，其特征在于，包括：
步骤1：基于预设图像采集设备采集软物的目标图像，并对所述目标图像进行分析，确定所述软物的尺寸信息以及分布规则；
步骤2：基于所述软物的尺寸信息以及分布规则对分拣机器手的运动路径以及抓取方式进行规划；
步骤3：基于规划结果对所述软物进行抓取，并将抓取后的软物放置于目标区域，完成对软物的识别抓取。
2.根据权利要求1所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，步骤1中，基于预设图像采集设备采集软物的目标图像，包括：
获取目标图像采集点，其中，所述目标图像采集点至少为两个，且每个目标图像采集点对应一个预设图像采集设备；
基于所述目标图像采集点对所述预设图像采集设备进行焦距校准，并基于校准结果对所述软物进行图像采集，得到待整合图像，其中，所述待整合图像至少为两张；
构建3D图像模型，并对所述待整合图像进行分析处理，得到所述软物的目标图像，其中所述目标图像为所述软物的3D图像。
3.根据权利要求2所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，构建3D图像模型，并对所述待整合图像进行分析处理，得到所述软物的目标图像，其中所述目标图像为所述软物的3D图像，包括：
获取得到的所述待整合图像，并确定每张所述待整合图像的拍摄角度，其中每个拍摄角度至少对应两张待整合图像，且所述拍摄角度至少为两个；
基于所述拍摄角度将所述待整合图像进行分类，并基于分类结果对每一类待整合图像进行筛选，得到每一类对应的目标待整合图像；
将每一类对应的目标待整合图像进行主体图像和背景图像分割，并基于所述拍摄角度提取主体图像中的所述软物的特征；
基于所述软物的特征将所述主体图像进行整合，得到所述软物的3D图像。
4.根据权利要求1所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，步骤1中，对所述目标图像进行分析，确定所述软物的尺寸信息以及分布规则，包括：
获取历史物体目标图像，并构建清晰度调整模型，其中，所述历史物体目标图像至少为两张；
基于预设清晰度对所述历史物体目标图像进行筛选，并对筛选后的历史物体目标图像的清晰度进行平均，得到目标清晰度值；
基于所述目标清晰度值对所述清晰度调整模型的参数进行调整，得到目标清晰度调整模型，并基于所述目标清晰度调整模型对获取到的目标图像的清晰度进行调整，得到标准目标图像，其中，所述标准目标图像中包括预设参考物以及待抓取软物；
基于所述标准目标图像确定所述预设参考物中的预设标定点以及所述预设标定点在所述标准目标图像中的图像像素坐标，其中，所述预设参考物的实际尺寸为预设值；
基于所述预设参考物中的预设标定点在所述标准目标图像中的图像像素坐标确定所述预设参考物在所述标准目标图像中的像素尺寸，并基于所述预设参考物的像素尺寸以及设参考物的实际尺寸确定尺寸换算模型；
同时，基于所述标准目标图像确定所述软物的像素尺寸，并基于所述尺寸换算模型对所述软物的像素尺寸进行换算，得到所述软物的实际尺寸信息；
构建三维坐标系，基于所述软物的实际尺寸信息提取所述软物的特征点，并基于预设参考点将所述特征点在所述三维坐标系中进行定位；
基于定位结果在所述三维坐标系中生成所述软物对应的软物模型，并基于所述软物模型确定所述软物的分布规则。
5.根据权利要求4所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，基于所述软物模型确定所述软物的分布规则，包括：
获取基于目标图像确定的软物的实际尺寸信息以及所述软物的分布规则，并将所述软物的实际尺寸信息以及分布规则进行分类；
获取分拣机器手终端对待接收数据的目标数据格式，并基于所述目标数据格式将分类后的实际尺寸信息以及分布规则分别进行转换，且将转换后的实际尺寸信息以及分布规则存储至待传输数据队列；
基于所述待传输数据队列将所述软物的实际尺寸信息以及分布规则传输至所述分拣机器手终端。
6.根据权利要求1所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，步骤2中，基于所述软物的尺寸信息以及分布规则对分拣机器手的运动路径以及抓取方式进行规划，包括：
获取所述软物的尺寸信息以及分布规则，并基于所述软物的尺寸信息以及分布规则构建虚拟分拣机器手三维空间模型，其中，所述虚拟分拣机器手三维空间模型包括所述软物所处环境的障碍物情况以及所述软物和分拣机器手所处的位置情况；
基于所述虚拟分拣机器手三维空间模型确定所述分拣机器手的最大可达范围，并当所述软物所处位置在所述分拣机器手的最大可达范围内时，确定所述分拣机器手在对所述软物进行抓取时的目标关键点；
