CN117291987B - 余料切断位置识别方法、装置、计算机设备和存储介质 - Google Patents
余料切断位置识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117291987B CN117291987B CN202311591469.2A CN202311591469A CN117291987B CN 117291987 B CN117291987 B CN 117291987B CN 202311591469 A CN202311591469 A CN 202311591469A CN 117291987 B CN117291987 B CN 117291987B
- Authority
- CN
- China
- Prior art keywords
- cutting
- mechanical arm
- image
- pose
- cut
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 389
- 239000000463 material Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 82
- 238000004590 computer program Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000003698 laser cutting Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 229910000975 Carbon steel Inorganic materials 0.000 description 2
- 239000010962 carbon steel Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种余料切断位置识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取针对切割零件进行拍摄得到的切割零件图像;获取对所述切割零件的套料图进行采样得到的多张不同尺度的采样图像;对所述切割零件图像进行轮廓提取,获得所述切割零件图像的边缘轮廓图;将每张所述采样图像和所述边缘轮廓图进行匹配,确定所述边缘轮廓图中切割零件的尺度信息和切缝位置信息;根据所述切割零件的尺度信息和切缝位置信息,确定对切割零件的余料进行切断的切割点位,并按照所述切割点位对所述切割零件的余料进行切断。采用本方法能够快速定位出对余料进行切断的切割点位,以提升余料的切断效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种余料切断位置识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着智能制造产业的发展,激光切割下料成为行业发展新趋势,一方面,激光束直径小、光程稳定,能够实现高精度的切割,特别适用于各种高精度加工。另一方面,激光束移动速度快,且无需接触式加工,可大幅度提升切割效率,适用于各种批量生产。
然而,由于切割缝隙小、切割速度快,导致切割零件产生应力变形,出现分拣卡料等现象,严重影响智能分拣产线的整体分拣效率。而智能分拣产线作为智能制造业中基础的生产及物流模块,有着承上启下的关键作用,其板线上下料的处理能力,对于整体的生产效率有着重要影响。
因此,为了有效解决零件卡料的问题,余料的切断显得至关重要。目前,在余料的切断工作中,多是采用一些半自动或者手动的流程算法,使得在余料的切断工作效率较低,导致整体的生产效率并不理想。
发明内容
基于此,有必要针对上述技术问题,提供一种能够快速定位出对余料进行切断的切割点位,以提升余料的切断效率的余料切断位置识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种余料切断位置识别方法,包括:
获取针对切割零件进行拍摄得到的切割零件图像;
获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像;
对切割零件图像进行轮廓提取,获得切割零件图像的边缘轮廓图;
将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息;
根据所述切割零件的尺度信息和切缝位置信息,确定针对所述切割零件的余料进行切断的切割点位,并按照所述切割点位对所述切割零件的余料进行切断。
在其中一个实施例中,获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像,包括:
获取切割零件对应的切割工艺参数,以及预设的零件尺度误差范围;
若根据切割工艺参数和零件尺度误差范围,从切割零件图像中确定出匹配的切割零件,则在零件尺度误差范围内,针对切割零件的套料图进行采样,得到多张不同尺度的采样图像。
在其中一个实施例中,将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息,包括:
将每一张采样图像分别与边缘轮廓图进行匹配,获得对应的匹配结果;
将各匹配结果中,满足预设的匹配条件的匹配结果对应的采样图像,作为目标采样图像;
将目标采样图像的尺度信息和切缝位置信息,确定为边缘轮廓图中的切割零件的尺度信息和切缝位置信息。
在其中一个实施例中,根据切割零件的尺度信息和切缝位置信息,确定针对切割零件的余料进行切断的切割点位,包括:
根据切割零件的尺度信息和切缝位置信息,在边缘轮廓图中确定多个感兴趣区域;
从各感兴趣区域中,分别确定用于针对所述切割零件的余料进行切断的切断线的区域;
确定各切断线在边缘轮廓图中的切断线位置信息;
根据各切断线位置信息和边缘轮廓图中的结构拓扑信息,确定对余料进行切断的切割点位。
