CN118154689A - 零件位置获取方法、装置、计算机设备、存储介质和产品 - Google Patents
零件位置获取方法、装置、计算机设备、存储介质和产品 Download PDFInfo
- Publication number
- CN118154689A CN118154689A CN202410587140.7A CN202410587140A CN118154689A CN 118154689 A CN118154689 A CN 118154689A CN 202410587140 A CN202410587140 A CN 202410587140A CN 118154689 A CN118154689 A CN 118154689A
- Authority
- CN
- China
- Prior art keywords
- image
- trepanning
- target contour
- quantized
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims abstract description 38
- 238000013139 quantization Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000007499 fusion processing Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000000605 extraction 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 10
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005507 spraying Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种零件位置获取方法、装置、计算机设备、存储介质和计算机程序产品，通过对零件的深度图像进行量化处理，得到量化图像，对量化图像和纹理图像进行融合处理，得到目标轮廓图像，将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像，根据映射图像获取套料图像中每一零件的实际位置信息，能够提高零件边缘特征的准确性，进而准确获取零件的实际位置信息，确保每个零件被正确分拣至指定位置，从而提高分拣效率。
Description
技术领域
本申请涉及计算机视觉技术领域，特别是涉及一种零件位置获取方法、装置、计算机设备、存储介质和产品。
背景技术
在智能工厂中，自动分拣、装配、喷码、抓取等属于常见任务。当前智能制造的发展中，激光切割下料成为行业发展新趋势，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。由于切割缝隙过小且钢板本身弱纹理特性，导致图像中零件与其他物体间的亮度差异较小、细节难以分辨，进而导致零件在钢板上的边缘特征不明显，难以准确进行定位识别。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确识别零件边缘特征的零件位置获取方法、装置、计算机设备、存储介质和产品。
第一方面，本申请提供了一种零件位置获取方法，包括：
对零件的深度图像进行量化处理，得到量化图像；
对量化图像和纹理图像进行融合处理，得到目标轮廓图像；
将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像；套料图像包括至少一个零件的零件轮廓；
根据映射图像获取套料图像中每一零件的实际位置信息。
在其中一个实施例中，对零件的深度图像进行量化处理，得到量化图像的步骤，包括：
根据零件的厚度，生成第一掩膜图像；第一掩膜图像与深度图像的尺寸相同；
根据第一掩膜图像，对深度图像进行掩膜计算，得到零件所在区域对应的目标深度数据；
对目标深度数据的高度值进行量化处理，得到量化图像。
在其中一个实施例中，对量化图像和纹理图像进行融合处理，得到目标轮廓图像的步骤，包括：
对量化图像进行轮廓提取，得到边缘轮廓图像；
对边缘轮廓图像进行阈值化处理，得到第二掩膜图像；
根据第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像；
基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像；
对增强图像进行轮廓提取，得到目标轮廓图像。
在其中一个实施例中，基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像的步骤，包括：
确定边缘纹理图像对应的边缘热力图像；
根据边缘热力图像中的边缘权重，对量化图像和纹理图像进行融合处理，得到每一像素点对应的像素值；
根据所有像素点对应的像素值，获取增强图像。
在其中一个实施例中，将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像的步骤，包括：
将套料图像与目标轮廓图像重叠，计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；
调整套料图像与目标轮廓图像的重叠部分，重新计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；
