CN114782474A - 锁螺钉自适应压紧方法、装置及存储介质 - Google Patents
锁螺钉自适应压紧方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114782474A CN114782474A CN202210529597.3A CN202210529597A CN114782474A CN 114782474 A CN114782474 A CN 114782474A CN 202210529597 A CN202210529597 A CN 202210529597A CN 114782474 A CN114782474 A CN 114782474A
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- node
- screw hole
- screw
- 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
Links
- 238000003825 pressing Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000006835 compression Effects 0.000 claims abstract description 11
- 238000007906 compression Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000005056 compaction Methods 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004438 eyesight Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000016776 visual perception Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming 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
- G06T7/13—Edge detection
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
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)
Abstract
本申请公开了一种锁螺钉自适应压紧方法、装置及存储介质，所述方法包括：根据全局相机和局部双目立体相机对板材上的螺孔进行定位；根据定位后的螺孔形成网络图，并根据所述网络图以及预设的网络分割算法确定最优压紧位置；控制压紧机构在所述最优压紧位置压紧固定板材。根据本申请实施例提供的锁螺钉自适应压紧方法，面向形状、尺寸多变的定制化柜体板材，不需要图纸、预置程序、夹具适配、人工干预等前置条件，可以高效、自动的固定板材，为后续的螺钉锁附加工提供条件。
Description
技术领域
本发明涉及螺钉锁附技术领域，特别涉及一种锁螺钉自适应压紧方法、装置及存储介质。
背景技术
螺钉锁付是家具制造业装配过程中的关键环节，随着近年来中国城市化进程的加快发展，商品房成交量的不断扩大，及居民消费结构升级与消费观念向时尚，环保和多功能方向的转变，定制家具行业的份额和规模越来越大。
在对家居板材进行螺钉锁附时，工件的装夹和固定也是锁附操作的一个重要前提。传统装夹方式需要根据工件形状制作专用夹具，或调整夹具结构，完成固定操作，此方法适合标准件，在处理定制家具柜体板材这种形状多变的工件时，效率较低，人工成本高。
发明内容
本申请实施例提供了一种锁螺钉自适应压紧方法、装置及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种锁螺钉自适应压紧方法，包括：
根据全局相机和局部双目立体相机对板材上的螺孔进行定位；
根据定位后的螺孔形成网络图，并根据网络图以及预设的网络分割算法确定最优压紧位置；
控制压紧机构在最优压紧位置压紧固定板材。
在一些可选地实施例中，根据定位后的螺孔形成网络图，包括：
将螺孔作为网络图中的节点；
将螺孔之间的连线作为网络图中的边；
将螺孔之间的距离作为网络图中边的权重。
在一些可选地实施例中，根据网络图以及预设的网络分割算法确定最优压紧位置，包括：
将网络图划分为多个子网络；
根据相邻子网络间边界点的中位线确定最优压紧位置。
在一些可选地实施例中，将网络图划分为多个子网络，包括：
确定待划分的子网络的数量；
将网络图中的边按照权重从大到小排序；将排在前面的相应数量条权重较大的边对应的两个节点作为种子节点，种子节点的数量与子网络的数量相等；
在剩余未归属节点中找到与种子节点相连时权重最小的节点，且种子节点对应的子网络内节点的数量小于预设阈值，则将该节点归属于种子节点对应的子网络，并标记该节点为已归属节点；
重复执行节点归属的步骤，直到剩余节点都标记为已归属节点，得到划分的多个子网络。