在其中一个实施例中,切割点位包括初始切割点和终止切割点,按照切割点位对切割零件的余料进行切断,包括:
确定初始切割点在切割零件图像中的第一位置信息,以及终止切割点在切割零件图像中的第二位置信息;
基于第一位置信息进行仿射变换,获得与初始切割点对应的第一机械臂位姿;
基于第二位置信息进行仿射变换,获得与终止切割点对应的第二机械臂位姿;
根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断。
在其中一个实施例中,根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断之前,还包括:
将第一机械臂位姿、第二机械臂位姿分别与预设机械臂位姿进行误差计算,若误差计算结果满足预设的位姿误差范围,则执行根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断的步骤。
在其中一个实施例中,根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断,包括:
获取切割工艺参数,确定位姿误差量;
按照位姿误差量,对第一机械臂位姿和第二机械臂位姿进行调整,并基于调整后的第一机械臂位姿和第二机械臂位姿控制机械臂运动,以对切割零件的余料进行切断。
第二方面,本申请还提供了一种余料切断位置识别装置,包括:
图像获取模块,用于获取针对切割零件进行拍摄得到的切割零件图像;
采样模块,用于获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像;
轮廓提取模块,用于对切割零件图像进行轮廓提取,获得切割零件图像的边缘轮廓图;
信息提取模块,用于将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息;
切割模块,根据所述切割零件的尺度信息和切缝位置信息,确定针对切割零件的余料进行切断的切割点位,并按照切割点位对切割零件的余料进行切断。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述余料切断位置识别方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述余料切断位置识别方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述余料切断位置识别方法的步骤。
上述余料切断位置识别方法、装置、计算机设备、存储介质和计算机程序产品,获取针对切割零件进行拍摄得到的切割零件图像;获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像;对切割零件图像进行轮廓提取,获得切割零件图像的边缘轮廓图;将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息;根据切割零件的尺度信息和切缝位置信息,确定对切割零件的余料进行切断的切割点位,并按照切割点位对余料进行切断。其中,在余料切断位置识别过程中,通过获取切割零件图像,以及获取对套料图进行采样得到的多张不同尺度的采样图像,并针对切割零件图像进行轮廓提取,获得边缘轮廓图,从而通过将采样图像和边缘轮廓图进行匹配,确定出边缘轮廓图中切割零件的尺度信息和切缝位置信息。进一步基于边缘轮廓图中切割零件的尺度信息和切缝位置信息,可以确定出对余料进行切断的切割点位,通过有效利用切割零件图像和采样图像,可以快速的确定出切割点位,从而实现切割零件的余料的快速切断,保证了切割零件的自动分拣效率,提升了整体的生产效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中余料切断位置识别方法的应用环境图;
图2为一个实施例中余料切断位置识别方法的流程示意图;
图3为一个实施例中的切割零件图像的示意图;
图4为一个实施例中边缘轮廓图的示意图;
图5为一个实施例中余料切断位置识别方法的匹配结果示意图;
图6为一个实施例中感兴趣区域的结构示意图;
图7为另一个实施例中余料切断位置识别方法的流程示意图;
图8为一个实施例中余料切断位置识别装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的余料切断位置识别方法,可以应用于如图1所示的应用环境中。其中,图1中的应用环境包括计算机设备和激光切割设备。计算机设备可以通过网络与激光切割设备进行通信。
在一些实施例中,计算机设备获取针对切割零件进行拍摄得到的切割零件图像;获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像;对切割零件图像进行轮廓提取,获得切割零件图像的边缘轮廓图;将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息;根据切割零件的尺度信息和切缝位置信息,确定针对切割零件的余料进行切断的切割点位,并按照切割点位,控制机械臂对切割零件的余料进行切断。其中,激光切割设备可以包括机械臂结构,以通过机械臂实现余料的切断。
其中,计算机设备可以为终端或者服务器。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中,如图2所示,提供了一种余料切断位置识别方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤202至步骤210。其中:
步骤202,获取针对切割零件进行拍摄得到的切割零件图像。
其中,切割零件图像是由图像采集设备针对已完成切割的切割零件进行拍摄得到的图像。
在一些实施例中,图像采集设备可以为2D(two dimensional,二维)相机,2D相机可以固定在机械臂上的不同高度,确定一个目标成像条件。在目标成像条件下,相机成像的长和宽可以达到预定范围,光源可以把切割零件所在的图像区域照射完整,图像对焦,边缘足够清晰。
