CN114986393B - 一种自动纠偏的抛光打磨机械臂控制系统及方法 - Google Patents
一种自动纠偏的抛光打磨机械臂控制系统及方法 Download PDFInfo
- Publication number
- CN114986393B CN114986393B CN202210669677.9A CN202210669677A CN114986393B CN 114986393 B CN114986393 B CN 114986393B CN 202210669677 A CN202210669677 A CN 202210669677A CN 114986393 B CN114986393 B CN 114986393B
- Authority
- CN
- China
- Prior art keywords
- template
- identification
- grinding
- polishing
- feature
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B41/00—Component parts such as frames, beds, carriages, headstocks
- B24B41/04—Headstocks; Working-spindles; Features relating thereto
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及机器人控制技术的技术领域,尤其是涉及一种自动纠偏的抛光打磨机械臂控制系统及方法,包括机身,机身上设有第一打磨机械臂和第二打磨机械臂;机身设有图像采集装置和模板制作装置;第一打磨机械臂设有第一识别端和第一执行端,第二打磨机械臂设有第二识别端和第二执行端;第一识别端进行匹配识别;第一识别端包括修正模块,用于计算最优匹配模板及待打磨工件的特征点之间的偏差,并对偏差进行修正;第一执行端对待打磨工件进行第一次打磨;第二识别端识别第一次打磨的实际效果与打磨轨迹是否吻合,第二执行端分别执行第二次打磨和再打磨的操作;本发明能够在一次打磨之后进行检查和再打磨,具有提高抛光打磨的精度和质量的效果。
Description
技术领域
本发明涉及机器人控制技术的技术领域,特别是一种自动纠偏的抛光打磨机械臂控制系统及方法。
背景技术
在现有生产过程中,针对不同类型的物体执行抛光打磨的工序时,需先对物体的轮廓进行识别,在确认是待打磨目标后,再执行对应的打磨操作;现有技术中,对多个物体进行识别的方式多采用识别模板进行识别,但识别模板通常只具备一个或两个,当待识别的对象的角度发生偏移时,只用一两个模板进行识别会出现因待识别对象的角度与识别模板的角度匹配不上的问题,从而导致发生这一两个识别模板无法识别目标物或识别出错的情况,使得本应执行打磨操作的对象因识别出错而无法被打磨。
进一步的,因为识别得出的最优匹配模板与实际的待打磨工件之间还存在一定的位置偏差,当打磨机械臂在基于最优匹配模板的特征点进行操作时,会导致打磨机械臂无法精准对接物体上的实际特征点,会在打磨过程中出现操作失败或操作不稳固的情况;并且在打磨过程中,容易出现打磨机械臂的轨道偏移,导致一次打磨质量不佳的情况。
发明内容
针对上述缺陷,本发明的目的在于提出一种自动纠偏的抛光打磨机械臂控制系统及方法,能够在一次打磨之后进行检查和再打磨,具有提高抛光打磨的精度和质量的效果。
为达此目的,本发明采用以下技术方案:
一种自动纠偏的抛光打磨机械臂控制系统,包括机身,所述机身上设有至少一组第一打磨机械臂和第二打磨机械臂;
所述机身上设有图像采集装置和模板制作装置,所述第一打磨机械臂设有第一识别端和第一执行端,所述第二打磨机械臂设有第二识别端和第二执行端;
所述图像采集装置用于采集目标物的图像信息,并提取图像的特征信息;
所述模板制作装置用于以参照物为对象制作全角度模板,提取每一模板的特征信息,并存储至第一识别端和第二识别端;
所述第一识别端用于将目标物图像信息与全角度模板的特征信息进行匹配识别,若匹配成功,则当前物体为待打磨工件,对应的模板为最优匹配模板;
所述第一识别端包括修正模块,所述修正模块用于获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差,并对最优匹配模板的偏差进行修正,得到修正后的匹配模板;
所述第一识别端与第一执行端信号连接,当第一识别端判断当前物体为待打磨工件时,根据修正后的匹配模板对应的打磨轨迹,发送抛光打磨的控制指令至第一执行端;
所述第一执行端用于在接收第一识别端的控制指令后,对待打磨工件进行第一次打磨;
所述第二识别端与第一识别端、第二执行端均信号连接,所述第一识别端将识别得出的结果信息传输至第二识别端,第二识别端用于识别第一次打磨的实际效果与控制指令的预定打磨轨迹是否吻合,将结果发送至第二执行端,若吻合,则向第二执行端发送对下一加工区域实施第二次打磨的指令,若不吻合,则向第二执行端发送对第一次打磨的区域进行再打磨的指令;
所述第二执行端与第二识别端信号连接,所述第二执行端用于接收第二识别端的指令,分别执行第二次打磨和再打磨的操作。
优选的,所述模板制作装置包括模板特征提取器,所述模板特征提取器用于提取每一模板的特征信息,并存储至第一识别端和第二识别端;
所述模板特征提取器用于执行以下操作:对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化,得到对应每一个模板的角度图像矩阵,并将角度图像矩阵转换成梯度幅值图像矩阵;设定梯度幅值阈值,对梯度幅值图像矩阵进行遍历,找出梯度幅值图像矩阵中的最大梯度幅值的像素点,判断最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值,若是,则将该像素点标记为识别特征;设定数量阈值,获取所有识别特征的数量,判断所有识别特征的数量是否大于数量阈值,若是,则将所有识别特征加入到特征点集合中并保存至存储器。
