CN114638846A - 拾取位姿信息确定方法、装置、设备和计算机可读介质 - Google Patents
拾取位姿信息确定方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114638846A CN114638846A CN202210220879.5A CN202210220879A CN114638846A CN 114638846 A CN114638846 A CN 114638846A CN 202210220879 A CN202210220879 A CN 202210220879A CN 114638846 A CN114638846 A CN 114638846A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- image
- target
- clustering
- picking
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003708 edge detection Methods 0.000 claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract description 20
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了拾取位姿信息确定方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括:利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像;对边缘检测图像进行连通域分割处理,得到连通域分割图像,其中,连通域分割图像包括至少一个连通域;对连通域分割图像中的连通域进行分类处理,得到拾取连通域集合;确定拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。该实施方式,可以避免使用物品的先验信息,并提高目标检测的准确度,进而,可以更为精确的确定拾取位姿信息。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及拾取位姿信息确定方法、装置、设备和计算机可读介质。
背景技术
自动拆码垛是指自动拆码垛设备在视觉引导的基础上,根据接收到的拆垛和码垛任务,对来源区域中的物品进行目标检测,进而把来源区域中内相应数量的物品拾取出,并放入指定目的区域的一项技术。目前,往往利用数学解算方法、传统计算机视觉算法或深度学习算法对来源区域中的物品进行目标检测。
然而,当采用上述方式进行目标检测时,经常会存在如下技术问题:
第一,数学解算方法和传统计算机视觉算法依赖于物品的先验信息,而物品更新换代快,需要频繁的进行先验信息的采集,且先验信息的采集耗时较长,降低了自动拆码垛方法的适应性;
第二,深度学习方法的目标检测精确度依赖于模型训练的数据量,但是在自动拆码垛场景中,难以进行大规模的数据采集,图像中物品的纹理以及阴影也会影响目标检测的精确度,导致拾取位姿估算不精确,降低了自动拆码垛的成功率。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了拾取位姿信息确定方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种拾取位姿信息确定方法,该方法包括:利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像;对上述边缘检测图像进行连通域分割处理,得到连通域分割图像,其中,上述连通域分割图像包括至少一个连通域;对上述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合;确定上述拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。
可选的,上述方法还包括:将上述拾取位姿信息集合发送至自动拆码垛设备。
可选的,上述利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像,包括:提取上述深度图像中的感兴趣区域;利用上述感兴趣区域对上述彩色图像进行掩膜处理,得到掩膜图像;对上述掩膜图像进行边缘检测处理,得到边缘检测图像。
可选的,上述对上述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合,包括:根据上述连通域分割图像中各个连通域的面积值,确定参照面积值;利用上述参照面积值,对上述连通域分割图像中的各个连通域进行分类,得到目标连通域集合、待拆分连通域集合和待拼接连通域集合;对上述目标连通域集合、上述待拆分连通域集合和上述待拼接连通域集合进行聚类处理,得到拾取连通域集合。
可选的,上述对上述目标连通域集合、上述待拆分连通域集合和上述待拼接连通域集合进行聚类处理,得到拾取连通域集合,包括:基于上述参照面积值对上述待拆分连通域集合中的每个待拆分连通域进行聚类处理,得到第一聚类连通域集合;将上述第一聚类连通域集合中满足第一预设条件的第一聚类连通域作为目标连通域加入上述目标连通域集合;将上述第一聚类连通域集合中满足第二预设条件的第一聚类连通域作为待拼接连通域加入上述待拼接连通域集合。
可选的,上述对上述目标连通域集合、上述待拆分连通域集合和上述待拼接连通域集合进行聚类处理,得到拾取连通域集合,还包括:对上述待拼接连通域集合中的各个待拼接连通域进行聚类处理,得到第二聚类连通域集合;将上述第二聚类连通域集合中满足上述第一预设条件的第二聚类连通域作为目标连通域加入上述目标连通域集合;将上述目标连通域集合确定为拾取连通域集合。