根据最小位置差异对应的套料图像与目标轮廓图像间的重叠部分，对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像。
在其中一个实施例中，根据映射图像获取套料图像中每一零件的实际位置信息的步骤，包括：
针对映射图像中的每一零件，根据零件在目标轮廓图像上的对应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息。
第二方面，本申请还提供了一种零件位置获取装置，包括：
量化模块，用于对零件的深度图像进行量化处理，得到量化图像；
融合模块，用于对量化图像和纹理图像进行融合处理，得到目标轮廓图像；
匹配模块，用于将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像；套料图像包括至少一个零件的零件轮廓；
定位模块，用于根据映射图像获取套料图像中每一零件的实际位置信息。
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，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中任意一项的方法步骤。
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，计算机程序被处理器执行时实现第一方面中任意一项的方法步骤。
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第一方面中任意一项的方法步骤。
上述零件位置获取方法、装置、计算机设备、存储介质和计算机程序产品，通过对零件的深度图像进行量化处理，得到量化图像，对量化图像和纹理图像进行融合处理，得到目标轮廓图像，将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像，根据映射图像获取套料图像中每一零件的实际位置信息，能够提高零件边缘特征的准确性，进而准确获取零件的实际位置信息，确保每个零件被正确分拣至指定位置，从而提高分拣效率。
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为一个实施例中零件位置获取方法的应用环境图；
图2为一个实施例中零件位置获取方法的流程示意图；
图3为一个实施例中边缘轮廓图像的示意图；
图4为一个实施例中目标轮廓图像的示意图；
图5为一个实施例中映射图像的示意图；
图6为一个实施例中零件位置获取方法的流程示意图；
图7为一个实施例中零件位置获取装置的结构框图；
图8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零件位置获取方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102用于对通过服务器104获取的零件的深度图像进行量化处理，得到量化图像，对量化图像和纹理图像进行融合处理，得到目标轮廓图像，将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像，根据映射图像获取套料图像中每一零件的实际位置信息。其中，终端102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104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，提供了一种零件位置获取方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤202至步骤208。其中：
S202：对零件的深度图像进行量化处理，得到量化图像。
可选地，深度图像为通过固定位置安装的3D图像传感器采集到的二维图像，深度图像中每个像素包含零件的深度信息。在工件分拣场景下，深度图像为待分拣工件的深度坐标集合，需要说明的是，此时的深度图像中可能包括除待分拣工件外的其他物体的深度坐标，例如放置待分拣工件的载体，通过对待分拣工件的深度图像进行量化处理，排除其他深度坐标的干扰，得到边缘轮廓清晰且背景干净的量化图像。
S204：对量化图像和纹理图像进行融合处理，得到目标轮廓图像。
可选地，纹理图像为通过3D图像传感器采集的指定分辨率的图像，其中，纹理图像用于描述零件表面的颜色、纹理和细节，在工件分拣场景下，纹理图像为待分拣工件的像素点集合。其中，目标轮廓图像为对量化图像和纹理图像进行融合处理，得到特征增强的边缘轮廓图像。
S206：将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像；套料图像包括至少一个零件的零件轮廓。
可选地，在工件分拣场景下，套料图像是根据生产作业系统提供的CAD图纸解析得到的二维图像，其中，套料图像包括至少一个零件的零件轮廓，通过将目标轮廓图像与套料图像进行匹配，将套料图像映射在目标轮廓图像上，得到套料图像在目标轮廓图像上的映射图像。
S208：根据映射图像获取套料图像中每一零件的实际位置信息。
可选地，映射图像用于表征套料图像中每一零件在目标轮廓图像上对应的边缘轮廓，根据映射图像可以获取套料图像中每一零件的实际位置信息，其中，实际位置信息为目标轮廓图像中每一边缘轮廓的实际位置坐标，通过套料图像中零件轮廓与目标轮廓图像中边缘轮廓间的对应关系，定位目标轮廓图像中每一边缘轮廓对应的零件，将目标轮廓图像中边缘轮廓的实际位置坐标，作为套料图像中对应零件的实际位置信息，以便后续根据实际位置信息进行工件分拣。
