CN114663513B - 一种操作仪工作端移动轨迹的实时位姿估计与评估方法 - Google Patents
一种操作仪工作端移动轨迹的实时位姿估计与评估方法 Download PDFInfo
- Publication number
- CN114663513B CN114663513B CN202210531770.3A CN202210531770A CN114663513B CN 114663513 B CN114663513 B CN 114663513B CN 202210531770 A CN202210531770 A CN 202210531770A CN 114663513 B CN114663513 B CN 114663513B
- Authority
- CN
- China
- Prior art keywords
- working end
- characteristic
- operation instrument
- instrument
- track
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30241—Trajectory
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种操作仪工作端移动轨迹的实时位姿估计与评估方法,包括以下步骤:(1)为操作仪选取与设计多个特征区域,选取特征区域的中心点为操作仪的特征点;(2)在合适位置搭建平台,连接设备;(3)构建特征点检测的卷积神经网络,获取操作仪上的特征点;(4)处理特征点附近的点云数据,得到操作仪工作端的三维坐标值以及法向向量;(5)根据工作端的三维坐标值与指导操作轨迹对操作仪工作端移动轨迹进行量化评估。本发明在操作仪工作端被遮挡的情况下,可以对操作仪工作过程中的位置与姿态进行实时估计;可以对操作仪的移动轨迹与指导操作轨迹进行量化评估,将其用于操作员的岗前培训和业务考核。
Description
技术领域
本发明属于物体空间实时位姿跟踪领域,主要涉及基于特征点检测的位姿自动跟踪,具体涉及一种操作仪工作端移动轨迹的实时位姿估计与评估方法。
背景技术
在操作员操作仪实施作业的过程中,操作仪工作端的轨迹位姿要求通常会影响作业的质量,对作业过程中工作端位姿的实时监控和量化评估就为重要。
在实际应用中,操作仪的工作端经常会被遮挡,如操作仪工作端和作业目标接触时工作端被遮挡,因此无法通过视觉直接跟踪工作端的目标点。
另外,作业过程中工作端位姿的实时估计对关键点检测算法的效率要求很高,在主流的特征点检测算法中,输出是关于特征点的高斯热图,大量的输出参数降低了其算法的效率,如赵子昂提出的《基于卷积神经网络的精确和实时人体关键点检测算法研究及部署》论文,输出的参数为高斯热图,降低了特征点识别的效率。再如申请公布号为CN202111661938的中国发明专利,将深度信息输入网络进行卷积处理,减慢了位姿估计的运算速度,降低了特征点识别的效率。
因此,为了满足对操作仪工作端的实时位姿评估的需求,需要克服工作端被遮挡的问题与特征点识别算法的计算效率问题。
本发明因此提出了一种操作仪工作端移动轨迹的实时位姿估计与评估方法,该成果可用于评估操作员是否符合预期操作轨迹的位姿要求,以及对操作员的岗前培训和业务考核。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供操作仪工作端移动轨迹的实时位姿估计与评估方法,解决了工作端被遮挡无法定位的问题,特征点算法计算速度较慢的问题以及操作员操作质量量化问题。
本发明至少通过如下技术方案之一实现。
一种操作仪工作端移动轨迹的实时位姿估计与评估方法,该方法基于的操作仪工作端移动轨迹位姿估计与评估系统包括立体视觉相机、相机外连接件、工作台、指导操作轨迹、计算机、操作仪及其特征区域与工作端、操作员,其特征在于:该方法包括步骤:
S1、为操作仪选取特征区域,选取特征区域的中心点为操作仪的特征点;
在操作仪无明显特征的情况下,为操作仪设计特征图案,将该图案贴至操作仪上作为特征区域,选取图案中心点为操作仪的特征点;
用立体视觉相机拍摄操作仪在不同姿态下的图片,使用中心标记法标记特征区域,并且确保在不同姿态下看见至少三个特征区域;