基于所述软物所处环境的障碍物情况、所述软物和分拣机器手所处的位置情况以及目标关键点对所述分拣机器手进行模拟运动，并在运动过程中实时进行路径规划以及碰撞检测，得到目标运动路径；
基于所述目标运动路径将所述分拣机器手运动至所述软物的正上方，并基于所述软物的分布规则确定所述软物的轮廓点集合，其中，所述轮廓点集合由所述软物的轮廓点构成；
基于所述轮廓点集合对所述软物进行可抓取分析，从所述轮廓点集合中选取目标抓取点；
确定所述目标抓取点在所述软物上的分布特征，并基于所述分布特征将所述目标抓取点放置于预设三维坐标系；
基于所述预设三维坐标系确定所述分拣机器手的抓取张度以及所述分拣机器手的抓取姿态，并基于所述抓取张度以及抓取姿态对分拣机器人进行模拟抓取；
基于抓取结果确定所述分拣机器人对所述软物的抓取方式。
7.根据权利要求6所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，在运动过程中实时进行路径规划以及碰撞检测，得到目标运动路径，包括：
获取在对分拣机器手模拟运动过程中，实时进行路径规划以及碰撞检测后得到的初始规划运动路径，其中，所述初始规划运动路径至少为两条；
获取所述分拣机器手的伸缩速度，并基于所述伸缩速度计算所述分拣机器手在每一条初始规划运动路径中完成对软物识别抓取所用的目标时间；
基于所述目标时间递增的顺序将所述初始规划运动路径进行排序，并将所述目标时间最短的初始规划运动路径判定为目标运动路径。
8.根据权利要求1所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，步骤3中，基于规划结果对所述软物进行抓取，并将抓取后的软物放置于目标区域，包括：
获取对分拣机器手的运动路径以及抓取方式的规划结果，同时，获取所述目标区域的位置信息；
基于所述规划结果控制所述分拣机器手对所述软物进行抓取，并基于所述目标区域的位置信息将所述软物放置于所述目标区域；
基于预设图像采集装置采集所述软物放置于所述目标区域的放置图像，并基于所述放置图像判断所述分拣机器手是否将所述软物稳妥放置；
若稳妥放置，判定所述分拣机器手完成当前分拣任务；
否则，判定所述分拣机器手未完成当前分拣任务，并对所述软物的放置位置进行调整，直至判定将所述软物稳妥放置。
9.根据权利要求8所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，判定所述分拣机器手完成当前分拣任务，包括：
基于预设图像采集装置采集所述软物被放置稳妥后的校验图像，其中，所述校验图像不唯一；
获取采集到的软物的目标图像，其中，所述目标图像为所述软物未被抓取前的原始图像，且目标图像与校验图像的拍摄角度一一对应；
将所述校验图像与所述目标图像进行比较；
若所述校验图像与所述目标图像存在差异，判定所述分拣机器手在对所述软物进行抓取时，对软物表面造成损坏；
基于所述校验图像与所述目标图像存在的差异，确定所述差异对应的软物的具体部位信息，并将所述具体部位信息传输至管理终端；
否则，判定所述分拣机器手在对所述软物进行抓取时，未对软物表面造成损坏。
10.根据权利要求8所述的一种用于分拣机器手的软物抓取识别方法，其特征在于，基于所述规划结果控制所述分拣机器手对所述软物进行抓取，包括：
对物品集所在的目标区域进行图像采集，生成物品集图像；
对所述物品集图像进行图像识别，确定所述物品集中的物品形状，同时，确定所述物品形状的形状类型，其中，所述形状类型包括：规则形状与不规则形状；
在所述物品集中对所述不规则形状的物品进行第一标记，并生成标记物品；
对所述标记物品根据预设方法进行软硬度识别，并将软硬度为预设软硬度的所述标记物品进行第二标记，同时，根据第二标记结果确定所述物品集中的软物；
基于所述第二标记结果生成抓取控制指令，并根据所述抓取控制指令控制所述分拣机器手对所述软物进行抓取。
CN202111331512.2A 2021-11-11 2021-11-11 一种用于分拣机器手的软物抓取识别方法 Active CN114029243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111331512.2A CN114029243B (zh) 2021-11-11 2021-11-11 一种用于分拣机器手的软物抓取识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111331512.2A CN114029243B (zh) 2021-11-11 2021-11-11 一种用于分拣机器手的软物抓取识别方法

