CN116652956B - 一种用于外观检测的拍照路径自适应规划方法及装置 - Google Patents
一种用于外观检测的拍照路径自适应规划方法及装置 Download PDFInfo
- Publication number
- CN116652956B CN116652956B CN202310734823.6A CN202310734823A CN116652956B CN 116652956 B CN116652956 B CN 116652956B CN 202310734823 A CN202310734823 A CN 202310734823A CN 116652956 B CN116652956 B CN 116652956B
- Authority
- CN
- China
- Prior art keywords
- target
- photographing
- path
- points
- shooting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
Abstract
本申请公开了一种用于外观检测的拍照路径自适应规划方法及装置,其中方法包括:针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。本申请中的方法能够合理、准确的规划获得最优的拍摄路径,进而能够减少机械臂的拍摄时间,从而提高拍摄效率。
Description
技术领域
本发明涉及工业质量检测技术领域,特别涉及一种用于外观检测的拍照路径自适应规划方法、装置、介质及设备。
背景技术
在工业视觉检测领域,对于待测工件的表面缺陷检测需要进行多角度的拍摄。然而,传统的单一固定拍摄点位往往无法满足质检体系外观检测的需求,因此,飞拍装置应运而生。通过利用飞拍装置,可以在真实场景中控制飞拍机械臂带动摄像头拍照,从而收集到待测工件的多个角度的拍照数据,为后续进行外观检测提供保障。
然而现有的飞拍装置在拍摄过程中,存在拍摄路径不合理的问题,进而造成机械臂拍摄时间长,拍摄效率低。
发明内容
有鉴于此,本发明提供了一种用于外观检测的拍照路径自适应规划方法及装置,主要目的在于飞拍装置在拍摄过程中存在拍摄路径不合理、进而造成机械臂拍摄时间长、拍摄效率低问题。
为解决上述问题,本申请提供一种用于外观检测的拍照路径自适应规划方法,包括:
针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;
基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;
基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。
可选的,所述方法还包括获取若干初始拍照点位,具体包括:
基于待检测对象的位置信息获取机械臂末端的若干初始拍照点位。
可选的,所述针对若干初始拍照点位分别进行求逆解计算,获得各初始拍照点位的逆解计算结果,具体包括:
基于各所述初始拍照点位,确定各拍照点位对应的机械臂末端位姿;
基于预先建立的机械臂的运动学模型,对各所述机械臂末端位姿进行逆解计算,获得各机械臂末端位姿对应的机械臂逆解,以获得各初始拍照点位的逆解计算结果。
可选的,所述基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构,包括:
基于各所述目标拍照点位,分别对任意两个拍照点位进行欧式距离计算,获得各目标拍照点位对应的若干欧式距离;
基于各拍照点位对应的若干欧式距离,对初始网络拓扑结构中与各拍照点对应的网络节点的位置进行调整,以训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构。
可选的,所述至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径,具体包括:
基于所述目标网络拓扑结构中各目标拍照点位的位置先后顺序,确定任意相邻两个目标拍照点位之间的子路径,以获得若干子路径;
基于各所述子路径规划获得所述目标拍摄路径。
可选的,所述确定任意相邻两个目标拍照点位之间的子路径,具体包括:
对任意相邻两个目标拍照点位进行碰撞检测,获得检测结果;
在所述检测结果为未发生碰撞的情况下,基于所述相邻两个目标拍照点位,确定两个目标拍照点位之间的线性路径为子路径;
在所述检测结果为发生碰撞的情况下,基于所述相邻两个目标拍照点位,确定两个目标拍照点位之间的任一条非线性路径为子路径;或者,基于所述相邻目标拍照点位确定若干替补拍照点,以基于各所述替补拍照点位采用自组织映射算法训练获得用于表征各替补拍照点位位置关系的子网络拓扑结构,以基于所述子网络拓扑结构中各替补拍照点位的位置先后顺序确定非线性的子路径。
可选的,在获得目标路径之后,所述方法还包括:
基于贝塞尔曲线对所述目标拍摄路径进行平滑处理,获得处理获得目标拍摄路径。
为解决上述问题,本申请提供一种用于外观检测的拍照路径自适应规划装置,包括:
计算模块,用于针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;
筛选模块,用于基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;
训练模块,用于基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