上述零件位置获取方法中，通过对零件的深度图像进行量化处理，得到量化图像，对量化图像和纹理图像进行融合处理，得到目标轮廓图像，将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像，根据映射图像获取套料图像中每一零件的实际位置信息，能够提高零件边缘特征的准确性，进而准确获取零件的实际位置信息，确保每个零件被正确分拣至指定位置，从而提高分拣效率。
在一个示例性的实施例中，对零件的深度图像进行量化处理，得到量化图像的步骤，包括：根据零件的厚度，生成第一掩膜图像；第一掩膜图像与深度图像的尺寸相同；根据第一掩膜图像，对深度图像进行掩膜计算，得到零件所在区域对应的目标深度数据；对目标深度数据的高度值进行量化处理，得到量化图像。
可选地，第一掩膜图像用于指示图像中特定区域，即零件所在区域，由于零件通常在深度图像中表现为一个相对平坦且连续的区域，其厚度是已知的，根据零件的厚度，可以选择出高度值落在零件厚度范围内的深度数据，具体地，对深度图像中的每一个深度数据进行掩膜计算，从原始深度中筛选出零件所在区域对应的目标深度数据，并将目标深度数据的高度值量化到0至255，得到量化图像，此时的量化图像为像素值在0至255内的二维图像。需要说明的是，由于通过掩膜计算只能排除非零件厚度范围内的深度数据，因此量化图像中可能仍然包含其他物体的像素点。
本实施例中，通过根据零件的厚度，生成第一掩膜图像，根据第一掩膜图像，对深度图像进行掩膜计算，得到零件所在区域对应的目标深度数据，对目标深度数据的高度值进行量化处理，得到量化图像，能够提高量化图像的精确度，从而保证准确识别零件轮廓。
在一个示例性的实施例中，对量化图像和纹理图像进行融合处理，得到目标轮廓图像的步骤，包括：对量化图像进行轮廓提取，得到边缘轮廓图像；对边缘轮廓图像进行阈值化处理，得到第二掩膜图像；根据第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像；基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像；对增强图像进行轮廓提取，得到目标轮廓图像。
可选地，对量化图像进行轮廓提取，得到的边缘轮廓图像如图3所示，图3为一种零件的边缘轮廓图像示意图，其中，边缘轮廓包括该零件的边缘轮廓以及在零件厚度范围内的其他轮廓。
进一步地，对边缘轮廓图像进行阈值化处理，将轮廓图转换为二值图像，得到第二掩膜图像，根据第二掩膜图像，对纹理图像进行掩膜计算，提取致函边缘区域的边缘纹理图像，基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像，并对增强图像进行轮廓提取，得到目标轮廓图像，其中，图3中边缘轮廓图像经增强后得到的目标轮廓图像如图4所示，图4可以提供更清晰的零件边缘轮廓。
本实施例中，通过对量化图像进行轮廓提取，得到边缘轮廓图像，对边缘轮廓图像进行阈值化处理，得到第二掩膜图像；根据第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像，基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像，对增强图像进行轮廓提取，得到目标轮廓图像，能够提高零件边缘特征的准确性，进而准确获取零件的实际位置信息。
在一个示例性的实施例中，基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像的步骤，包括：确定边缘纹理图像对应的边缘热力图像；根据边缘热力图像中的边缘权重，对量化图像和纹理图像进行融合处理，得到每一像素点对应的像素值；根据所有像素点对应的像素值，获取增强图像。
可选地，以边缘热力图像中的边缘权重为权重，对量化图像和纹理图像进行alpha融合处理，得到特征增强后的图像，其中，alpha融合公式为：
I(x，y)＝A(x，y)*alpha(x，y)+B(x，y)*(1-alpha(x，y))
其中，I为融合后的像素值，(x，y)为像素点位置坐标，A为量化图像在当前位置的像素值，B为纹理图像在当前位置的像素值，alpha为边缘权重，融合后的增强图像具有更清晰的边缘特征。
本实施例中，通过确定边缘纹理图像对应的边缘热力图像，根据边缘热力图像中的边缘权重，对量化图像和纹理图像进行融合处理，得到每一像素点对应的像素值，根据所有像素点对应的像素值，获取增强图像，能够提高零件边缘特征的准确性，进而准确获取零件的实际位置信息。
在一个示例性的实施例中，将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像的步骤，包括：将套料图像与目标轮廓图像重叠，计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；调整套料图像与目标轮廓图像的重叠部分，重新计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；根据最小位置差异对应的套料图像与目标轮廓图像间的重叠部分，对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像。
可选地，将套料图像在目标轮廓图像上滑动，使得套料图像与目标轮廓图像重叠，计算每个区域的匹配误差，即套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异，重复将套料图像在目标轮廓图像上滑动的过程，直至找到最小位置差异，得到最优匹配位置，通过对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像，其中，将套料图像在映射至目标轮廓图像上得到的映射图像如图5所示，图5中实线表示目标轮廓图像，虚线表示套料图像。