优选的,所述第一识别端包括特征提取子模块和特征匹配子模块;所述特征提取子模块用于提取模板的特征信息,以及提取由所述图像采集模块采集的目标物的图像的特征信息;所述特征匹配子模块用于设定阈值,根据模板的特征信息和目标物图像的特征信息,将当前目标物的特征与上述每个模板的特征进行特征匹配,并进行分数计算,当某一模板的分数达到阈值时,则该模板与目标物图像相互匹配。
优选的,所述修正模块包括识别特征关联子模块和旋转平移子模块;
所述识别特征关联子模块用于按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点,根据第一识别点找出所述模板图上与所述第一识别点所对应的第二识别点;
获取所有第一识别点和与其对应第二识别点之间的距离,判断所有第一识别点与其对应第二识别点之间的距离是否大于距离阈值,若满足,则获取满足距离阈值第一识别点的数量,并判断数量是否满足第一数量阈值,若不满足,则向所述旋转平移子模块发出修正指令;
所述旋转平移子模块用于接收所述修正指令,并将所述第一识别点与第二识别点代入至变化矩阵中,修正模板图的位姿,得到修正后的模板图。
一种自动纠偏的抛光打磨机械臂控制方法,包括以下步骤:
步骤A0:以参照物为对象制作全角度模板,并提取每一模板的特征信息,所述全角度模板包括360个模板,每个模板对应一个角度;
步骤A1:采集目标物的图像信息,并提取图像的特征信息;
步骤A2:将采集到的图像信息与全角度模板的特征信息进行匹配识别,判断是否存在某一角度的模板的特征信息与所述图像信息相互匹配,若是,则当前物体为待打磨工件,对应该角度的模板为最优匹配模板;
步骤A3:获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差;
步骤A4:基于ICP算法对最优匹配模板的偏差进行修正,根据修正后得到的修正模板的特征点形成打磨轨迹;
步骤A5:根据修正后的打磨轨迹,对待打磨工件进行第一次打磨;
步骤A6:识别第一次打磨的实际效果与预定的打磨轨迹是否吻合,若吻合,则对下一加工区域实施第二次打磨,若不吻合,则对第一次打磨的区域进行再打磨。
优选的,步骤A0中,以参照物为对象制作全角度模板,并提取每一模板的特征信息,包括以下步骤:
步骤A01:获取参照物的多个角度的图像作为模板;
步骤A02:对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化,得到对应每一个模板的角度图像矩阵,并将角度图像矩阵转换成梯度幅值图像矩阵;
步骤A03:设定梯度幅值阈值,对梯度幅值图像矩阵进行遍历,找出梯度幅值图像矩阵中的最大梯度幅值的像素点,判断最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值,若是,则将该像素点标记为识别特征;
步骤A04:设定数量阈值,获取所有识别特征的数量,判断所有识别特征的数量是否大于数量阈值,若是,则将所有识别特征加入到特征点集合中并保存至存储器。
优选的,步骤A2中,将采集到的图像信息与全角度模板的特征信息进行匹配识别,包括以下步骤:设定阈值,根据模板的特征信息和目标物的图像的特征信息,将目标物的图像的特征与上述每个模板的特征进行特征匹配,并进行分数计算,当某一模板的分数达到阈值时,则该模板与当前的目标物相互匹配,该模板为最优匹配模板,当前的目标物为待打磨工件。
优选的,步骤A3中,获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差,包括以下步骤:
步骤A31:以提取亚像素点集的方式将待打磨工件的边缘从待打磨工件的图像信息中进行提取出来,得到目标边框;
步骤A32:按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点,根据第一识别点找出最优匹配模板上与第一识别点对应的第二识别点;
步骤A33:获取所有第一识别点和对应的第二识别点之间的距离,判断所有第一识别点和其对应的第二识别点之间的距离是否大于距离阈值,若满足,则获取满足距离阈值的第一识别点的数量,并判断数量是否满足第一数量阈值,若不满足,则对偏差进行修正。
一种自动纠偏的抛光打磨机械臂控制系统设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上文所述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述方法的步骤。
上述技术方案包括以下有益效果:
在本实施例中,应用修正模块执行以下操作:先提取最优匹配模板的特征点,以及根据待打磨工件的图像信息提取图像的特征点,再将最优匹配模板的特征点和待打磨工件的图像特征点进行比对,计算两者特征点的偏差,并对偏差进行修正,得到修正后的模板,根据修正后的模板的特征点组成实际打磨轨迹,第一识别端将实际打磨轨迹信息传递至第一执行端,第一执行端根据轨迹对实际的待打磨工件进行抛光打磨,此时修正后的打磨轨迹可以精确地对准实际需打磨的位置,具有抛光打磨的位置更精确的效果。
进一步的,在本实施例中还设置有第二识别端和第二执行端,用于第一执行端的打磨操作之后。第二识别端在第一执行端完成打磨后对打磨的情况进行检查识别,并将结果反馈至第二执行端,若第一执行端的打磨路径与设定的打磨轨迹吻合,则第二执行端对下个加工区域继续进行打磨,若不吻合,则第二执行端对上一次的第一执行端的打磨的区域进行再打磨,以改善第一执行端的打磨效果。
附图说明
图1是本发明的方法示意图;
图2是本发明的系统示意图。
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,仅用于解释本发明,而不能理解为对本发明的限制。
下面结合图1至图2描述本发明实施例的一种自动纠偏的抛光打磨机械臂控制系统及方法:
一种自动纠偏的抛光打磨机械臂控制系统,包括机身,所述机身上设有至少一组第一打磨机械臂和第二打磨机械臂;
所述机身上设有图像采集装置和模板制作装置,所述第一打磨机械臂设有第一识别端和第一执行端,所述第二打磨机械臂设有第二识别端和第二执行端;
所述图像采集装置用于采集目标物的图像信息,并提取图像的特征信息;