所述中心标记法指的是用两个点作为特征区域的标记,是操作仪特征点在图像中的像素二维坐标,是操作仪特征区域的最小外接四边形的一个角在图像中的像素二维坐标,通过拍照不同姿态下的操作仪与标记特征点作为训练集。
S2、在合适位置搭建平台,将立体视觉相机通过相机外接件固定在工作台上,调整相机外接件的位置,使得立体视觉相机处于最佳工作位置,即在移动操作仪的过程中既能捕捉到清晰的操作仪的RGB彩色图像,又使得立体视觉相机获取清晰的操作仪的点云数据,并将RGB彩色图像与深度图像输入到计算机中;
S3、构建特征点检测的卷积神经网络,将预处理后的RGB彩色图像输入特征点检测卷积神经网络,通过解码网络输出获得图像中的操作仪特征点所在的像素二维坐标值;通过正样本匹配获得可供训练使用的正样本,构造损失函数用于回归调整卷积核系数;
S4、处理特征点附近的点云数据,降低点云噪声干扰,获取在空间中操作仪各特征点的三维坐标值,计算得出操作仪工作端的三维坐标值以及法向量;
S5、根据工作端的三维坐标值与指导操作轨迹对操作仪工作端移动轨迹进行量化评估。
进一步地,所述步骤S3具体包括:
所述图像裁剪方法,是根据上一帧识别的到的操作仪的范围对该帧的图像进行裁剪,图像裁剪的方法提高了网络计算的速度;
S32、特征点检测卷积神经网络的输入大小为,选取中的最大值作为放缩的最大边界,将裁剪后的图像不失真的放缩为的宽高大小,对比网络输入大小,用RGB值为的黑色填充图像空余的部分,再将图像的RGB值以256为1进行归一化处理;
S33、将放缩图像输入主干特征提取网络获取图像深层信息;
通过解码获得特征区域,选取特征区域的中心点,获得操作仪的特征点在RGB彩色图像中的二维坐标;
S37、在网络训练过程中,通过正样本匹配方法从网络输出的大量负样本中选出可用来训练的正样本数据,再构造损失函数用于回归调整卷积核系数;
训练时,根据步骤S1提供的训练集,对构建好的特征点检测卷积神经网络设置训练的超参数和训练条件进行网络参数训练。
进一步地,所述步骤S4具体包括:
S41、基于步骤S36所述获取的操作仪的特征点在RGB彩色图像中的二维坐标,通过对同一时刻获取的点云数据进行直通滤波、条件滤波、半径滤波操作处理无效点云数据,清除噪声的干扰;
S42、通过深度优先搜索算法与三维映射获取操作仪上目标特征点的深度信息;
以三个特征点为一组,将靠近工作端的特征点作为空间坐标系的原点,以向量作为的轴的单位向量,通过叉乘向量与向量获得垂直于所在平面的向量,再除以模长,作为的轴的单位向量,通过叉乘向量与向量再除以模长获得的轴的单位向量;计算公式如下:
进一步地,所述步骤S5具体包括:
所述的指导操作轨迹是根据任务要求规划的操作仪工作运动轨迹,是由空间中具有位姿信息的连续的点连接而成;该轨迹对操作员操作仪器起指导作用,同时作为评估操作仪实际移动轨迹偏差的标准;
S53、对操作员使用操作仪在规划轨迹上移动的点进行量化评分。
与现有的关键点检测网络相比,该方法的输出参数较少,网络计算量减少,能够满足实时检测的需求;在工作端被遮挡的情况下,也能通过操作仪上特征点的坐标计算获得工作端的位姿信息;实现操作仪工作端移动轨迹的实时位姿估计与评估。
附图说明
图1是本发明方法的操作仪工作端移动轨迹的实时位姿估计与评估系统总体结构示意图;
图2是本发明方法的特征点检测卷积神经网络结构示意图;
图3是本发明方法的对操作仪移动轨迹跟踪的实时位姿估计与评估方法流程示意图;
图4是本发明具体实施例的操作仪工作端移动轨迹的实时位姿估计与评估系统总体结构示意图;
图5是本发明具体实施例的操作仪(按摩仪)上的特征区域图;
图6是本发明具体实施例的特征区域的特征点标记图;
图7是本发明具体实施例的计算工作端轨迹与指导操作轨迹图;
图4中:1-操作仪(按摩仪)、2-立体视觉相机(kinect深度相机)、3-相机外连接件、4-指导操作轨迹(指导按摩轨迹)、5-硅胶人体面部模型、6-计算机(硬件GPU设备为3050Ti)、7-工作台;
图5中:8-操作仪上的特征点①,9-操作仪上的特征点②,10-操作仪上的特征点③;
图7中:11-指导操作轨迹法向量、12-面部特征点、13-工作端实际位置与法向量、14-工作端实际移动的轨迹、15-工作端实际移动轨迹的法向量。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细描述,但本发明的实施方式不限于此。
