CN115049861A - 一种工业机器人的自动修正打磨方法及系统 - Google Patents
一种工业机器人的自动修正打磨方法及系统 Download PDFInfo
- Publication number
- CN115049861A CN115049861A CN202210669667.5A CN202210669667A CN115049861A CN 115049861 A CN115049861 A CN 115049861A CN 202210669667 A CN202210669667 A CN 202210669667A CN 115049861 A CN115049861 A CN 115049861A
- Authority
- CN
- China
- Prior art keywords
- template
- identification
- polishing
- target object
- points
- 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
- 238000005498 polishing Methods 0.000 title claims abstract description 120
- 238000012937 correction Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000000227 grinding Methods 0.000 claims description 70
- 230000015654 memory Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 33
- 230000004044 response Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000009792 diffusion process Methods 0.000 description 6
- 101000573447 Homo sapiens Multiple inositol polyphosphate phosphatase 1 Proteins 0.000 description 4
- 102100026284 Multiple inositol polyphosphate phosphatase 1 Human genes 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000007517 polishing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
-
- 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
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Manipulator (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本申请涉及机器人控制技术的技术领域，尤其是涉及一种工业机器人的自动修正打磨方法及系统,包括以下步骤：获取参照物的全角度模板，提取每一模板的特征信息，获取待打磨对象的图像信息并提取特征信息；将每一模板与待打磨对象的图像进行特征匹配，若判断某一角度的模板与目标物匹配，则表明识别成功，将该角度的模板定为最优识别模板；获取最优识别模板的特征点和待打磨对象的实际特征点，并计算两者的偏差；基于ICP算法对最优识别模板的偏差进行修正，得到修正模板；根据修正后得到的修正模板的特征点形成抛光打磨轨迹，对待打磨对象进行抛光打磨；本发明能够修正打磨轨迹，具有抛光打磨的位置更精确的效果。
Description
技术领域
本发明涉及机器人控制技术的技术领域，特别是一种工业机器人的自动修正打磨方法及系统。
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，因为最优识别模板与实际的待打磨对象之间还存在一定的位置偏差，当机械臂在基于最优识别模板的特征点进行操作时，会导致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。
发明内容
针对上述缺陷，本发明的目的在于提出一种工业机器人的自动修正打磨方法及系统，能够修正打磨轨迹，使得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。
为达此目的，本发明采用以下技术方案：
一种工业机器人的自动修正打磨方法，包括以下步骤：
步骤S1：获取参照物的全角度模板，提取每一模板的特征信息，获取待打磨对象的图像信息并提取特征信息；
步骤S2：将每一模板与待打磨对象的图像进行特征匹配，若判断某一角度的模板与目标物匹配，则表明识别成功，将该角度的模板定为最优识别模板；
步骤S3：获取最优识别模板的特征点和待打磨对象的实际特征点；计算最优识别模板的特征点与待打磨对象的实际特征点的偏差；
步骤S4：基于ICP算法对最优识别模板的偏差进行修正，得到修正模板；
步骤S5：根据修正后得到的修正模板的特征点形成抛光打磨轨迹，根据抛光打磨轨迹对待打磨对象进行抛光打磨。
优选的，步骤S1中，获取参照物的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S11：获取参照物的多个角度的图像作为模板；