在一些实施例中,计算机设备获得是当满足目标成像条件时,采集到指定分辨率的2D图像数据,其中,指定分辨率可以是3000*5000,也可以是4000*5500等,只要得到的切割零件图像可以实现切割零件的切缝的准确识别即可。
在一些实施例中,如图3所示,为切割零件图像的示意图,图3为2D相机在目标成像条件下,拍摄切割零件获得的切割零件图像,图3中所呈现的切割零件的切缝清晰。
步骤204,获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像。
其中,套料图可以包括有每个切割零件理论上的位置、形状、尺寸、坐标、切缝等各类信息。
在一些实施例中,采样图像为针对套料图进行采样获得的图像,采样图像和切割零件图像的分辨率相同,从而在后续图像的匹配过程中,可以提升图像匹配的精确度。
步骤206,对切割零件图像进行轮廓提取,获得切割零件图像的边缘轮廓图。
其中,边缘轮廓图是对切割零件图像中的切缝进行轮廓提取,获得的图像。如图4所示,为边缘轮廓图的示意图,通过对切割零件图像进行轮廓提取,可以使得切缝更加的清晰明显,且淡化其他无关的位置。
在一些实施例中,计算机设备在针对切割零件图像进行轮廓提取时,可以采用预先设置的轮廓提取算法,也可以采用预先训练的轮廓提取模型。在基于轮廓提取模型对切割零件图像进行轮廓提取时,可以将切割零件图像输入至轮廓提取模型中,通过轮廓提取模型,即可直接获得切割零件图像的边缘轮廓图,从而提升了图像的处理效率。
步骤208,将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息。
具体地,计算机设备可以调用预先设置的多模板匹配算法,将转换得到的2D边缘轮廓图分别和不同尺度的采样图像进行匹配,从而确定边缘轮廓图中切割零件的尺度信息和切缝位置信息。
在一些实施例中,如图5所示,为匹配结果图,从图5中的匹配结果图中可知,图5中进行匹配的采样图像和边缘轮廓图之间的贴合程度较好,其中,图5中的虚线对应采样图像,实线对应边缘轮廓图。
步骤210,根据切割零件的尺度信息和切缝位置信息,确定针对切割零件的余料进行切断的切割点位,并按照切割点位对切割零件的余料进行切断。
其中,余料为已完成零件切割的钢板上的废料,余料通常处于钢板上的各切割零件之间或者处于钢板边缘、切割零件周围的边缘区域。进而,通过对切割零件的废料进行切断,可以有效解决零件卡料的问题,对于整体的生产效率有着重要影响。
切割点位是用于对切割零件的余料进行切断的位置,切割点位可以包括初始切割点和终止切割点,通过初始切割点和终止切割点,形成针对切割零件的余料进行切断的切断线,从而通过切断线,即可完成对切割零件的余料的切割。
上述余料切断位置识别方法中,获取针对切割零件进行拍摄得到的切割零件图像;获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像;对切割零件图像进行轮廓提取,获得切割零件图像的边缘轮廓图;将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息;根据切割零件的尺度信息和切缝位置信息,确定对余料进行切断的切割点位,并按照切割点位针对切割零件的余料进行切断。其中,在余料切断位置识别过程中,通过获取切割零件图像,以及获取对套料图进行采样得到的多张不同尺度的采样图像,并针对切割零件图像进行轮廓提取,获得边缘轮廓图,从而通过将采样图像和边缘轮廓图进行匹配,确定出边缘轮廓图中切割零件的尺度信息和切缝位置信息。进一步基于边缘轮廓图中切割零件的尺度信息和切缝位置信息,可以确定出对余料进行切断的切割点位,通过有效利用切割零件图像和采样图像,可以快速的确定出切割点位,从而实现余料的快速切断,保证了切割零件的自动分拣效率,提升了整体的生产效率。
在一个示例性的实施例中,获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像,包括:获取切割零件对应的切割工艺参数,以及预设的零件尺度误差范围;若根据切割工艺参数和零件尺度误差范围,从切割零件图像中确定出匹配的切割零件,则在零件尺度误差范围内,针对切割零件的套料图进行采样,得到多张不同尺度的采样图像。
其中,切割工艺参数是与零件的材料相关的参数,对于不同的零件,其切割工艺参数也会存在不同。例如,对于10mm(毫米)的碳钢,其切割缝隙需要调整到0.6mm;对于16mm的碳钢,其切割缝隙需要调整到0.8mm。
零件尺寸误差范围为设定的套料图中的切割零件与切割零件图像中的切割零件的尺寸误差范围。其中,在设定零件的零件尺寸误差范围时,可以根据零件的切割材料、光斑大小、焦点高度、切缝宽度等信息进行设定。
具体地,计算机设备可以结合切割工艺参数和零件尺度误差范围,确定实际切割过程中的切割零件的初始零件尺寸,进一步地,计算机设备可以按照确定出的切割零件的初始零件尺寸,在切割零件图像中进行该切割零件的定位,若确定切割零件图像中存在该切割零件,则在零件尺度误差范围内,针对切割零件的套料图进行采样,得到多张不同尺度的采样图像。
在一些实施例中,当计算机设备根据切割零件的初始零件尺寸,在切割零件图中进行该初始零件尺寸的切割零件时,计算机设备可以调整零件尺度误差范围,并重新确定切割零件的初始零件尺寸,并基于重新确定的切割零件的初始零件尺寸,在切割零件图像中进行该切割零件的定位,直至找到该切割零件时,基于最终确定的零件尺度误差范围,针对切割零件的套料图进行采样,得到多张不同尺度的采样图像。
在一些实施例中,计算机设备在零件尺度误差范围内,针对切割零件的套料图进行采样的过程中,可以设定采样的次数,从而减少后续进行匹配的采样图像数量,提升匹配效率。
在一个示例性的实施例中,将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息,包括:将每一张采样图像分别与边缘轮廓图进行匹配,获得对应的匹配结果;将各匹配结果中,满足预设的匹配条件的匹配结果对应的采样图像,作为目标采样图像;将目标采样图像的尺度信息和切缝位置信息,确定为边缘轮廓图中的切割零件的尺度信息和切缝位置信息。