请参阅图3、图4,本发明提供的操作仪工作端移动轨迹的实时位姿估计与评估方法,该方法基于的操作仪工作端移动轨迹的实时位姿估计与评估系统包括:1-操作仪(按摩仪)、2-立体视觉相机(kinect深度相机)、3-相机外连接件、4-指导操作轨迹(指导按摩轨迹)、5-硅胶人体面部模型、6-计算机(硬件GPU设备为3050Ti)、7-工作台。
在本实施例中,按摩仪1将在硅胶人体面部模型5上沿着指导操作轨迹4的方向以及法向进行按摩操作,要求对按摩仪工作端的移动轨迹进行实时的位姿估计与评估。
立体视觉相机2通过相机外接件3固定在工作台7上,防止相机移动导致规划轨迹的偏移;指导操作轨迹4与面部特征点12是在硅胶人体面部模型5上生成的,其生成方法不在本专利描述中。
如图3所示,本发明所提供的一种操作仪工作端移动轨迹的实时位姿估计与评估方法,包括以下步骤:
步骤S1:选择与设计特征区域:
1)请参阅图5,在按摩的过程中,在按摩仪的侧面选取与设计共3个特征区域;
2)选取特征点①,②,③作为计算工作端位姿的一组;
3)请参阅图6,使用中心标记法标记特征区域作为S3的网络训练集。
步骤S2:搭建平台,采集图像并发送到计算机:
1)采集数据开始前、将相机通过相机的外接件固定在工作台上,调整相机外接件的位置,使得相机处于最佳工作位置,即在移动操作仪的过程中既能捕捉到清晰的操作仪的图像,又使得相机能获取清晰的操作仪的点云数据;
2)将RGBRGB彩色图像与深度图像输入到计算机中。
步骤S3:获取按摩仪上特征点的坐标:
3)对该网络输出进行解码获取特征点在图像中的二维坐标;
步骤S4:计算按摩仪工作端的位姿:
1)根据是否获得特征点,对以特征点为中心的一定半径内的点云数据实施直通滤波、条件滤波、半径滤波获得较少噪声点的点云数据;
2)通过对该点云数据进行深度优先搜索算法,将特征点的像素二维坐标转化为操作仪特征点的三维坐标;
步骤S5:请参阅图7,根据指导操作轨迹4和法向量11,对工作端实际移动的轨迹14和法向量15进行评估:
在评估系统开始后,将重复S2-S5直至操作员完成指导操作轨迹,在此过程中,本发明克服特征点识别算法的计算效率问题,能够对按摩仪的工作端实现精确的位置与姿态估计,也克服了工作端被遮挡无法识别位姿的问题,满足了对操作员的岗前培训和业务考核要求。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种操作仪工作端移动轨迹的实时位姿估计与评估方法,该方法基于的操作仪工作端移动轨迹位姿估计与评估系统包括立体视觉相机、相机外连接件、工作台、指导操作轨迹、计算机、操作仪及其特征区域与工作端、操作员,其特征在于:该方法包括步骤:
S1、为操作仪选取特征区域,选取特征区域的中心点为操作仪的特征点;
在操作仪无明显特征的情况下,为操作仪设计特征图案,将该图案贴至操作仪上作为特征区域,选取图案中心点为操作仪的特征点;
用立体视觉相机拍摄操作仪在不同姿态下的图片,使用中心标记法标记特征区域,并且确保在不同姿态下看见至少三个特征区域;
所述中心标记法指的是用两个点作为特征区域的标记,是操作仪特征点在图像中的像素二维坐标,是操作仪特征区域的最小外接四边形的一个角在图像中的像素二维坐标,通过拍照不同姿态下的操作仪与标记特征点作为训练集;
S2、在合适位置搭建平台,将立体视觉相机通过相机外接件固定在工作台上,调整相机外接件的位置,使得立体视觉相机处于最佳工作位置,即在移动操作仪的过程中既能捕捉到清晰的操作仪的RGB彩色图像,又使得立体视觉相机获取清晰的操作仪的点云数据,并将RGB彩色图像与深度图像输入到计算机中;
S3、构建特征点检测的卷积神经网络,将预处理后的RGB彩色图像输入特征点检测卷积神经网络,通过解码网络输出获得图像中的操作仪特征点所在的像素二维坐标值;通过正样本匹配获得可供训练使用的正样本,构造损失函数用于回归调整卷积核系数;
S4、处理特征点附近的点云数据,降低点云噪声干扰,获取在空间中操作仪各特征点的三维坐标值,计算得出操作仪工作端的三维坐标值以及法向量;
S5、根据工作端的三维坐标值与指导操作轨迹对操作仪工作端移动轨迹进行量化评估。
2.根据权利要求1所述的操作仪工作端移动轨迹的实时位姿估计与评估方法,其特征在于:所述步骤S3具体包括:
所述图像裁剪方法,是根据上一帧识别的到的操作仪的范围对该帧的图像进行裁剪,图像裁剪的方法提高了网络计算的速度;