可选的,上述提取上述深度图像中的感兴趣区域,包括:利用上述来源区域的位置信息和上述深度图像,生成来源区域平面方程;利用上述深度图像中像素点的深度信息和上述来源区域平面方程,从上述深度图像中选择出位于上述深度图像中上述来源区域内的像素点作为目标像素点,得到目标像素点集合;将上述目标像素点集合中的每个目标像素点转换为点云数据,得到点云数据集合;对上述点云数据集合进行平面拟合处理,得到拟合平面方程;根据上述拟合平面方程,从上述点云数据集合中选择出满足第三预设条件的点云数据作为目标点云数据,得到目标点云数据集合;利用拍摄上述深度图像的相机的内参将上述目标点云数据集合中的目标点云数据转换至二维坐标系下,得到二维坐标集合;根据上述二维坐标集合生成感兴趣区域。
可选的,上述对上述待拆分连通域集合中的每个待拆分连通域进行聚类处理,得到第一聚类连通域集合,包括:根据上述待拆分连通域的面积和上述参照面积值的比值,确定拆分聚类数;基于上述拆分聚类数对上述待拆分连通域进行拆分处理,得到各个第一聚类连通域。
可选的,上述根据上述连通域分割图像中各个连通域的面积值,确定参照面积值,包括:将上述连通域分割图像中各个连通域的面积值中的众数确定为参照面积值。
可选的,上述根据上述二维坐标集合生成感兴趣区域,包括:将上述二维坐标集合对应的点集的最小外接多边形确定为感兴趣区域。
第二方面,本公开的一些实施例提供了一种拾取位姿信息确定装置,装置包括:生成单元,被配置成利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像;分割单元,被配置成对上述边缘检测图像进行连通域分割处理,得到连通域分割图像,其中,上述连通域分割图像包括至少一个连通域;分类单元,被配置成对上述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合;确定单元,被配置成确定上述拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。
可选的,上述装置还包括发送单元,被配置成将上述拾取位姿信息集合发送至自动拆码垛设备。
可选的,上述生成单元包括:提取子单元、掩膜子单元和边缘检测子单元。其中,提取子单元,被配置成提取上述深度图像中的感兴趣区域;掩膜子单元,被配置成利用上述感兴趣区域对上述彩色图像进行掩膜处理,得到掩膜图像;边缘检测子单元,被配置成对上述掩膜图像进行边缘检测处理,得到边缘检测图像。
可选的,上述分类单元包括第一确定子单元和分类子单元。其中,第一确定子单元,被配置成根据上述连通域分割图像中各个连通域的面积值,确定参照面积值;分类子单元,被配置成利用上述参照面积值,对上述连通域分割图像中的各个连通域进行分类,得到目标连通域集合、待拆分连通域集合和待拼接连通域集合;聚类子单元,被配置成对上述目标连通域集合、上述待拆分连通域集合和上述待拼接连通域集合进行聚类处理,得到拾取连通域集合。
可选的,上述聚类子单元还包括:第一聚类模块、第一加入模块和第二加入模块。其中,第一聚类模块,被配置成基于上述参照面积值对上述待拆分连通域集合中的每个待拆分连通域进行聚类处理,得到第一聚类连通域集合;第一加入模块,被配置成将上述第一聚类连通域集合中满足第一预设条件的第一聚类连通域作为目标连通域加入上述目标连通域集合;第二加入模块,被配置成将上述第一聚类连通域集合中满足第二预设条件的第一聚类连通域作为待拼接连通域加入上述待拼接连通域集合。
可选的,上述聚类子单元还包括:第二聚类模块、第三加入模块和第二确定模块。其中,第二聚类模块,被配置成对上述待拼接连通域集合中的各个待拼接连通域进行聚类处理,得到第二聚类连通域集合;第三加入模块,被配置成将上述第二聚类连通域集合中满足上述第一预设条件的第二聚类连通域作为目标连通域加入上述目标连通域集合;第二确定模块,被配置成将上述目标连通域集合确定为拾取连通域集合。
可选的,上述提取子单元包括:第一生成模块、第一选择模块、第一转换模块、平面拟合模块、第二选择模块、第二转换模块和第二生成模块。其中,第一生成模块,被配置成利用上述来源区域的位置信息和上述深度图像,生成来源区域平面方程;第一选择模块,被配置成利用上述深度图像中像素点的深度信息和上述来源区域平面方程,从上述深度图像中选择出位于上述深度图像中上述来源区域内的像素点作为目标像素点,得到目标像素点集合;第一转换模块,被配置成将上述目标像素点集合中的每个目标像素点转换为点云数据,得到点云数据集合;平面拟合模块,被配置成对上述点云数据集合进行平面拟合处理,得到拟合平面方程;第二选择模块,被配置成根据上述拟合平面方程,从上述点云数据集合中选择出满足第三预设条件的点云数据作为目标点云数据,得到目标点云数据集合;第二转换模块,被配置成利用拍摄上述深度图像的相机的内参将上述目标点云数据集合中的目标点云数据转换至二维坐标系下,得到二维坐标集合;第二生成模块,被配置成根据上述二维坐标集合生成感兴趣区域。
可选的,上述第一聚类模块包括确定子模块和拆分子模块。其中,确定子模块,被配置成根据上述待拆分连通域的面积和上述参照面积值的比值,确定拆分聚类数;拆分子模块,被配置成基于上述拆分聚类数对上述待拆分连通域进行拆分处理,得到各个第一聚类连通域。
可选的,上述第一确定子单元,被进一步配置成将上述连通域分割图像中各个连通域的面积值中的众数确定为参照面积值。