规划模块,用于至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。
为解决上述问题,本申请提供一种存储介质,所述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上述任一项所述用于外观检测的拍照路径自适应规划方法的步骤。
为解决上述问题,本申请提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述任一项所述用于外观检测的拍照路径自适应规划方法的步骤。
本申请中的用于外观检测的拍照路径自适应规划方法及装置,通过筛选获得存在机械臂逆解的目标拍照点位,并采用自组织映射算法利用各目标拍照点位进行无监督训练,由此能够获得表征各目标拍照点位位置关系的目标网络拓扑结构,即每个拍照点位映射为目标网络拓扑结构中的一个节点/神经元,由此能够精准的确定各目标拍照点位之间的位置先后顺序,从而能够快递、合理的规划获得包含各目标拍照点位的最短的目标拍摄路径,为后续基于该目标拍摄路径控制机械臂移动,以快速的对待检测对象进行图像采集奠定了基础,减少了机械臂拍摄时间提高了拍摄效率,并且降低了机械臂的拍摄消耗。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例一种用于外观检测的拍照路径自适应规划方法的流程图;
图2为本申请另一实施例一种用于外观检测的拍照路径自适应规划装置的结构框图;
图3为本申请另一实施例一种电子设备的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种用于外观检测的拍照路径自适应规划方法,具体可以应用于服务器、终端等电子设备。如图1所示,本实施例中的方法包括如下步骤:
步骤S101,针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;
本步骤在具体实施过程中,具体可以预先基于待检测对象的位置信息,获得机械臂末端的若干初始拍照点位。
在进行机械臂逆解计算时,具体基于预先建立的机械臂的运动学模型,对各所述初始拍照点位进行求逆解计算,以确定各所述拍照点位是否存在对应的机械臂逆解。也就是,可以基于各所述初始拍照点位,确定各拍照点位对应的机械臂末端位姿,然后对各机械臂末端位姿进行逆解计算,获得初始拍照点位的逆解计算结果。
本步骤在具体实施过程中,求逆解的过程如下:按照DH(Denavit-Hartenberg)约定建立刚性机械臂的正解方程,用θi,ai,di,αi表示与连杆i和关节i的相关参数,即θi表示连杆长度,ai表示连杆扭度,di表示链接偏移量,αi表示关节角度。齐次矩阵Ai表示连杆i绕关节i转动的变换矩阵,Ai可以由4个基础变换的乘积得到,具体表示如下:
本步骤中,机械臂的前向运动学方程可以表示为其中Θ=[θ1,θ2,θ3,……θn]表示机械臂n个关节轴的角度值。
求机械臂逆解的问题可以表示成一个非线性最小二乘问题,通过优化关节轴的角度值Θ使得F(Θ)-Y的L2范数最小,优化函数如下:
其中,Y为拍照点位对应的机械臂末端位姿的齐次矩阵表示。
步骤S102,基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;
本步骤在具体实施过程中,如果初始拍照点位存在对应的机械臂逆解,则保留该初始拍照点位作为目标拍照点位;如果初始拍照点位不存在对应的机械臂逆解,则可以删除该初始拍照点位,或者对该初始拍照点位进行调整,直至调整后的初始拍照点位存在对应的机械臂逆解,由此可以获得若干目标拍照点位。
步骤S103,基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
本步骤在具体实施过程中,假设给定了一组目标拍照点位,表示为[β1,β2,β3,…βn],其中βi∈Rd,是机械臂配置空间下的坐标。要求机械臂移动到每个拍照点位拍照,最后返回出发点,并使得路径总长度最短。由此,对于这n个拍照点位,总的可行路线数为种,这个路线数量会随着拍照点位数量的增大而急速增长,因此传统意义上的方法并不能取得很好的路径确定效果。因此本步骤中采用自组织映射算法利用各目标拍照点位进行无监督训练,由此能够获得表征各目标拍照点位位置关系的目标网络拓扑结构。也就是,首先假设机械臂在任意两个拍照点位βi和βj之间做线性移动不会发生碰撞,此时可以直接计算出两个拍照点位之间的欧几里得距离/欧氏距离dij,根据欧几里得距离/欧氏距离的性质可以很容易得出dji=dij,进而可以根据欧式距离进行无监督模型训练,从而训练获得目标网络拓扑结构。
步骤S104,至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。
本步骤在具体实施过程中,在获得目标网络拓扑结构之后,就可以根据目标网络拓扑结构中各神经元/节点的位置关系,确定与各神经元一一对应的目标拍照点位的位置关系,从而实现对各拍照点位[β1,β2,β3,…βn]进行排序,获得排序后的拍照点位序列
本实施例中的用于外观检测的拍照路径自适应规划方法,通过筛选获得存在机械臂逆解的目标拍照点位,并采用自组织映射算法利用各目标拍照点位进行无监督训练,由此能够获得表征各目标拍照点位位置关系的目标网络拓扑结构,即每个拍照点位映射为目标网络拓扑结构中的一个节点/神经元,由此能够精准的确定各目标拍照点位之间的位置先后顺序,从而能够快递、合理的规划获得包含各目标拍照点位的最短的目标拍摄路径,为后续基于该目标拍摄路径控制机械臂移动,以快速的对待检测对象进行图像采集奠定了基础,减少了机械臂拍摄时间提高了拍摄效率,并且降低了机械臂的拍摄消耗。