S32、特征点检测卷积神经网络的输入大小为,选取中的最大值作为放缩的最大边界,将裁剪后的图像不失真的放缩为的宽高大小,对比网络输入大小,用RGB值为的黑色填充图像空余的部分,再将图像的RGB值以256为1进行归一化处理;
S33、将放缩图像输入主干特征提取网络获取图像深层信息;
通过解码获得特征区域,选取特征区域的中心点,获得操作仪的特征点在RGB彩色图像中的二维坐标;
S37、在网络训练过程中,通过正样本匹配方法从网络输出的大量负样本中选出可用来训练的正样本数据,再构造损失函数用于回归调整卷积核系数;
训练时,根据步骤S1提供的训练集,对构建好的特征点检测卷积神经网络设置训练的超参数和训练条件进行网络参数训练。
3.根据权利要求1所述的操作仪工作端移动轨迹的实时位姿估计与评估方法,其特征在于:所述步骤S4具体包括:
S41、基于步骤S36所述获得 的操作仪的特征点在RGB彩色图像中的二维坐标,通过对同一时刻获取的点云数据进行直通滤波、条件滤波、半径滤波操作处理无效点云数据,清除噪声的干扰;
S42、通过深度优先搜索算法与三维映射获取操作仪上目标特征点的深度信息;
以三个特征点为一组,将靠近工作端的特征点作为空间坐标系的原点,以向量作为的轴的单位向量,通过叉乘向量与向量获得垂直于所在平面的向量,再除以模长,作为的轴的单位向量,通过叉乘向量与向量再除以模长获得的轴的单位向量;计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531770.3A CN114663513B (zh) | 2022-05-17 | 2022-05-17 | 一种操作仪工作端移动轨迹的实时位姿估计与评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531770.3A CN114663513B (zh) | 2022-05-17 | 2022-05-17 | 一种操作仪工作端移动轨迹的实时位姿估计与评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663513A CN114663513A (zh) | 2022-06-24 |
CN114663513B true CN114663513B (zh) | 2022-09-20 |
Family
ID=82037184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210531770.3A Active CN114663513B (zh) | 2022-05-17 | 2022-05-17 | 一种操作仪工作端移动轨迹的实时位姿估计与评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663513B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246127A (zh) * | 2019-06-17 | 2019-09-17 | 南京工程学院 | 基于深度相机的工件识别与定位方法和系统、分拣系统 |
CN110355757A (zh) * | 2019-07-05 | 2019-10-22 | 佛山智能装备技术研究院 | 基于3d视觉的体感交互系统 |
CN112476434A (zh) * | 2020-11-24 | 2021-03-12 | 新拓三维技术(深圳)有限公司 | 一种基于协作机器人的视觉3d取放方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014223036A1 (de) * | 2014-11-12 | 2016-05-12 | Robert Bosch Gmbh | Werkzeug und verfahren zur behandlung eines werkstücks mit einem werkzeugelement eines werkzeugs |
US20220088787A1 (en) * | 2018-02-06 | 2022-03-24 | Clara Vu | Workplace monitoring and semantic entity identification for safe machine operation |