Publications (2)

Publication Number Publication Date
CN114029243A true CN114029243A (zh) 2022-02-11
CN114029243B CN114029243B (zh) 2023-05-26

Family

ID=80137279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111331512.2A Active CN114029243B (zh) 2021-11-11 2021-11-11 一种用于分拣机器手的软物抓取识别方法

Country Status (1)

Country Link
CN (1) CN114029243B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115608643A (zh) * 2022-10-15 2023-01-17 江苏鼎集智能科技股份有限公司 工业互联网的工业检测方法及系统
CN116309442A (zh) * 2023-03-13 2023-06-23 北京百度网讯科技有限公司 挑拣信息的确定方法及目标对象的挑拣方法
CN117237440A (zh) * 2023-10-10 2023-12-15 北京惠朗时代科技有限公司 一种印控仪图像校准方法
CN117444986A (zh) * 2023-12-21 2024-01-26 吉林省吉邦自动化科技有限公司 一种不规则物体自动抓取系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107241438A (zh) * 2017-07-21 2017-10-10 深圳市萨斯智能科技有限公司 一种机器人的信息传输方法和机器人
CN107864372A (zh) * 2017-09-22 2018-03-30 捷开通讯(深圳)有限公司 立体拍照方法、装置及终端
CN207752527U (zh) * 2017-11-13 2018-08-21 广州中国科学院先进技术研究所 一种机器人动态抓取系统
CN111151463A (zh) * 2019-12-24 2020-05-15 北京无线电测量研究所 一种基于3d视觉的机械臂分拣抓取系统及方法
CN111168686A (zh) * 2020-02-25 2020-05-19 深圳市商汤科技有限公司 物体的抓取方法、装置、设备及存储介质
CN111421539A (zh) * 2020-04-01 2020-07-17 电子科技大学 一种基于计算机视觉的工业零件智能识别与分拣系统
CN111515945A (zh) * 2020-04-10 2020-08-11 广州大学 机械臂视觉定位分拣抓取的控制方法、系统及装置
CN112337818A (zh) * 2020-11-12 2021-02-09 通标标准技术服务有限公司 基于机械臂的自动化检测和运输系统
US20210053230A1 (en) * 2019-08-21 2021-02-25 Mujin, Inc. Robotic multi-gripper assemblies and methods for gripping and holding objects
CN112547528A (zh) * 2021-03-01 2021-03-26 华鹏飞股份有限公司 基于分类识别的物流分拣方法及系统
CN112871682A (zh) * 2020-12-08 2021-06-01 梅卡曼德(上海)机器人科技有限公司 快递供包系统、方法、设备及存储介质
CN113351522A (zh) * 2021-06-11 2021-09-07 梅卡曼德（北京）机器人科技有限公司 物品分拣方法、装置及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107241438A (zh) * 2017-07-21 2017-10-10 深圳市萨斯智能科技有限公司 一种机器人的信息传输方法和机器人
CN107864372A (zh) * 2017-09-22 2018-03-30 捷开通讯(深圳)有限公司 立体拍照方法、装置及终端
CN207752527U (zh) * 2017-11-13 2018-08-21 广州中国科学院先进技术研究所 一种机器人动态抓取系统
US20210053230A1 (en) * 2019-08-21 2021-02-25 Mujin, Inc. Robotic multi-gripper assemblies and methods for gripping and holding objects
CN111151463A (zh) * 2019-12-24 2020-05-15 北京无线电测量研究所 一种基于3d视觉的机械臂分拣抓取系统及方法
CN111168686A (zh) * 2020-02-25 2020-05-19 深圳市商汤科技有限公司 物体的抓取方法、装置、设备及存储介质
CN111421539A (zh) * 2020-04-01 2020-07-17 电子科技大学 一种基于计算机视觉的工业零件智能识别与分拣系统
CN111515945A (zh) * 2020-04-10 2020-08-11 广州大学 机械臂视觉定位分拣抓取的控制方法、系统及装置
CN112337818A (zh) * 2020-11-12 2021-02-09 通标标准技术服务有限公司 基于机械臂的自动化检测和运输系统
CN112871682A (zh) * 2020-12-08 2021-06-01 梅卡曼德(上海)机器人科技有限公司 快递供包系统、方法、设备及存储介质
CN112547528A (zh) * 2021-03-01 2021-03-26 华鹏飞股份有限公司 基于分类识别的物流分拣方法及系统
CN113351522A (zh) * 2021-06-11 2021-09-07 梅卡曼德（北京）机器人科技有限公司 物品分拣方法、装置及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115608643A (zh) * 2022-10-15 2023-01-17 江苏鼎集智能科技股份有限公司 工业互联网的工业检测方法及系统
CN115608643B (zh) * 2022-10-15 2023-10-20 江苏鼎集智能科技股份有限公司 工业互联网的工业检测方法及系统
CN116309442A (zh) * 2023-03-13 2023-06-23 北京百度网讯科技有限公司 挑拣信息的确定方法及目标对象的挑拣方法
CN116309442B (zh) * 2023-03-13 2023-10-24 北京百度网讯科技有限公司 挑拣信息的确定方法及目标对象的挑拣方法
CN117237440A (zh) * 2023-10-10 2023-12-15 北京惠朗时代科技有限公司 一种印控仪图像校准方法
CN117237440B (zh) * 2023-10-10 2024-03-15 北京惠朗时代科技有限公司 一种印控仪图像校准方法
CN117444986A (zh) * 2023-12-21 2024-01-26 吉林省吉邦自动化科技有限公司 一种不规则物体自动抓取系统
CN117444986B (zh) * 2023-12-21 2024-03-22 吉林省吉邦自动化科技有限公司 一种不规则物体自动抓取系统

