CN117681197A - 一种基于钢结构3d模型的6轴机器人取料视觉分料算法 - Google Patents
一种基于钢结构3d模型的6轴机器人取料视觉分料算法 Download PDFInfo
- Publication number
- CN117681197A CN117681197A CN202311747229.7A CN202311747229A CN117681197A CN 117681197 A CN117681197 A CN 117681197A CN 202311747229 A CN202311747229 A CN 202311747229A CN 117681197 A CN117681197 A CN 117681197A
- Authority
- CN
- China
- Prior art keywords
- point
- reflection intensity
- coordinate
- convex hull
- calculating
- 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
- 239000000463 material Substances 0.000 title claims abstract description 125
- 230000000007 visual effect Effects 0.000 title claims abstract description 27
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 26
- 239000010959 steel Substances 0.000 title claims abstract description 26
- 238000009826 distribution Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000007599 discharging Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000004438 eyesight Effects 0.000 claims description 17
- 101100030351 Schizosaccharomyces pombe (strain 972 / ATCC 24843) dis2 gene Proteins 0.000 claims description 15
- 101100039010 Caenorhabditis elegans dis-3 gene Proteins 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 101100450149 Dictyostelium discoideum hatA gene Proteins 0.000 claims description 4
- 101100450151 Dictyostelium discoideum hatB gene Proteins 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000016776 visual perception Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 239000012780 transparent material Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明公开了一种基于钢结构3D模型的6轴机器人取料视觉分料算法,包括步骤:数据获取、数据预处理、获取外接矩形、计算料件实际长宽、分料判断;涉及视觉分料技术领域,本发明通过结合先进的3D视觉感知技术,精准对料件进行识别和定位,允许机器人处理不同形状、尺寸和材料的钢结构件,提高了系统的多样性和适应性,减少错误分料和取料失败的可能性,更易于配置和操作,减少了技术专业知识的要求,降低了操作和维护成本;本发明通过坐标转换,提高机器人的处理速度,使机器人能够更快地执行任务,从而提高生产效率,实现完全自动化的上下料过程,从而解决传统人工上料带来的各种问题。
Description
技术领域
本发明涉及视觉分料技术领域,具体涉及一种基于钢结构3D模型的6轴机器人取料视觉分料算法。
背景技术
在钢结构焊接过程中,确实存在一系列问题。例如,依靠人工分料上料的问题,由于工人的劳动强度大,工作环境恶劣,长期从事此类工作会对工人的身体健康造成损害。其次,人工上料的方式对人力的依赖性高,且上下料效率低,无法满足24小时不间断生产的需求。此外,人工上料的精度也无法得到保证,可能会影响后续的生产流程和产品质量。