在上述实施例的基础上,本申请又一实施例提供一种用于外观检测的拍照路径自适应规划方法,包括如下步骤:
步骤S201,基于待检测对象的位置信息获取机械臂末端的若干初始拍照点位;
步骤S202,基于各所述初始拍照点位,确定各拍照点位对应的机械臂末端位姿;
步骤S203,基于预先建立的机械臂的运动学模型,对各所述机械臂末端位姿进行逆解计算,获得各机械臂末端位姿对应的机械臂逆解,以获得各初始拍照点位的逆解计算结果;
步骤S204,基于各所述目标拍照点位,分别对任意两个拍照点位进行欧式距离计算,获得各目标拍照点位对应的若干欧式距离;
步骤S205,基于各拍照点位对应的若干欧式距离,对初始网络拓扑结构中与各拍照点对应的网络节点的位置进行调整,以训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
步骤S206,基于所述目标网络拓扑结构中各目标拍照点位的位置先后顺序,确定任意相邻两个目标拍照点位之间的子路径,以获得若干子路径;
本步骤中,在确定任意相邻两个目标拍照点位之间的子路径时,可以先对该任意相邻两个目标拍照点位进行碰撞检测,获得检测结果;在所述检测结果为未发生碰撞的情况下,基于所述相邻两个目标拍照点位,确定两个目标拍照点位之间的线性路径为子路径;在所述检测结果为发生碰撞的情况下,基于所述相邻两个目标拍照点位,确定两个目标拍照点位之间的任一条非线性路径为子路径;或者,基于所述相邻目标拍照点位确定若干替补拍照点,以基于各所述替补拍照点位采用自组织映射算法训练获得用于表征各替补拍照点位位置关系的子网络拓扑结构,以基于所述子网络拓扑结构中各替补拍照点位的位置先后顺序确定非线性的子路径。
也就是,针对相邻的两个拍照点位和/>如果/>和/>之间不存在碰撞,则可以确定这目标拍照点位之间的线性路径为子路径。如果/>和/>之间存在碰撞,则通过路径规划算法在/>和/>之间找到一个可行路径,并计算沿着这条路径移动总的路程作为新的di,i+1,如果在/>和/>之间无法找到一条可行路径,则可以令di,i+1=∞,再在/>和/>附近寻找t个点p1,p2,p3,…pt,即获得t个替补拍照点位,此时的t较小,可以通过贪心算法或者分支界定快速求得一条从p1到pt的最短联通路径;或者,基于这t个替补拍照点位采用自组织映射算法、训练获得用于表征各替补拍照点位位置关系的子网络拓扑结构,以基于所述子网络拓扑结构中各替补拍照点位的位置先后顺序确定非线性的子路径,最后该路径作为/>和/>之间的子路径。
其中,在进行碰撞检测时,具体的碰撞检测原理如下:确定机械臂上的每个点在空间中的位置,当机械臂运动后,机械臂上的点在空间中的位置也会跟着运动;当计算出机械臂上的点在空间中的位置后就可以计算它和障碍物在空间上是否有交叠,如果有交叠则表示发生碰撞相撞,如果没有交叠则表示未发生碰撞。
步骤S206基于各所述子路径规划获得所述目标拍摄路径。
本步骤中,当获得若干子路径之后,就可以将各子路径进行拼接/组合,从而获得目标拍摄路径。
本实施例在具体实施过程中,在获得目标拍摄路径之后,还可以基于贝塞尔曲线对所述目标拍摄路径进行平滑处理,获得处理获得目标拍摄路径。通过对拍摄路径进行平滑处理,有利于控制机械臂平缓的移动,避免由于运动路径起伏过大造成机械臂位移波动较大,最大程度地减少机械臂运动的时间和消耗,同时保证拍摄出的图像质量和检测精度。
本实施例中的用于外观检测的拍照路径自适应规划方法,通过筛选获得存在机械臂逆解的目标拍照点位,并采用自组织映射算法利用各目标拍照点位进行无监督训练,由此能够获得表征各目标拍照点位位置关系的目标网络拓扑结构,即每个拍照点位映射为目标网络拓扑结构中的一个节点/神经元,由此能够精准的确定各目标拍照点位之间的位置先后顺序,从而能够快递、合理的规划获得包含各目标拍照点位的最短的目标拍摄路径,为后续基于该目标拍摄路径控制机械臂移动,以快速的对待检测对象进行图像采集奠定了基础,减少了机械臂拍摄时间提高了拍摄效率,并且降低了机械臂的拍摄消耗。
本实施例中的方法可以完成机械臂拍照点的路径规划和碰撞检测等工作,从而实现对待测工件的多角度拍摄,有效提高了质检效率和准确性。在工业制造领域中,本发明的运用将极大地促进质量控制技术的发展,为工业生产提供更加可靠和高效的质检手段。
本申请另一实施例提供一种用于外观检测的拍照路径自适应规划装置,如图2所示,包括:
计算模块11,用于针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;
筛选模块12,用于基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;
训练模块13,用于基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
规划模块14,用于至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。
本实施例在具体实施过程中,所述用于外观检测的拍照路径自适应规划装置还包括用于获取若干初始拍照点位的获取模块,所述获取模块具体用于:基于待检测对象的位置信息获取机械臂末端的若干初始拍照点位。