步骤S12：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S13：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S14：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，在步骤S2中，将每一模板与目标物的图像进行特征匹配，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，该模板为最优识别模板，当前的目标物为待打磨对象。
优选的，在步骤S3中，获取待打磨对象的实际特征点，计算最优识别模板的特征点与待打磨对象的实际特征点的偏差，包括以下步骤：
步骤S31：以提取亚像素点集的方式将待打磨对象的边缘从待打磨对象的图像信息中进行提取出来，得到目标边框；
步骤S32：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识别模板上与第一识别点对应的第二识别点；
步骤S33：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。
优选的，在步骤S4中，基于ICP算法对最优识别模板的偏差进行修正，包括以下步骤：
步骤S41：设置变化矩阵，将第一识别点与第二识别点代入至变化矩阵中，进行修正最优识别模板的位姿；
步骤S42：每一次修正过程均对应一个当前模板图和当前变化矩阵，获取当前模板图的位姿的修改次数，获取所有第一识别点与第二识别点之间的距离，判断修正后的当前模板图上满足距离阈值的第二识别点数量和修正次数；
步骤S43：当满足距离阈值的第二识别点数量小于第二数量阈值且修正次数小于次数阈值时，则使用上一次变化矩阵对当前变化矩阵进行更新，继续发出修正指令，对模板图继续修正，直到满足距离阈值的第二识别点数量大于第二数量阈值或模板图修正次数等于次数阈值。
优选的，在步骤S5中，根据修正后得到的修正模板的特征点形成抛光打磨轨迹，根据抛光打磨轨迹对待打磨对象进行抛光打磨，具体包括如下步骤：
两个抓取机械臂从起点运动到指定位置，将目标物抓起，再把目标物搬运到设定的打磨工位，打磨机械臂按照抛光打磨轨迹开始打磨目标物，打磨完一个面后，两个所述抓取机械臂调整目标物的姿态，打磨机械臂再打磨另一个面，最后将目标物送回指定位置，两个抓取机械臂和打磨机械臂回到初始位置，单周期打磨完成。
优选的，根据抛光打磨轨迹对待打磨对象进行抛光打磨，还包括在抛光打磨过程中对机械臂的打磨力进行恒力柔顺控制，具体包括以下步骤：
步骤1：给定目标物的参考位置、期望抓取内力和期望打磨力；
步骤2：对两个抓取机械臂协作所形成的闭链进行位置分解，将目标物的参考位置分解为两个抓取机械臂末端的期望位置；
步骤3：通过力传感器获取两个抓取机械臂末端对目标物的作用力信号，对该作用力信号进行卡尔曼滤波处理，将卡尔曼滤波处理后的作用力信号进行分解，得到真实内力和真实外力；通过力传感器获取打磨机械臂末端对目标物的作用力信号，对该作用力信号进行卡尔曼滤波处理；
步骤4：建立动态自适应阻抗控制方程，根据打磨机械臂末端对目标物的真实作用力和期望打磨力得到打磨机械臂末端的位置补偿，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
一种工业机器人的自动修正打磨系统，包括模板制作模块、图像采集模块、图像识别模块、修正模块和抛光打磨模块；
所述模板制作模块用于以参照物为对象制作全角度模板；
所述图像采集模块用于采集并获取目标物的图像信息；
所述图像识别模块用于接收由模板制作模块输入的各个模板，提取每个模板的特征信息，接收由图像采集模块输入的目标物的图像信息，提取目标物图像的特征信息，将目标物图像的特征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与所述目标物相匹配，若是，则将当前对象确认为待打磨对象，将该角度的模板输出为最优识别模板；
所述修正模块用于获取最优识别模板的特征点和待打磨对象的实际特征点，计算最优识别模板的特征点与待打磨对象的实际特征点的偏差，基于ICP算法对最优识别模板的偏差进行修正；
所述抛光打磨模块用于根据修正后的轨迹对待打磨对象进行抛光打磨。
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，判断所有第一识别特征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特征的数量，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。
优选的，所述抛光打磨模块包括抓取子模块、打磨子模块和恒力子模块；
所述抓取子模块包括两个配合使用的抓取机械臂，两个抓取机械臂从起点运动到指定位置，将目标物抓起，再把目标物搬运到设定的打磨工位；
所述打磨子模块包括打磨机械臂，所述打磨机械臂按照抛光打磨轨迹对目标物进行打磨；
所述恒力子模块用于在抛光打磨过程中对机械臂的打磨力进行恒力柔顺控制，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
上述技术方案包括以下有益效果：
在本实施例中，先提取最优识别模板的特征点，以及根据待打磨对象的图像信息提取图像的特征点，再将最优识别模板的特征点和待打磨对象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的轨迹对实际的待打磨对象进行抛光打磨，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。