在一些可选地实施例中，根据相邻子网络间边界点的中位线确定最优压紧位置，包括：
对每个子网络内的节点根据X轴坐标升序排序，将排序后的第一个节点作为该子网络的左临界节点，将排序后的最后一个节点作为该子网络的右临界节点；
根据相邻子网络中x轴坐标较小的一个子网络的右临界节点和另一个子网络的左临界节点间的中位线，得到每个压紧条的最优压紧位置。
在一些可选地实施例中，根据全局相机和局部双目立体相机对板材上的螺孔进行定位，包括：
根据全局相机获取的全局图像进行板材边缘检测，得到板材边缘区域坐标范围；
在板材边缘区域坐标范围内进行螺孔区域定位，得到在板材边缘区域坐标范围内的螺孔区域位置特征；
基于螺孔区域位置特征划分多工位各自的工作区域；
分别对每个工位的工作区域内的所有螺孔规划锁付路径；
分别基于规划的螺孔锁付路径引导载有双目立体相机的电批头移动，并采集各自移动区域内每个螺孔的局部图像；
对每个螺孔的局部图像进行轮廓提取，得到每个螺孔的深度图像轮廓图；
根据每个螺孔的深度图像轮廓图定位螺孔圆心，得到每个螺孔的图像圆心坐标。
在一些可选地实施例中，方法还包括：根据每个螺孔的图像圆心坐标进行空间坐标的转换，以使得电批头根据螺孔空间圆心坐标进行锁付。
在一些可选地实施例中，在板材边缘区域坐标范围内进行螺孔区域定位，得到在板材边缘区域坐标范围内的螺孔区域位置特征，包括：
在板材边缘区域坐标范围通过连通域分析，提取各个区域的链码表和线性表；
根据链码表和线性表分别计算出区域边界轮廓的长度、周长、面积及中心；
根据区域边界轮廓的长度、周长、面积及中心，进行螺孔区域定位，得到螺孔区域位置特征。
第二方面，本申请实施例提供了一种锁螺钉自适应压紧装置，包括：
螺孔定位模块，用于根据全局相机和局部双目立体相机对板材上的螺孔进行定位；
压紧位置确定模块，用于根据定位后的螺孔形成网络图，并根据网络图以及预设的网络分割算法确定最优压紧位置；
控制模块，用于控制压紧机构在最优压紧位置压紧固定板材。
第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令被处理器执行以实现上述实施例提供的一种锁螺钉自适应压紧方法。
本申请实施例提供的技术方案可以包括以下有益效果：
本申请实施例提供的锁螺钉自适应压紧方法，基于视觉技术和网络分割算法，面向多变的定制化板材可以计算最优压紧位置，通过传动机构和压辊运动配合形成自适应压紧机构，根据算法计算结果，在最优压紧位置“压紧固定”板材。该方法无需制作专业夹具，加工成本明显降低，效率提升。无需在加工前人工调整夹具，效率提升，设备易用性提升。且结合视觉感知算法，可实现不同尺寸、形状板材的压紧固定。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种锁螺钉自适应压紧方法的流程示意图；
图2是根据一示例性实施例示出的一种最优压紧位置的示意图；
图3是根据一示例性实施例示出的一种锁螺钉自适应压紧装置的示意图；
图4是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
下面将结合附图对本申请实施例提供的锁螺钉自适应压紧方法进行详细介绍。参见图1，该方法具体包括以下步骤。
S101、根据全局相机和局部双目立体相机对板材上的螺孔进行定位。
面向定制化柜体板自动锁螺丝需求，提出基于多视觉传感及双目视觉技术的螺孔精准定位方法。通过多视觉传感技术高效实现工件孔位分布识别，局部相机运动路径规划和精准孔位识别。通过双目视觉技术，排除其中已经锁付的圆形工件，准确定位需要锁付的螺孔位。
在一种可能的实现方式中，首先，根据全局相机获取的全局图像进行板材边缘检测，得到板材边缘区域坐标范围；在板材边缘区域坐标范围内进行螺孔区域定位，得到在板材边缘区域坐标范围内的螺孔区域位置特征； 基于螺孔区域位置特征划分多工位各自的工作区域；分别对每个工位的工作区域内的所有螺孔规划锁付路径；分别基于规划的螺孔锁付路径引导载有双目立体相机的电批头移动，并采集各自移动区域内每个螺孔的局部图像；对每个螺孔的局部图像进行轮廓提取，得到每个螺孔的深度图像轮廓图；根据每个螺孔的深度图像轮廓图定位螺孔圆心，得到每个螺孔的图像圆心坐标。根据每个螺孔的图像圆心坐标进行空间坐标的转换，以使得电批头根据螺孔空间圆心坐标进行锁付。
其中，根据全局相机获取的全局图像进行板材边缘检测，得到板材边缘区域坐标，包括：对全局相机获取的全局图像进行灰度处理；对灰度处理后的全局图像使用X轴、Y轴方向模板分别沿着X轴、Y轴做卷积，将方向模板的中心和图像上的某个像素重合，并将该像素周围的点与模板上的系数相乘，再进行梯度运算，以得到板材边缘区域坐标。
其中，所述在所述板材边缘区域坐标范围内进行螺孔区域定位，得到在板材边缘区域坐标范围内的螺孔区域位置特征，包括：在所述板材边缘区域坐标范围通过连通域分析，提取各个区域的链码表和线性表；根据链码表和线性表分别计算出区域边界轮廓的长度、周长、面积及中心；根据所述区域边界轮廓的长度、周长、面积及中心，进行螺孔区域定位，得到螺孔区域位置特征。