可选地，在匹配目标轮廓图像与套料图像时，除了根据位置差异匹配，还可以根据图像的灰度进行匹配。
进一步地，需要说明的是，由于套料图像与目标轮廓图像可能存在一定差异，如图5中，虚线与实线并不完全重合，通过设置误差范围，在最小位置差异处于误差范围内的情况下，认为匹配成功。
本实施例中，通过将套料图像与目标轮廓图像重叠，计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异，调整套料图像与目标轮廓图像的重叠部分，重新计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异，根据最小位置差异对应的套料图像与目标轮廓图像间的重叠部分，对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像，能够准确匹配套料图像与目标轮廓图像，进而准确获取零件的实际位置信息。
在一个示例性的实施例中，根据映射图像获取套料图像中每一零件的实际位置信息的步骤，包括：针对映射图像中的每一零件，根据零件在目标轮廓图像上的对应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息。
可选地，根据套料图像的映射图像，确定套料图像中每一零件在目标轮廓图像上唯一对应的轮廓，并根据相应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息。
可选地，实际位置信息的计算公式可以为：
其中，和/>表示零件的轮廓在目标轮廓图像中的位置信息，/>和/>表示零件轮廓在套料图像中的实际位置信息，/>为转换矩阵，/>、、/>、/>、/>、/>为转换矩阵中的常数。
可选地，实际位置信息用于指示套料图中零件轮廓的实际位置坐标，在工件分拣场景下，通过控制分拣设备移动至相应零件的实际位置坐标，准确抓取零件，进而将零件分拣至指定位置。
本实施例中，通过针对映射图像中的每一零件，根据零件在目标轮廓图像上的对应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息，能够准确获取零件的实际位置信息，确保每个零件被正确分拣至指定位置，从而提高分拣效率。
在一个示例性的实施例中，如图6所示，提供了一种零件位置获取方法，该方法包括以下步骤：
根据零件的厚度，生成第一掩膜图像；第一掩膜图像与深度图像的尺寸相同；根据第一掩膜图像，对深度图像进行掩膜计算，得到零件所在区域对应的目标深度数据；对目标深度数据的高度值进行量化处理，得到量化图像。
对量化图像进行轮廓提取，得到边缘轮廓图像；对边缘轮目标轮廓图像进行阈值化处理，得到第二掩膜图像；根据第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像。
确定边缘纹理图像对应的边缘热力图像；根据边缘热力图像中的边缘权重，对量化图像和纹理图像进行融合处理，得到每一像素点对应的像素值；根据所有像素点对应的像素值，获取增强图像。
对增强图像进行轮廓提取，得到目标轮廓图像。
将套料图像与目标轮廓图像重叠，计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；调整套料图像与目标轮廓图像的重叠部分，重新计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；根据最小位置差异对应的套料图像与目标轮廓图像间的重叠部分，对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像。
针对映射图像中的每一零件，根据零件在目标轮廓图像上的对应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息。
本实施例中，通过对零件的深度图像进行量化处理，得到量化图像，对量化图像和纹理图像进行融合处理，得到目标轮廓图像，将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像，根据映射图像获取套料图像中每一零件的实际位置信息，能够提高零件边缘特征的准确性，进而准确获取零件的实际位置信息，确保每个零件被正确分拣至指定位置，从而提高分拣效率。
应该理解的是，虽然如上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零件位置获取方法的零件位置获取装置。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零件位置获取装置实施例中的具体限定可以参见上文中对于零件位置获取方法的限定，在此不再赘述。
在一个示例性的实施例中，如图7所示，提供了一种零件位置获取装置，包括：量化模块10、融合模块20、匹配模块30和定位模块40，其中：
量化模块10，用于对零件的深度图像进行量化处理，得到量化图像。
融合模块20，用于对量化图像和纹理图像进行融合处理，得到目标轮廓图像。
匹配模块30，用于将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像；套料图像包括至少一个零件的零件轮廓。
定位模块40，用于根据映射图像获取套料图像中每一零件的实际位置信息。