近年来,3D视觉感知技术虽然得到了快速发展,但是其仍存在着下述缺陷:现有的机器人取料视觉分料技术在处理复杂形状的钢结构件时存在精度限制,这可能导致错误的分料决策或取料失败;现有技术在处理不同形状、尺寸或材料的钢结构件时可能不够灵活,它们可能专注于特定类型的工件,难以适应多样性。
针对这些问题,本申请提出一种基于钢结构3D模型的6轴机器人取料视觉分料算法,我们可以利用视觉分料算法实现机器人自动分料。
发明内容
本发明的目的在于提供一种基于钢结构3D模型的6轴机器人取料视觉分料算法,解决了背景技术中所提出的技术问题。
本发明的目的可以通过以下技术方案实现:
一种基于钢结构3D模型的6轴机器人取料视觉分料算法,包括以下步骤:
步骤一、数据获取
获取到包含物体三维坐标信息和激光反射强度的点云数据;
步骤二、数据预处理
依据三维坐标信息和激光反射强度对点云数据进行筛分,并组成新点云数据;
步骤三、获取外接矩形
依据新点云数据中的连片性,将指定点集构建成凸包,随后依据凸包顶点和凸包主方向,计算分析出最小的外接矩形;外接矩形表示为料件的矩形轮廓;
步骤四、计算料件实际长宽
测量修正后最小外接矩形,并获取其长边和短边,然后依据其外接矩形的长边和短边,计算出料件的实际长宽;
步骤五、分料判断
计算凸包对应多边形的质心,然后获取当前料件的方位角和/或缺角,随后依据当前料件的方位角和/或缺角确定机械人的取料角度。
作为本发明进一步的方案:点云数据通过安装在分料台上方的3D视觉相机拍摄目标区域中的料件得到;
点云数据包括目标物体表面特性的海量采样点及各个采样点对应的三维坐标信息和激光反射强度。
作为本发明进一步的方案:预处理方式如下:
SA1、逐个获取各个采样点对应三维坐标信息中的Z点坐标值;
SA2、随后将各个采样点对应的Z点坐标值逐个与原点Z坐标进行比较:
若一个采样点对应的Z点坐标值大于等于原点Z坐标,则进入步骤SA3;
若该采样点对应的Z点坐标值小于原点Z坐标,则保留该采样点;
SA3、获取Z点坐标值大于等于原点Z坐标的所有采样点,并获取其采样点对应的激光反射强度;
SA4、将对应各个采样点的激光反射强度逐个与预设的反射强度区间进行比较:
若一个激光反射强度不处于反射强度区间内,则保留该采样点;
若一个激光反射强度处于反射强度区间内,则表示该采样点为3D视觉相机在分料台上获取得到,并从点云数据中剔除该采样点;
SA5、以此类推,将相应采样点从点云数据中剔除,并将保留的采样点对应的信息组成新点云数据。
作为本发明进一步的方案:其中,反射强度区间为基准反射强度与预设的补偿因子结合得到,基准反射强度表示为3D视觉相机在分料台表面上获取的激光反射强度;
反射强度区间的最大值为基准反射强度加上补偿因子得到的值,其最小值为基准反射强度减去补偿因子得到的值。
作为本发明进一步的方案:外接矩形的计算分析方式如下:
SS1、凸包构建:
在预先给定的点集上,获取与该点集连片的其他采样点,随后将预先给定的点集与其他采样点构建成凸包,凸包表示为包围该点集的多边形;
SS3、凸包顶点获取:
从凸包中找到顶点,凸包顶点即为点云中最远离凸包中心的点;
SS3、凸包主方向分析:
通过计算协方差矩阵的特征向量,获取凸包的最长轴,凸包的最长轴即为凸包的主方向;
SS3、外接矩形构建:
确定主方向后,依据凸包中找到顶点,构建最小外接矩形;其中,该最小外接矩形的边与主方向一致,其边界为处于凸包边缘的采样点。
作为本发明进一步的方案:
实际长宽的具体计算方式如下:
在外接矩形中,获取处于坐标系下端点的坐标,并将该坐标点记为最低点P1;
接着顺时针排序的方式,将外接矩形的顶点依次记为P2、P3和P4;
之后通过计算两点之间距离方法,P1和P2的间距dis1,P2和P3的间距dis2,P3和P4的间距dis3,P1和P4的间距dis4,
若dis1大于等于dis2;
则actLength=(dis1+dis3)/2;actWidth=(dis2+dis4)/2;
若dis1小于dis2;
则actLength=(dis2+dis4)/2;actWidth=(dis1+dis3)/2;
其中,actLength表示为外接矩形的实际长度,actWidth表示为外接矩形的实际宽度。
作为本发明进一步的方案:料件的缺角获取方式为:
确定凸包对应多边形的所有顶点:
获取各个顶点与相邻的两个边形成的角;
若该角是大于180度凹角,则该顶点处存在缺角,并标记存在缺角的顶点;
随后检查该角相对于预设的取料方位的方向,其方式如下:
通过计算叉积或内积,确定该角的方向,其中,一个凸角的方向是从一个边到另一个边按顺时针方向旋转,一个凹角的方向则是逆时针方向旋转;
作为本发明进一步的方案:料件的方位角获取方式为:
首先获取凸包对应多边形的两个点的坐标:P01(x1,y1)和P01(x2,y2)。
然后通过△x=x2-x1和△y=y2-y1,分别计算经度(x坐标)和纬度(y坐标)的差值;