本实施例在具体实施过程中,所述计算模块具体用于:基于各所述初始拍照点位,确定各拍照点位对应的机械臂末端位姿;基于预先建立的机械臂的运动学模型,对各所述机械臂末端位姿进行逆解计算,获得各机械臂末端位姿对应的机械臂逆解,以获得各初始拍照点位的逆解计算结果。
本实施例在具体实施过程中,所述训练模块具体用于:基于各所述目标拍照点位,分别对任意两个拍照点位进行欧式距离计算,获得各目标拍照点位对应的若干欧式距离;基于各拍照点位对应的若干欧式距离,对初始网络拓扑结构中与各拍照点对应的网络节点的位置进行调整,以训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构。
本实施例在具体实施过程中,所述规划模块,具体包括获得单元以及规划单元,所述获得单元用于:基于所述目标网络拓扑结构中各目标拍照点位的位置先后顺序,确定任意相邻两个目标拍照点位之间的子路径,以获得若干子路径;所述规划单元用于:基于各所述子路径规划获得所述目标拍摄路径。
本实施例在具体实施过程中,所述获得单元具体用于:对任意相邻两个目标拍照点位进行碰撞检测,获得检测结果;在所述检测结果为未发生碰撞的情况下,基于所述相邻两个目标拍照点位,确定两个目标拍照点位之间的线性路径为子路径;在所述检测结果为发生碰撞的情况下,基于所述相邻两个目标拍照点位,确定两个目标拍照点位之间的任一条非线性路径为子路径;或者,基于所述相邻目标拍照点位确定若干替补拍照点,以基于各所述替补拍照点位采用自组织映射算法训练获得用于表征各替补拍照点位位置关系的子网络拓扑结构,以基于所述子网络拓扑结构中各替补拍照点位的位置先后顺序确定非线性的子路径。
本实施例在具体实施过程中,所述用于外观检测的拍照路径自适应规划装置还包括平滑处理模块,所述平滑处理模块用于:在获得目标路径之后,基于贝塞尔曲线对所述目标拍摄路径进行平滑处理,获得处理获得目标拍摄路径。
本实施例中的用于外观检测的拍照路径自适应规划装置,通过筛选获得存在机械臂逆解的目标拍照点位,并采用自组织映射算法利用各目标拍照点位进行无监督训练,由此能够获得表征各目标拍照点位位置关系的目标网络拓扑结构,即每个拍照点位映射为目标网络拓扑结构中的一个节点/神经元,由此能够精准的确定各目标拍照点位之间的位置先后顺序,从而能够快递、合理的规划获得包含各目标拍照点位的最短的目标拍摄路径,为后续基于该目标拍摄路径控制机械臂移动,以快速的对待检测对象进行图像采集奠定了基础,减少了机械臂拍摄时间提高了拍摄效率,并且降低了机械臂的拍摄消耗。
本申请另一实施例提供一种存储介质,所述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下方法步骤:
步骤一、针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;
步骤二、基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;
步骤三、基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
步骤四、至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。
上述方法步骤的具体实施过程可参见上述任意用于外观检测的拍照路径自适应规划方法的实施例,本实施例在此不再重复赘述。
本申请中的存储介质,通过筛选获得存在机械臂逆解的目标拍照点位,并采用自组织映射算法利用各目标拍照点位进行无监督训练,由此能够获得表征各目标拍照点位位置关系的目标网络拓扑结构,即每个拍照点位映射为目标网络拓扑结构中的一个节点/神经元,由此能够精准的确定各目标拍照点位之间的位置先后顺序,从而能够快递、合理的规划获得包含各目标拍照点位的最短的目标拍摄路径,为后续基于该目标拍摄路径控制机械臂移动,以快速的对待检测对象进行图像采集奠定了基础,减少了机械臂拍摄时间提高了拍摄效率,并且降低了机械臂的拍摄消耗。
本申请另一实施例提供一种电子设备,如图3所示,至少包括存储器1、处理器2,所述存储器1上存储有计算机程序,所述处理器2在执行所述存储器1上的计算机程序时实现如下方法步骤:
步骤一、针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;
步骤二、基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;
步骤三、基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
步骤四、至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。
上述方法步骤的具体实施过程可参见上述任意用于外观检测的拍照路径自适应规划方法的实施例,本实施例在此不再重复赘述。
本申请中的存储介质,通过筛选获得存在机械臂逆解的目标拍照点位,并采用自组织映射算法利用各目标拍照点位进行无监督训练,由此能够获得表征各目标拍照点位位置关系的目标网络拓扑结构,即每个拍照点位映射为目标网络拓扑结构中的一个节点/神经元,由此能够精准的确定各目标拍照点位之间的位置先后顺序,从而能够快递、合理的规划获得包含各目标拍照点位的最短的目标拍摄路径,为后续基于该目标拍摄路径控制机械臂移动,以快速的对待检测对象进行图像采集奠定了基础,减少了机械臂拍摄时间提高了拍摄效率,并且降低了机械臂的拍摄消耗。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种用于外观检测的拍照路径自适应规划方法,其特征在于,包括:
针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;
基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;
基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。
2.如权利要求1所述的方法,其特征在于,所述方法还包括获取若干初始拍照点位,具体包括:
基于待检测对象的位置信息获取机械臂末端的若干初始拍照点位。
3.如权利要求1所述的方法,其特征在于,所述针对若干初始拍照点位分别进行求逆解计算,获得各初始拍照点位的逆解计算结果,具体包括:
基于各所述初始拍照点位,确定各拍照点位对应的机械臂末端位姿;
基于预先建立的机械臂的运动学模型,对各所述机械臂末端位姿进行逆解计算,获得各机械臂末端位姿对应的机械臂逆解,以获得各初始拍照点位的逆解计算结果。
4.如权利要求1所述的方法,其特征在于,所述基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构,包括:
基于各所述目标拍照点位,分别对任意两个拍照点位进行欧式距离计算,获得各目标拍照点位对应的若干欧式距离;
基于各拍照点位对应的若干欧式距离,对初始网络拓扑结构中与各拍照点对应的网络节点的位置进行调整,以训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构。
5.如权利要求1所述的方法,其特征在于,所述至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径,具体包括:
基于所述目标网络拓扑结构中各目标拍照点位的位置先后顺序,确定任意相邻两个目标拍照点位之间的子路径,以获得若干子路径;
基于各所述子路径规划获得所述目标拍摄路径。
6.如权利要求5所述的方法,其特征在于,所述确定任意相邻两个目标拍照点位之间的子路径,具体包括:
对任意相邻两个目标拍照点位进行碰撞检测,获得检测结果;
在所述检测结果为未发生碰撞的情况下,基于所述相邻两个目标拍照点位,确定两个目标拍照点位之间的线性路径为子路径;
在所述检测结果为发生碰撞的情况下,基于所述相邻两个目标拍照点位,确定两个目标拍照点位之间的任一条非线性路径为子路径;或者,基于所述相邻目标拍照点位确定若干替补拍照点,以基于各所述替补拍照点位采用自组织映射算法训练获得用于表征各替补拍照点位位置关系的子网络拓扑结构,以基于所述子网络拓扑结构中各替补拍照点位的位置先后顺序确定非线性的子路径。
7.如权利要求5所述的方法,其特征在于,在获得目标路径之后,所述方法还包括:
基于贝塞尔曲线对所述目标拍摄路径进行平滑处理,获得处理获得目标拍摄路径。
8.一种用于外观检测的拍照路径自适应规划装置,其特征在于,包括:
计算模块,用于针对若干初始拍照点位分别进行机械臂逆解计算,获得各初始拍照点位的逆解计算结果;
筛选模块,用于基于各初始拍照点位的逆解计算结果对各所述初始拍照点位进行筛选,获得存在逆解的若干目标拍照点位;
训练模块,用于基于各所述目标拍照点位,采用自组织映射算法训练获得用于表征各目标拍照点位位置关系的目标网络拓扑结构;
规划模块,用于至少基于所述目标网络拓扑结构中各所述目标拍照点位的位置先后顺序,规划获得目标拍摄路径。
9.一种存储介质,其特征在于,所述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上述权利要求1-6任一项所述用于外观检测的拍照路径自适应规划方法的步骤。
10.一种电子设备,其特征在于,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-6任一项所述用于外观检测的拍照路径自适应规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734823.6A CN116652956B (zh) | 2023-06-20 | 2023-06-20 | 一种用于外观检测的拍照路径自适应规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734823.6A CN116652956B (zh) | 2023-06-20 | 2023-06-20 | 一种用于外观检测的拍照路径自适应规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116652956A CN116652956A (zh) | 2023-08-29 |
CN116652956B true CN116652956B (zh) | 2024-03-22 |
Family
