-
题名基于改进欧氏聚类的散乱工件点云分割
被引量：25
- 1
-
-
作者
田青华
白瑞林
李杜
-
机构
江南大学轻工过程先进控制教育部重点实验室
无锡信捷电气股份有限公司
-
出处
《激光与光电子学进展》
CSCD
北大核心
2017年第12期310-318,共9页
-
基金
江苏高校优势学科建设工程项目(PAPD)
江苏省产学研前瞻性联合研究项目(BY2015019-38)
江苏省科技成果转化专项资金(BA2016075)
-
文摘
针对机器人随机箱体抓取过程中场景分割困难的问题,提出一种基于改进欧氏聚类的散乱工件点云分割方法。采用直通滤波法和迭代半径滤波法进行预处理,得到去除干扰点后的散乱工件点云;通过基于法线夹角的边缘检测去除点云中的边缘点,并使相互碰撞的工件在空间上产生分离;采用改进的搜索半径自适应欧氏聚类进行点云分割,得到多个工件点云子集,基于距离约束将去除的边缘点补齐到点云子集之中,从而完成点云分割。此外,线下模板点云注册为分割参数的选取提供依据,从而保证了分割结果的准确性,提高了分割速度。结果表明:基于改进欧氏聚类的散乱工件点云分割方法能够准确地分割出感兴趣的工件,分割时间约为696ms,满足了工业机器人抓取的实时性要求。
-
关键词
机器视觉
欧氏聚类
点云分割
自适应聚类
随机箱体抓取
聚类分割
-
Keywords
machine vision
Euclidean clustering
point cloud segmentation
adaptive clustering
random bin picking
clustering segmentation
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于SHOT特征融合的散乱工件点云配准算法
被引量：7
- 2
-
-
作者
田青华
白瑞林
李杜
-
机构
江南大学轻工过程先进控制教育部重点实验室
无锡信捷电气股份有限公司
-
出处
《小型微型计算机系统》
CSCD
北大核心
2019年第2期275-279,共5页
-
基金
江苏高校优势学科建设工程项目(PAPD)资助
江苏省产学研前瞻性联合研究项目(BY2015019-38)资助
江苏省科技成果转化专项奖金项目(BA2016075)资助
-
文摘
针对随机箱体抓取过程中目标识别和定位问题,提出一种基于SHOT特征融合的点云配准方法.对结构光三维测量获取的点云进行预处理和分割,得到去除噪声点后的多个工件点云数据集;提出基于方向包围盒裁剪的方法,得到去除稀疏边缘点后的工件点云,结合均匀采样算法获取关键点集;通过改进SHOT特征描述子对关键点进行唯一性描述;采用最小方差法查找工件点云的关键点在模板点云中的对应点,根据对应关系求解初始变换矩阵;最后,使用ICP算法进行精确配准,得到工件的精确位姿信息.实验结果表明,将本文算法与基于FPFH特征配准、SHOT特征配准算法进行对比,配准精度分别提高了30. 07%和37. 10%,配准速度分别提高了35. 64%和21. 21%.
-
关键词
机器视觉
点云配准
SHOT描述子
方向包围盒
随机箱体抓取
-
Keywords
machine vision
point cloud registration
SHOT descriptor
oriented bounding box
random bin picking
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP242
[自动化与计算机技术—计算机科学与技术]
-
-
题名面向工业零件分拣系统的低纹理目标检测
被引量：5
- 3
-
-
作者
闫明
陶大鹏
普园媛
-
机构
云南大学信息学院
-
出处
《中国图象图形学报》
CSCD
北大核心
2022年第8期2418-2429,共12页
-
基金
国家自然科学基金项目(61772455,U1713213,62172354)
云南省重大科技专项计划项目(202002AD080001,202202AD080003)。
-
文摘
目的 随着工业领域智能分拣业务的兴起,目标检测引起越来越多的关注。然而为了适应工业现场快速部署和应用的需求,算法只能在获得少量目标样本的情况下调整参数;另外工控机运算资源有限,工业零件表面光滑、缺乏显著的纹理信息,都不利于基于深度学习的目标检测方法。目前普遍认为Line2D可以很好地用于小样本情况的低纹理目标快速匹配,但Line2D不能正确匹配形状相同而颜色不同的两个零件。对此,提出一种更为鲁棒的低纹理目标快速匹配框架CL2D(color Line2D)。方法 首先使用梯度方向特征作为物体形状的描述在输入图像快速匹配,获取粗匹配结果;然后通过非极大值抑制和颜色直方图比对完成精细匹配。最后根据工业分拣的特点,由坐标变换完成对目标的抓取点定位。结果 为了对算法性能进行测试,本文根据工业分拣的实际环境,提出了YNU-BBD 2020(YNU-building blocks datasets 2020)数据集。在YNU-BBD 2020数据集上的测试结果表明,CL2D可以在CPU平台上以平均2.15 s/幅的速度处理高分辨率图像,在精度上相比于经典算法和深度学习算法,mAP(mean average precision)分别提升了10%和7%。结论 本文针对工业零件分拣系统的特点,提出了一种快速低纹理目标检测方法,能够在CPU平台上高效完成目标检测任务,并且相较于现有方法具有显著优势。
-
关键词
模板匹配
低纹理目标检测
颜色直方图
智能制造
随机分拣
-
Keywords
template match
texture-less object detection
color histogram
smart manufacturing
random bin-picking
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
