CN117408049A - 一种基于3d视觉的打磨路径规划方法 - Google Patents
一种基于3d视觉的打磨路径规划方法 Download PDFInfo
- Publication number
- CN117408049A CN117408049A CN202311354942.5A CN202311354942A CN117408049A CN 117408049 A CN117408049 A CN 117408049A CN 202311354942 A CN202311354942 A CN 202311354942A CN 117408049 A CN117408049 A CN 117408049A
- Authority
- CN
- China
- Prior art keywords
- polishing
- standard
- model
- path
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 230000005477 standard model Effects 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
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
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Mechanical Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Grinding And Polishing Of Tertiary Curved Surfaces And Surfaces With Complex Shapes (AREA)
Abstract
本发明公开了一种基于3D视觉的打磨路径规划方法,属于物体打磨技术领域,方法包括:步骤S1:布设3D扫描设备,通过所述3D扫描设备进行待打磨物体的3D模型建立;步骤S2:识别3D模型中的表面瑕疵信息,根据获得的表面瑕疵信息确定3D模型中对应的打磨区域;步骤S3:将打磨区域在3D模型中对应的位置进行标记,根据各打磨区域的分布规划打磨路径;步骤S4:按照获得的打磨路径对待打磨物体进行打磨,并对打磨后的打磨物体进行质量检测;通过获取物体的3D模型、特征提取、路径规划、打磨执行以及质量检测,实现自动化打磨作业;基于3D视觉的打磨路径规划方法,能够通过提取物体表面瑕疵信息,精确地控制打磨路径和打磨力度。
Description
技术领域
本发明属于物体打磨技术领域,具体是一种基于3D视觉的打磨路径规划方法。
背景技术
随着现代工业和机器人技术的不断发展,打磨作业作为一种常见的工业制造过程,已经逐渐实现了自动化和智能化。传统的打磨作业通常采用手动操作或者简单的自动化控制方式,这些方式存在一定的局限性,例如手动操作容易受到操作者技能水平的影响,而简单的自动化控制方式则难以实现精确的打磨路径控制;因此,为了实现更加精准的打磨,本发明提供了一种基于3D视觉的打磨路径规划方法。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于3D视觉的打磨路径规划方法。
本发明的目的可以通过以下技术方案实现:
一种基于3D视觉的打磨路径规划方法,方法包括:
步骤S1:布设3D扫描设备,通过所述3D扫描设备建立待打磨物体的3D模型;
进一步地,对通过3D扫描设备建立的3D模型进行建模精度优化。
进一步地,建模精度优化方法包括:
建立用户的用户库,所述用户库用于储存各标准参照模型和对应标准特征,并具有各标准参照模型对应的标准实体;
预设校核时间间隔,当根据校核时间间隔判定到达校核时间时,将标准实体移动到3D扫描设备的扫描区,通过3D扫描设备对标准实体进行扫描,生成标准实体对应的校核模型;获取校核模型对应的标准参照模型,将校核模型和对应的标准参照模型整合为修正数据;
建立优化模型,获取待打磨物体的3D模型,通过优化模型对3D模型进行优化处理。
进一步地,优化模型为自学习模型,根据在校核时间获得的修正数据进行自学习。
进一步地,用户库的建立方法包括:
由平台方确定各种打磨物体,识别并汇总物体特征,根据各所述物体特征设置若干种标准模型;并设置各标准模型对应的标准特征;根据标准模型设置对应标准实体;根据标准模型和对应标准特征建立标准库;
识别用户具有的打磨物体种类,通过3D扫描设备获取各打磨物体对应的3D模型,识别3D模型的目标特征;将目标特征与标准库中各标准模型对应的标准特征进行匹配,获得各打磨物体对应的标准参照模型;
根据各标准参照模型和对应标准特征建立用户库;并将各标准参照模型对应的标准实体发送给用户。
进一步地,将目标特征与标准库中各标准模型对应的标准特征进行匹配的方法包括:
识别所述目标特征和所述标准特征中具有的各物体特征种类,将所述物体特征种类标记为i,其中i=1、2、……、n,n为正整数;
识别所述目标特征和所述标准特征分别对应的第一特征占比TBsi和第二特征占比TBzi;获取所述物体特征种类对应的比例系数σi,比例系数取值范围为(0,1);
根据匹配评估公式计算对应的匹配值WP,选择匹配值最低的标准模型作为标准参照模型。
步骤S2:识别3D模型中的表面瑕疵信息,根据获得的表面瑕疵信息确定3D模型中对应的打磨区域;
进一步地,打磨区域的设置方法包括:
预设打磨标准,将获得的表面瑕疵信息与预设的打磨标准进行比较,确定符合打磨标准的区域,标记为打磨区域。
步骤S3:将打磨区域在3D模型中对应的位置进行标记,根据各打磨区域的分布规划打磨路径;
打磨路径的规划方法包括:
步骤S31:确定打磨起点,将打磨起点作为路径起点;
步骤S32:进行打磨模拟,确定实施点对应的打磨区域,将未打磨的打磨区域标记为待选点;
步骤S33:计算各待选点的综合值,选择综合值最高的待选点为下一个实施点;
步骤S34:循环步骤S32至步骤S33,直到仅有一个待选点为止,将剩余的待选点标记为打磨终点,根据打磨起点、各实施点的确定顺序和打磨终点确定打磨路径。
进一步地,综合值的计算方法包括:
将实施点标记为Ps,将待选点标记为Pd;
根据综合值公式计算对应的综合值;
式中:AM为综合值;d(Ps,Pd)为实施点到待选点之间的路径长度;b1为第一路径值的比例系数,取值范围为0<b1≤1;A为预设的第一路径的固定转化值,取值范围为(7,12);t(Ps,Pd)为打磨设备由实施点转换到待选点所需要的变动时间;b2为第二路径值的比例系数,取值范围为0<b2≤1;B为预设的第二路径的固定转化值,取值范围为(3,6);λ为修正因子,取值范围为0<λ<1。
步骤S4:按照获得的打磨路径对待打磨物体进行打磨,并对打磨后的打磨物体进行质量检测。
与现有技术相比,本发明的有益效果是:
通过获取物体的3D模型、特征提取、路径规划、打磨执行以及质量检测等步骤,实现自动化打磨作业。基于3D视觉的打磨路径规划方法,能够通过提取物体表面的特征和瑕疵信息,精确地控制打磨路径和打磨力度,从而提高打磨质量和效率。同时,也能够避免传统打磨方式中存在的安全隐患和环境污染等问题,符合现代工业制造的发展趋势。
并为了提高3D模型的建模精度,建立优化模型,通过优化模型对3D模型进行优化处理,提高3D模型的建模精度;降低用户为了实现高建模精度的成本投入;同时在运行的过程中定时生成对应的修正系数,利用修正数据对优化模型进行持续学习,保障优化精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明方法流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于3D视觉的打磨路径规划方法,方法包括:
步骤S1:布设3D扫描设备,通过设置的3D扫描设备建立待打磨物体的3D模型;
利用3D扫描设备可以实现建立对应的3D模型。
具体的3D扫描设备选择,主要根据打磨需求进行选择的,若打磨精度要求高,则需要选择价格、扫描精度更高的3D扫描设备,若打磨精度要求不高,可以根据扫描需求,选择成本较低的3D扫描设备。
在一个实施例中,因为追求较高的打磨精度,需要投入较高的设备成本,将会增加用户负担,因此在本实施中提出了提高建模精度,但是投入成本又较低的方法,如下所示:
由平台方根据主营范围内可能遇到的各种打磨物体,进行物体特征汇总,主要汇总各种形状尺寸特征,根据各物体特征采用人工的方式设置若干种标准模型;即通过人工的方式根据大量额的物体特征进行组合设计,形成对应不同情况下的标准模型,标准模型为对应3D模型;并设置各标准模型对应的模型特征,模型特征为各物体特征的详细数据,如包括哪些物体特征、各自数量比重;用于后续根据打磨物体中对应的各形状特征进行匹配;根据标准模型设置对应标准实体;将标准模型对应的模型特征标记为标准特征,根据标准模型和对应标准特征建立标准库。