JP7028092B2 (ja) * | 2018-07-13 | 2022-03-02 | オムロン株式会社 | 把持姿勢評価装置及び把持姿勢評価プログラム |
CN110039538B (zh) * | 2019-04-03 | 2020-12-08 | 华中科技大学 | 一种基于大型复杂构件点云信息的机器人轨迹规划方法 |
-
2022
- 2022-05-17 CN CN202210531770.3A patent/CN114663513B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246127A (zh) * | 2019-06-17 | 2019-09-17 | 南京工程学院 | 基于深度相机的工件识别与定位方法和系统、分拣系统 |
CN110355757A (zh) * | 2019-07-05 | 2019-10-22 | 佛山智能装备技术研究院 | 基于3d视觉的体感交互系统 |
CN112476434A (zh) * | 2020-11-24 | 2021-03-12 | 新拓三维技术(深圳)有限公司 | 一种基于协作机器人的视觉3d取放方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114663513A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN109903313B (zh) | 一种基于目标三维模型的实时位姿跟踪方法 | |
CN109145803B (zh) | 手势识别方法及装置、电子设备、计算机可读存储介质 | |
JP2015522200A (ja) | 人顔特徴点の位置決め方法、装置及び記憶媒体 | |
CN109087261B (zh) | 基于非受限采集场景的人脸矫正方法 | |
CN107016319B (zh) | 一种特征点定位方法和装置 | |
CN112067233B (zh) | 一种用于风洞模型六自由度运动捕获方法 | |
CN113850865A (zh) | 一种基于双目视觉的人体姿态定位方法、系统和存储介质 | |
JP2005339288A (ja) | 画像処理装置及びその方法 | |
CN115205286B (zh) | 爬塔机器人机械臂螺栓识别与定位方法、存储介质、终端 | |
CN111402330A (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
CN112734652A (zh) | 一种基于双目视觉的近红外血管图像投影校正方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN113021355B (zh) | 一种用于预测遮挡农作物摘取点的农业机器人作业方法 | |
CN108416735B (zh) | 基于几何特征的数字化x线图像的拼接方法及装置 | |
CN111709269B (zh) | 一种深度图像中基于二维关节信息的人手分割方法和装置 | |
CN110580697B (zh) | 一种从超声视频图像中测量胎儿颈背透明物厚度的视频图像处理方法及系统 | |
CN114663513B (zh) | 一种操作仪工作端移动轨迹的实时位姿估计与评估方法 | |
CN109410272B (zh) | 一种变压器螺母识别与定位装置及方法 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN116363181A (zh) | 一种基于特征的ct图像和超声图像肝脏配准方法 | |
US20220130048A1 (en) | System and method for estimating motion of target inside tissue based on surface deformation of soft tissue | |
CN112132884B (zh) | 基于平行激光和语义分割的海参长度测量方法及系统 | |
CN112950787B (zh) | 一种基于图像序列的目标物体三维点云生成方法 |
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 |