ID=87715157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310734823.6A Active CN116652956B (zh) | 2023-06-20 | 2023-06-20 | 一种用于外观检测的拍照路径自适应规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116652956B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5388059A (en) * | 1992-12-30 | 1995-02-07 | University Of Maryland | Computer vision system for accurate monitoring of object pose |
JP2003044835A (ja) * | 2001-07-27 | 2003-02-14 | Akita Shindengen:Kk | 外観検査装置と該装置のマスタデータ作成方法及び該マスタデータ作成プログラム |
EP1422491A2 (en) * | 2002-11-25 | 2004-05-26 | Mitutoyo Corporation | Method, apparatus and program for setting a workpiece coordinate system origin in a surface property measuring machine |
WO2005065090A2 (en) * | 2003-12-30 | 2005-07-21 | The Mitre Corporation | Techniques for building-scale electrostatic tomography |
WO2016044465A1 (en) * | 2014-09-16 | 2016-03-24 | Sirona Dental, Inc. | Methods, systems, apparatuses, and computer programs for processing tomographic images |
EP3001265A1 (en) * | 2014-09-26 | 2016-03-30 | Palo Alto Research Center, Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
CN107598929A (zh) * | 2017-10-25 | 2018-01-19 | 北京邮电大学 | 一种单关节故障空间机械臂位姿可达空间求解方法 |
CN107883825A (zh) * | 2017-10-24 | 2018-04-06 | 四川雷得兴业信息科技有限公司 | 一种用于对齐游标卡尺零刻度线的智能视觉检测方法 |
CN108705532A (zh) * | 2018-04-25 | 2018-10-26 | 中国地质大学(武汉) | 一种机械臂避障路径规划方法、设备及存储设备 |
CN109799829A (zh) * | 2019-02-28 | 2019-05-24 | 清华大学 | 一种基于自组织映射的机器人群体协同主动感知方法 |
CN110083166A (zh) * | 2019-05-30 | 2019-08-02 | 浙江远传信息技术股份有限公司 | 针对多机器人的协同调度方法、装置、设备及介质 |
CN110900611A (zh) * | 2019-12-13 | 2020-03-24 | 合肥工业大学 | 一种新型机械臂目标定位及路径规划方法 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN112511759A (zh) * | 2021-02-08 | 2021-03-16 | 常州微亿智造科技有限公司 | 飞拍控制方法和装置 |
CN112720492A (zh) * | 2020-12-29 | 2021-04-30 | 上海节卡机器人科技有限公司 | 多轴机器人的复杂轨迹光顺方法、装置、介质及电子设备 |
CN113252007A (zh) * | 2021-06-28 | 2021-08-13 | 常州微亿智造科技有限公司 | 用于工件质检的飞拍控制参数确定方法和装置 |
CN113799120A (zh) * | 2021-07-15 | 2021-12-17 | 中联重科股份有限公司 | 冗余自由度机械臂的路径规划方法、装置及工程机械 |
CN113945217A (zh) * | 2021-12-15 | 2022-01-18 | 天津云圣智能科技有限责任公司 | 航线规划方法、装置、服务器及计算机可读存储介质 |
CN114714335A (zh) * | 2022-03-09 | 2022-07-08 | 泉州华中科技大学智能制造研究院 | 一种七关节冗余自由度机器人的逆解方法及装置 |
WO2022150767A1 (en) * | 2021-01-11 | 2022-07-14 | True Digital Surgery | Registration degradation correction for surgical navigation procedures |
CN115345822A (zh) * | 2022-06-08 | 2022-11-15 | 南京航空航天大学 | 一种面向航空复杂零件的面结构光自动化三维检测方法 |
CN115645043A (zh) * | 2022-10-14 | 2023-01-31 | 佗道医疗科技有限公司 | 一种机器人运动轨迹的规划方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10917543B2 (en) * | 2017-04-24 | 2021-02-09 | Alcon Inc. | Stereoscopic visualization camera and integrated robotics platform |
US11325256B2 (en) * | 2020-05-04 | 2022-05-10 | Intrinsic Innovation Llc | Trajectory planning for path-based applications |
US11833691B2 (en) * | 2021-03-30 | 2023-12-05 | Samsung Electronics Co., Ltd. | Hybrid robotic motion planning system using machine learning and parametric trajectories |
-
2023
- 2023-06-20 CN CN202310734823.6A patent/CN116652956B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5388059A (en) * | 1992-12-30 | 1995-02-07 | University Of Maryland | Computer vision system for accurate monitoring of object pose |
JP2003044835A (ja) * | 2001-07-27 | 2003-02-14 | Akita Shindengen:Kk | 外観検査装置と該装置のマスタデータ作成方法及び該マスタデータ作成プログラム |
EP1422491A2 (en) * | 2002-11-25 | 2004-05-26 | Mitutoyo Corporation | Method, apparatus and program for setting a workpiece coordinate system origin in a surface property measuring machine |
WO2005065090A2 (en) * | 2003-12-30 | 2005-07-21 | The Mitre Corporation | Techniques for building-scale electrostatic tomography |
WO2016044465A1 (en) * | 2014-09-16 | 2016-03-24 | Sirona Dental, Inc. | Methods, systems, apparatuses, and computer programs for processing tomographic images |
EP3001265A1 (en) * | 2014-09-26 | 2016-03-30 | Palo Alto Research Center, Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
CN107883825A (zh) * | 2017-10-24 | 2018-04-06 | 四川雷得兴业信息科技有限公司 | 一种用于对齐游标卡尺零刻度线的智能视觉检测方法 |
CN107598929A (zh) * | 2017-10-25 | 2018-01-19 | 北京邮电大学 | 一种单关节故障空间机械臂位姿可达空间求解方法 |
CN108705532A (zh) * | 2018-04-25 | 2018-10-26 | 中国地质大学(武汉) | 一种机械臂避障路径规划方法、设备及存储设备 |
CN109799829A (zh) * | 2019-02-28 | 2019-05-24 | 清华大学 | 一种基于自组织映射的机器人群体协同主动感知方法 |
CN110083166A (zh) * | 2019-05-30 | 2019-08-02 | 浙江远传信息技术股份有限公司 | 针对多机器人的协同调度方法、装置、设备及介质 |
CN110900611A (zh) * | 2019-12-13 | 2020-03-24 | 合肥工业大学 | 一种新型机械臂目标定位及路径规划方法 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN112720492A (zh) * | 2020-12-29 | 2021-04-30 | 上海节卡机器人科技有限公司 | 多轴机器人的复杂轨迹光顺方法、装置、介质及电子设备 |
WO2022150767A1 (en) * | 2021-01-11 | 2022-07-14 | True Digital Surgery | Registration degradation correction for surgical navigation procedures |
CN112511759A (zh) * | 2021-02-08 | 2021-03-16 | 常州微亿智造科技有限公司 | 飞拍控制方法和装置 |
CN113252007A (zh) * | 2021-06-28 | 2021-08-13 | 常州微亿智造科技有限公司 | 用于工件质检的飞拍控制参数确定方法和装置 |
CN113799120A (zh) * | 2021-07-15 | 2021-12-17 | 中联重科股份有限公司 | 冗余自由度机械臂的路径规划方法、装置及工程机械 |
CN113945217A (zh) * | 2021-12-15 | 2022-01-18 | 天津云圣智能科技有限责任公司 | 航线规划方法、装置、服务器及计算机可读存储介质 |
CN114714335A (zh) * | 2022-03-09 | 2022-07-08 | 泉州华中科技大学智能制造研究院 | 一种七关节冗余自由度机器人的逆解方法及装置 |
CN115345822A (zh) * | 2022-06-08 | 2022-11-15 | 南京航空航天大学 | 一种面向航空复杂零件的面结构光自动化三维检测方法 |
CN115645043A (zh) * | 2022-10-14 | 2023-01-31 | 佗道医疗科技有限公司 | 一种机器人运动轨迹的规划方法 |
Non-Patent Citations (3)
Title |
---|
HUANG H. et al..SELF-ORGANIZING NAVIGATION - FROM NEURAL MAPS TO NAVIGATION SITUATIONS.《 FIFTH INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE, TAI '93, PROCEEDINGS》.1993,全文. * |
一种可重构双操作模式混联机械臂的设计与研究;殷兴鲁;《中国优秀硕士学位论文全文 电子期刊网》;20230115;全文 * |
不确定检测环境下强化学习覆盖路径规划研究;李彦征等;《机械科学与技术》;20220829;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116652956A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11878433B2 (en) | Method for detecting grasping position of robot in grasping object | |
CN111897332B (zh) | 一种语义智能变电站机器人仿人巡视作业方法及系统 | |
TWI776113B (zh) | 物體位姿估計方法及裝置、電腦可讀儲存介質 | |
CN108012325B (zh) | 一种基于uwb和双目视觉的导航定位方法 | |
WO2020134254A1 (zh) | 一种基于强化学习的喷涂机器人轨迹优化方法 | |
CN109725327B (zh) | 一种多机构建地图的方法及系统 | |
CN110853100B (zh) | 一种基于改进点线特征的结构化场景视觉slam方法 | |
CN114063570B (zh) | 机器人喷涂控制方法、装置、电子设备及存储介质 | |
JP7143703B2 (ja) | 画像処理装置 | |
CN115213896A (zh) | 基于机械臂的物体抓取方法、系统、设备及存储介质 | |
CN116105742B (zh) | 复合场景巡检导航方法、系统及相关设备 | |
CN110825088A (zh) | 一种多目视觉导引船体清洁机器人系统及清洁方法 | |
CN113715016A (zh) | 一种基于3d视觉的机器人抓取方法、系统、装置及介质 | |
CN111964680A (zh) | 一种巡检机器人的实时定位方法 | |
CN114299039B (zh) | 一种机器人及其碰撞检测装置和方法 | |
WO2022228391A1 (zh) | 一种终端设备定位方法及其相关设备 | |
CN114998276A (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
Xiao et al. | A novel visual guidance framework for robotic welding based on binocular cooperation | |
CN116652956B (zh) | 一种用于外观检测的拍照路径自适应规划方法及装置 | |
CN114047762A (zh) | 一种基于蚁群算法的激光雷达空间测量路径规划方法及系统 | |
CN115519542A (zh) | 基于哈里斯鹰化算法的多机协作焊接轨迹规划方法及装置 | |
CN110570473A (zh) | 一种基于点线融合的权重自适应位姿估计方法 | |
CN115556120A (zh) | 一种基于随机自适应的焊缝路径规划无示教方法 | |
Kumar et al. | Visual motor control of a 7 DOF robot manipulator using function decomposition and sub-clustering in configuration space | |
CN116766184A (zh) | 用于质量检测的拍照路径规划方法、装置、介质及设备 |
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 |