识别用户具有的打磨物体种类,通过3D扫描设备获取各打磨物体对应的3D模型,识别3D模型的模型特征,标记为目标特征;将目标特征与标准库中各标准模型对应的标准特征进行相似度匹配,获得各打磨物体最接近的标准模型,标记为该打磨物体的标准参照模型;根据各标准参照模型和对应标准特征建立用户库;并将各标准参照模型对应的标准实体发送给用户。
识别待打磨物体,从用户库中匹配对应的标准参照模型,获取标准参照模型对应的标准实体;
预设校核时间间隔,由平台方设置一个初始值,后续由用户根据需要进行调整;当根据校核时间间隔判定到达校核时间时,将标准实体移动到3D扫描设备的扫描区,通过3D扫描设备对标准实体进行扫描,生成标准实体对应的校核模型;获取校核模型对应的标准参照模型,将校核模型和对应的标准参照模型整合为修正数据。
基于CNN网络或DNN网络等建立初始学习模型,通过模拟建立对应的修正数据,形成训练集,通过训练集对初始学习模型进行训练,即将校核模型作为输入,标准参照模型作为输出;将训练后的初始学习模型标记为优化模型,并通过后续校核产生的训练数据进行持续学习,即后续通过持续参数的修正数据对优化模型进行持续学习。
获取待打磨物体的3D模型,通过优化模型对3D模型进行优化处理,提高3D模型的建模精度。
其中,对于目标特征与标准库中各标准模型对应的标准特征进行相似度匹配的方法,可以直接利用现有的相似度匹配方法进行;也可以按照如下本发明公开的方法进行,具体根据实际情况进行选择,方法如下:
识别目标特征和标准特征中具有的各物体特征种类,将物体特征种类标记为i,其中i=1、2、……、n,n为正整数;
将目标特征和标准特征中各物体特征种类对应的占比,分别标记为第一特征占比TBsi和第二特征占比TBzi;将物体特征种类在所有物体特征种类的占比标记为比例系数σi,可以在进行物体特征汇总时统计各物体特征总的占比;或者直接通过人工的方式预设对应的比例系数,取值范围为(0,1);
根据匹配评估公式计算对应的匹配值WP,选择匹配值最低的标准模型作为标准参照模型。
步骤S2:识别3D模型中的表面瑕疵信息,根据获得的表面瑕疵信息确定3D模型中对应的打磨区域;
具体的是利用现有的3D视觉技术和计算机视觉技术,提取出物体的表面瑕疵信息;预设打磨标准,将获得的表面瑕疵信息与预设的打磨标准进行比较,确定符合打磨标准的区域,标记为打磨区域。
步骤S3:将打磨区域在3D模型中对应位置进行标记,根据打磨区域的分布规划打磨路径;
打磨路径的规划方法包括:
确定打磨起点,可以按照预设标准确定对应的打磨起点,如从上端开始第一个打磨区域为打磨起点、随机选择任一打磨区域为打磨起点,具体的由用户或平台方进行设置打磨起点的评定方法;
将打磨起点作为路径起点,进行打磨模拟,将正在打磨的打磨区域标记为实施点,即从打磨起点进行打磨时,此时打磨起点也是实施点;将其他未打磨的打磨区域标记为待选点,实施点不属于待选点;将实施点标记为Ps,将待选点标记为Pd;根据公式计算对应的第一路径值,其中d(Ps,Pd)为实施点到待选点之间的路径长度;b1为第一路径值的比例系数,取值范围为0<b1≤1;A为预设的第一路径的固定转化值,由平台方进行设置,用于进行单位转化,一般为10,根据实际打磨物品进行调整,取值范围为(7,12);
获取根据公式计算对应的第二路径值,其中t(Ps,Pd)为打磨设备由实施点转换到待选点所需要的变动时间;b2为第二路径值的比例系数,取值范围为0<b2≤1;B为预设的第二路径的固定转化值,由平台方进行设置,用于进行单位转化,一般为5,根据实际打磨物品进行调整,取值范围为(3,6);
根据综合值公式AM=λ×(QA1-QA2)计算对应的综合值AM,其中λ为修正因子,取值范围为0<λ<1,根据该待选点和实施点的离散程度进行设置,用于降低折返打磨的概率;选择综合值最高的待选点为下一个实施点,进行下一次的模拟,直到确定全部的打磨路径为止。
具体的设置方法为:根据实施点和各待选点的位置分布实时生成对应的分布图;创建样本数据集,样本数据集包括素材样本和人工标注样本集,素材样本为原始图片集,人工标注样本集为对原始图片进行格式转换、人工标注修正因子处理后的图片集,样本数据集中素材样本和人工标注样本集比例为2:1;对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集;在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为修正因子模型。
通过修正因子模型对分布图进行分析,获得对应的修正因子;也可以使用其他方式进行修正因子的评估。
步骤S4:按照获得的打磨路径对待打磨物体进行打磨,并对打磨后的打磨物体进行质量检测。
质量检测为利用现有检测技术进行检测,如通过3D视觉技术对打磨后的物体进行质量检测,判断打磨效果是否达到预期。
通过获取物体的3D模型、特征提取、路径规划、打磨执行以及质量检测等步骤,实现自动化打磨作业。基于3D视觉的打磨路径规划方法,能够通过提取物体表面的特征和瑕疵信息,精确地控制打磨路径和打磨力度,从而提高打磨质量和效率。同时,也能够避免传统打磨方式中存在的安全隐患和环境污染等问题,符合现代工业制造的发展趋势。
并为了提高3D模型的建模精度,建立优化模型,通过优化模型对3D模型进行优化处理,提高3D模型的建模精度;降低用户为了实现高建模精度的成本投入;同时在运行的过程中定时生成对应的修正系数,利用修正数据对优化模型进行持续学习,保障优化精度。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于3D视觉的打磨路径规划方法,其特征在于,方法包括:
步骤S1:布设3D扫描设备,通过所述3D扫描设备建立待打磨物体的3D模型;
步骤S2:识别3D模型中的表面瑕疵信息,根据获得的表面瑕疵信息确定3D模型中对应的打磨区域;
步骤S3:将打磨区域在3D模型中对应的位置进行标记,根据各打磨区域的分布规划打磨路径;
打磨路径的规划方法包括:
步骤S31:确定打磨起点,将打磨起点作为路径起点;
步骤S32:进行打磨模拟,确定实施点对应的打磨区域,将未打磨的打磨区域标记为待选点;
步骤S33:计算各待选点的综合值,选择综合值最高的待选点为下一个实施点;
步骤S34:循环步骤S32至步骤S33,直到仅有一个待选点为止,将剩余的待选点标记为打磨终点,根据打磨起点、各实施点的确定顺序和打磨终点确定打磨路径;
步骤S4:按照获得的打磨路径对待打磨物体进行打磨,并对打磨后的打磨物体进行质量检测。
2.根据权利要求1所述的一种基于3D视觉的打磨路径规划方法,其特征在于,步骤S1中对通过3D扫描设备建立的3D模型进行建模精度优化。
3.根据权利要求2所述的一种基于3D视觉的打磨路径规划方法,其特征在于,建模精度优化方法包括:
建立用户的用户库,所述用户库用于储存各标准参照模型和对应标准特征,并具有各标准参照模型对应的标准实体;
预设校核时间间隔,当根据校核时间间隔判定到达校核时间时,将标准实体移动到3D扫描设备的扫描区,通过3D扫描设备对标准实体进行扫描,生成标准实体对应的校核模型;获取校核模型对应的标准参照模型,将校核模型和对应的标准参照模型整合为修正数据;
建立优化模型,获取待打磨物体的3D模型,通过优化模型对3D模型进行优化处理。
4.根据权利要求3所述的一种基于3D视觉的打磨路径规划方法,其特征在于,优化模型为自学习模型,根据在校核时间获得的修正数据进行自学习。
5.根据权利要求3所述的一种基于3D视觉的打磨路径规划方法,其特征在于,用户库的建立方法包括:
由平台方确定各种打磨物体,识别并汇总物体特征,根据各所述物体特征设置若干种标准模型;并设置各标准模型对应的标准特征;根据标准模型设置对应标准实体;根据标准模型和对应标准特征建立标准库;
识别用户具有的打磨物体种类,通过3D扫描设备获取各打磨物体对应的3D模型,识别3D模型的目标特征;将目标特征与标准库中各标准模型对应的标准特征进行匹配,获得各打磨物体对应的标准参照模型;
根据各标准参照模型和对应标准特征建立用户库;并将各标准参照模型对应的标准实体发送给用户。
6.根据权利要求5所述的一种基于3D视觉的打磨路径规划方法,其特征在于,目标特征与标准库中各标准模型对应的标准特征进行匹配的方法包括:
识别所述目标特征和所述标准特征中具有的各物体特征种类,将所述物体特征种类标记为i,其中i=1、2、……、n,n为正整数;
识别所述目标特征和所述标准特征分别对应的第一特征占比TBsi和第二特征占比TBzi;获取所述物体特征种类对应的比例系数σi,比例系数取值范围为(0,1);
根据匹配评估公式计算对应的匹配值WP,选择匹配值最低的标准模型作为标准参照模型。
7.根据权利要求1所述的一种基于3D视觉的打磨路径规划方法,其特征在于,步骤S2中打磨区域的设置方法包括:
预设打磨标准,将获得的表面瑕疵信息与预设的打磨标准进行比较,确定符合打磨标准的区域,标记为打磨区域。
8.根据权利要求1所述的一种基于3D视觉的打磨路径规划方法,其特征在于,步骤S33中综合值的计算方法包括:
将实施点标记为Ps,将待选点标记为Pd;
根据综合值公式计算对应的综合值;
式中:AM为综合值;d(Ps,Pd)为实施点到待选点之间的路径长度;b1为第一路径值的比例系数,取值范围为0<b1≤1;A为预设的第一路径的固定转化值,取值范围为(7,12);t(Ps,Pd)为打磨设备由实施点转换到待选点所需要的变动时间;b2为第二路径值的比例系数,取值范围为0<b2≤1;B为预设的第二路径的固定转化值,取值范围为(3,6);λ为修正因子,取值范围为0<λ<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311354942.5A CN117408049B (zh) | 2023-10-19 | 2023-10-19 | 一种基于3d视觉的打磨路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311354942.5A CN117408049B (zh) | 2023-10-19 | 2023-10-19 | 一种基于3d视觉的打磨路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408049A true CN117408049A (zh) | 2024-01-16 |
CN117408049B CN117408049B (zh) | 2024-04-09 |
Family
ID=89493773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311354942.5A Active CN117408049B (zh) | 2023-10-19 | 2023-10-19 | 一种基于3d视觉的打磨路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408049B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815082A (zh) * | 2020-09-11 | 2020-10-23 | 广东博智林机器人有限公司 | 一种打磨路径规划方法、装置、电子设备及存储介质 |
CN112792619A (zh) * | 2020-12-17 | 2021-05-14 | 湖南中南智能装备有限公司 | 一种基于机器视觉的打磨路径规划方法 |
CN114055255A (zh) * | 2021-11-18 | 2022-02-18 | 中南大学 | 一种基于实时点云的大型复杂构件表面打磨路径规划方法 |
CN115686027A (zh) * | 2022-11-21 | 2023-02-03 | 浙江工业大学 | 一种曲面恒力打磨机器人的路径规划及控制方法 |
CN115805503A (zh) * | 2023-01-29 | 2023-03-17 | 江苏集萃清联智控科技有限公司 | 一种智能打磨机器人自动打磨决策规划装置及方法 |
EP4153379A2 (en) * | 2020-05-20 | 2023-03-29 | I.CAR S.r.l. | Apparatus and process for marking surfaces by abrasion |
WO2023061510A1 (zh) * | 2021-08-26 | 2023-04-20 | 烟台杰瑞石油装备技术有限公司 | 打磨方法以及打磨装置 |
-
2023
- 2023-10-19 CN CN202311354942.5A patent/CN117408049B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4153379A2 (en) * | 2020-05-20 | 2023-03-29 | I.CAR S.r.l. | Apparatus and process for marking surfaces by abrasion |
CN111815082A (zh) * | 2020-09-11 | 2020-10-23 | 广东博智林机器人有限公司 | 一种打磨路径规划方法、装置、电子设备及存储介质 |
CN112792619A (zh) * | 2020-12-17 | 2021-05-14 | 湖南中南智能装备有限公司 | 一种基于机器视觉的打磨路径规划方法 |
WO2023061510A1 (zh) * | 2021-08-26 | 2023-04-20 | 烟台杰瑞石油装备技术有限公司 | 打磨方法以及打磨装置 |
CN114055255A (zh) * | 2021-11-18 | 2022-02-18 | 中南大学 | 一种基于实时点云的大型复杂构件表面打磨路径规划方法 |
CN115686027A (zh) * | 2022-11-21 | 2023-02-03 | 浙江工业大学 | 一种曲面恒力打磨机器人的路径规划及控制方法 |
CN115805503A (zh) * | 2023-01-29 | 2023-03-17 | 江苏集萃清联智控科技有限公司 | 一种智能打磨机器人自动打磨决策规划装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117408049B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN111783772A (zh) | 一种基于RP-ResNet网络的抓取检测方法 | |
CN111553114B (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
CN106372624A (zh) | 人脸识别方法及系统 | |
CN112990179A (zh) | 一种基于图片处理的单指针型表盘读数自动识别方法 | |
CN114066848A (zh) | 一种fpca外观缺陷视觉检测系统 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
CN117408049B (zh) | 一种基于3d视觉的打磨路径规划方法 | |
CN108428234B (zh) | 基于图像分割结果评价的交互式分割性能优化方法 | |
CN117484031A (zh) | 光伏组件焊接加工设备 | |
CN116824273B (zh) | 一种航空制造件任意视角二维投影图像面片属性判断方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN112468721A (zh) | 一种具有自动调焦功能的视觉采集方法及装置 | |
CN116749085A (zh) | 一种钢板切割的智能控制方法及系统 | |
CN115496893A (zh) | 一种指针式水表读数识别方法 | |
CN113315995B (zh) | 提高视频质量的方法、装置、可读存储介质及电子设备 | |
CN115200513A (zh) | 一种旋转体夹具同轴度跳动检测分析控制系统 | |
CN115482227A (zh) | 机器视觉自适应成像环境调整方法 | |
CN114564888A (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
CN109978962B (zh) | 一种面向暗室照度计检定的低对比度示值图像智能识别方法 | |
CN117798654B (zh) | 汽轮机轴系中心智能调整系统 | |
CN114926841B (zh) | 基于改进穿线法的电子式水表读数图像识别方法及装置 | |
CN113112515B (zh) | 一种纹样图像分割算法评价方法 |
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 |