其中，所述基于所述螺孔区域位置特征划分多工位各自的工作区域，包括：将螺孔转化为网络中的节点，螺孔圆心之间的路径为网络中的边，螺孔圆心间距离为边的权值，得到节点集；根据权值矩阵，将节点中的边按权值从大到小排序；选择权值最大的节点作为各工位工作范围的种子节点；在未归属节点中寻找与种子节点产生最小权值的节点，将所述最小权值的节点归属于该种子节点所在工作区域，并标记为已归属节点，直至所有节点都已标记为已归属节点，得到划分后多工位各自的工作区域。
其中，述分别对每个工位的工作区域内的所有螺孔规划锁付路径，包括：利用蚁群算法计算电批头遍历工作区域内的每个螺孔圆心坐标并返回原处的最短距离，作为每个螺孔的螺孔锁付路径。
其中，所述根据每个螺孔的深度图像轮廓图定位螺孔圆心，得到每个螺孔的图像圆心坐标，包括：在每个螺孔的深度图像轮廓图的圆心坐标和半径的最大值和最小值之间建立离散的参数空间，在参数空间对目标检测的候选区域内的每一点做变换，分别计算所有的点的圆心坐标和半径的值，得到螺孔的个数和每个螺孔的图像圆心坐标。
通过该步骤，可以对不同形状的板材上的螺孔进行自动定位。
S102、根据定位后的螺孔形成网络图，并根据网络图以及预设的网络分割算法确定最优压紧位置。
基于多视觉传感及双目视觉技术进行螺孔精准定位之后，仅定位是无法完成螺钉锁附操作的，工件的装夹和固定也是锁附操作的一个重要前提。因此，根据定位后的螺孔形成网络图，并根据网络图以及预设的网络分割算法确定最优压紧位置。
首先，根据定位后的螺孔构造网络图G，将螺孔作为网络图中的节点，节点位置即螺孔圆心坐标，将螺孔圆心之间的连线作为网络图中的边，将螺孔圆心之间的距离作为网络图中边的权重。图中节点集为C（G）。
进一步地，将构造的网络图划分为多个子网络。
具体地，确定待划分的子网络的数量，可根据采用的机械臂的数量确定待划分的子网络的数量，例如，采用两个机械臂时划分两个子网络，采用四个机械臂时，划分4个子网络，可根据实际情况设定，本申请实施例不做具体限定。
将网络图中的边按照权重从大到小排序，得到排序后的数组EdgeList， 将排在前面的相应数量条权重较大的边对应的两个节点作为种子节点，种子节点的数量与子网络的数量相等，因此，可根据种子节点与子网络的数量相等，确定选取权重较大的边的数量。以设定两个子网络为例，需要两个种子节点，只选取权重最大的一条边即可，选取权值最大的边EdgeList[0]，表示为
，代表节点
和
产生的权值最大，选择
和
作为两个子网络的种子节点。
在剩余未归属节点中找到与种子节点相连时权重最小的节点，且种子节点对应的子网络内节点的数量小于预设阈值，则将该节点归属于种子节点对应的子网络，并标记该节点为已归属节点。若归属后，该子网络内节点的数量达到阈值，则将剩余未归属节点归属到其他种子节点所属的子网络。
例如，在剩余未归属节点中找到与种子节点
，
产生最小权值的节点
，假设
和
产生最小权值，并且
，将
归属种子节点
所在子网络Region_List[2]，标记
为已归属节点；若归属后
，则不再将节点
作为种子节点。
重复执行节点归属的步骤，直到剩余节点都标记为已归属节点，得到划分的多个子网络Region_List。
其中，
表示第i个子网络内节点的数量，n表示子网络的数量，n-1表示压紧条的数量，m表示螺孔的数量，
，其中
。E表示网络的权值矩阵，即螺孔间距离矩阵，
表示节点i和节点j之间边的权值，
,需说明的是
和
等价。Region_List表示划分后的子网络列表，各子网络内的节点/螺孔列表, Region_List[i]代表第i个子网络。
进一步地，根据相邻子网络间边界点的中位线确定最优压紧位置。选择中位线的原因是为了尽量保证押紧位置两侧压力均衡，并且确保押紧位置距离边界节点的距离足够大。
首先，对每个子网络内的节点根据X轴坐标升序排序，将排序后的第一个节点作为该子网络的左临界节点，将排序后的最后一个节点作为该子网络的右临界节点。根据相邻子网络中x轴坐标较小的一个子网络的右临界节点和另一个子网络的左临界节点间的中位线，得到每个压紧条的最优压紧位置。
例如，第i个子网络的右临界节点的x轴坐标表示为
，左临界节点的x轴坐标表示为
，那么第i个压紧条的最优压紧位置是x轴坐标为
的位置。重复该步骤，直到第n-1个压紧位置都计算完毕。算法结束。
图2是根据一示例性实施例示出的一种最优压紧位置的示意图，如图2所示，找到不规则板材需锁附的子网络的边界孔位，根据两个边界孔位的连线的中位线得到最优压紧位置。
S103、控制压紧机构在最优压紧位置压紧固定板材。
得到算法计算出来的最优压紧位置之后，控制自适应压紧机构在预定位置压紧固定板材，实现对板材的压紧固定。
本申请实施例提供的锁螺钉自适应压紧方法，对板材的全局图像完成螺孔的定位后，将螺孔看作网络中的节点，螺孔圆心之间的路径看作网络中的边，路径长度代表边的权值，以此形成螺孔的网络图。将寻找最优压紧位置的问题抽象为基于网络分割的结果计算最优位置的问题。具体为首先将网络划分为指定数量的子网络，然后在相邻子网络的边界点间寻找中位线作为最优压紧位置。然后控制压紧机构在最优压紧位置压紧固定板材。
该方法无需制作专业夹具，加工成本明显降低，效率提升。无需在加工前人工调整夹具，效率提升，设备易用性提升。且结合视觉感知算法，可实现不同尺寸、形状板材的压紧固定。
