一种基于图像的物体校位方法、智能机器人及校位系统技术方案

本发明专利技术涉及物体校位技术领域，提供了一种基于图像的物体校位方法、智能机器人及校位系统，该方法包括：获取物体在偏出标准位置的偏差位置处对应的原始图像；分别读取与标准位置对应的第一预设标准点坐标和第二预设标准点坐标；基于偏差位置，依据原始图像分别确定与第一预设标准点坐标对应的第一关键像素点坐标和与第二预设标准点坐标对应的第二关键像素点坐标；依据第一关键像素点坐标、第二关键像素点坐标、第一预设标准点坐标和第二预设标准点坐标求解校位参数组；依据校位参数组将物体从偏差位置驱动至标准位置，有效确保了快速地使用校位参数组将物体从偏差位置校位至标准位置，提高了物体的校位精度和校位速度，适用于不同规格的物体。

An image-based object alignment method, intelligent robot and alignment system

【技术实现步骤摘要】
一种基于图像的物体校位方法、智能机器人及校位系统
本专利技术涉及物体校位
，具体涉及一种基于图像的物体校位方法、智能机器人及校位系统。
技术介绍
在产品与装配件组装过程中，装配件往往需要被人工定位在工业生产线上的标准位置，以便于产品被标准化装配至装配件中，例如：一组巧克力被机器人批量装入处在标准位置处的盒子，能够大幅提高装配效率。受工业生产线和人工等因素制约，装配件会被定位在偏出标准位置的偏差位置处，当装配件处在偏差位置处时，装配件与产品装配的精确性偏低，甚至装配件无法与产品成功装配，有损于装配效率和装配成功率，从而，需要将装配件从偏差位置校位至标准位置，以确保标准化装配装配件和产品。目前，适用于装配件的物体校位方法主要有如下两种：其一，以人工方式将装配件挪动至标准位置，面对众多装配件，需要耗费大量人力；其二，在工业生产线传送装配件过程中，持续为装配件采集图像，根据不同时刻采集的至少两幅图像计算送距离，根据该距离控制工业生产线，使装配件被工业生产线从偏差位置平移至标准位置，不同图像在被采集及处理过程中需要消耗较长时间，该时本文档来自技高网...

【技术保护点】
1.一种基于图像的物体校位方法，其特征在于，包括：/n获取物体在偏出标准位置的偏差位置处对应的原始图像；/n分别读取与所述标准位置对应的第一预设标准点坐标和第二预设标准点坐标；/n基于所述偏差位置，依据所述原始图像分别确定与所述第一预设标准点坐标对应的第一关键像素点坐标和与所述第二预设标准点坐标对应的第二关键像素点坐标；/n依据所述第一关键像素点坐标、所述第二关键像素点坐标、所述第一预设标准点坐标和所述第二预设标准点坐标求解校位参数组；/n依据所述校位参数组将所述物体从所述偏差位置驱动至所述标准位置。/n

【技术特征摘要】
1.一种基于图像的物体校位方法，其特征在于，包括：
获取物体在偏出标准位置的偏差位置处对应的原始图像；
分别读取与所述标准位置对应的第一预设标准点坐标和第二预设标准点坐标；
基于所述偏差位置，依据所述原始图像分别确定与所述第一预设标准点坐标对应的第一关键像素点坐标和与所述第二预设标准点坐标对应的第二关键像素点坐标；
依据所述第一关键像素点坐标、所述第二关键像素点坐标、所述第一预设标准点坐标和所述第二预设标准点坐标求解校位参数组；
依据所述校位参数组将所述物体从所述偏差位置驱动至所述标准位置。


2.根据权利要求1所述基于图像的物体校位方法，其特征在于，依据所述原始图像分别确定与所述第一预设标准点坐标对应的第一关键像素点坐标和与所述第二预设标准点坐标对应的第二关键像素点坐标，具体包括：
读取预先训练的深度学习模型，所述深度学习模型包括输入层、隐含层和输出层；
将所述原始图像输入所述输入层；
通过所述输入层对所述原始图像进行预处理，得到待识别图像；
通过所述隐含层对所述待识别图像进行识别，得到所述第一关键像素点坐标和所述第二关键像素点坐标；
从所述输出层分别输出所述第一关键像素点坐标和所述第二关键像素点坐标。


3.根据权利要求2所述基于图像的物体校位方法，其特征在于，所述隐含层包括第一多层卷积神经网络和第二多层卷积神经网络；通过所述隐含层对所述待识别图像进行识别，得到所述第一关键像素点坐标和所述第二关键像素点坐标，具体包括：
通过所述第一多层卷积神经网络对所述待识别图像进行特征提取，得到第一关键特征图和第二关键特征图；
通过所述第二多层卷积神经网络对所述第一关键特征图进行坐标提取，得到所述第一关键像素点坐标；
通过所述第二多层卷积神经网络对所述第二关键特征图进行坐标提取，得到所述第二关键像素点坐标。


4.根据权利要求3所述基于图像的物体校位方法，其特征在于，通过所述第一多层卷积神经网络对所述待识别图像进行特征提取，得到第一关键特征图和第二关键特征图，具体包括；
通过所述第一多层卷积神经网络对所述待识别图像进行多层特征提取，得到图像深度特征，并依据所述图像深度特征分别提取所述第一关键特征图和所述第二关键特征图。


5.根据权利要求1所述基于图像的物体校位方法，其特征在于，依据所述第一关键像素点坐标、所述第二关键像素点坐标、所述第一预设标准点坐标和所述第二预设标准点坐标求解校位参数组，具体包括：
分别读取斜率计算模型、角度计算模型、距离计算模型和差值计算模型；
通过所述斜率计算模型对所述第一关键像素点坐标和所述第二关键像素点坐标进行求解，得到第一斜率；
通过所述斜率计算模型对所述第一预设标准点坐标和所述第二预设标准点坐标进行求解，得到第二斜率；
通过所述角度计算模型对所述第一斜率和所述第二斜率进行求解，得到所述旋转角度；
通过所述距离计算模型对所述第一关键像素点坐标和所述第二关键像素点坐标进行求解，得到第一横向平均距离和第一纵向平均距离；
通过所述距离计算模型对所述第一预设标准点坐标和所述第二预设标准点坐标进行求解，得到第二横向平均距离和第二纵向平均距离；
通过所述差值计算模型对所述第一横向平均距离和所述第二横向平均距离进行求解，得到所述横向平移量；
通过所述差值计算模型对所述第一纵向平均距离和所述第二纵向平均距离进行求解，得到所述纵向平移量；
将所述旋转角度、所述横向平移量和所述纵向平移量组合为所述校位参数组。


6.根据权利要求5所述基于图像的物体校位方法，其特征在于，所述角度计算模型具体表示为：



其中，Angel表示所述旋转角度，acrtan表...

【专利技术属性】
技术研发人员：李淼，闫琳，张少华，于天水，魏伟，付中涛，马天阳，郭盛威，
申请(专利权)人：武汉库柏特科技有限公司，
类型：发明
国别省市：湖北;42