可选的,上述第一转换模块,被进一步配置成将上述二维坐标集合对应的点集的最小外接多边形确定为感兴趣区域。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的拾取位姿信息确定方法,可以避免使用物品的先验信息,并提高目标检测的准确度,进而,可以更为精确的确定拾取位姿信息,提高自动拆码垛的成功率。具体来说,造成目标检测的准确度较低,难以较为精确的确定拾取位姿信息的原因在于:数学解算方法和传统计算机视觉算法依赖于物品的先验信息,深度学习方法的目标检测精确度依赖于模型训练的数据量。基于此,本公开的一些实施例的拾取位姿信息确定方法,利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像。由此,得到初步的边缘检测结果。接着,对边缘检测图像中的连通域进行分类处理,得到拾取连通域集合。由此,在边缘检测图像的基础之上进一步进行处理,将得到的拾取连通域集合中的拾取连通域作为最终较为精确的目标检测结果。进而,使得根据拾取连通域集合中的拾取连通域生成的拾取位姿信息也具有较高的精确性。由于在上述拾取位姿信息确定的过程中,未使用物品的先验信息。从而,避免了使用物品的先验信息所带来的频繁采集先验信息及采集时间较长所导致的自动拆码垛方法的适应性较差的这一技术问题。同时,在得到的目标检测结果—边缘检测图像的基础之上,进一步对其中的连通域进行分类处理,进而,提升目标检测结果的准确性。从而,可以更为精确的确定拾取位姿信息,提高自动拆码垛的成功率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的拾取位姿信息确定方法的一个应用场景的示意图;
图2是根据本公开的拾取位姿信息确定方法的一些实施例的流程图;
图3是根据本公开的拾取位姿信息确定方法的另一些实施例的流程图;
图4是根据本公开的拾取位姿信息确定方法的另一些实施例中的确定拾取连通域集合的示意图;
图5是本公开的拾取位姿信息确定装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的拾取位姿信息确定方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以利用针对来源区域102拍摄的彩色图像103和深度图像104,生成边缘检测图像105。接着,计算设备101可以对上述边缘检测图像105进行连通域分割处理,得到连通域分割图像106,其中,上述连通域分割图像106包括至少一个连通域。然后,计算设备101可以对上述连通域分割图像106中的连通域进行分类处理,得到拾取连通域集合107。最后,计算设备101可以确定上述拾取连通域集合107中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合108。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的拾取位姿信息确定方法的一些实施例的流程200。该拾取位姿信息确定方法,包括以下步骤:
步骤201,利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像。
在一些实施例中,上述彩色图像和上述深度图像可以是同时拍摄的图像。上述彩色图像可以是由普通的二维相机拍摄的RGB(红绿蓝)图像等彩色图像。上述深度图像可以由三维相机拍摄,也可以由上述二维相机拍摄的图像转换得到。上述来源区域可以是放置有需要移动或转移的物品的区域。拾取位姿信息确定方法的执行主体(如图1所示的计算设备101)利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像,可以包括以下步骤:
第一步,将上述彩色图像转换至YCbCr颜色空间中,得到YCbCr图像。
第二步,利用上述YCbCr图像的亮度分量Y、颜色分量Cb和Cr,生成Y梯度图像、Cb梯度图像和Cr梯度图像。其中,可以利用8方向圆形边缘检测算子生成各个梯度图像。
第三步,利用上述深度图像,生成深度梯度图。其中,可以对上述深度图像中各个像素点的深度值进行归一化处理,利用归一化后的深度值生成深度梯度图。可以利用上述8方向圆形边缘检测算子生成上述深度梯度图。
第四步,对上述Y梯度图像、上述Cb梯度图像、上述Cr梯度图像和上述深度梯度图进行融合处理,得到目标梯度图。其中,可以通过线性加权方式对各个梯度图像进行融合。
第五步,将上述目标梯度图的8方向梯度中的最大值作为边缘检测结果,得到边缘检测图像。
步骤202,对边缘检测图像进行连通域分割处理,得到连通域分割图像。
在一些实施例中,上述执行主体可以对上述边缘检测图像进行连通域分割处理,得到连通域分割图像。其中,上述连通域分割图像包括至少一个连通域。可以利用连通域分割算法对上述边缘检测图像进行连通域分割处理。上述连通域分割算法包括但不限于以下至少一项Two-Pass法(两遍扫描法)、Seed-Filling(种子填充)法等。
步骤203,对连通域分割图像中的连通域进行分类处理,得到拾取连通域集合。
在一些实施例中,上述执行主体对上述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合,可以包括以下步骤:
第一步,对上述连通域分割图像中各个连通域的边缘进行图像膨胀处理,得到膨胀连通域分割图像。
第二步,将上述膨胀连通域分割图像中实际面积与预设面积值的比值满足预设条件的膨胀连通域确定为拾取连通域,得到拾取连通域集合。其中,上述预设条件可以是比值在预设范围内。实践中,上述预设范围可以根据实际应用情况进行设置。例如,上述预设范围可以是[0.8,1.2]。上述预设面积值可以是上述来源区域中每个物品的实际面积值。
上述膨胀连通域的实际面积可以通过以下子步骤确定:
第一子步骤,将上述深度图像中与上述膨胀连通域对应的区域内的各个像素的深度值的平均值,确定为上述膨胀连通域所表征的物品与拍摄上述深度图像的相机之间的距离。