所述模板制作装置用于以参照物为对象制作全角度模板,提取每一模板的特征信息,并存储至第一识别端和第二识别端;
所述第一识别端用于将目标物图像信息与全角度模板的特征信息进行匹配识别,若匹配成功,则当前物体为待打磨工件,对应的模板为最优匹配模板;
所述第一识别端包括修正模块,所述修正模块用于获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差,并对最优匹配模板的偏差进行修正,得到修正后的匹配模板;
所述第一识别端与第一执行端信号连接,当第一识别端判断当前物体为待打磨工件时,根据修正后的匹配模板对应的打磨轨迹,发送抛光打磨的控制指令至第一执行端;
所述第一执行端用于在接收第一识别端的控制指令后,对待打磨工件进行第一次打磨;
所述第二识别端与第一识别端、第二执行端均信号连接,所述第一识别端将识别得出的结果信息传输至第二识别端,第二识别端用于识别第一次打磨的实际效果与控制指令的预定打磨轨迹是否吻合,将结果发送至第二执行端,若吻合,则向第二执行端发送对下一加工区域实施第二次打磨的指令,若不吻合,则向第二执行端发送对第一次打磨的区域进行再打磨的指令;
所述第二执行端与第二识别端信号连接,所述第二执行端用于接收第二识别端的指令,分别执行第二次打磨和再打磨的操作。
具体的,在现有生产过程中,针对不同类型的物体执行抛光打磨的工序时,需先对物体的轮廓进行识别,在确认是待打磨工件后,再执行对应的打磨操作;现有技术中,对多个物体进行识别的方式多采用识别模板进行识别,但识别模板通常只具备一个或两个,当待识别的对象的角度发生偏移时,只用一两个模板进行识别会出现因待识别对象的角度与识别模板的角度匹配不上的问题,从而导致发生这一两个识别模板无法识别目标物或识别出错的情况,使得本应执行打磨操作的对象因识别出错而无法被打磨。
因此,在本实施例中,先通过模板制作装置获取参照物的全角度模板,全角度模板包括360个模板,360个模板分别对应360个角度,即对应参照物的每一个角度采集一个模板,一共具有360个模板;之后再应用图像采集装置对目标物进行图像采集,获取目标物的图像的特征信息;第一识别端提取每一个模板的特征信息,将每一个模板的特征信息分别与目标物的图像的特征信息进行匹配识别,查找有无可供匹配的模板;若存在某一角度的模板能够与此对象配对,则对该对象识别成功,将配对的角度的模板作为最优匹配模板。
进一步的,因为最优匹配模板与实际的待打磨工件之间还存在一定的位置偏差,当打磨机械臂在基于最优匹配模板的特征点进行操作时,会导致打磨机械臂无法精准对接物体上的实际特征点,会在打磨过程中出现操作失败或操作不稳固的情况。
因此在本实施例中,应用修正模块执行以下操作:先提取最优匹配模板的特征点,以及根据待打磨工件的图像信息提取图像的特征点,再将最优匹配模板的特征点和待打磨工件的图像特征点进行比对,计算两者特征点的偏差,并对偏差进行修正,得到修正后的模板,根据修正后的模板的特征点组成实际打磨轨迹,第一识别端将实际打磨轨迹信息传递至第一执行端,第一执行端根据轨迹对实际的待打磨工件进行抛光打磨,此时修正后的打磨轨迹可以精确地对准实际需打磨的位置,具有抛光打磨的位置更精确的效果。
进一步的,在本实施例中还设置有第二识别端和第二执行端,用于第一执行端的打磨操作之后。第二识别端在第一执行端完成打磨后对打磨的情况进行检查识别,并将结果反馈至第二执行端,若第一执行端的打磨路径与设定的打磨轨迹吻合,则第二执行端对下个加工区域继续进行打磨,若不吻合,则第二执行端对上一次的第一执行端的打磨的区域进行再打磨,以改善第一执行端的打磨效果。
优选的,所述模板制作装置包括模板特征提取器,所述模板特征提取器用于提取每一模板的特征信息,并存储至第一识别端和第二识别端;
所述模板特征提取器用于执行以下操作:对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化,得到对应每一个模板的角度图像矩阵,并将角度图像矩阵转换成梯度幅值图像矩阵;设定梯度幅值阈值,对梯度幅值图像矩阵进行遍历,找出梯度幅值图像矩阵中的最大梯度幅值的像素点,判断最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值,若是,则将该像素点标记为识别特征;设定数量阈值,获取所有识别特征的数量,判断所有识别特征的数量是否大于数量阈值,若是,则将所有识别特征加入到特征点集合中并保存至存储器。
具体的,在确认目标物是否为待打磨工件前,通常需要选定一个参照的模板,按照所存储的待打磨工件的特征信息对目标物进行识别,判断目标物是否为待打磨工件,若是,则再对模板进行修正,得到修正后的打磨轨迹,最后根据修正后的打磨轨迹对待打磨工件进行实际打磨操作。
在本实施例中,需要先获得参照物的全角度(即360度)的角度拍摄得到的图像作为模板,提取这360个模板的特征,便于目标物与模板的特征匹配。
具体的,制作360个模板图,360个模板图分别对应360°中每一个角度,增加了匹配模板图的数量,使得所述模板图能够覆盖每一个待打磨的目标物的摆放角度,每一个摆放角度均能找到对应的一个模板图,使得对于目标物的每一个角度,均能方便地对应模板进行打磨作业。
具体的,对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化的过程如下:
通过sobel计算梯度图像的梯度,若模板图为三通道图像,则由X和Y方向的梯度求平方和非最大抑制算法提取出单通道梯度幅值最大值图像矩阵;
由X和Y方向的梯度图像矩阵得到角度图像矩阵;
角度图像矩阵范围从0-360度量化成1-15的整数,再继续对7取余数进行8个方向量化,取幅度图像矩阵中大于阈值的像素,然后取该像素领域3*3对应的量化图像矩阵,构成直方图,取领域多于5个相同方向,并对该方向进行赋值,并对索引进行00000001~10000000的移位编码;
其中所述梯度幅值最大值图像矩阵计算公式如下:
在梯度量化完毕之后,对梯度幅值最大值图像矩阵进行遍历,找出在梯度幅值最大值图像矩阵中各个领域存在最大梯度幅值的像素点,若在领域中找出最大梯度幅值的像素点,则将领域中除去最大梯度幅值的像素点以外的像素点的梯度幅值设置为零;