本申请实施例还提供一种锁螺钉自适应压紧装置，该装置用于执行上述实施例的锁螺钉自适应压紧方法，如图3所示，该装置包括：
螺孔定位模块301，用于根据全局相机和局部双目立体相机对板材上的螺孔进行定位；
压紧位置确定模块302，用于根据定位后的螺孔形成网络图，并根据网络图以及预设的网络分割算法确定最优压紧位置；
控制模块303，用于控制压紧机构在最优压紧位置压紧固定板材。
该装置无需制作专业夹具，加工成本明显降低，效率提升。无需在加工前人工调整夹具，效率提升，设备易用性提升。且结合视觉感知算法，可实现不同尺寸、形状板材的压紧固定。
需要说明的是，上述实施例提供的锁螺钉自适应压紧装置在执行锁螺钉自适应压紧方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的锁螺钉自适应压紧装置与锁螺钉自适应压紧方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
本申请实施例还提供一种与前述实施例所提供的锁螺钉自适应压紧方法对应的计算机可读存储介质，请参考图4，其示出的计算机可读存储介质为光盘400，其上存储有计算机程序（即程序产品），计算机程序在被处理器运行时，会执行前述任意实施例所提供的锁螺钉自适应压紧方法。
需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的锁螺钉自适应压紧方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种锁螺钉自适应压紧方法，其特征在于，包括：
根据全局相机和局部双目立体相机对板材上的螺孔进行定位；
根据定位后的螺孔形成网络图，并根据所述网络图以及预设的网络分割算法确定最优压紧位置；
控制压紧机构在所述最优压紧位置压紧固定板材。
2.根据权利要求1所述的方法，其特征在于，根据定位后的螺孔形成网络图，包括：
将螺孔作为所述网络图中的节点；
将螺孔之间的连线作为所述网络图中的边；
将螺孔之间的距离作为所述网络图中边的权重。
3.根据权利要求1所述的方法，其特征在于，根据所述网络图以及预设的网络分割算法确定最优压紧位置，包括：
将所述网络图划分为多个子网络；
根据相邻子网络边界点间的中位线确定所述最优压紧位置。
4.根据权利要求3所述的方法，其特征在于，将所述网络图划分为多个子网络，包括：
确定待划分的子网络的数量；
将所述网络图中的边按照权重从大到小排序；将排在前面的相应数量条权重较大的边对应的两个节点作为种子节点，种子节点的数量与子网络的数量相等；
在剩余未归属节点中找到与种子节点相连时权重最小的节点，且种子节点对应的子网络内节点的数量小于预设阈值，则将该节点归属于种子节点对应的子网络，并标记该节点为已归属节点；
重复执行节点归属的步骤，直到剩余节点都标记为已归属节点，得到划分的多个子网络。
5.根据权利要求3所述的方法，其特征在于，根据相邻子网络边界点间的中位线确定所述最优压紧位置，包括：
对每个子网络内的节点根据X轴坐标升序排序，将排序后的第一个节点作为该子网络的左临界节点，将排序后的最后一个节点作为该子网络的右临界节点；
根据相邻子网络中x轴坐标较小的一个子网络的右临界节点和另一个子网络的左临界节点间的中位线，得到每个压紧条的最优压紧位置。
6.根据权利要求1所述的方法，其特征在于，根据全局相机和局部双目立体相机对板材上的螺孔进行定位，包括：
根据全局相机获取的全局图像进行板材边缘检测，得到板材边缘区域坐标范围；
在所述板材边缘区域坐标范围内进行螺孔区域定位，得到在板材边缘区域坐标范围内的螺孔区域位置特征；
基于所述螺孔区域位置特征划分多工位各自的工作区域；
分别对每个工位的工作区域内的所有螺孔规划锁付路径；
分别基于规划的螺孔锁付路径引导载有双目立体相机的电批头移动，并采集各自移动区域内每个螺孔的局部图像；
对每个螺孔的局部图像进行轮廓提取，得到每个螺孔的深度图像轮廓图；
根据每个螺孔的深度图像轮廓图定位螺孔圆心，得到每个螺孔的图像圆心坐标。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：根据每个螺孔的图像圆心坐标进行空间坐标的转换，以使得电批头根据螺孔空间圆心坐标进行锁付。
8.根据权利要求6所述的方法，其特征在于，所述在所述板材边缘区域坐标范围内进行螺孔区域定位，得到在板材边缘区域坐标范围内的螺孔区域位置特征，包括：
在所述板材边缘区域坐标范围通过连通域分析，提取各个区域的链码表和线性表；
根据链码表和线性表分别计算出区域边界轮廓的长度、周长、面积及中心；
根据所述区域边界轮廓的长度、周长、面积及中心，进行螺孔区域定位，得到螺孔区域位置特征。
9.一种锁螺钉自适应压紧装置，其特征在于，包括：
螺孔定位模块，用于根据全局相机和局部双目立体相机对板材上的螺孔进行定位；
压紧位置确定模块，用于根据定位后的螺孔形成网络图，并根据所述网络图以及预设的网络分割算法确定最优压紧位置；
控制模块，用于控制压紧机构在所述最优压紧位置压紧固定板材。