其中,匹配结果可以用于表征采样图像与边缘轮廓图之间的重合程度。采样图像与边缘轮廓图之间的重合程度越高,表示两者之间的尺度信息和切缝位置信息越接近。匹配条件是设定的用于判断采样图像与边缘轮廓图之间的重合程度的条件,例如,匹配条件可以是设定的尺度阈值和切缝位置阈值。在设置匹配条件时,可以结合实际的匹配精度需求、切断位置识别效率需求等进行适应性的设定。
具体地,计算机设备可以针对每一个采样图像,调用预先设置的多模板匹配算法,分别与边缘轮廓图进行匹配,获得对应的匹配结果。进一步地,计算机设备可以将匹配结果中的各重合程度进行比较,从各重合程度中找出最高重合程度对应的采样图像,作为目标采样图像,并从套接图中提取目标采样图像的尺度信息和切缝位置信息,将提取得到的尺度信息和切缝位置信息,作为边缘轮廓图中的切割零件的尺度信息和切缝位置信息,实现切缝的初定位。
上述实施例中,计算机设备通过将每一张采样图像分别与边缘轮廓图进行匹配,获得对应的匹配结果,从而根据匹配结果,确定出目标采样图像,以将目标采样图像尺度信息和切缝位置信息,确定为边缘轮廓图中的切割零件的尺度信息和切缝位置信息。由于目标采样图像是与边缘轮廓图的尺寸最匹配的,因而,可以准确的确定出边缘轮廓图中的切割零件的尺度信息和切缝位置信息。
在一个示例性的实施例中,根据切割零件的尺度信息和切缝位置信息,确定针对切割零件的余料进行切断的切割点位,包括:根据切割零件的尺度信息和切缝位置信息,在边缘轮廓图中确定多个感兴趣区域;从各感兴趣区域中,分别确定用于针对切割零件的余料进行切断的切断线的区域;确定各切断线在边缘轮廓图中的切断线位置信息;根据各切断线位置信息和边缘轮廓图中的结构拓扑信息,确定对切割零件的余料进行切断的切割点位。
其中,感兴趣区域是用于确定切断线的区域,即用于确定针对余料区域进行切断的切断线的区域,感兴趣区域具体可以为在切割轮廓制图划分出的矩形区域。其中,在确定感兴趣区域时,为保证尽可能的获取更多的信息,矩形的长度方向需和切缝的方向保持固定比例,矩形的宽度方向要能够覆盖切缝的宽度。
切断线用于得到切断点,切断点可以用于构成对切割零件的余料进行切断的切割点位。
结构拓扑信息是用于表征切割零件的切缝的结构组成的信息,针对边缘轮廓图,结构拓扑消息为切割零件的切缝在边缘轮廓图中的拓扑信息。
在一些实施例中,如图6所示,为计算机设备可以根据切割零件的尺度信息和切缝位置信息,确定边缘轮廓图中的其中一个感兴趣区域,从该感兴趣区域中,可以确定用于对余料进行切断的切断线的区域,切断线用于得到切断点;确定各切断线在边缘轮廓图中的切断线位置信息,根据各切断线位置信息和边缘轮廓图中的结构拓扑信息,确定对切割零件的余料进行切断的切割点位。
上述实施例中,计算机设备通过确定感兴趣区域,并进一步基于确定出的感兴趣区域,可以准确的确定出切断线,以及切缝位置信息。
在一个示例性的实施例中,切割点位包括初始切割点和终止切割点,按照切割点位对切割零件的余料进行切断,包括:确定初始切割点在切割零件图像中的第一位置信息,以及终止切割点在切割零件图像中的第二位置信息;基于第一位置信息进行仿射变换,获得与初始切割点对应的第一机械臂位姿;基于第二位置信息进行仿射变换,获得与终止切割点对应的第二机械臂位姿;根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断。
其中,切割点位包括初始切割点和终止切割点,即对切割零件的余料进行切断时,是由两个切割点确定的。第一位置信息是初始切割点在切割零件图像中的位置信息,第二位置信息是终止切割点在切割零件图像中的位置信息。
第一机械臂位姿对应于第一位置信息,第二机械臂位姿对应于第二位置信息,机械臂位姿用于对机械臂进行控制,从而使得机械臂可以按照位姿实现对余料的切割。
具体地,计算机设备可以基于确定出的切割点位进行仿射变换,获得第一位置信息和第二位置信息,并进一步将第一位置信息和第二位置信息转换成第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断。
上述实施例中,计算机设备可以对确定的初始切割点和终止切割点进行仿射变换,获得对应的第一机械臂位姿和第二机械臂位姿,从而可以通过第一机械臂位姿和第二机械臂位姿对机械臂进行控制,实现对余料的切断。
在一个示例性的实施例中,根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对余料进行切断之前,还包括:将第一机械臂位姿、第二机械臂位姿分别与预设机械臂位姿进行误差计算,若误差计算结果满足预设的位姿误差范围,则执行根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断的步骤。
其中,预设机械臂位姿是预先设定的机械臂理论位姿,即预先存储的先验信息。
具体地,计算机设备可以分别将第一机械臂位姿、第二机械臂位姿和预先存储的预设机械臂位姿进行比较,以对第一机械臂位姿和第二机械臂位姿进行校验,从而获得误差计算结果。当误差计算结果满足预设的位姿误差范围内时,表明第一机械臂位姿和第二机械臂位姿是处于合理的范围内的,则计算机设备可以控制机械臂进行切断。
在一些实施例中,计算机设备在确定误差计算结果不满足预设的位姿误差范围内时,表明第一机械臂位姿和第二机械臂位姿未处于合理的范围内,则计算机设备可以重新计算第一机械臂位姿和第二机械臂位姿,直至计算得到的第一机械臂位姿和第二机械臂位姿处于合理的范围内。
上述实施例中,计算机设备在确定第一机械臂位姿和第二机械臂位姿处于合理的范围内时,才会根据第一机械臂位姿和第二机械臂位姿,对机械臂进行控制,从而可以实现对余料的准确切断。
在一个示例性的实施例中,根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对余料进行切断,包括:获取切割工艺参数,确定位姿误差量;按照位姿误差量,对第一机械臂位姿和第二机械臂位姿进行调整,并基于调整后的第一机械臂位姿和第二机械臂位姿控制机械臂运动,以对余料进行切断。
其中,切割工艺参数可以对切割位置产生影响,如零件的材料、厚度以及光斑大小等。具体地,计算机设备在进行切断之前,可以基于零件的材料、厚度以及光斑大小等,确定出由这些参数可能会产生的位姿误差量,从而基于位姿误差量,对第一机械臂位姿和第二机械臂位姿进行调整,并基于调整后的第一机械臂位姿和第二机械臂位姿控制机械臂运动,以对余料进行切断,由此可以避免切到零件。
在一些实施例中,计算机设备在进行切断时,光斑大小是0.03mm,由第一机械臂位姿和第二机械臂位姿确定的切割点到零件的距离是0.02mm,则计算机设备可以对切割点到零件的距离进行调整,比如偏移0.01mm,从而可以防止切到零件。
上述实施例中,计算机设备在对余料进行切断前,还会考虑对切割位置会产生影响的切割工艺参数,以确定出位姿误差量,从而可以通过位姿误差量对第一机械臂位姿和第二机械臂位姿进行调整,根据调整后的第一机械臂位姿和第二机械臂位姿对机械臂进行控制,可以实现对余料的准确切断。
在一些实施例中,如图7所示,为本申请提供的余料切断位置识别方法的流程示意图:
1. 通过固定2D相机、光源,使得相机位于机械臂上的不同高度来确认一个合理的成像条件,采集到指定分辨率的2D图像数据。
2. 根据切割材料不同选取不同的切割工艺参数,其中,不同的切割工艺参数会导致切割出的零件有不同程度的误差。进一度步地,计算机设备可以参考光斑大小、焦点高度、切缝宽度等信息,确定切割零件本身和套料图上零件的误差范围。
3. 参考零件和套料图零件之间的误差范围,确定误差范围的合理性。如果误差在合理范围内,通过预先设置的套料图和拍摄图像之间的比例关系,在误差范围内做不同尺度的采样,使得套料图转换后的分辨率和真实拍照的数据之间保持一致。
4. 调用相应的轮廓提取处理算法,对于拍摄的图像进行处理,将对于切缝的2D图像转变成基于切缝轮廓的边缘提取的结果图。
5. 将转换得到的2D轮廓图和多尺度的零件模板之间根据尺度信息,调用多模板匹配算法,最终确定合适的尺度信息和切缝位置信息。
6. 根据匹配结果图和预先选取的图像上确定具体的感兴趣区域,将感兴趣的图像提取出来,具体步骤如下:
(1)沿着切缝的方向,绘制矩形的感兴趣区域,为保证尽可能的获取更多的目标信息,矩形的长度方向需和切缝的方向保持固定比例,矩形的宽度方向要能够覆盖切缝的宽度。
(2)按照以上要求获取到感兴趣区域,对感兴趣区域进行处理,获取到切断线,以及切断线相对于切割零件图像的具体位姿,计算公式如下所示:
其中,x和y表示切断线在边缘轮廓图中的切断线位置信息,x’和y’表示切断线在切割零件图像中的位置信息。
为转换矩阵,、、、、
以及为转换矩阵中的常数。
(3)其中,切断线在切割零件图像中的位置信息,可以转变成位于机械臂坐标系下的位姿。
(4)计算机设备可以依次计算不同切断线的切断线位置信息,根据边缘轮廓图中的结构拓扑信息,确定出切割点位,再针对切割点位的第一位置信息和第二位置信息进行仿射变换,计算出最合适的切割点位的机械臂位姿。
(5)根据拓扑计算出的切割点位需要和预先存储的先验信息进行校验,保证误差处于合理范围内,输出切断点的相对于真实世界的位置。
7.机械臂按照机械臂位姿,结合不同型材和厚度确定光斑大小,进而确定切割点的误差量,实行最终切断。
和现有技术相比,本申请提供的余料切断位置识别方法具备如下优点:
1.本申请提供的余料切断位置识别方法为自动化切割技术,相较于传统的一些半自动或者手动的流程算法,具有全流程数据可监控,性能指标可量化等性能;
2.本申请提供的余料切断位置识别方法充分结合了切割工艺相关的数据输入,有效利用了生产过程中的来料信息,结合视觉处理实现非接触式余料处理,保证了自动分拣效率;
3.本申请提供的余料切断位置识别方法通过对余料的处理,将整版的余料切断形成了相对可控的大小的余料段,也为后期余料处理节省了时间。
4.不仅如此,由于机械臂的高稳定性和精度,该算法帮助机械臂实现了自动切割,能够保证产品的质量和一致性,从而进一步推动了生产效率的提高。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的余料切断位置识别方法的余料切断位置识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个余料切断位置识别装置实施例中的具体限定可以参见上文中对于余料切断位置识别方法的限定,在此不再赘述。
在一个示例性的实施例中,如图8所示,提供了一种余料切断位置识别装置800,包括:图像获取模块802、采样模块804和轮廓提取模块806、信息提取模块808和切割模块810,其中:
图像获取模块802,用于获取针对切割零件进行拍摄得到的切割零件图像。
采样模块804,用于获取对切割零件的套料图进行采样得到的多张不同尺度的采样图像。
轮廓提取模块806,用于对切割零件图像进行轮廓提取,获得切割零件图像的边缘轮廓图。
信息提取模块808,用于将每张采样图像和边缘轮廓图进行匹配,确定边缘轮廓图中切割零件的尺度信息和切缝位置信息。
切割模块810,用于根据切割零件的尺度信息和切缝位置信息,确定针对切割零件的余料进行切断的切割点位,并按照切割点位对切割零件的余料进行切断。
在一些实施例中,采样模块804,还用于获取切割零件对应的切割工艺参数,以及预设的零件尺度误差范围;若根据切割工艺参数和零件尺度误差范围,从切割零件图像中确定出匹配的切割零件,则在零件尺度误差范围内,针对切割零件的套料图进行采样,得到多张不同尺度的采样图像。
在一些实施例中,信息提取模块808,还用于将每一张采样图像分别与边缘轮廓图进行匹配,获得对应的匹配结果;将各匹配结果中,满足预设的匹配条件的匹配结果对应的采样图像,作为目标采样图像;将目标采样图像的尺度信息和切缝位置信息,确定为边缘轮廓图中的切割零件的尺度信息和切缝位置信息。
在一些实施例中,切割模块810,还用于根据切割零件的尺度信息和切缝位置信息,在边缘轮廓图中确定多个感兴趣区域;从各感兴趣区域中,分别确定用于针对切割零件的余料进行切断的切断线的区域;确定各切断线在边缘轮廓图中的切断线位置信息;根据各切断线位置信息和边缘轮廓图中的结构拓扑信息,确定对切割零件的余料进行切断的切割点位。
在一些实施例中,切割模块810,还用于确定初始切割点在切割零件图像中的第一位置信息,以及终止切割点在切割零件图像中的第二位置信息;基于第一位置信息进行仿射变换,获得与初始切割点对应的第一机械臂位姿;基于第二位置信息进行仿射变换,获得与终止切割点对应的第二机械臂位姿;根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断。
在一些实施例中,切割模块810,还用于将第一机械臂位姿、第二机械臂位姿分别与预设机械臂位姿进行误差计算,若误差计算结果满足预设的位姿误差范围,则执行根据第一机械臂位姿和第二机械臂位姿,控制机械臂运动以对切割零件的余料进行切断的步骤。
在一些实施例中,切割模块810,还用于获取切割工艺参数,确定位姿误差量;按照位姿误差量,对第一机械臂位姿和第二机械臂位姿进行调整,并基于调整后的第一机械臂位姿和第二机械臂位姿控制机械臂运动,以对切割零件的余料进行切断。
上述余料切断位置识别装置中的各个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计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器或终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储切割零件数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种余料切断位置识别方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述余料切断位置识别方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述余料切断位置识别方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述余料切断位置识别方法的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
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,所述的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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(PhaseChange Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandom Access Memory,SRAM)或动态随机存取存储器(Dynamic Random AccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种余料切断位置识别方法,其特征在于,所述方法包括:
获取针对切割零件进行拍摄得到的切割零件图像;所述切割零件图像指针对已完成切割的切割零件进行拍摄得到的图像;
获取对所述切割零件的套料图进行采样得到的多张不同尺度的采样图像;
对所述切割零件图像进行轮廓提取,获得所述切割零件图像的边缘轮廓图;
将每张所述采样图像和所述边缘轮廓图进行匹配,确定所述边缘轮廓图中切割零件的尺度信息和切缝位置信息;
根据所述切割零件的尺度信息和切缝位置信息,确定针对所述切割零件的余料进行切断的切割点位,并按照所述切割点位对所述切割零件的余料进行切断;其中,所述切割点位指用于对已完成切割的切割零件的余料进行切断的位置;所述切割点位包括初始切割点和终止切割点,所述初始切割点和所述终止切割点形成针对已完成切割的切割零件的余料进行切割的切断线。
2.根据权利要求1所述的方法,其特征在于,所述获取对所述切割零件的套料图进行采样得到的多张不同尺度的采样图像,包括:
获取所述切割零件对应的切割工艺参数,以及预设的零件尺度误差范围;
若根据所述切割工艺参数和所述零件尺度误差范围,从所述切割零件图像中确定出匹配的切割零件,则在所述零件尺度误差范围内,针对所述切割零件的套料图进行采样,得到多张不同尺度的采样图像。
3.根据权利要求1所述的方法,其特征在于,所述将每张所述采样图像和所述边缘轮廓图进行匹配,确定所述边缘轮廓图中切割零件的尺度信息和切缝位置信息,包括:
将每一张采样图像分别与所述边缘轮廓图进行匹配,获得对应的匹配结果;
将各所述匹配结果中,满足预设的匹配条件的匹配结果对应的采样图像,作为目标采样图像;
将所述目标采样图像的尺度信息和切缝位置信息,确定为所述边缘轮廓图中的切割零件的尺度信息和切缝位置信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述切割零件的尺度信息和切缝位置信息,确定针对所述切割零件的余料进行切断的切割点位,包括:
根据所述切割零件的尺度信息和切缝位置信息,在所述边缘轮廓图中确定多个感兴趣区域;
从各所述感兴趣区域中,分别确定用于针对所述切割零件的余料进行切断的切断线的区域;
确定各所述切断线在边缘轮廓图中的切断线位置信息;
根据各所述切断线位置信息和所述边缘轮廓图中的结构拓扑信息,确定对余料进行切断的切割点位。
5.根据权利要求1所述的方法,其特征在于,所述按照所述切割点位对所述切割零件的余料进行切断,包括:
确定初始切割点在所述切割零件图像中的第一位置信息,以及所述终止切割点在所述切割零件图像中的第二位置信息;
基于所述第一位置信息进行仿射变换,获得与所述初始切割点对应的第一机械臂位姿;
基于所述第二位置信息进行仿射变换,获得与所述终止切割点对应的第二机械臂位姿;
根据所述第一机械臂位姿和所述第二机械臂位姿,控制机械臂运动以对所述切割零件的余料进行切断。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一机械臂位姿和所述第二机械臂位姿,控制机械臂运动以对所述切割零件的余料进行切断之前,还包括:
将所述第一机械臂位姿、所述第二机械臂位姿分别与预设机械臂位姿进行误差计算,若误差计算结果满足预设的位姿误差范围,则执行所述根据所述第一机械臂位姿和所述第二机械臂位姿,控制机械臂运动以对所述切割零件的余料进行切断的步骤。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一机械臂位姿和所述第二机械臂位姿,控制机械臂运动以对所述切割零件的余料进行切断,包括:
获取切割工艺参数,确定位姿误差量;
按照所述位姿误差量,对所述第一机械臂位姿和所述第二机械臂位姿进行调整,并基于调整后的第一机械臂位姿和所述第二机械臂位姿控制机械臂运动,以对所述切割零件的余料进行切断。
8.一种余料切断位置识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取针对切割零件进行拍摄得到的切割零件图像;所述切割零件图像指针对已完成切割的切割零件进行拍摄得到的图像;
采样模块,用于获取对所述切割零件的套料图进行采样得到的多张不同尺度的采样图像;
轮廓提取模块,用于对所述切割零件图像进行轮廓提取,获得所述切割零件图像的边缘轮廓图;
信息提取模块,用于将每张所述采样图像和所述边缘轮廓图进行匹配,确定所述边缘轮廓图中切割零件的尺度信息和切缝位置信息;
切割模块,用于根据所述切割零件的尺度信息和切缝位置信息,确定针对所述切割零件的余料进行切断的切割点位,并按照所述切割点位对所述切割零件的余料进行切断;其中,所述切割点位指用于对已完成切割的切割零件的余料进行切断的位置;所述切割点位包括初始切割点和终止切割点,所述初始切割点和所述终止切割点形成针对已完成切割的切割零件的余料进行切割的切断线。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311591469.2A CN117291987B (zh) | 2023-11-27 | 2023-11-27 | 余料切断位置识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311591469.2A CN117291987B (zh) | 2023-11-27 | 2023-11-27 | 余料切断位置识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291987A CN117291987A (zh) | 2023-12-26 |
CN117291987B true CN117291987B (zh) | 2024-03-01 |
Family
ID=89248462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311591469.2A Active CN117291987B (zh) | 2023-11-27 | 2023-11-27 | 余料切断位置识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291987B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103370164A (zh) * | 2011-02-15 | 2013-10-23 | 通快激光与系统工程有限公司 | 用于检查工件上的切割加工的方法 |
JP2018140430A (ja) * | 2017-02-28 | 2018-09-13 | 大同特殊鋼株式会社 | 切断方法および切断装置 |
WO2018196927A1 (de) * | 2017-04-28 | 2018-11-01 | Jenoptik Automatisierungstechnik Gmbh | Verfahren zum überwachten laserschneiden für metallische werkstücke |
CN109773582A (zh) * | 2018-12-27 | 2019-05-21 | 大族激光科技产业集团股份有限公司 | 一种板材余料切割方法 |
CN110648339A (zh) * | 2019-09-27 | 2020-01-03 | 广东溢达纺织有限公司 | 商标切割方法、装置、计算机设备和存储介质 |
CN111539582A (zh) * | 2020-05-11 | 2020-08-14 | 湖北汽车工业学院 | 一种基于图像处理的钢板切割规划装置和方法 |
CN113246140A (zh) * | 2021-06-22 | 2021-08-13 | 沈阳风驰软件股份有限公司 | 一种基于相机测量的多模型工件无序抓取方法及装置 |
CN113878592A (zh) * | 2021-10-14 | 2022-01-04 | 三一建筑机器人(西安)研究院有限公司 | 基于激光寻位的工件切割方法、装置及切割机器人 |
CN114985983A (zh) * | 2022-07-22 | 2022-09-02 | 新代科技(苏州)有限公司 | 一种基于激光钣金切割自动余料切割的加工方法 |
CN116090667A (zh) * | 2023-03-20 | 2023-05-09 | 济南邦德激光股份有限公司 | 板材切割过程中的余料处理方法、装置、设备和存储介质 |
-
2023
- 2023-11-27 CN CN202311591469.2A patent/CN117291987B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103370164A (zh) * | 2011-02-15 | 2013-10-23 | 通快激光与系统工程有限公司 | 用于检查工件上的切割加工的方法 |
JP2018140430A (ja) * | 2017-02-28 | 2018-09-13 | 大同特殊鋼株式会社 | 切断方法および切断装置 |
WO2018196927A1 (de) * | 2017-04-28 | 2018-11-01 | Jenoptik Automatisierungstechnik Gmbh | Verfahren zum überwachten laserschneiden für metallische werkstücke |
CN109773582A (zh) * | 2018-12-27 | 2019-05-21 | 大族激光科技产业集团股份有限公司 | 一种板材余料切割方法 |
CN110648339A (zh) * | 2019-09-27 | 2020-01-03 | 广东溢达纺织有限公司 | 商标切割方法、装置、计算机设备和存储介质 |
CN111539582A (zh) * | 2020-05-11 | 2020-08-14 | 湖北汽车工业学院 | 一种基于图像处理的钢板切割规划装置和方法 |
CN113246140A (zh) * | 2021-06-22 | 2021-08-13 | 沈阳风驰软件股份有限公司 | 一种基于相机测量的多模型工件无序抓取方法及装置 |
CN113878592A (zh) * | 2021-10-14 | 2022-01-04 | 三一建筑机器人(西安)研究院有限公司 | 基于激光寻位的工件切割方法、装置及切割机器人 |
CN114985983A (zh) * | 2022-07-22 | 2022-09-02 | 新代科技(苏州)有限公司 | 一种基于激光钣金切割自动余料切割的加工方法 |
CN116090667A (zh) * | 2023-03-20 | 2023-05-09 | 济南邦德激光股份有限公司 | 板材切割过程中的余料处理方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117291987A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10210656B2 (en) | Method and apparatus for searching a database of 3D items using descriptors | |
CN108381549B (zh) | 一种双目视觉引导机器人快速抓取方法、装置及存储介质 | |
CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN110672007A (zh) | 一种基于机器视觉的工件表面质量检测方法及系统 | |
CN108280829A (zh) | 焊缝图像识别方法、计算机装置及计算机可读存储介质 | |
CN112085033B (zh) | 一种模板匹配方法、装置、电子设备及存储介质 | |
CN114022542A (zh) | 一种基于三维重建的3d数据库制作方法 | |
CN105072348A (zh) | 一种快速对焦人脸的方法、装置及终端 | |
CN113524187A (zh) | 一种工件抓取顺序的确定方法、装置、计算机设备及介质 | |
CN116152166A (zh) | 基于特征相关性的缺陷检测方法及相关装置 | |
CN117291987B (zh) | 余料切断位置识别方法、装置、计算机设备和存储介质 | |
CN108520533B (zh) | 一种面向工件定位的多维度特征配准方法 | |
JP2778430B2 (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 | |
KR102438093B1 (ko) | 객체를 연관시키는 방법 및 장치, 시스템, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN113932712A (zh) | 一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法 | |
CN113066136B (zh) | 自动化标定方法、装置、电子设备及介质 | |
CN114612926A (zh) | 场景中人数计数方法、装置、计算机设备和存储介质 | |
CN115760855B (zh) | 工件检查方法及相关设备 | |
CN113034617B (zh) | 相机的焦距的获取方法及装置、设备 | |
CN115601432B (zh) | 一种基于fpga的机器人位置最优估计方法及系统 | |
US11960814B2 (en) | Wafer searching method and device | |
CN114083122B (zh) | 一种基于视觉定位的激光加工方法、装置及可读存储介质 | |
CN117765047B (zh) | 一种工件配准方法、装置、计算机设备及存储介质 | |
US20220092759A1 (en) | Comparison method and modeling method for chip product, device and storage medium | |
CN117808803B (zh) | 一种基于图像处理的工件质量检测方法及系统、电子设备 |
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 |