Also Published As

Publication number Publication date
CN114029243B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN114029243B (zh) 一种用于分拣机器手的软物抓取识别方法
CN109483573B (zh) 机器学习装置、机器人系统以及机器学习方法
CN112297013B (zh) 一种基于数字孪生和深度神经网络的机器人智能抓取方法
CN101152720B (zh) 工件取出装置
JP5458885B2 (ja) 物体検出方法と物体検出装置およびロボットシステム
JP2022145915A (ja) 推論方法、推論プログラム、推論装置、学習方法、学習プログラム、学習装置およびモデル生成方法
CN110969660B (zh) 一种基于三维立体视觉和点云深度学习的机器人上料系统
CN111015662B (zh) 一种动态抓取物体方法、系统、设备和动态抓取垃圾方法、系统、设备
EP1477934A2 (en) Image processing apparatus
CN108126914B (zh) 一种基于深度学习的料框内散乱多物体机器人分拣方法
JP2019029021A (ja) 学習データセット作製方法、並びに、物体認識及び位置姿勢推定方法
CN110378325B (zh) 一种机器人抓取过程中的目标位姿识别方法
CN111428731A (zh) 基于机器视觉的多类目标识别定位方法、装置和设备
CN111745640B (zh) 物体检测方法、物体检测装置以及机器人系统
CN108748149A (zh) 一种复杂环境下基于深度学习的无标定机械臂抓取方法
US9361695B2 (en) Method of recognizing a position of a workpiece from a photographed image
CN115816460B (zh) 一种基于深度学习目标检测与图像分割的机械手抓取方法
CN114758236A (zh) 一种非特定形状物体识别、定位与机械手抓取系统及方法
CN114029951A (zh) 基于深度相机的机器人自主识别智能抓取方法
CN112192577A (zh) 一种应用于机器人抓取场景的一拍多抓方法
CN113927601B (zh) 一种基于视觉识别实现机械臂精准挑拣的方法及系统
CN113920142B (zh) 一种基于深度学习的分拣机械手多物体分拣方法
JP2022160363A (ja) ロボットシステム、制御方法、画像処理装置、画像処理方法、物品の製造方法、プログラム、及び記録媒体
CN113269112A (zh) 一种抓取区域的识别方法、装置、电子设备及存储介质
JPH09167234A (ja) Ｃａｄ情報を用いた３次元認識手法及び装置

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