判断所有领域中最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值,若是,则将该像素点标记为识别特征;
获取所有识别特征的数量,判断所有识别特征的数量是否大于数量阈值,若是,则将所有识别特征加入到特征点集合中并保存至所述存储器;若否,则判断识别特征在距离数量阈值的范围内是否存在至少另一识别特征,若存在,则对该识别特征以及距离数量阈值内的识别特征进行剔除,若不存在,则将该识别特征保存至所述存储器。
优选的,所述第一识别端包括特征提取子模块和特征匹配子模块;所述特征提取子模块用于提取模板的特征信息,以及提取由所述图像采集模块采集的目标物的图像的特征信息;所述特征匹配子模块用于设定阈值,根据模板的特征信息和目标物图像的特征信息,将当前目标物的特征与上述每个模板的特征进行特征匹配,并进行分数计算,当某一模板的分数达到阈值时,则该模板与目标物图像相互匹配。
具体的,特征提取子模块提取每一模板的特征信息具体包括以下步骤:
步骤1:对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化,得到对应每一个模板的角度图像矩阵,并将角度图像矩阵转换成梯度幅值图像矩阵;
步骤2:设定梯度幅值阈值,对梯度幅值图像矩阵进行遍历,找出梯度幅值图像矩阵中的最大梯度幅值的像素点,判断最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值,若是,则将该像素点标记为识别特征;
步骤3:设定数量阈值,获取所有识别特征的数量,判断所有识别特征的数量是否大于数量阈值,若是,则将所有识别特征加入到特征点集合中并保存至存储器。
进一步的,特征提取子模块提取目标物图像的特征信息具体包括以下步骤:对当前的目标物的图像信息进行梯度提取和量化,创建两层金字塔,分别对每层金字塔进行梯度扩散,得到对应目标物图像的扩散梯度矩阵图;计算方向响应矩阵图,获取每一层金字塔的线性内存数据容器。
进一步的,特征匹配子模块利用相似度匹配方法对模板图像特征与目标物的图像特征进行匹配,具体步骤如下:
根据所述模板的特征点集合信息找到目标物的图像的线性内存访问入口,根据所述识别特征与所述响应矩阵图,通过MIPP累加计算相应位置的相似度,得到匹配相似度矩阵;
迭代计算匹配相似度矩阵,将匹配相似度矩阵转换成100分制,且设置匹配得分阈值,通过对多个模板分别进行迭代处理,找出匹配度分数最高且超出匹配得分阈值的模板,将此模板作为当前目标物图像的匹配模板。
优选的,所述修正模块包括识别特征关联子模块和旋转平移子模块;
所述识别特征关联子模块用于按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点,根据第一识别点找出所述模板图上与所述第一识别点所对应的第二识别点;
获取所有第一识别点和与其对应第二识别点之间的距离,判断所有第一识别点与其对应第二识别点之间的距离是否大于距离阈值,若满足,则获取满足距离阈值第一识别点的数量,并判断数量是否满足第一数量阈值,若不满足,则向所述旋转平移子模块发出修正指令;
所述旋转平移子模块用于接收所述修正指令,并将所述第一识别点与第二识别点代入至变化矩阵中,修正模板图的位姿,得到修正后的模板图。
具体的,以提取亚像素点集的方式将待打磨工件的边缘从待打磨工件的图像信息中进行提取出来,得到目标边框;按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点,根据第一识别点找出最优匹配模板上与第一识别点对应的第二识别点;获取所有第一识别点和对应的第二识别点之间的距离,判断所有第一识别点和其对应的第二识别点之间的距离是否大于距离阈值,若满足,则获取满足距离阈值的第一识别点的数量,并判断数量是否满足第一数量阈值,若不满足,则对偏差进行修正。
具体的,在一个实施例中,获取目标边框的实施过程如下:
通过Canny算子收集图像信息中目标物的边缘点集,对边缘点集进行二元二次多项式拟合,通过facet模型求解二元二次多项式,得到Hessian矩阵,对Hessian矩阵求解到边缘点集的特征值和特征向量,在通过泰勒展开式对特征值进行求导,得出边缘点集的亚像素,通过目标物的目标边框进行提取。通过Canny算子实现检测目标物的边缘点集,随后拟合二元二次多项式,利用facet模型求解系数,得到Hessian矩阵,由此求解到特征值和特征向量,特征向量即为第二识别点的方向矢量,再有泰勒展开式求导,结合点方向矢量,求得相应亚像素点,如此循环求得相应亚像素点集和方向矢量点集,保存在kdtree数据结构体相应位置。通过构建KDTree算法,将kdtree数据结构中的亚像素点集和方向矢量点集存储顺序与KDTree树的叶子节点建立关联,即改变原先的亚像素和点方向矢量的在数据结构中的存储顺序。另外本申请中提取边缘的亚像素点,对目标物进行提取。亚像素的边缘点更加能提高边缘的清晰度,提取的目标物会更加精准,而目标边框上的边缘点或者特征点也会更加精准。
本发明的一个实施例中以3:7的比例获取目标边框上的识别特征以及其余识别特征组合成第一识别点,其中其余识别特征为非目标边缘上的识别特征,此比例能够减少挑出目标边框的识别特征以及其余识别特征的时间,同时大量的其余识别特征能够保证模板位姿修正的精准度。
获取第一识别点与第二识别点的方式如下:获取第一识别点的切线,对第一识别点的切线做垂线,该垂线连接所述第二识别点,计算所述垂线的长度,所述垂线的长度为所述第一识别点与第二识别点之间的距离。
随后获取关联后一一对应的第一识别点与第二识别点的距离,并判断该距离是否大于距离阈值。只有当大于距离阈值时,才能说明,目标物的位姿与模板图的位姿相差大,需要对模板图的位姿进行修正。获取完所有满足距离阈值的第一识别点与第二识别点后,统计第一识别点与第二识别点的数量,当该数量是否满足数量阈值后才对模板进行修正。因为第一识别点与第二识别点虽然是相互关联在位姿上是对应的,但是有可能所述第一识别点为目标边框上的旋转边缘点,而相关联第二识别点边缘点在位姿上只是相接近的,不能旋转边缘点是不能和边缘点完全重合的。所以当模板图修正位姿接近目标物后,该类的第一识别点与第二识别特征点还是满足距离阈值的要求。如果单纯只采用距离阈值来判断是否需要进行模板位姿修改的话,会模板图的位姿会一直进行修正,浪费系统的运行资源。