在一个示例性的实施例中，量化模块10还用于根据零件的厚度，生成第一掩膜图像；第一掩膜图像与深度图像的尺寸相同；根据第一掩膜图像，对深度图像进行掩膜计算，得到零件所在区域对应的目标深度数据；对目标深度数据的高度值进行量化处理，得到量化图像。
在一个示例性的实施例中，融合模块20还用于对量化图像进行轮廓提取，得到边缘轮廓图像；对边缘轮廓图像进行阈值化处理，得到第二掩膜图像；根据第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像；基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像；对增强图像进行轮廓提取，得到目标轮廓图像。
在一个示例性的实施例中，融合模块20还用于确定边缘纹理图像对应的边缘热力图像；根据边缘热力图像中的边缘权重，对量化图像和纹理图像进行融合处理，得到每一像素点对应的像素值；根据所有像素点对应的像素值，获取增强图像。
在一个示例性的实施例中，匹配模块30还用于将套料图像与目标轮廓图像重叠，计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；调整套料图像与目标轮廓图像的重叠部分，重新计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；根据最小位置差异对应的套料图像与目标轮廓图像间的重叠部分，对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像。
在一个示例性的实施例中，定位模块40还用于针对映射图像中的每一零件，根据零件在目标轮廓图像上的对应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息。
上述零件位置获取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终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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和计算机程序。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进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种零件位置获取方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8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以下步骤：对零件的深度图像进行量化处理，得到量化图像；对量化图像和纹理图像进行融合处理，得到目标轮廓图像；将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像；套料图像包括至少一个零件的零件轮廓；根据映射图像获取套料图像中每一零件的实际位置信息。
在一个实施例中，处理器执行计算机程序时涉及的对零件的深度图像进行量化处理，得到量化图像，包括：根据零件的厚度，生成第一掩膜图像；第一掩膜图像与深度图像的尺寸相同；根据第一掩膜图像，对深度图像进行掩膜计算，得到零件所在区域对应的目标深度数据；对目标深度数据的高度值进行量化处理，得到量化图像。
在一个实施例中，处理器执行计算机程序时涉及的对量化图像和纹理图像进行融合处理，得到目标轮廓图像，包括：对量化图像进行轮廓提取，得到边缘轮廓图像；对边缘轮廓图像进行阈值化处理，得到第二掩膜图像；根据第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像；基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像；对增强图像进行轮廓提取，得到目标轮廓图像。
在一个实施例中，处理器执行计算机程序时涉及的基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像，包括：确定边缘纹理图像对应的边缘热力图像；根据边缘热力图像中的边缘权重，对量化图像和纹理图像进行融合处理，得到每一像素点对应的像素值；根据所有像素点对应的像素值，获取增强图像。
在一个实施例中，处理器执行计算机程序时涉及的将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像，包括：将套料图像与目标轮廓图像重叠，计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；调整套料图像与目标轮廓图像的重叠部分，重新计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；根据最小位置差异对应的套料图像与目标轮廓图像间的重叠部分，对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像。
在一个实施例中，处理器执行计算机程序时涉及的根据映射图像获取套料图像中每一零件的实际位置信息，包括：针对映射图像中的每一零件，根据零件在目标轮廓图像上的对应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息。