第二子步骤,利用上述距离和拍摄上述深度图像的相机的内参,将上述膨胀连通域在图像中的面积转换为实际面积。
步骤204,确定拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。
在一些实施例中,上述执行主体确定上述拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,可以包括以下步骤:
第一步,利用拍摄上述彩色图像的相机的内参和外参,将上述拾取连通域内的各个二维坐标转换为三维坐标,得到三维坐标集合。
第二步,对上述三维坐标集合进行平面拟合处理,得到物品拟合平面方程。
第三步,利用上述拍摄上述彩色图像的相机的内参和外参,将上述拾取连通域的二维中心点坐标转换为三维中心点坐标。
第四步,将上述物品拟合平面方程的法向量和上述三维中心点坐标作为拾取位姿信息。
在一些实施例的一些可选的实现方式中,上述执行主体还可以将上述拾取位姿信息集合发送至自动拆码垛设备。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的拾取位姿信息确定方法,可以避免使用物品的先验信息,并提高目标检测的准确度,进而,可以更为精确的确定拾取位姿信息,提高自动拆码垛的成功率。具体来说,造成目标检测的准确度较低,难以较为精确的确定拾取位姿信息的原因在于:数学解算方法和传统计算机视觉算法依赖于物品的先验信息,深度学习方法的目标检测精确度依赖于模型训练的数据量。基于此,本公开的一些实施例的拾取位姿信息确定方法,利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像。由此,得到初步的边缘检测结果。接着,对边缘检测图像中的连通域进行分类处理,得到拾取连通域集合。由此,在边缘检测图像的基础之上进一步进行处理,将得到的拾取连通域集合中的拾取连通域作为最终较为精确的目标检测结果。进而,使得根据拾取连通域集合中的拾取连通域生成的拾取位姿信息也具有较高的精确性。由于在上述拾取位姿信息确定的过程中,未使用物品的先验信息。从而,避免了使用物品的先验信息所带来的频繁采集先验信息及采集时间较长所导致的自动拆码垛方法的适应性较差的这一技术问题。同时,在得到的目标检测结果—边缘检测图像的基础之上,进一步对其中的连通域进行分类处理,进而,提升目标检测结果的准确性。从而,可以更为精确的确定拾取位姿信息,提高自动拆码垛的成功率。
进一步参考图3,其示出了拾取位姿信息确定方法的另一些实施例的流程300。该拾取位姿信息确定方法的流程300,包括以下步骤:
步骤301,利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像。
在一些实施例中,上述彩色图像和上述深度图像可以是同时拍摄的图像。上述彩色图像可以是普通的二维相机所拍摄的RGB图像等。上述深度图像可以由三维相机拍摄,也可以由上述二维相机拍摄的图像转换得到。上述来源区域可以是放置有需要移动或转移的物品的区域。拾取位姿信息确定方法的执行主体(如图1所示的计算设备101)利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像,可以包括以下步骤:
步骤3011,提取深度图像中的感兴趣区域。
在一些实施例中,上述执行主体提取上述深度图像中的感兴趣区域,可以包括以下步骤:
第一步,利用上述来源区域的位置信息和上述深度图像,生成来源区域平面方程。其中,上述来源区域位置信息可以包括来源区域各个角点的三维坐标。上述来源区域位置信息可以是预先采集并存储的。利用上述来源区域各个角点的三维坐标可以确定上述来源区域的范围。可以利用上述来源区域各个角点的三维坐标和深度图像的深度信息生成来源区域平面方程。
第二步,利用上述深度图像中像素点的深度信息和上述来源区域平面方程,从上述深度图像中选择出位于上述来源区域内的像素点作为目标像素点,得到目标像素点集合。其中,可以根据上述深度图像中每个像素点的深度信息,确定该像素点与上述来源区域平面方程之间的距离,若距离为非负数,则可以确定该像素点位于上述来源区域内。
第三步,将上述目标像素点集合中的每个目标像素点转换为点云数据,得到点云数据集合。
第四步,对上述点云数据集合进行平面拟合处理,得到拟合平面方程。
第五步,根据上述拟合平面方程,从上述点云数据集合中选择出满足第三预设条件的点云数据作为目标点云数据,得到目标点云数据集合。其中,上述第三预设条件可以是点云数据所表征的点与上述拟合平面方程之间的距离大于目标距离值。上述目标距离值可以是点云数据集合中各个点云数据所表征的点与上述拟合平面方程之间的距离的算术平均值。
第六步,利用拍摄上述深度图像的相机的内参将上述目标点云数据集合中的目标点云数据转换至二维坐标系下,得到二维坐标集合。
第七步,根据上述二维坐标集合生成感兴趣区域。
可选的,上述执行主体可以将上述二维坐标集合对应的点集的最小外接多边形确定为感兴趣区域。
步骤3012,利用感兴趣区域对彩色图像进行掩膜处理,得到掩膜图像。
上述掩膜处理可以是将上述彩色图像中位于上述感兴趣区域外的像素的像素值设置为预设数值。实践中,上述预设数值可以根据实际情况进行设置,此处不做限定。例如,上述预设数值可以是0。
步骤3013,对掩膜图像进行边缘检测处理,得到边缘检测图像。
可以利用边缘检测算子对上述掩膜图像进行边缘检测处理。其中,上述边缘检测算子可以包括但不限于:Sobel(索贝尔)算子、Prewitt(蒲瑞维特)算子和Roberts(罗伯特)算子。
步骤302,对边缘检测图像进行连通域分割处理,得到连通域分割图像。
在一些实施例中,步骤302的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤202,在此不再赘述。
步骤303,对连通域分割图像中的连通域进行分类处理,得到拾取连通域集合。
在一些实施例中,上述执行主体对上述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合,可以包括以下步骤:
步骤3031,根据连通域分割图像中各个连通域的面积值,确定参照面积值。
可以将上述连通域分割图像中各个连通域的面积值中的众数确定为参照面积值。
步骤3032,利用参照面积值,对连通域分割图像中的各个连通域进行分类,得到目标连通域集合、待拆分连通域集合和待拼接连通域集合。
首先,可以确定连通域分割图像中每个连通域的面积值与上述参照面积值的比值,得到面积比值集合。然后,从上述连通域分割图像中选择出面积比值大于等于第一面积值且小于第二面积值的连通域作为待拼接连通域,得到待拼接连通域集合。接着,从上述连通域分割图像中选择出面积比值大于等于第二面积值且小于第三面积值的连通域作为目标连通域,得到目标连通域集合。最后,从上述连通域分割图像中选择出面积比值大于等于第三面积值且小于第四面积值的连通域作为待拆分连通域,得到待拆分连通域集合。
实践中,上述第一面积值、第二面积值和第三面积值可以根据实际应用进行设置,此处不做限定。例如,上述第一面积值可以是0.2,上述第二面积值可以是0.8,上述第三面积值可以是1.2,上述第三面积值可以是10。
步骤3033,对目标连通域集合、待拆分连通域集合和待拼接连通域集合进行聚类处理,得到拾取连通域集合。
在一些实施例中,上述执行主体对上述目标连通域集合、上述待拆分连通域集合和上述待拼接连通域集合进行聚类处理,得到拾取连通域集合,可以包括以下步骤:
第一步,基于上述参照面积值对上述待拆分连通域集合中的每个待拆分连通域进行聚类处理,得到第一聚类连通域集合。其中,可以利用聚类算法对上述待拆分连通域进行聚类处理。上述聚类算法可以包括但不限于K-Means(K均值)聚类算法、RCF(RicherConvolutional Features,丰富卷积特征)网络等。
可选的,上述执行主体基于上述参照面积值对上述待拆分连通域集合中的每个待拆分连通域进行聚类处理,得到第一聚类连通域集合,可以包括以下子步骤:
第一子步骤,根据上述待拆分连通域的面积和上述参照面积值的比值,确定拆分聚类数。其中,可以对上述比值进行四舍五入处理,得到拆分聚类数。
第二子步骤,基于上述拆分聚类数对上述待拆分连通域进行拆分处理,得到各个第一聚类连通域。其中,可以利用上述聚类算法对上述待拆分连通域进行拆分处理。
第二步,将上述第一聚类连通域集合中满足第一预设条件的第一聚类连通域作为目标连通域加入上述目标连通域集合。其中,上述第一预设条件可以是第一聚类连通域的面积与上述参照面积值的比值大于等于上述第二面积值且小于上述第三面积值。
第三步,将上述第一聚类连通域集合中满足第二预设条件的第一聚类连通域作为待拼接连通域加入上述待拼接连通域集合。其中,上述第二预设条件可以是第一聚类连通域的面积与上述参照面积值的比值大于等于上述第一面积值且小于上述第二面积值。
可选的,上述执行主体对上述目标连通域集合、上述待拆分连通域集合和上述待拼接连通域集合进行聚类处理,得到拾取连通域集合,还可以包括以下步骤:
第一步,对上述待拼接连通域集合中的各个待拼接连通域进行聚类处理,得到第二聚类连通域集合。其中,可以利用上述聚类算法对上述待拼接连通域集合中的各个待拼接连通域进行聚类处理。
第二步,将上述第二聚类连通域集合中满足上述第一预设条件的第二聚类连通域作为目标连通域加入上述目标连通域集合。
第三步,将上述目标连通域集合确定为拾取连通域集合。
作为示例,参考图4,首先,可以对上述待拼接连通域集合401中的各个待拼接连通域进行聚类处理,得到第二聚类连通域集合402。然后,可以将上述第二聚类连通域集合402中满足上述第一预设条件403的第二聚类连通域作为目标连通域加入上述目标连通域集合404。最后,可以将上述目标连通域集合404确定为拾取连通域集合405。
由此,可以通过聚类处理对边缘检测图像中的连通域进行进一步划分和处理,从而实现更为精确的目标识别。
步骤304,确定拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。
在一些实施例中,步骤304的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤204,在此不再赘述。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的拾取位姿信息确定方法的流程300体现了利用聚类算法对初步边缘检测结果—边缘检测图像进行进一步聚类处理。由此,这些实施例描述的方案可以通过聚类处理对边缘检测图像中的连通域进行更为准确的划分。从而,便于根据准确划分的连通域确定拾取位姿。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种拾取位姿信息确定装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的拾取位姿信息确定装置500包括:生成单元501、分割单元502、分类单元503和确定单元504。其中,生成单元501,被配置成利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像;分割单元502,被配置成对上述边缘检测图像进行连通域分割处理,得到连通域分割图像,其中,上述连通域分割图像包括至少一个连通域;分类单元503,被配置成对上述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合;确定单元504,被配置成确定上述拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。
在一些实施例的可选实现方式中,上述拾取位姿信息确定装置500还包括发送单元,被配置成将上述拾取位姿信息集合发送至自动拆码垛设备。
在一些实施例的可选实现方式中,上述生成单元501包括:提取子单元、掩膜子单元和边缘检测子单元。其中,提取子单元,被配置成提取上述深度图像中的感兴趣区域;掩膜子单元,被配置成利用上述感兴趣区域对上述彩色图像进行掩膜处理,得到掩膜图像;边缘检测子单元,被配置成对上述掩膜图像进行边缘检测处理,得到边缘检测图像。
在一些实施例的可选实现方式中,上述分类单元503包括第一确定子单元和分类子单元。其中,第一确定子单元,被配置成根据上述连通域分割图像中各个连通域的面积值,确定参照面积值;分类子单元,被配置成利用上述参照面积值,对上述连通域分割图像中的各个连通域进行分类,得到目标连通域集合、待拆分连通域集合和待拼接连通域集合;聚类子单元,被配置成对上述目标连通域集合、上述待拆分连通域集合和上述待拼接连通域集合进行聚类处理,得到拾取连通域集合。
在一些实施例的可选实现方式中,上述聚类子单元还包括:第一聚类模块、第一加入模块和第二加入模块。其中,第一聚类模块,被配置成基于上述参照面积值对上述待拆分连通域集合中的每个待拆分连通域进行聚类处理,得到第一聚类连通域集合;第一加入模块,被配置成将上述第一聚类连通域集合中满足第一预设条件的第一聚类连通域作为目标连通域加入上述目标连通域集合;第二加入模块,被配置成将上述第一聚类连通域集合中满足第二预设条件的第一聚类连通域作为待拼接连通域加入上述待拼接连通域集合。
在一些实施例的可选实现方式中,上述聚类子单元还包括:第二聚类模块、第三加入模块和第二确定模块。其中,第二聚类模块,被配置成对上述待拼接连通域集合中的各个待拼接连通域进行聚类处理,得到第二聚类连通域集合;第三加入模块,被配置成将上述第二聚类连通域集合中满足上述第一预设条件的第二聚类连通域作为目标连通域加入上述目标连通域集合;第二确定模块,被配置成将上述目标连通域集合确定为拾取连通域集合。
在一些实施例的可选实现方式中,上述提取子单元包括:第一生成模块、第一选择模块、第一转换模块、平面拟合模块、第二选择模块、第二转换模块和第二生成模块。其中,第一生成模块,被配置成利用上述来源区域的位置信息和上述深度图像,生成来源区域平面方程;第一选择模块,被配置成利用上述深度图像中像素点的深度信息和上述来源区域平面方程,从上述深度图像中选择出位于上述深度图像中上述来源区域内的像素点作为目标像素点,得到目标像素点集合;第一转换模块,被配置成将上述目标像素点集合中的每个目标像素点转换为点云数据,得到点云数据集合;平面拟合模块,被配置成对上述点云数据集合进行平面拟合处理,得到拟合平面方程;第二选择模块,被配置成根据上述拟合平面方程,从上述点云数据集合中选择出满足第三预设条件的点云数据作为目标点云数据,得到目标点云数据集合;第二转换模块,被配置成利用拍摄上述深度图像的相机的内参将上述目标点云数据集合中的目标点云数据转换至二维坐标系下,得到二维坐标集合;第二生成模块,被配置成根据上述二维坐标集合生成感兴趣区域。
在一些实施例的可选实现方式中,上述第一聚类模块包括确定子模块和拆分子模块。其中,确定子模块,被配置成根据上述待拆分连通域的面积和上述参照面积值的比值,确定拆分聚类数;拆分子模块,被配置成基于上述拆分聚类数对上述待拆分连通域进行拆分处理,得到各个第一聚类连通域。
在一些实施例的可选实现方式中,上述第一确定子单元,被进一步配置成将上述连通域分割图像中各个连通域的面积值中的众数确定为参照面积值。
在一些实施例的可选实现方式中,上述第一转换模块,被进一步配置成将上述二维坐标集合对应的点集的最小外接多边形确定为感兴趣区域。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像;对上述边缘检测图像进行连通域分割处理,得到连通域分割图像,其中,上述连通域分割图像包括至少一个连通域;对上述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合;确定上述拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括生成单元、分割单元、分类单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,生成单元还可以被描述为“边缘检测图像生成单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
Claims (13)
1.一种拾取位姿信息确定方法,包括:
利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像;
对所述边缘检测图像进行连通域分割处理,得到连通域分割图像,其中,所述连通域分割图像包括至少一个连通域;
对所述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合;
确定所述拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述拾取位姿信息集合发送至自动拆码垛设备。
3.根据权利要求1所述的方法,其中,所述利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像,包括:
提取所述深度图像中的感兴趣区域;
利用所述感兴趣区域对所述彩色图像进行掩膜处理,得到掩膜图像;
对所述掩膜图像进行边缘检测处理,得到边缘检测图像。
4.根据权利要求1所述的方法,其中,所述对所述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合,包括:
根据所述连通域分割图像中各个连通域的面积值,确定参照面积值;
利用所述参照面积值,对所述连通域分割图像中的各个连通域进行分类,得到目标连通域集合、待拆分连通域集合和待拼接连通域集合;
对所述目标连通域集合、所述待拆分连通域集合和所述待拼接连通域集合进行聚类处理,得到拾取连通域集合。
5.根据权利要求4所述的方法,其中,所述对所述目标连通域集合、所述待拆分连通域集合和所述待拼接连通域集合进行聚类处理,得到拾取连通域集合,包括:
基于所述参照面积值对所述待拆分连通域集合中的每个待拆分连通域进行聚类处理,得到第一聚类连通域集合;
将所述第一聚类连通域集合中满足第一预设条件的第一聚类连通域作为目标连通域加入所述目标连通域集合;
将所述第一聚类连通域集合中满足第二预设条件的第一聚类连通域作为待拼接连通域加入所述待拼接连通域集合。
6.根据权利要求5所述的方法,其中,所述对所述目标连通域集合、所述待拆分连通域集合和所述待拼接连通域集合进行聚类处理,得到拾取连通域集合,还包括:
对所述待拼接连通域集合中的各个待拼接连通域进行聚类处理,得到第二聚类连通域集合;
将所述第二聚类连通域集合中满足所述第一预设条件的第二聚类连通域作为目标连通域加入所述目标连通域集合;
将所述目标连通域集合确定为拾取连通域集合。
7.根据权利要求3所述的方法,其中,所述提取所述深度图像中的感兴趣区域,包括:
利用所述来源区域的位置信息和所述深度图像,生成来源区域平面方程;
利用所述深度图像中像素点的深度信息和所述来源区域平面方程,从所述深度图像中选择出位于所述深度图像中所述来源区域内的像素点作为目标像素点,得到目标像素点集合;
将所述目标像素点集合中的每个目标像素点转换为点云数据,得到点云数据集合;
对所述点云数据集合进行平面拟合处理,得到拟合平面方程;
根据所述拟合平面方程,从所述点云数据集合中选择出满足第三预设条件的点云数据作为目标点云数据,得到目标点云数据集合;
利用拍摄所述深度图像的相机的内参将所述目标点云数据集合中的目标点云数据转换至二维坐标系下,得到二维坐标集合;
根据所述二维坐标集合生成感兴趣区域。
8.根据权利要求5所述的方法,其中,所述对所述待拆分连通域集合中的每个待拆分连通域进行聚类处理,得到第一聚类连通域集合,包括:
根据所述待拆分连通域的面积和所述参照面积值的比值,确定拆分聚类数;
基于所述拆分聚类数对所述待拆分连通域进行拆分处理,得到各个第一聚类连通域。
9.根据权利要求4所述的方法,其中,所述根据所述连通域分割图像中各个连通域的面积值,确定参照面积值,包括:
将所述连通域分割图像中各个连通域的面积值中的众数确定为参照面积值。
10.根据权利要求7所述的方法,其中,所述根据所述二维坐标集合生成感兴趣区域,包括:
将所述二维坐标集合对应的点集的最小外接多边形确定为感兴趣区域。
11.一种拾取位姿信息确定装置,包括:
生成单元,被配置成利用针对来源区域拍摄的彩色图像和深度图像,生成边缘检测图像;
分割单元,被配置成对所述边缘检测图像进行连通域分割处理,得到连通域分割图像,其中,所述连通域分割图像包括至少一个连通域;
分类单元,被配置成对所述连通域分割图像中的连通域进行分类处理,得到拾取连通域集合;
确定单元,被配置成确定所述拾取连通域集合中每个拾取连通域所表征的物品的拾取位姿信息,得到拾取位姿信息集合。
12.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220879.5A CN114638846A (zh) | 2022-03-08 | 2022-03-08 | 拾取位姿信息确定方法、装置、设备和计算机可读介质 |
PCT/CN2022/128549 WO2023168955A1 (zh) | 2022-03-08 | 2022-10-31 | 拾取位姿信息确定方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220879.5A CN114638846A (zh) | 2022-03-08 | 2022-03-08 | 拾取位姿信息确定方法、装置、设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638846A true CN114638846A (zh) | 2022-06-17 |
Family
ID=81947266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210220879.5A Pending CN114638846A (zh) | 2022-03-08 | 2022-03-08 | 拾取位姿信息确定方法、装置、设备和计算机可读介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114638846A (zh) |
WO (1) | WO2023168955A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023168955A1 (zh) * | 2022-03-08 | 2023-09-14 | 北京京东乾石科技有限公司 | 拾取位姿信息确定方法、装置、设备和计算机可读介质 |
CN117975441A (zh) * | 2023-12-27 | 2024-05-03 | 北京中科原动力科技有限公司 | 一种串番茄采摘点检测方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308736A1 (en) * | 2014-10-28 | 2017-10-26 | Hewlett-Packard Development Company, L.P. | Three dimensional object recognition |
CN107945192B (zh) * | 2017-12-14 | 2021-10-22 | 北京信息科技大学 | 一种托盘纸箱垛型实时检测方法 |
CN110175999A (zh) * | 2019-05-30 | 2019-08-27 | 广东工业大学 | 一种位姿检测方法、系统及装置 |
CN111507390B (zh) * | 2020-04-11 | 2023-07-04 | 华中科技大学 | 一种基于轮廓特征的仓储箱体识别与定位方法 |
CN113284178B (zh) * | 2021-06-11 | 2024-04-09 | 梅卡曼德(北京)机器人科技有限公司 | 物体码垛方法、装置、计算设备及计算机存储介质 |
CN113345023B (zh) * | 2021-07-05 | 2024-03-01 | 北京京东乾石科技有限公司 | 箱体的定位方法、装置、介质和电子设备 |
CN113688704A (zh) * | 2021-08-13 | 2021-11-23 | 北京京东乾石科技有限公司 | 物品拣选方法、装置、电子设备和计算机可读介质 |
CN114638846A (zh) * | 2022-03-08 | 2022-06-17 | 北京京东乾石科技有限公司 | 拾取位姿信息确定方法、装置、设备和计算机可读介质 |
-
2022
- 2022-03-08 CN CN202210220879.5A patent/CN114638846A/zh active Pending
- 2022-10-31 WO PCT/CN2022/128549 patent/WO2023168955A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023168955A1 (zh) * | 2022-03-08 | 2023-09-14 | 北京京东乾石科技有限公司 | 拾取位姿信息确定方法、装置、设备和计算机可读介质 |
CN117975441A (zh) * | 2023-12-27 | 2024-05-03 | 北京中科原动力科技有限公司 | 一种串番茄采摘点检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023168955A1 (zh) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
JP2020507850A (ja) | 画像内の物体の姿の確定方法、装置、設備及び記憶媒体 | |
US20230394669A1 (en) | Point cloud segmentation method and apparatus, device, and storage medium | |
WO2023168955A1 (zh) | 拾取位姿信息确定方法、装置、设备和计算机可读介质 | |
CN112381104A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
CN112873212B (zh) | 抓取点检测方法及装置、电子设备和存储介质 | |
CN108492284B (zh) | 用于确定图像的透视形状的方法和装置 | |
CN113793370B (zh) | 三维点云配准方法、装置、电子设备及可读介质 | |
CN111062400A (zh) | 目标匹配方法及装置 | |
CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
CN111783777A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN114612531A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN111815683B (zh) | 目标定位方法及装置、电子设备和计算机可读介质 | |
CN111027376A (zh) | 一种确定事件图谱的方法、装置、电子设备及存储介质 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN110634155A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN112288817B (zh) | 基于图像的三维重建处理方法及装置 | |
CN111784709B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN113688704A (zh) | 物品拣选方法、装置、电子设备和计算机可读介质 | |
CN112597788B (zh) | 目标测定方法、装置、电子设备和计算机可读介质 | |
CN111292365B (zh) | 生成深度图的方法、装置、电子设备和计算机可读介质 | |
CN111652831B (zh) | 对象融合方法、装置、计算机可读存储介质及电子设备 | |
CN114298268A (zh) | 图像获取模型的训练方法、图像检测方法、装置及设备 | |
CN113870428A (zh) | 场景地图生成方法、相关装置及计算机程序产品 | |
CN112037280A (zh) | 物体距离测量方法及装置 |
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 |