进一步的,首先将第一识别点的坐标与第二识别点的坐标代入下面的公式(1)中:其中R为旋转矩阵,为平移矩阵,qi和pi分别为相关联的第一识别点与第二识别特征点的坐标,ni为特征向量,i为大于1的自然整数;
随后获取第一识别点与第二识别点中最小的偏转的角度r,将最小的偏转角度r代入到下面公式(2)中,计算得到旋转矩阵R的最小值,其中公式(2)如下所示:
将旋转矩阵R的最小值代回至公式(1)中,得到公式(3):
对公式(3)求偏导,并转化为线型方程求出最小偏转的角度r、最小的水平偏移量x和最小垂直偏移量y,其过程如下:
偏导公式四如下:
转化为线型方程求出最小偏转的角度r、最小的水平偏移量x和最小垂直偏移量y的过程如下:
一种自动纠偏的抛光打磨机械臂控制方法,应用于上文所述的一种自动纠偏的抛光打磨机械臂控制系统,包括以下步骤:
步骤A0:以参照物为对象制作全角度模板,并提取每一模板的特征信息,所述全角度模板包括360个模板,每个模板对应一个角度;
步骤A1:采集目标物的图像信息,并提取图像的特征信息;
步骤A2:将采集到的图像信息与全角度模板的特征信息进行匹配识别,判断是否存在某一角度的模板的特征信息与所述图像信息相互匹配,若是,则当前物体为待打磨工件,对应该角度的模板为最优匹配模板;
步骤A3:获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差;
步骤A4:基于ICP算法对最优匹配模板的偏差进行修正,根据修正后得到的修正模板的特征点形成打磨轨迹;
步骤A5:根据修正后的打磨轨迹,对待打磨工件进行第一次打磨;
步骤A6:识别第一次打磨的实际效果与预定的打磨轨迹是否吻合,若吻合,则对下一加工区域实施第二次打磨,若不吻合,则对第一次打磨的区域进行再打磨。
优选的,步骤A0中,以参照物为对象制作全角度模板,并提取每一模板的特征信息,包括以下步骤:
步骤A01:获取参照物的多个角度的图像作为模板;
步骤A02:对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化,得到对应每一个模板的角度图像矩阵,并将角度图像矩阵转换成梯度幅值图像矩阵;
步骤A03:设定梯度幅值阈值,对梯度幅值图像矩阵进行遍历,找出梯度幅值图像矩阵中的最大梯度幅值的像素点,判断最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值,若是,则将该像素点标记为识别特征;
步骤A04:设定数量阈值,获取所有识别特征的数量,判断所有识别特征的数量是否大于数量阈值,若是,则将所有识别特征加入到特征点集合中并保存至存储器。
优选的,步骤A2中,将采集到的图像信息与全角度模板的特征信息进行匹配识别,包括以下步骤:设定阈值,根据模板的特征信息和目标物的图像的特征信息,将目标物的图像的特征与上述每个模板的特征进行特征匹配,并进行分数计算,当某一模板的分数达到阈值时,则该模板与当前的目标物相互匹配,该模板为最优匹配模板,当前的目标物为待打磨工件。
具体的,对采集到的目标物的图像信息进行特征提取,具体步骤如下:对当前的目标物的图像信息进行梯度提取和量化,创建两层金字塔,分别对每层金字塔进行梯度扩散,得到对应目标物图像的扩散梯度矩阵图;计算方向响应矩阵图,获取每一层金字塔的线性内存数据容器。
具体的,对目标物的图像进行梯度提取和量化,过程大致和上述对于模板的梯度量化训练过程一致。创建两层金字塔的线性内存数据容器,遍历两层金字塔,对每一层金字塔的内部处理流程具体为:
获取金字塔的梯度扩散平移数值大小,获取第一层金字塔线性内存数据容器;
对目标物的图像量化梯度进行4*4的范围内按位平移,得到梯度扩散的目标物图像的扩散梯度矩阵图;
创建对应8个方向的8个响应梯度矩阵图,构成一个list数据容器;为了满足MIPP并行计算,将8个方向分为前四个方向和后四个方向,并分别创建梯度方向矩阵;通过与操作,将目标物图像的梯度矩阵图转换为前四个方向和后四个方向的梯度矩阵图;通过事先计算好的8个方向的各种组合的查找表,表元素一共有8*(16+16)个,得到每部分角度与当前角度的最大相似度,然后取前后两部分中的最大值,对每个像素遍历,得到某个方向的一张相似度响应矩阵图,即8个方向,就有8个相似度响应矩阵图。
对于每层金字塔,创建8个相似度矩阵数据容器,将8个相似度矩阵图转成16阶或64阶的方式进行线性化存储在连续的内存中,方便后续匹配的访问速度;即转化成8个16阶或64阶的线性相似度响应图;将采集的目标物图像分为两层金字塔,分别通过梯度扩散,计算方向响应矩阵图,存入线性内存,得到两个8方向的线性内存。
进一步的,根据模板的特征信息和目标物的图像的特征信息,将目标物的图像的特征与多个模板的特征分别进行特征匹配,具体步骤如下:
利用相似度匹配方法对模板图像特征与目标物的图像特征进行匹配:
根据所述模板的特征点集合信息找到目标物的图像的线性内存访问入口,根据所述识别特征与所述响应矩阵图,通过MIPP累加计算相应位置的相似度,得到匹配相似度矩阵;
迭代计算匹配相似度矩阵,将匹配相似度矩阵转换成100分制,且设置匹配得分阈值,通过对多个模板分别进行迭代处理,找出匹配度分数最高且超出匹配得分阈值的模板,将此模板作为当前目标物图像的匹配模板。
具体的,取一个模板的两层金字塔对应的特征相关数据,取目标物图像的底层金字塔8个方向的相似度矩阵图,根据模板特征点信息找到对应方向的线性内存访问入口,通过计算得到的模板位置范围信息迭代循环,通过MIPP累加计算相应位置的相似度,得到一个第二层金字塔对应的模板与目标物图像特征点方向的相对应相似度响应矩阵图的匹配相似度矩阵;
通过对模板的所有特征点信息,得到所有该模板的MIPP累加匹配相似度矩阵,即模板第二层金字塔匹配相似度矩阵;