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以下步骤：对零件的深度图像进行量化处理，得到量化图像；对量化图像和纹理图像进行融合处理，得到目标轮廓图像；将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像；套料图像包括至少一个零件的零件轮廓；根据映射图像获取套料图像中每一零件的实际位置信息。
在一个实施例中，计算机程序被处理器执行时涉及的对零件的深度图像进行量化处理，得到量化图像，包括：根据零件的厚度，生成第一掩膜图像；第一掩膜图像与深度图像的尺寸相同；根据第一掩膜图像，对深度图像进行掩膜计算，得到零件所在区域对应的目标深度数据；对目标深度数据的高度值进行量化处理，得到量化图像。
在一个实施例中，计算机程序被处理器执行时涉及的对量化图像和纹理图像进行融合处理，得到目标轮廓图像，包括：对量化图像进行轮廓提取，得到边缘轮廓图像；对边缘轮廓图像进行阈值化处理，得到第二掩膜图像；根据第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像；基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像；对增强图像进行轮廓提取，得到目标轮廓图像。
在一个实施例中，计算机程序被处理器执行时涉及的基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像，包括：确定边缘纹理图像对应的边缘热力图像；根据边缘热力图像中的边缘权重，对量化图像和纹理图像进行融合处理，得到每一像素点对应的像素值；根据所有像素点对应的像素值，获取增强图像。
在一个实施例中，计算机程序被处理器执行时涉及的将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像，包括：将套料图像与目标轮廓图像重叠，计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；调整套料图像与目标轮廓图像的重叠部分，重新计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；根据最小位置差异对应的套料图像与目标轮廓图像间的重叠部分，对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像。
在一个实施例中，计算机程序被处理器执行时涉及的根据映射图像获取套料图像中每一零件的实际位置信息，包括：针对映射图像中的每一零件，根据零件在目标轮廓图像上的对应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息。
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以下步骤：对零件的深度图像进行量化处理，得到量化图像；对量化图像和纹理图像进行融合处理，得到目标轮廓图像；将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像；套料图像包括至少一个零件的零件轮廓；根据映射图像获取套料图像中每一零件的实际位置信息。
在一个实施例中，计算机程序被处理器执行时涉及的对零件的深度图像进行量化处理，得到量化图像，包括：根据零件的厚度，生成第一掩膜图像；第一掩膜图像与深度图像的尺寸相同；根据第一掩膜图像，对深度图像进行掩膜计算，得到零件所在区域对应的目标深度数据；对目标深度数据的高度值进行量化处理，得到量化图像。
在一个实施例中，计算机程序被处理器执行时涉及的对量化图像和纹理图像进行融合处理，得到目标轮廓图像，包括：对量化图像进行轮廓提取，得到边缘轮廓图像；对边缘轮廓图像进行阈值化处理，得到第二掩膜图像；根据第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像；基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像；对增强图像进行轮廓提取，得到目标轮廓图像。
在一个实施例中，计算机程序被处理器执行时涉及的基于边缘纹理图像，对量化图像和纹理图像进行融合处理，得到增强图像，包括：确定边缘纹理图像对应的边缘热力图像；根据边缘热力图像中的边缘权重，对量化图像和纹理图像进行融合处理，得到每一像素点对应的像素值；根据所有像素点对应的像素值，获取增强图像。
在一个实施例中，计算机程序被处理器执行时涉及的将目标轮廓图像与套料图像进行匹配，得到套料图像在目标轮廓图像上的映射图像，包括：将套料图像与目标轮廓图像重叠，计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；调整套料图像与目标轮廓图像的重叠部分，重新计算套料图像中每一零件所处的区域与目标轮廓图像相应区域间的位置差异；根据最小位置差异对应的套料图像与目标轮廓图像间的重叠部分，对套料图像进行仿射变换计算，得到套料图像在目标轮廓图像上的映射图像。
在一个实施例中，计算机程序被处理器执行时涉及的根据映射图像获取套料图像中每一零件的实际位置信息，包括：针对映射图像中的每一零件，根据零件在目标轮廓图像上的对应轮廓的位置信息，计算得到套料图像中相应零件的实际位置信息。
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 Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change 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（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，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)