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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合图1至图2描述本发明实施例的一种工业机器人的自动修正打磨方法及系统：
一种工业机器人的自动修正打磨方法，包括以下步骤：
步骤S1：获取参照物的全角度模板，提取每一模板的特征信息，获取待打磨对象的图像信息并提取特征信息；
步骤S2：将每一模板与待打磨对象的图像进行特征匹配，若判断某一角度的模板与目标物匹配，则表明识别成功，将该角度的模板定为最优识别模板；
步骤S3：获取最优识别模板的特征点和待打磨对象的实际特征点；计算最优识别模板的特征点与待打磨对象的实际特征点的偏差；
步骤S4：基于ICP算法对最优识别模板的偏差进行修正，得到修正模板；
步骤S5：根据修正后得到的修正模板的特征点形成抛光打磨轨迹，根据抛光打磨轨迹对待打磨对象进行抛光打磨。
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。
因此，在本实施例中，先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，之后再对目标物进行图像采集，获取目标物的图像的特征信息；另一方面，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识别模板。
进一步的，因为最优识别模板与实际的待打磨对象之间还存在一定的位置偏差，当机械臂在基于最优识别模板的特征点进行操作时，会导致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，先提取最优识别模板的特征点，以及根据待打磨对象的图像信息提取图像的特征点，再将最优识别模板的特征点和待打磨对象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的轨迹对实际的待打磨对象进行抛光打磨，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。
优选的，步骤S1中，获取参照物的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S11：获取参照物的多个角度的图像作为模板；
步骤S12：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S13：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S14：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对象前，通常需要选定一个参照的模板，按照所存储的待打磨对象的特征信息对目标物进行识别，判断目标物是否为待打磨对象，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对象进行实际打磨操作。
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：
x代表位置，
为x位置梯度值，{R,G,B}为R通道、G通道、B通道。
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，在步骤S2中，将每一模板与目标物的图像进行特征匹配，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，该模板为最优识别模板，当前的目标物为待打磨对象。
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，
表示模板；
输入图像。
优选的，在步骤S3中，获取待打磨对象的实际特征点，计算最优识别模板的特征点与待打磨对象的实际特征点的偏差，包括以下步骤：
步骤S31：以提取亚像素点集的方式将待打磨对象的边缘从待打磨对象的图像信息中进行提取出来，得到目标边框；
步骤S32：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识别模板上与第一识别点对应的第二识别点；
步骤S33：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，该类的第一识别特征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。
优选的，在步骤S4中，基于ICP算法对最优识别模板的偏差进行修正，包括以下步骤：
步骤S41：设置变化矩阵，将第一识别点与第二识别点代入至变化矩阵中，进行修正最优识别模板的位姿；
步骤S42：每一次修正过程均对应一个当前模板图和当前变化矩阵，获取当前模板图的位姿的修改次数，获取所有第一识别点与第二识别点之间的距离，判断修正后的当前模板图上满足距离阈值的第二识别点数量和修正次数；
步骤S43：当满足距离阈值的第二识别点数量小于第二数量阈值且修正次数小于次数阈值时，则使用上一次变化矩阵对当前变化矩阵进行更新，继续发出修正指令，对模板图继续修正，直到满足距离阈值的第二识别点数量大于第二数量阈值或模板图修正次数等于次数阈值。
具体的，变化矩阵包括平移矩阵以及旋转矩阵；
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特征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：
优选的，在步骤S5中，根据修正后得到的修正模板的特征点形成抛光打磨轨迹，根据抛光打磨轨迹对待打磨对象进行抛光打磨，具体包括如下步骤：
两个抓取机械臂从起点运动到指定位置，将目标物抓起，再把目标物搬运到设定的打磨工位，打磨机械臂按照抛光打磨轨迹开始打磨目标物，打磨完一个面后，两个所述抓取机械臂调整目标物的姿态，打磨机械臂再打磨另一个面，最后将目标物送回指定位置，两个抓取机械臂和打磨机械臂回到初始位置，单周期打磨完成。
优选的，根据抛光打磨轨迹对待打磨对象进行抛光打磨，还包括在抛光打磨过程中对机械臂的打磨力进行恒力柔顺控制，具体包括以下步骤：
步骤1：给定目标物的参考位置、期望抓取内力和期望打磨力；
步骤2：对两个抓取机械臂协作所形成的闭链进行位置分解，将目标物的参考位置分解为两个抓取机械臂末端的期望位置；
步骤3：通过力传感器获取两个抓取机械臂末端对目标物的作用力信号，对该作用力信号进行卡尔曼滤波处理，将卡尔曼滤波处理后的作用力信号进行分解，得到真实内力和真实外力；通过力传感器获取打磨机械臂末端对目标物的作用力信号，对该作用力信号进行卡尔曼滤波处理；
步骤4：建立动态自适应阻抗控制方程，根据打磨机械臂末端对目标物的真实作用力和期望打磨力得到打磨机械臂末端的位置补偿，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
具体的，本实施例中应用卡尔曼滤波器进行卡尔曼滤波处理；
抓取机械臂的动态自适应阻抗控制方程为：
其中，λ为采样周期，α为更新率，ψ表示自适应补偿，fIdi(i＝1,2)表示两个机械臂末端期望的抓取内力，fIri(i＝1,2)表示两个机械臂末端真实的内力，MI表示惯性矩阵，BI表示阻尼矩阵，KI表示刚度矩阵，Xmci(i＝1,2)表示两个机械臂末端期望位置，Xci(i＝1,2)表示经过阻抗控制器修正后的两个机械臂末端实际位置，分别表示Xci的一阶导数、二阶导数，分别表示Xmci的一阶导数、二阶导数；
根据真实内力和期望内力得到两个抓取机械臂末端的位置补偿，以修正两个抓取机械臂的末端位置，通过运动学逆解得到关节角，进而控制抓取机械臂末端达到期望接触力；
打磨机械臂的动态自适应阻抗控制方程为：
其中，λ为采样周期，α为更新率，ψ表示自适应补偿，fd表示期望的打磨力，fe表示真实的打磨力，m,b,k分别表示惯性系数、阻尼系数、刚度系数，xc表示打磨机械臂末端真实位置，xe表示打磨机械臂末端参考位置，分别表示xc的一阶导数、二阶导数，分别表示xe的一阶导数、二阶导数；
根据打磨机械臂末端对目标物体的真实作用力和期望打磨力得到打磨机械臂末端的位置补偿，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
一种工业机器人的自动修正打磨系统，包括模板制作模块、图像采集模块、图像识别模块、修正模块和抛光打磨模块；
所述模板制作模块用于以参照物为对象制作全角度模板；
所述图像采集模块用于采集并获取目标物的图像信息；
所述图像识别模块用于接收由模板制作模块输入的各个模板，提取每个模板的特征信息，接收由图像采集模块输入的目标物的图像信息，提取目标物图像的特征信息，将目标物图像的特征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与所述目标物相匹配，若是，则将当前对象确认为待打磨对象，将该角度的模板输出为最优识别模板；
所述修正模块用于获取最优识别模板的特征点和待打磨对象的实际特征点，计算最优识别模板的特征点与待打磨对象的实际特征点的偏差，基于ICP算法对最优识别模板的偏差进行修正；
所述抛光打磨模块用于根据修正后的轨迹对待打磨对象进行抛光打磨。
具体的，所述图像识别模块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，判断所有第一识别特征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特征的数量，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。
优选的，所述抛光打磨模块包括抓取子模块、打磨子模块和恒力子模块；
所述抓取子模块包括两个配合使用的抓取机械臂，两个抓取机械臂从起点运动到指定位置，将目标物抓起，再把目标物搬运到设定的打磨工位；
所述打磨子模块包括打磨机械臂，所述打磨机械臂按照抛光打磨轨迹对目标物进行打磨；
所述恒力子模块用于在抛光打磨过程中对机械臂的打磨力进行恒力柔顺控制，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
上述一种工业机器人的自动修正打磨系统中的各模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备的存储器中，以便于处理器调用执行以上各模块对应的操作。
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 (10)
1.一种工业机器人的自动修正打磨方法，其特征在于：包括以下步骤：
步骤S1：获取参照物的全角度模板，提取每一模板的特征信息，获取待打磨对象的图像信息并提取特征信息；
步骤S2：将每一模板与待打磨对象的图像进行特征匹配，若判断某一角度的模板与目标物匹配，则表明识别成功，将该角度的模板定为最优识别模板；
步骤S3：获取最优识别模板的特征点和待打磨对象的实际特征点；计算最优识别模板的特征点与待打磨对象的实际特征点的偏差；
步骤S4：基于ICP算法对最优识别模板的偏差进行修正，得到修正模板；
步骤S5：根据修正后得到的修正模板的特征点形成抛光打磨轨迹，根据抛光打磨轨迹对待打磨对象进行抛光打磨。
2.根据权利要求1所述的一种工业机器人的自动修正打磨方法，其特征在于：步骤S1中，获取参照物的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S11：获取参照物的多个角度的图像作为模板；
步骤S12：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S13：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S14：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2所述的一种工业机器人的自动修正打磨方法，其特征在于：在步骤S2中，将每一模板与目标物的图像进行特征匹配，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，该模板为最优识别模板，当前的目标物为待打磨对象。
4.根据权利要求1所述的一种工业机器人的自动修正打磨方法，其特征在于：在步骤S3中，获取待打磨对象的实际特征点，计算最优识别模板的特征点与待打磨对象的实际特征点的偏差，包括以下步骤：
步骤S31：以提取亚像素点集的方式将待打磨对象的边缘从待打磨对象的图像信息中进行提取出来，得到目标边框；
步骤S32：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识别模板上与第一识别点对应的第二识别点；
步骤S33：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。
5.根据权利要求4所述的一种工业机器人的自动修正打磨方法，其特征在于：在步骤S4中，基于ICP算法对最优识别模板的偏差进行修正，包括以下步骤：
步骤S41：设置变化矩阵，将第一识别点与第二识别点代入至变化矩阵中，进行修正最优识别模板的位姿；
步骤S42：每一次修正过程均对应一个当前模板图和当前变化矩阵，获取当前模板图的位姿的修改次数，获取所有第一识别点与第二识别点之间的距离，判断修正后的当前模板图上满足距离阈值的第二识别点数量和修正次数；
步骤S43：当满足距离阈值的第二识别点数量小于第二数量阈值且修正次数小于次数阈值时，则使用上一次变化矩阵对当前变化矩阵进行更新，继续发出修正指令，对模板图继续修正，直到满足距离阈值的第二识别点数量大于第二数量阈值或模板图修正次数等于次数阈值。
6.根据权利要求1所述的一种工业机器人的自动修正打磨方法，其特征在于：在步骤S5中，根据修正后得到的修正模板的特征点形成抛光打磨轨迹，根据抛光打磨轨迹对待打磨对象进行抛光打磨，具体包括如下步骤：
两个抓取机械臂从起点运动到指定位置，将目标物抓起，再把目标物搬运到设定的打磨工位，打磨机械臂按照抛光打磨轨迹开始打磨目标物，打磨完一个面后，两个所述抓取机械臂调整目标物的姿态，打磨机械臂再打磨另一个面，最后将目标物送回指定位置，两个抓取机械臂和打磨机械臂回到初始位置，单周期打磨完成。
7.根据权利要求6所述的一种工业机器人的自动修正打磨方法，其特征在于：根据抛光打磨轨迹对待打磨对象进行抛光打磨，还包括在抛光打磨过程中对机械臂的打磨力进行恒力柔顺控制，具体包括以下步骤：
步骤1：给定目标物的参考位置、期望抓取内力和期望打磨力；
步骤2：对两个抓取机械臂协作所形成的闭链进行位置分解，将目标物的参考位置分解为两个抓取机械臂末端的期望位置；
步骤3：通过力传感器获取两个抓取机械臂末端对目标物的作用力信号，对该作用力信号进行卡尔曼滤波处理，将卡尔曼滤波处理后的作用力信号进行分解，得到真实内力和真实外力；通过力传感器获取打磨机械臂末端对目标物的作用力信号，对该作用力信号进行卡尔曼滤波处理；
步骤4：建立动态自适应阻抗控制方程，根据打磨机械臂末端对目标物的真实作用力和期望打磨力得到打磨机械臂末端的位置补偿，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
8.一种工业机器人的自动修正打磨系统，其特征在于：包括模板制作模块、图像采集模块、图像识别模块、修正模块和抛光打磨模块；
所述模板制作模块用于以参照物为对象制作全角度模板；
所述图像采集模块用于采集并获取目标物的图像信息；
所述图像识别模块用于接收由模板制作模块输入的各个模板，提取每个模板的特征信息，接收由图像采集模块输入的目标物的图像信息，提取目标物图像的特征信息，将目标物图像的特征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与所述目标物相匹配，若是，则将当前对象确认为待打磨对象，将该角度的模板输出为最优识别模板；
所述修正模块用于获取最优识别模板的特征点和待打磨对象的实际特征点，计算最优识别模板的特征点与待打磨对象的实际特征点的偏差，基于ICP算法对最优识别模板的偏差进行修正；
所述抛光打磨模块用于根据修正后的轨迹对待打磨对象进行抛光打磨。
9.根据权利要求7所述的一种工业机器人的自动修正打磨系统，其特征在于：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，判断所有第一识别特征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特征的数量，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。
10.根据权利要求7所述的一种工业机器人的自动修正打磨系统，其特征在于：所述抛光打磨模块包括抓取子模块、打磨子模块和恒力子模块；
所述抓取子模块包括两个配合使用的抓取机械臂，两个抓取机械臂从起点运动到指定位置，将目标物抓起，再把目标物搬运到设定的打磨工位；
所述打磨子模块包括打磨机械臂，所述打磨机械臂按照抛光打磨轨迹对目标物进行打磨；
所述恒力子模块用于在抛光打磨过程中对机械臂的打磨力进行恒力柔顺控制，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210669667.5A CN115049861A (zh) | 2022-06-14 | 2022-06-14 | 一种工业机器人的自动修正打磨方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210669667.5A CN115049861A (zh) | 2022-06-14 | 2022-06-14 | 一种工业机器人的自动修正打磨方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115049861A true CN115049861A (zh) | 2022-09-13 |
Family
ID=83161181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210669667.5A Pending CN115049861A (zh) | 2022-06-14 | 2022-06-14 | 一种工业机器人的自动修正打磨方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049861A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115870815A (zh) * | 2022-12-28 | 2023-03-31 | 中山超精科技有限公司 | 镜片抛光检测方法及装置 |
| CN116372781A (zh) * | 2023-04-20 | 2023-07-04 | 山东欣立得光电科技有限公司 | 一种led屏幕衬底自动化清洗抛光系统 |
| CN116787300A (zh) * | 2023-07-01 | 2023-09-22 | 广州中誉精密模具有限公司 | 用于车灯模具的抛光控制方法、装置、设备以及存储介质 |
| CN117140354A (zh) * | 2023-10-31 | 2023-12-01 | 雅安成建工业化建筑有限公司 | 一种基于轨迹优化的用于建筑用金属制品的打磨系统 |
| CN117911732A (zh) * | 2024-03-19 | 2024-04-19 | 中船黄埔文冲船舶有限公司 | 一种机器人打磨规则模板匹配方法及装置 |
| CN118081535A (zh) * | 2024-04-23 | 2024-05-28 | 赣州市国盛卓越光电材料有限公司 | 偏光片的自动加工系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251353A (zh) * | 2016-08-01 | 2016-12-21 | 上海交通大学 | 弱纹理工件及其三维位姿的识别检测方法及系统 |
| CN109571152A (zh) * | 2018-12-27 | 2019-04-05 | 丰泰智控(深圳)有限公司 | 一种基于离线编程的工件自动打磨加工方法 |
| 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 |
| CN110315431A (zh) * | 2019-06-05 | 2019-10-11 | 广州文冲船厂有限责任公司 | 一种构件打磨轨迹生成方法、装置和设备 |
| 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 |
| CN111966041A (zh) * | 2020-08-26 | 2020-11-20 | 珠海格力电器股份有限公司 | 机器人的控制方法和装置 |
| CN112372630A (zh) * | 2020-09-24 | 2021-02-19 | 哈尔滨工业大学（深圳） | 一种多机械臂协同打磨力柔顺控制方法和系统 |
-
2022
- 2022-06-14 CN CN202210669667.5A patent/CN115049861A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251353A (zh) * | 2016-08-01 | 2016-12-21 | 上海交通大学 | 弱纹理工件及其三维位姿的识别检测方法及系统 |
| CN109571152A (zh) * | 2018-12-27 | 2019-04-05 | 丰泰智控(深圳)有限公司 | 一种基于离线编程的工件自动打磨加工方法 |
| 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 |
| CN110315431A (zh) * | 2019-06-05 | 2019-10-11 | 广州文冲船厂有限责任公司 | 一种构件打磨轨迹生成方法、装置和设备 |
| 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 |
| CN111966041A (zh) * | 2020-08-26 | 2020-11-20 | 珠海格力电器股份有限公司 | 机器人的控制方法和装置 |
| CN112372630A (zh) * | 2020-09-24 | 2021-02-19 | 哈尔滨工业大学（深圳） | 一种多机械臂协同打磨力柔顺控制方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 朱琛琛: "基于ICP算法的点云精确配准", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115870815A (zh) * | 2022-12-28 | 2023-03-31 | 中山超精科技有限公司 | 镜片抛光检测方法及装置 |
| CN115870815B (zh) * | 2022-12-28 | 2023-06-16 | 中山超精科技有限公司 | 镜片抛光检测方法及装置 |
| CN116372781A (zh) * | 2023-04-20 | 2023-07-04 | 山东欣立得光电科技有限公司 | 一种led屏幕衬底自动化清洗抛光系统 |
| CN116372781B (zh) * | 2023-04-20 | 2023-11-07 | 山东欣立得光电科技有限公司 | 一种led屏幕衬底自动化清洗抛光系统 |
| CN116787300A (zh) * | 2023-07-01 | 2023-09-22 | 广州中誉精密模具有限公司 | 用于车灯模具的抛光控制方法、装置、设备以及存储介质 |
| CN116787300B (zh) * | 2023-07-01 | 2024-04-02 | 广州中誉精密模具有限公司 | 用于车灯模具的抛光控制方法、装置、设备以及存储介质 |
| CN117140354A (zh) * | 2023-10-31 | 2023-12-01 | 雅安成建工业化建筑有限公司 | 一种基于轨迹优化的用于建筑用金属制品的打磨系统 |
| CN117140354B (zh) * | 2023-10-31 | 2024-01-05 | 雅安成建工业化建筑有限公司 | 一种基于轨迹优化的用于建筑用金属制品的打磨系统 |
| CN117911732A (zh) * | 2024-03-19 | 2024-04-19 | 中船黄埔文冲船舶有限公司 | 一种机器人打磨规则模板匹配方法及装置 |
| CN118081535A (zh) * | 2024-04-23 | 2024-05-28 | 赣州市国盛卓越光电材料有限公司 | 偏光片的自动加工系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115049861A (zh) | 一种工业机器人的自动修正打磨方法及系统 | |
| CN114888692B (zh) | 一种抛光打磨机械臂控制系统及方法 | |
| CN111897349B (zh) | 一种基于双目视觉的水下机器人自主避障方法 | |
| CN114792373B (zh) | 一种工业机器人的视觉识别喷涂方法及系统 | |
| CN110660104A (zh) | 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 | |
| CN109886124B (zh) | 一种基于线束描述子图像匹配的无纹理金属零件抓取方法 | |
| 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 | |
| DE112012005350T5 (de) | Verfahren zum Schätzen der Stellung eines Objekts | |
| CN113538486B (zh) | 一种提高汽车钣金工件的识别与定位精度的方法 | |
| CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
| CN111998862B (zh) | 一种基于bnn的稠密双目slam方法 | |
| CN114769021B (zh) | 一种基于全角度模板识别的机器人喷涂系统及方法 | |
| CN111709450B (zh) | 一种基于多尺度特征融合的点云法向量估计方法及系统 | |
| JP6692321B2 (ja) | 幾何的合わせこみ装置、方法、及びプログラム | |
| CN114986393B (zh) | 一种自动纠偏的抛光打磨机械臂控制系统及方法 | |
| CN113927606B (zh) | 一种机器人3d视觉抓取方法及系统 | |
| CN115049860B (zh) | 一种基于特征点识别的系统及抓取方法 | |
| CN115908374A (zh) | 基于度量学习的瓦楞纸箱印刷图案匹配检测方法、系统及存储介质 | |
| CN111179342A (zh) | 物体位姿的估计方法、装置、存储介质和机器人 | |
| JPH07146121A (ja) | 視覚に基く三次元位置および姿勢の認識方法ならびに視覚に基く三次元位置および姿勢の認識装置 | |
| Guo et al. | Automatic shape-based target extraction for close-range photogrammetry | |
| CN112233176A (zh) | 一种基于标定物的目标位姿测量方法 | |
| CN113689479B (zh) | 一种无人机热红外可见光影像配准的方法 | |
| CN115026822B (zh) | 一种基于特征点对接的工业机器人控制系统及方法 | |
| CN114943752B (zh) | 一种基于曲率特征描述的自适应轮廓模板识别配准方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220913 |