迭代该相似度矩阵,将该相似度矩阵内所有元素转换成100制,根据设置的相似度分数阈值,选取大于相似度分数阈值的点的位置和分数等信息,存入相应数据容器。
根据模板第二层金字塔选取的点位置等信息以及模板第一层模板的特征点信息,选取第一层目标物图像的8个方向的某个方向的线性相似度矩阵图,并找到第一层目标物图像的矩阵图的某个方向的线性内存访问入口,由于受SIMD限制,选16*16,计算相似度矩阵。将该相似度矩阵转换成100分制,并找出分数最高的位置信息,同时更新底层金字塔对应的匹配信息。如此迭代循环,得到优化后的匹配位置和分数等信息。根据设置匹配得分阈值,删选掉一些得分低于阈值的优化后的匹配位置和分数信息结构数据。
按照此流程,完成360个模板的迭代处理,得到一系列的模板匹配信息。最后对一系列的匹配到的一系列模板数据信息按照分数排序,并删除掉重复匹配到的模板位置和分数信息,得到最终的一系列模板位置和分数等信息,此时基本完成了模板的匹配。
离线计算8个相似度梯度方向的查找表公式:
其中,i是量化方向的索引,L是各方向的集合,这些方向的集合是出现在梯度方向i的一个邻域内的,以整数表示,以作为查找表的索引。
相似度响应矩阵图计算公式:
相似度计算公式:
计算c+r位置处的相似度,T表示模板;T输入图像。
优选的,步骤A3中,获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差,包括以下步骤:
步骤A31:以提取亚像素点集的方式将待打磨工件的边缘从待打磨工件的图像信息中进行提取出来,得到目标边框;
步骤A32:按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点,根据第一识别点找出最优匹配模板上与第一识别点对应的第二识别点;
步骤A33:获取所有第一识别点和对应的第二识别点之间的距离,判断所有第一识别点和其对应的第二识别点之间的距离是否大于距离阈值,若满足,则获取满足距离阈值的第一识别点的数量,并判断数量是否满足第一数量阈值,若不满足,则对偏差进行修正。
一种自动纠偏的抛光打磨机械臂控制系统设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上文所述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (9)
1.一种自动纠偏的抛光打磨机械臂控制系统,其特征在于:包括机身,所述机身上设有至少一组第一打磨机械臂和第二打磨机械臂;
所述机身上设有图像采集装置和模板制作装置,所述第一打磨机械臂设有第一识别端和第一执行端,所述第二打磨机械臂设有第二识别端和第二执行端;
所述图像采集装置用于采集目标物的图像信息,并提取图像的特征信息;
所述模板制作装置用于以参照物为对象制作全角度模板,并提取每一模板的特征信息,所述全角度模板包括360个模板,每个模板对应一个角度,并存储至第一识别端和第二识别端;
所述第一识别端用于将目标物图像信息与全角度模板的特征信息进行匹配识别,若匹配成功,则当前物体为待打磨工件,对应的模板为最优匹配模板;
所述第一识别端包括修正模块,所述修正模块用于获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差,并对最优匹配模板的偏差进行修正,得到修正后的匹配模板;
其中所述修正模块包括识别特征关联子模块和旋转平移子模块;
所述识别特征关联子模块用于按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点,根据第一识别点找出所述模板图上与所述第一识别点所对应的第二识别点;
获取所有第一识别点和与其对应第二识别点之间的距离,判断所有第一识别点与其对应第二识别点之间的距离是否大于距离阈值,若满足,则获取满足距离阈值第一识别点的数量,并判断数量是否满足第一数量阈值,若不满足,则向所述旋转平移子模块发出修正指令;
所述旋转平移子模块用于接收所述修正指令,并将所述第一识别点与第二识别点代入至变化矩阵中,修正模板图的位姿,得到修正后的模板图;
所述第一识别端与第一执行端信号连接,当第一识别端判断当前物体为待打磨工件时,根据修正后的匹配模板对应的打磨轨迹,发送抛光打磨的控制指令至第一执行端;
所述第一执行端用于在接收第一识别端的控制指令后,对待打磨工件进行第一次打磨;
所述第二识别端与第一识别端、第二执行端均信号连接,所述第一识别端将识别得出的结果信息传输至第二识别端,第二识别端用于识别第一次打磨的实际效果与控制指令的预定打磨轨迹是否吻合,将结果发送至第二执行端,若吻合,则向第二执行端发送对下一加工区域实施第二次打磨的指令,若不吻合,则向第二执行端发送对第一次打磨的区域进行再打磨的指令;
所述第二执行端与第二识别端信号连接,所述第二执行端用于接收第二识别端的指令,分别执行第二次打磨和再打磨的操作。
2.根据权利要求1所述的一种自动纠偏的抛光打磨机械臂控制系统,其特征在于:所述模板制作装置包括模板特征提取器,所述模板特征提取器用于提取每一模板的特征信息,并存储至第一识别端和第二识别端;
所述模板特征提取器用于执行以下操作:对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化,得到对应每一个模板的角度图像矩阵,并将角度图像矩阵转换成梯度幅值图像矩阵;设定梯度幅值阈值,对梯度幅值图像矩阵进行遍历,找出梯度幅值图像矩阵中的最大梯度幅值的像素点,判断最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值,若是,则将该像素点标记为识别特征;设定数量阈值,获取所有识别特征的数量,判断所有识别特征的数量是否大于数量阈值,若是,则将所有识别特征加入到特征点集合中并保存至存储器。
3.根据权利要求1所述的一种自动纠偏的抛光打磨机械臂控制系统,其特征在于:所述第一识别端包括特征提取子模块和特征匹配子模块;所述特征提取子模块用于提取模板的特征信息,以及提取由所述图像采集模块采集的目标物的图像的特征信息;所述特征匹配子模块用于设定阈值,根据模板的特征信息和目标物图像的特征信息,将当前目标物的特征与上述每个模板的特征进行特征匹配,并进行分数计算,当某一模板的分数达到阈值时,则该模板与目标物图像相互匹配。
4.一种自动纠偏的抛光打磨机械臂控制方法,应用于权利要求1-3任一所述一种自动纠偏的抛光打磨机械臂控制系统,其特征在于,包括以下步骤:
步骤A0:以参照物为对象制作全角度模板,并提取每一模板的特征信息,所述全角度模板包括360个模板,每个模板对应一个角度;
步骤A1:采集目标物的图像信息,并提取图像的特征信息;
步骤A2:将采集到的图像信息与全角度模板的特征信息进行匹配识别,判断是否存在某一角度的模板的特征信息与所述图像信息相互匹配,若是,则当前物体为待打磨工件,对应该角度的模板为最优匹配模板;
步骤A3:获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差;
步骤A4:基于ICP算法对最优匹配模板的偏差进行修正,根据修正后得到的修正模板的特征点形成打磨轨迹;
步骤A5:根据修正后的打磨轨迹,对待打磨工件进行第一次打磨;
步骤A6:识别第一次打磨的实际效果与预定的打磨轨迹是否吻合,若吻合,则对下一加工区域实施第二次打磨,若不吻合,则对第一次打磨的区域进行再打磨。
5.根据权利要求4所述的一种自动纠偏的抛光打磨机械臂控制方法,其特征在于:步骤A0中,以参照物为对象制作全角度模板,并提取每一模板的特征信息,包括以下步骤:
步骤A01:获取参照物的多个角度的图像作为模板;
步骤A02:对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化,得到对应每一个模板的角度图像矩阵,并将角度图像矩阵转换成梯度幅值图像矩阵;
步骤A03:设定梯度幅值阈值,对梯度幅值图像矩阵进行遍历,找出梯度幅值图像矩阵中的最大梯度幅值的像素点,判断最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值,若是,则将该像素点标记为识别特征;
步骤A04:设定数量阈值,获取所有识别特征的数量,判断所有识别特征的数量是否大于数量阈值,若是,则将所有识别特征加入到特征点集合中并保存至存储器。
6.根据权利要求5所述的一种自动纠偏的抛光打磨机械臂控制方法,其特征在于:步骤A2中,将采集到的图像信息与全角度模板的特征信息进行匹配识别,包括以下步骤:设定阈值,根据模板的特征信息和目标物的图像的特征信息,将目标物的图像的特征与上述每个模板的特征进行特征匹配,并进行分数计算,当某一模板的分数达到阈值时,则该模板与当前的目标物相互匹配,该模板为最优匹配模板,当前的目标物为待打磨工件。
7.根据权利要求6所述的一种自动纠偏的抛光打磨机械臂控制方法,其特征在于:步骤A3中,获取最优匹配模板的特征点和待打磨工件的实际特征点,计算最优匹配模板的特征点与待打磨工件的实际特征点的偏差,包括以下步骤:
步骤A31:以提取亚像素点集的方式将待打磨工件的边缘从待打磨工件的图像信息中进行提取出来,得到目标边框;
步骤A32:按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点,根据第一识别点找出最优匹配模板上与第一识别点对应的第二识别点;
步骤A33:获取所有第一识别点和对应的第二识别点之间的距离,判断所有第一识别点和其对应的第二识别点之间的距离是否大于距离阈值,若满足,则获取满足距离阈值的第一识别点的数量,并判断数量是否满足第一数量阈值,若不满足,则对偏差进行修正。
8.一种自动纠偏的抛光打磨机械臂控制系统设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求4-7任一项所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求4-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210669677.9A CN114986393B (zh) | 2022-06-14 | 2022-06-14 | 一种自动纠偏的抛光打磨机械臂控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210669677.9A CN114986393B (zh) | 2022-06-14 | 2022-06-14 | 一种自动纠偏的抛光打磨机械臂控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114986393A CN114986393A (zh) | 2022-09-02 |
CN114986393B true CN114986393B (zh) | 2023-04-04 |
Family
ID=83034199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210669677.9A Active CN114986393B (zh) | 2022-06-14 | 2022-06-14 | 一种自动纠偏的抛光打磨机械臂控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114986393B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831867A (zh) * | 2005-03-08 | 2006-09-13 | 株式会社东芝 | 图像显示装置和方法 |
CN103481124A (zh) * | 2013-09-18 | 2014-01-01 | 哈尔滨工业大学 | 一种基于复杂轨迹的金刚石研磨方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012218582A1 (de) * | 2012-10-11 | 2014-04-17 | Areva Gmbh | System und ein Verfahren zur Gefügeuntersuchung eines metallischen Bauteils |
ES2522921B2 (es) * | 2013-05-17 | 2015-07-30 | Loxin 2002, S.L. | Cabezal y procedimiento de mecanizado automático con visión |
CN108890468B (zh) * | 2018-06-11 | 2020-05-19 | 华中科技大学 | 一种适用于整体叶盘的机器人智能磨抛方法 |
JP7172798B2 (ja) * | 2019-03-28 | 2022-11-16 | 株式会社Ihi | 研磨装置および研磨方法 |
CN109955122A (zh) * | 2019-04-23 | 2019-07-02 | 四川工程职业技术学院 | 基于机器视觉的全自动打磨系统及全自动打磨方法 |
CN110216530B (zh) * | 2019-07-18 | 2020-11-24 | 佛山市高明金石建材有限公司 | 一种板材磨削装置及磨削方法 |
CN110660104A (zh) * | 2019-09-29 | 2020-01-07 | 珠海格力电器股份有限公司 | 工业机器人视觉识别定位抓取方法、计算机装置以及计算机可读存储介质 |
CN112846987A (zh) * | 2021-01-28 | 2021-05-28 | 济南嘉瑞杰模型有限公司 | 一种三维立体成像打磨方法及打磨装置 |
CN113275949A (zh) * | 2021-05-07 | 2021-08-20 | 山东英信计算机技术有限公司 | 一种工件焊缝打磨方法、终端设备及打磨控制组件 |
CN114029818B (zh) * | 2021-11-03 | 2022-10-11 | 武汉行芝达自动化科技有限公司 | 基于机器视觉的工业机器人柔性打磨设备 |
CN114273988A (zh) * | 2021-12-20 | 2022-04-05 | 徐州申工金属科技有限公司 | 一种基于三维设计优化的金属铸件精准打磨方法 |
CN114227699B (zh) * | 2022-02-10 | 2024-06-11 | 乐聚(深圳)机器人技术有限公司 | 机器人动作调整方法、设备以及存储介质 |
-
2022
- 2022-06-14 CN CN202210669677.9A patent/CN114986393B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831867A (zh) * | 2005-03-08 | 2006-09-13 | 株式会社东芝 | 图像显示装置和方法 |
CN103481124A (zh) * | 2013-09-18 | 2014-01-01 | 哈尔滨工业大学 | 一种基于复杂轨迹的金刚石研磨方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114986393A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114888692B (zh) | 一种抛光打磨机械臂控制系统及方法 | |
CN110097093B (zh) | 一种异源图像精确匹配方法 | |
CN115049861A (zh) | 一种工业机器人的自动修正打磨方法及系统 | |
CN114792373B (zh) | 一种工业机器人的视觉识别喷涂方法及系统 | |
CN113538486B (zh) | 一种提高汽车钣金工件的识别与定位精度的方法 | |
US11392787B2 (en) | Method for grasping texture-less metal parts based on bold image matching | |
CN114769021B (zh) | 一种基于全角度模板识别的机器人喷涂系统及方法 | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN111445517A (zh) | 机器人视觉末端定位方法、装置及计算机可读存储介质 | |
CN114529837A (zh) | 建筑物轮廓提取方法、系统、计算机设备及存储介质 | |
CN113781561B (zh) | 基于自适应高斯权快速点特征直方图的目标位姿估计方法 | |
CN112966542A (zh) | 一种基于激光雷达的slam系统和方法 | |
CN111967337A (zh) | 一种基于深度学习和无人机影像的管道线变化检测方法 | |
CN114331995A (zh) | 一种基于改进2d-icp的多模板匹配实时定位方法 | |
CN112070800B (zh) | 一种基于三维点云极化地图表征的智能车定位方法及系统 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN107895166B (zh) | 基于特征描述子的几何哈希法实现目标鲁棒识别的方法 | |
CN114986393B (zh) | 一种自动纠偏的抛光打磨机械臂控制系统及方法 | |
CN113469195A (zh) | 一种基于自适应颜色快速点特征直方图的目标识别方法 | |
CN113159103A (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
CN108520533B (zh) | 一种面向工件定位的多维度特征配准方法 | |
CN111311657A (zh) | 一种基于改进角点主方向分配的红外图像同源配准方法 | |
CN110660092A (zh) | 一种基于Log-Polar变换的图像快速匹配算法 | |
CN115049860A (zh) | 一种基于特征点识别的系统及抓取方法 | |
CN113706610B (zh) | 基于rgb-d相机的栈板位姿计算方法 |
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 |