1.一种零件位置获取方法，其特征在于，所述方法包括：
对零件的深度图像进行量化处理，得到量化图像；
对所述量化图像和纹理图像进行融合处理，得到目标轮廓图像；
将所述目标轮廓图像与套料图像进行匹配，得到所述套料图像在所述目标轮廓图像上的映射图像；所述套料图像包括至少一个零件的零件轮廓；
根据所述映射图像获取所述套料图像中每一零件的实际位置信息。
2.根据权利要求1所述的方法，其特征在于，所述对零件的深度图像进行量化处理，得到量化图像，包括：
根据零件的厚度，生成第一掩膜图像；所述第一掩膜图像与所述深度图像的尺寸相同；
根据所述第一掩膜图像，对深度图像进行掩膜计算，得到所述零件所在区域对应的目标深度数据；
对所述目标深度数据的高度值进行量化处理，得到量化图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述量化图像和纹理图像进行融合处理，得到目标轮廓图像，包括：
对所述量化图像进行轮廓提取，得到边缘轮廓图像；
对所述边缘轮廓图像进行阈值化处理，得到第二掩膜图像；
根据所述第二掩膜图像，对纹理图像进行掩膜计算，得到边缘纹理图像；
基于所述边缘纹理图像，对所述量化图像和所述纹理图像进行融合处理，得到增强图像；
对所述增强图像进行轮廓提取，得到目标轮廓图像。
4.根据权利要求3所述的方法，其特征在于，所述基于所述边缘纹理图像，对所述量化图像和所述纹理图像进行融合处理，得到增强图像，包括：
确定所述边缘纹理图像对应的边缘热力图像；
根据所述边缘热力图像中的边缘权重，对所述量化图像和所述纹理图像进行融合处理，得到每一像素点对应的像素值；
根据所有像素点对应的像素值，获取增强图像。
5.根据权利要求1所述的方法，其特征在于，所述将所述目标轮廓图像与套料图像进行匹配，得到所述套料图像在所述目标轮廓图像上的映射图像，包括：
将所述套料图像与所述目标轮廓图像重叠，计算所述套料图像中每一零件所处的区域与所述目标轮廓图像相应区域间的位置差异；
调整所述套料图像与所述目标轮廓图像的重叠部分，重新计算所述套料图像中每一零件所处的区域与所述目标轮廓图像相应区域间的位置差异；
根据最小位置差异对应的套料图像与所述目标轮廓图像间的重叠部分，对所述套料图像进行仿射变换计算，得到所述套料图像在所述目标轮廓图像上的映射图像。
6.根据权利要求5所述的方法，其特征在于，所述根据所述映射图像获取所述套料图像中每一零件的实际位置信息，包括：
针对所述映射图像中的每一零件，根据所述零件在所述目标轮廓图像上的对应轮廓的位置信息，计算得到所述套料图像中相应零件的实际位置信息。
7.一种零件位置获取装置，其特征在于，所述装置包括：
量化模块，用于对零件的深度图像进行量化处理，得到量化图像；
融合模块，用于对所述量化图像和纹理图像进行融合处理，得到目标轮廓图像；
匹配模块，用于将所述目标轮廓图像与套料图像进行匹配，得到所述套料图像在所述目标轮廓图像上的映射图像；所述套料图像包括至少一个零件的零件轮廓；
定位模块，用于根据所述映射图像获取所述套料图像中每一零件的实际位置信息。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410587140.7A CN118154689B (zh) | 2024-05-13 | 2024-05-13 | 零件位置获取方法、装置、计算机设备、存储介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410587140.7A CN118154689B (zh) | 2024-05-13 | 2024-05-13 | 零件位置获取方法、装置、计算机设备、存储介质和产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118154689A true CN118154689A (zh) | 2024-06-07 |
| CN118154689B CN118154689B (zh) | 2024-08-02 |
Family
ID=91290656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410587140.7A Active CN118154689B (zh) | 2024-05-13 | 2024-05-13 | 零件位置获取方法、装置、计算机设备、存储介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118154689B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669232A (zh) * | 2020-12-24 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种深度图像增强处理方法及装置 |
| CN115330868A (zh) * | 2022-08-11 | 2022-11-11 | 浙江工业大学 | 一种基于深度学习与深度信息融合的葡萄采摘方法 |
| CN117291892A (zh) * | 2023-09-28 | 2023-12-26 | 广州鹰视信息科技有限公司 | 一种板卡的异物检测方法、装置、设备及存储介质 |