10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至8任一项所述的一种锁螺钉自适应压紧方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210529597.3A CN114782474B (zh) | 2022-05-16 | 2022-05-16 | 锁螺钉自适应压紧方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210529597.3A CN114782474B (zh) | 2022-05-16 | 2022-05-16 | 锁螺钉自适应压紧方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782474A true CN114782474A (zh) | 2022-07-22 |
| CN114782474B CN114782474B (zh) | 2022-12-20 |
Family
ID=82436573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210529597.3A Active CN114782474B (zh) | 2022-05-16 | 2022-05-16 | 锁螺钉自适应压紧方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782474B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090136103A1 (en) * | 2005-06-24 | 2009-05-28 | Milan Sonka | System and methods for image segmentation in N-dimensional space |
| CN108228972A (zh) * | 2016-12-12 | 2018-06-29 | 德国弗劳恩霍夫应用研究促进协会 | 确定用于可重配置逻辑器件的至少一个电路的布置的方法和计算机程序 |
| CN109509197A (zh) * | 2018-09-26 | 2019-03-22 | 沈阳东软医疗系统有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
| CN110298842A (zh) * | 2019-06-10 | 2019-10-01 | 上海工程技术大学 | 一种基于超像素节点排序的轨道扣件图像定位方法 |
| CN110546958A (zh) * | 2017-05-18 | 2019-12-06 | 利弗有限公司 | 无线多链路车辆通信的装置、系统和方法 |
| CN110841220A (zh) * | 2019-12-09 | 2020-02-28 | 国网智能科技股份有限公司 | 一种变电站智能消防系统及方法 |
| CN111932517A (zh) * | 2020-08-11 | 2020-11-13 | 上海柏楚电子科技股份有限公司 | 余料板材的轮廓测绘方法、装置、电子设备与存储介质 |
| CN112288693A (zh) * | 2020-10-19 | 2021-01-29 | 佛山(华南)新材料研究院 | 圆孔检测方法、装置、电子设备及存储介质 |
| CN114013060A (zh) * | 2021-11-10 | 2022-02-08 | 邵阳学院 | 塑钢门自动化生产工艺 |
| CN114168797A (zh) * | 2021-11-10 | 2022-03-11 | 南方科技大学 | 基于网络分区的交通预测方法、装置、设备及存储介质 |
-
2022
- 2022-05-16 CN CN202210529597.3A patent/CN114782474B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090136103A1 (en) * | 2005-06-24 | 2009-05-28 | Milan Sonka | System and methods for image segmentation in N-dimensional space |
| CN108228972A (zh) * | 2016-12-12 | 2018-06-29 | 德国弗劳恩霍夫应用研究促进协会 | 确定用于可重配置逻辑器件的至少一个电路的布置的方法和计算机程序 |
| CN110546958A (zh) * | 2017-05-18 | 2019-12-06 | 利弗有限公司 | 无线多链路车辆通信的装置、系统和方法 |
| CN109509197A (zh) * | 2018-09-26 | 2019-03-22 | 沈阳东软医疗系统有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
| CN110298842A (zh) * | 2019-06-10 | 2019-10-01 | 上海工程技术大学 | 一种基于超像素节点排序的轨道扣件图像定位方法 |
| CN110841220A (zh) * | 2019-12-09 | 2020-02-28 | 国网智能科技股份有限公司 | 一种变电站智能消防系统及方法 |
| CN111932517A (zh) * | 2020-08-11 | 2020-11-13 | 上海柏楚电子科技股份有限公司 | 余料板材的轮廓测绘方法、装置、电子设备与存储介质 |
| CN112288693A (zh) * | 2020-10-19 | 2021-01-29 | 佛山(华南)新材料研究院 | 圆孔检测方法、装置、电子设备及存储介质 |
| CN114013060A (zh) * | 2021-11-10 | 2022-02-08 | 邵阳学院 | 塑钢门自动化生产工艺 |
| CN114168797A (zh) * | 2021-11-10 | 2022-03-11 | 南方科技大学 | 基于网络分区的交通预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| WEIHANG LIAO等: "Path Coding on Geometric Planar Graph for 2D / 3D Visual Data Partitioning", 《2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
| 林强强: "异构网络中基于用户特点的位置管理研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782474B (zh) | 2022-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110557716B (zh) | 一种基于对数正态模型的室内定位方法 | |
| CN104703143B (zh) | 一种基于wifi信号强度的室内定位方法 | |
| CN105101406B (zh) | 一种基于无线强度的室内定位方法及系统 | |
| CN101996420B (zh) | 信息处理装置和信息处理方法 | |
| CN107484240B (zh) | 一种基于指纹进行定位的方法及装置 | |
| CN102083103B (zh) | 一种干扰源定位系统中定位参考点的确定方法及装置 | |
| CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
| CN105205114A (zh) | 一种基于图像处理的Wi-Fi定位指纹数据库构建方法 | |
| CN105334497A (zh) | 一种三维定位方法和装置 | |
| CN110418283A (zh) | 基于WiFi数据的位置指纹库创建方法 | |
| CN114782474B (zh) | 锁螺钉自适应压紧方法、装置及存储介质 | |
| CN101754038A (zh) | 一种视差提取方法 | |
| CN106919762B (zh) | 一种有限元网格阵列建模方法 | |
| CN112613530A (zh) | 基于自适应密度聚类算法的小区住户识别方法和系统 | |
| CN111985162A (zh) | 一种基于深度学习的置换流水车间控制方法及系统 | |
| CN115205378A (zh) | 一种螺孔锁付方法和系统 | |
| WO2022193717A1 (zh) | 权值优化方法、装置、通信设备及计算机可读存储介质 | |
| CN116402713A (zh) | 一种基于二维图像和几何形状的电力三维点云补全方法 | |
| CN106469346A (zh) | 一种基于区域的风险控制方法和设备 | |
| CN113870275A (zh) | 一种铆钉膨胀量检测方法、装置、存储介质及设备 | |
| CN111629321A (zh) | 基于离群点剥离的中值卡尔曼滤波的定位方法 | |
| CN116834003B (zh) | 光伏组件的智能安装方法及系统 | |
| CN109121140B (zh) | 一种无线网络小区的参数配置方法及设备 | |
| CN117197730B (zh) | 一种城市空间畸变图像的修复评估方法 | |
| CN103347263A (zh) | 邻近小区同邻频干扰优化处理方法及设备 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chen Xi Inventor after: Duan Hongying Inventor after: Fan Yangtao Inventor before: Chen Xi Inventor before: Duan Hongying Inventor before: Fan Yangtao Inventor before: Ma Zhiyi |