接着通过反正切函数:azimuth=atan2(△y,△x),计算出弧度值;
随后将弧度值转换为度数,并将该度数调整至0°到360°之间。
本发明的有益效果:
本发明通过结合先进的3D视觉感知技术,精准对料件进行识别和定位,允许机器人处理不同形状、尺寸和材料的钢结构件,提高了系统的多样性和适应性,减少错误分料和取料失败的可能性,更易于配置和操作,减少了技术专业知识的要求,降低了操作和维护成本;
本发明通过坐标转换,提高机器人的处理速度,使机器人能够更快地执行任务,从而提高生产效率,实现完全自动化的上下料过程,从而解决传统人工上料带来的各种问题;
本发明的目的是提供一种更高效、更精确和更灵活的机器人取料视觉分料算法,以满足工业自动化领域对高质量和高生产率的需求;这将有助于提高制造过程的效率、减少错误,并降低运营成本。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明一种基于钢结构3D模型的6轴机器人取料视觉分料算法的流程示意图。
图2是本发明一种基于钢结构3D模型的6轴机器人取料视觉分料算法的获取外接矩形的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
请参阅图1和图2所示,本发明为一种基于钢结构3D模型的6轴机器人取料视觉分料算法,包括以下步骤:
步骤一、数据获取
通过安装在分料台上方的3D视觉相机拍摄目标区域中的料件,并获取到包含物体三维坐标信息的点云数据;
点云数据包括目标物体表面特性的海量采样点及各个采样点对应的三维坐标信息和激光反射强度;
步骤二、数据预处理
获取到的点云数据进行预处理,预处理方式如下:
逐个获取各个采样点对应三维坐标信息中的Z点坐标值;
随后将各个采样点对应的Z点坐标值逐个与原点Z坐标进行比较,其中原点子坐标表示为3D视觉相机在分料台表面上获取的Z点坐标值,在该实施例中,分料台表面与3D视觉相机的拍摄端平行,因此3D视觉相机在分料台表面上不同平面上获取的Z点坐标值近似一致,即在分料台表面上的不同X点和/或Y点坐标值,其Z点坐标值一致;
以一个采样点对应的Z点坐标值为例,
若该采样点对应的Z点坐标值大于等于原点Z坐标,则对该采样点进行下一步处理;
在该实施例中,放置在分料台上的料件,且Z点坐标值大于原点Z坐标的原因为:当料件为透明材质物件,如玻璃,3D视觉相机通过激光测距传感器获取Z点坐标值时,激光在透明材质物件上产生折射,致使3D视觉相机在透明材质物件获取的Z点坐标值大于原点Z坐标;
若该采样点对应的Z点坐标值小于原点Z坐标,则表示该采样点为3D视觉相机在料件上获取得到;
接着获取Z点坐标值大于等于原点Z坐标的所有采样点,并获取其采样点对应的激光反射强度;
随后将对应各个采样点的激光反射强度逐个与预设的基准反射强度进行比较,其中,基准反射强度表示为3D视觉相机在分料台表面上获取的激光反射强度,在该实施例中,分料台表面采用一体化的统一材质制成,且分料台表面上各个位置的激光反射强度近似一致;
其比较方式如下:
将基准反射强度与预设的补偿因子结合,生成反射强度区间;
反射强度区间的最大值为基准反射强度加上补偿因子得到的值,其最小值为基准反射强度减去补偿因子得到的值;
以一个对应采样点的激光反射强度为例:
若该激光反射强度不处于反射强度区间内,则表示该采样点为3D视觉相机在料件上获取得到;
若该激光反射强度处于反射强度区间内,则表示该采样点为3D视觉相机在分料台上获取得到,并从点云数据中剔除该采样点;
以此类推,将相应采样点从点云数据中剔除,并将保留的采样点对应的信息组成新点云数据;
步骤三、获取外接矩形
依据新点云数据中的连片性,计算分析出最小的外接矩形;外接矩形表示为料件的矩形轮廓;
其计算分析方式如下:
SS1、凸包构建:
在预先给定的点集上,获取与该点集连片的其他采样点,随后将预先给定的点集与其他采样点构建成凸包,凸包表示为包围该点集的多边形;
SS3、凸包顶点获取:
从凸包中找到顶点,凸包顶点即为点云中最远离凸包中心的点;
SS3、凸包主方向分析:
通过计算协方差矩阵的特征向量,获取凸包的最长轴,凸包的最长轴即为凸包的主方向;
SS3、外接矩形构建:
确定主方向后,依据凸包中找到顶点,构建最小外接矩形;该最小外接矩形的边与主方向一致,其边界为处于凸包边缘的采样点。
步骤四、计算料件实际长宽
通过测量修正后的最小外接矩形的长边和短边,计算出料件的实际长宽;
同时,测量修正表示为对最小外接矩形的顶点进行排序,以确保它们按照特定顺序表示矩形的四个边;排序为通过计算顶点之间的相对位置和角度,以找到矩形的长边和短边;
实际长宽的具体计算方式如下:
在外接矩形中,获取处于坐标系下端点的坐标,并将该坐标点记为最低点P1;
接着顺时针排序的方式,将外接矩形的顶点依次记为P2、P3和P4;
之后通过计算两点之间距离方法,P1和P2的间距dis1,P2和P3的间距dis2,P3和P4的间距dis3,P1和P4的间距dis4,
若dis1大于等于dis2;
则actLength=(dis1+dis3)/2;actWidth=(dis2+dis4)/2;
若dis1小于dis2;
则actLength=(dis2+dis4)/2;actWidth=(dis1+dis3)/2;
其中,actLength表示为外接矩形的实际长度,actWidth表示为外接矩形的实际宽度;
步骤五、分料判断
首先计算凸包对应多边形的质心;
然后获取当前料件的方位角;
随后依据当前料件的方位角确定机械人的取料角度;
其中,
料件的方位角获取方式为:
首先获取凸包对应多边形的两个点的坐标:P01(x1,y1)和P01(x2,y2)。
然后通过△x=x2-x1和△y=y2-y1,分别计算经度(x坐标)和纬度(y坐标)的差值;
接着通过反正切函数:azimuth=atan2(△y,△x),计算出弧度值;
随后将弧度值转换为度数,并调整该度数范围,在该实施例中度数范围为0°到360°;
通过结合先进的3D视觉感知技术,精准对料件进行识别和定位,允许机器人处理不同形状、尺寸和材料的钢结构件,提高了系统的多样性和适应性,减少错误分料和取料失败的可能性,更易于配置和操作,减少了技术专业知识的要求,降低了操作和维护成本;
实施例二
作为本发明的实施例二,本申请在具体实施时,相较于实施例一,本实施例的技术方案与实施例一的区别仅在于,本实施例将实施例一中的步骤五替换为:
获取当前料件的缺角;
随后依据当前料件的缺角确定机械人的取料角度;
其中,
料件的缺角获取方式为:
确定凸包对应多边形的所有顶点:
获取各个顶点与相邻的两个边形成的角;
若该角是大于180度凹角,则该顶点处存在缺角,并标记存在缺角的顶点;
随后检查该角相对于预设的取料方位的方向,其方式如下:
通过计算叉积或内积,确定该角的方向,其中,一个凸角的方向是从一个边到另一个边按顺时针方向旋转,一个凹角的方向则是逆时针方向旋转;
实施例三
作为本发明的实施例三,本申请在具体实施时,相较于实施例一和实施例二,本实施例的技术方案是在于将上述实施例一和实施例二的方案进行组合实施,本实施例的技术方案与实施例一和实施例二的区别仅在于:本实施例中提供一种料件坐标系与机器人坐标系之间转换关系计算,其计算方式如下:
第一步、计算料件坐标系和机器人坐标系的映射矩阵。
通过将料件坐标系中的点通过旋转和平移变换到机器人坐标系中来实现。
第二步、计算料件坐标系与机器人坐标系之间的刚体变换矩阵。
通过将上一步得到的映射矩阵进行奇异值分解(SVD)来实现。
第三步、计算两组点的均值向量,以进行中心化处理。
通过将每组点的坐标相加,然后除以点的数量来实现。
第四步、创建两个矩阵hatA和hatB,用于存储中心化后的点集。
通过将上一步得到的均值向量作为新的点集来实现。
第五步、计算协方差矩阵H,其是hatA和hatB的乘积。
通过使用numpy的dot函数来实现。
第六步、使用SVD分解协方差矩阵H,得到U、S和Vt,该步骤通过使用numpy的svd函数来实现;
在该实施例中,协方差矩阵H={ut_1st_2},其中,ut_1和st_2是两个随机变量的联合均值和联合标准差;
分解协方差矩阵H时,先计算出它的行列式D(H);
对于一个n×m的矩阵,其行列式D(H)可以通过以下公式计算:D(H)=m×n-(m-1)×(n-1);
然后通过逆矩阵的计算方法来计算出对应的逆矩阵U、S和Vt;
具体为:将行列式D(H)除以相应的元素,然后将得到的商相乘,再将得到的积相乘,就可以得到逆矩阵U、S和Vt。
最后将U、S和Vt相乘,即得到协方差矩阵H;
第七步、计算旋转矩阵R,其等于Vt的转置矩阵与U的转置矩阵的乘积;该步骤通过使用numpy的dot函数来实现;
第八步、创建一个3x4的矩阵M,其中前3列包含R的值,最后一列包含平移向量T的值。
通过使用numpy的hstack函数来实现;
第九步、返回包含刚体变换矩阵的M以及料件坐标系和机器人坐标系的映射矩阵;
本实施例通过坐标转换,提高机器人的处理速度,使机器人能够更快地执行任务,从而提高生产效率,具体来说,3D相机对分料台进行拍照,获取合适的零件形状位置信息,并将坐标数据发送给机器人。最后,机器人根据接收到的坐标数据进行取料。这样,就可以实现完全自动化的上下料过程,从而解决传统人工上料带来的各种问题。
实施例四
作为本发明的实施例四,本申请在具体实施时,相较于实施例一、实施例二、实施例三,本实施例的技术方案是在于将上述实施例一、实施例二、实施例三的方案进行组合实施。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,包括以下步骤:
步骤一、获取到包含物体三维坐标信息和激光反射强度的点云数据;
步骤二、依据三维坐标信息和激光反射强度对点云数据进行筛分,并组成新点云数据;
步骤三、依据新点云数据中的连片性,将指定点集构建成凸包,随后依据凸包顶点和凸包主方向,计算分析出最小的外接矩形;外接矩形表示为料件的矩形轮廓;
步骤四、测量修正后最小外接矩形,并获取其长边和短边,然后依据其外接矩形的长边和短边,计算出料件的实际长宽;
步骤五、计算凸包对应多边形的质心,然后获取当前料件的方位角和/或缺角,随后依据当前料件的方位角和/或缺角确定机械人的取料角度。
2.根据权利要求1所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,点云数据通过安装在分料台上方的3D视觉相机拍摄目标区域中的料件得到;
点云数据包括目标物体表面特性的海量采样点及各个采样点对应的三维坐标信息和激光反射强度。
3.根据权利要求2所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,预处理方式如下:
SA1、逐个获取各个采样点对应三维坐标信息中的Z点坐标值;
SA2、随后将各个采样点对应的Z点坐标值逐个与原点Z坐标进行比较:
若一个采样点对应的Z点坐标值大于等于原点Z坐标,则进入步骤SA3;
若该采样点对应的Z点坐标值小于原点Z坐标,则保留该采样点;
SA3、获取Z点坐标值大于等于原点Z坐标的所有采样点,并获取其采样点对应的激光反射强度;
SA4、将对应各个采样点的激光反射强度逐个与预设的反射强度区间进行比较:
若一个激光反射强度不处于反射强度区间内,则保留该采样点;
若一个激光反射强度处于反射强度区间内,则表示该采样点为3D视觉相机在分料台上获取得到,并从点云数据中剔除该采样点;
SA5、以此类推,将相应采样点从点云数据中剔除,并将保留的采样点对应的信息组成新点云数据。
4.根据权利要求3所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,其中原点子坐标表示为3D视觉相机在分料台表面上获取的Z点坐标值;
分料台表面与3D视觉相机的拍摄端平行,因此3D视觉相机在分料台表面上不同平面上获取的Z点坐标值近似一致,即在分料台表面上的不同X点和/或Y点坐标值,其Z点坐标值一致;
分料台表面采用一体化的同一材质制成,且分料台表面上各个位置的激光反射强度近似一致。
5.根据权利要求3所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,其中,反射强度区间为基准反射强度与预设的补偿因子结合得到,基准反射强度表示为3D视觉相机在分料台表面上获取的激光反射强度;
反射强度区间的最大值为基准反射强度加上补偿因子得到的值,其最小值为基准反射强度减去补偿因子得到的值。
6.根据权利要求1所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,外接矩形的计算分析方式如下:
在预先给定的点集上,获取与该点集连片的其他采样点,随后将预先给定的点集与其他采样点构建成凸包,凸包表示为包围该点集的多边形;
从凸包中找到顶点,凸包顶点即为点云中最远离凸包中心的点;
通过计算协方差矩阵的特征向量,获取凸包的最长轴,凸包的最长轴即为凸包的主方向;
确定主方向后,依据凸包中找到顶点,构建最小外接矩形;其中,该最小外接矩形的边与主方向一致,其边界为处于凸包边缘的采样点。
7.根据权利要求6所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,测量修正表示为对最小外接矩形的顶点进行排序,以确保它们按照特定顺序表示矩形的四个边;排序为通过计算顶点之间的相对位置和角度,以找到矩形的长边和短边;
实际长宽的具体计算方式如下:
在外接矩形中,获取处于坐标系下端点的坐标,并将该坐标点记为最低点P1;
接着顺时针排序的方式,将外接矩形的顶点依次记为P2、P3和P4;
之后通过计算两点之间距离方法,P1和P2的间距dis1,P2和P3的间距dis2,P3和P4的间距dis3,P1和P4的间距dis4,
若dis1大于等于dis2;
则actLength=(dis1+dis3)/2;actWidth=(dis2+dis4)/2;
若dis1小于dis2;
则actLength=(dis2+dis4)/2;actWidth=(dis1+dis3)/2;
其中,actLength表示为外接矩形的实际长度,actWidth表示为外接矩形的实际宽度。
8.根据权利要求1所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,料件的缺角获取方式为:
确定凸包对应多边形的所有顶点:
获取各个顶点与相邻的两个边形成的角;
若该角是大于180度凹角,则该顶点处存在缺角,并标记存在缺角的顶点;
随后检查该角相对于预设的取料方位的方向,其方式如下:
通过计算叉积或内积,确定该角的方向,其中,一个凸角的方向是从一个边到另一个边按顺时针方向旋转,一个凹角的方向则是逆时针方向旋转。
9.根据权利要求1所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,料件的方位角获取方式为:
首先获取凸包对应多边形的两个点的坐标:P01(x1,y1)和P01(x2,y2);
然后通过△x=x2-x1和△y=y2-y1,分别计算经度(x坐标)和纬度(y坐标)的差值;
接着通过反正切函数:az imuth=atan2(△y,△x),计算出弧度值;
随后将弧度值转换为度数,并将该度数调整至0°到360°之间。
10.根据权利要求1所述的一种基于钢结构3D模型的6轴机器人取料视觉分料算法,其特征在于,还包括:料件坐标系与机器人坐标系之间的坐标转换,其方式如下:
第一步、计算料件坐标系和机器人坐标系的映射矩阵;
第二步、计算料件坐标系与机器人坐标系之间的刚体变换矩阵;
第三步、计算两组点的均值向量,以进行中心化处理;
第四步、创建两个矩阵hatA和hatB,用于存储中心化后的点集;
第五步、计算协方差矩阵H,其是hatA和hatB的乘积;
第六步、使用SVD分解协方差矩阵H,得到逆矩阵U、S和Vt;
第七步、计算旋转矩阵R,其等于Vt的转置矩阵与U的转置矩阵的乘积;
第八步、创建一个3x4的矩阵M,其中前3列包含R的值,最后一列包含平移向量T的值;
第九步、返回包含刚体变换矩阵的M以及料件坐标系和机器人坐标系的映射矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311747229.7A CN117681197A (zh) | 2023-12-18 | 2023-12-18 | 一种基于钢结构3d模型的6轴机器人取料视觉分料算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311747229.7A CN117681197A (zh) | 2023-12-18 | 2023-12-18 | 一种基于钢结构3d模型的6轴机器人取料视觉分料算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117681197A true CN117681197A (zh) | 2024-03-12 |
Family
ID=90126217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311747229.7A Pending CN117681197A (zh) | 2023-12-18 | 2023-12-18 | 一种基于钢结构3d模型的6轴机器人取料视觉分料算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117681197A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254343A (zh) * | 2011-07-01 | 2011-11-23 | 浙江理工大学 | 一种基于凸包与obb的三维网格模型骨架提取方法 |
CN102608620A (zh) * | 2012-03-12 | 2012-07-25 | 北京北科安地科技发展有限公司 | 一种依据反射强度与地形形态的激光扫描点云植被过滤方法 |
KR20130075712A (ko) * | 2011-12-27 | 2013-07-05 | (재)대구기계부품연구원 | 레이저비전 센서 및 그 보정방법 |
CN111337939A (zh) * | 2018-12-19 | 2020-06-26 | 上海蔚来汽车有限公司 | 一种矩形物体外边框的估计方法及装置 |
CN113340287A (zh) * | 2021-08-04 | 2021-09-03 | 杭州集益科技有限公司 | 一种装船机船舱舱口识别方法 |
CN114004888A (zh) * | 2021-11-01 | 2022-02-01 | 泉州装备制造研究所 | 基于3d点云数据的物体抓取位姿计算方法 |
CN114174022A (zh) * | 2019-08-21 | 2022-03-11 | 欧姆龙株式会社 | 机器人的控制装置、机器人的控制方法以及程序 |
CN116372947A (zh) * | 2023-03-14 | 2023-07-04 | 中国一冶集团有限公司 | 基于三维点云的机器人自动拆袋方法及系统 |
-
2023
- 2023-12-18 CN CN202311747229.7A patent/CN117681197A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254343A (zh) * | 2011-07-01 | 2011-11-23 | 浙江理工大学 | 一种基于凸包与obb的三维网格模型骨架提取方法 |
KR20130075712A (ko) * | 2011-12-27 | 2013-07-05 | (재)대구기계부품연구원 | 레이저비전 센서 및 그 보정방법 |
CN102608620A (zh) * | 2012-03-12 | 2012-07-25 | 北京北科安地科技发展有限公司 | 一种依据反射强度与地形形态的激光扫描点云植被过滤方法 |
CN111337939A (zh) * | 2018-12-19 | 2020-06-26 | 上海蔚来汽车有限公司 | 一种矩形物体外边框的估计方法及装置 |
CN114174022A (zh) * | 2019-08-21 | 2022-03-11 | 欧姆龙株式会社 | 机器人的控制装置、机器人的控制方法以及程序 |
CN113340287A (zh) * | 2021-08-04 | 2021-09-03 | 杭州集益科技有限公司 | 一种装船机船舱舱口识别方法 |
CN114004888A (zh) * | 2021-11-01 | 2022-02-01 | 泉州装备制造研究所 | 基于3d点云数据的物体抓取位姿计算方法 |
CN116372947A (zh) * | 2023-03-14 | 2023-07-04 | 中国一冶集团有限公司 | 基于三维点云的机器人自动拆袋方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111775152B (zh) | 基于三维测量引导机械臂抓取散乱堆叠工件的方法及系统 | |
CN110014426B (zh) | 一种利用低精度深度相机高精度抓取形状对称工件的方法 | |
CN106423656B (zh) | 基于点云与图像匹配的自动喷涂系统及方法 | |
CN111028340B (zh) | 精密装配中的三维重构方法、装置、设备及系统 | |
CN112907683B (zh) | 一种点胶平台的相机标定方法、装置及相关设备 | |
WO2009059323A1 (en) | A method and system for finding a tool center point for a robot using an external camera | |
JPS61281305A (ja) | 多関節ロボツト制御装置 | |
CN113021358B (zh) | 机械臂工具坐标系原点标定方法、装置和电子设备 | |
CN110181516A (zh) | 一种喷涂机器人的路径规划方法、装置、系统及存储介质 | |
CN113237434B (zh) | 一种基于阶梯形标定物的激光轮廓传感器eye-in-hand标定方法 | |
US20220230348A1 (en) | Method and apparatus for determining a three-dimensional position and pose of a fiducial marker | |
CN112109084A (zh) | 基于机器人关节角度补偿的末端位置补偿方法及其应用 | |
CN110153582B (zh) | 焊接方案生成方法、装置以及焊接系统 | |
CN112907682A (zh) | 一种五轴运动平台的手眼标定方法、装置及相关设备 | |
CN113799130B (zh) | 一种人机协作装配中的机器人位姿标定方法 | |
JP2730457B2 (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 | |
CN117340879A (zh) | 一种基于图优化模型的工业机器人参数辨识方法和系统 | |
CN117681197A (zh) | 一种基于钢结构3d模型的6轴机器人取料视觉分料算法 | |
CN113814528B (zh) | 基于交互式的焊缝曲线提取与自动轨迹生成方法 | |
Filaretov et al. | Method of combination of three-dimensional models of details with their CAD-models at the presence of deformations | |
CN114217280A (zh) | 一种外置旋转二维激光雷达外部参数的标定方法 | |
CN114453981A (zh) | 工件找正方法及装置 | |
CN115056213A (zh) | 一种面向大型复杂构件的机器人轨迹自适应修正方法 | |
JPH02110788A (ja) | 3次元物体の形状認識方法 | |
CN114463495A (zh) | 一种基于机器视觉技术的智能喷涂方法及系统 |
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 |