| CN117291987A (zh) * | 2023-11-27 | 2023-12-26 | 武汉华工赛百数据系统有限公司 | 余料切断位置识别方法、装置、计算机设备和存储介质 |
| CN117934439A (zh) * | 2024-01-31 | 2024-04-26 | 武汉华工赛百数据系统有限公司 | 钢板定位方法、装置、计算机设备和存储介质 |
-
2024
- 2024-05-13 CN CN202410587140.7A patent/CN118154689B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669232A (zh) * | 2020-12-24 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种深度图像增强处理方法及装置 |
| CN115330868A (zh) * | 2022-08-11 | 2022-11-11 | 浙江工业大学 | 一种基于深度学习与深度信息融合的葡萄采摘方法 |
| CN117291892A (zh) * | 2023-09-28 | 2023-12-26 | 广州鹰视信息科技有限公司 | 一种板卡的异物检测方法、装置、设备及存储介质 |
| CN117291987A (zh) * | 2023-11-27 | 2023-12-26 | 武汉华工赛百数据系统有限公司 | 余料切断位置识别方法、装置、计算机设备和存储介质 |
| CN117934439A (zh) * | 2024-01-31 | 2024-04-26 | 武汉华工赛百数据系统有限公司 | 钢板定位方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| FREDERIC GARCIA 等: "Real-time depth enhancement by fusion for RGB-D cameras", 《DOI: 10.1049/IET-CVI.2012.0289》, 31 December 2013 (2013-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118154689B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109584327B (zh) | 人脸老化模拟方法、装置以及设备 | |
| CN116596935B (zh) | 形变检测方法、装置、计算机设备及计算机可读存储介质 | |
| CN116109765A (zh) | 标注对象的三维渲染方法、装置、计算机设备、存储介质 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN114387289B (zh) | 输配电架空线路三维点云语义分割方法和装置 | |
| CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN116206125A (zh) | 外形缺陷识别方法、装置、计算机设备及存储介质 | |
| CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
| CN117934439A (zh) | 钢板定位方法、装置、计算机设备和存储介质 | |
| CN117058022A (zh) | 深度图像去噪方法、装置、计算机设备及存储介质 | |
| CN118154689B (zh) | 零件位置获取方法、装置、计算机设备、存储介质和产品 | |
| CN116912791A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN115965799A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN116758206A (zh) | 矢量数据的融合渲染方法、装置、计算机设备、存储介质 | |
| CN115731442A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN115861520B (zh) | 高光检测方法、装置、计算机设备和存储介质 | |
| CN116402842B (zh) | 边缘缺陷检测方法、装置、计算机设备及存储介质 | |
| CN114750147B (zh) | 机器人的空间位姿确定方法、装置和机器人 | |
| CN118230072B (zh) | 基于二维分类模型的三维点云分类模型训练方法和介质 | |
| CN115761152B (zh) | 普通光源下图像处理及三维重建方法、装置和计算机设备 | |
| CN115994955B (zh) | 相机外参标定方法、装置和车辆 | |
| CN115600619B (zh) | 点阵二维码识别方法、装置、电子设备及存储介质 | |
| CN116977389A (zh) | 一种同名像素点寻找方法、系统及存储介质 | |
| CN118261981A (zh) | 柜式设备内部部件空间估计方法、装置、设备、介质 | |
| CN115167409A (zh) | 物体信息识别方法、路径规划方法、装置、终端和机器人 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |