【技术实现步骤摘要】
一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法
本专利技术涉及机器人乱序目标分拣识别方法，特别是涉及一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法。
技术介绍
随着工业机器人在智能分拣、装配制造等领域的广泛应用，企业生产模式逐渐由传统的以人力为主导转向以机器人为主导。传统的分拣方法针对多品种小批量工件主要依靠工人操作，这种方法需要较高的雇佣成本，随持续时间和工作强度的增长，分拣准确率也会受到大幅影响，且由于劳动时限，作业效率不高。随着生产制造业向自动化、智能化和信息化的转型，机器视觉使用成本的逐步降低，搭载视觉装置的机器人分拣系统受到了重点关注。机械臂分拣系统作为工业机器人技术和计算机视觉技术相结合的智能化设备，能够依靠高度的稳定性和先进的识别算法在复杂的生产环境进行作业。目标分拣识别的方法多基于RGB二维图像，使用Canny和Sobel算子等提取工件轮廓进行模板匹配，或者提取SIFT、SURF等特征点进行匹配、筛选、滤除等，能够获得较好的识别效果。另一方面，为了更好地适应光照条件变化、应对某些工件纹理不凸显...
【技术保护点】
1.一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，其特征在于，包括以下步骤：/n(1)对采集的分拣场景点云通过RANSAC算法滤除分拣场景点云平面，并采用超体聚类和LCCP算法对堆叠分拣场景进行分割点云平面，得到多个种类的分拣场景点云簇；/n(2)通过PCA计算主轴向量，将分拣场景点云沿主轴方向投影到三维平面，并查询三维点邻域得到各分拣场景点云簇的堆叠状态；/n(3)通过拟合一个最小二乘意义下的微切平面，估计分拣场景点云中各点的法线，并利用角度判据提取各分拣场景点云簇和目标模型的边缘；/n(4)结合各分拣场景点云簇的堆叠状态和边缘点云生成不同的边缘候选匹配集合，利用S...
【技术特征摘要】
1.一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，其特征在于，包括以下步骤：
(1)对采集的分拣场景点云通过RANSAC算法滤除分拣场景点云平面，并采用超体聚类和LCCP算法对堆叠分拣场景进行分割点云平面，得到多个种类的分拣场景点云簇；
(2)通过PCA计算主轴向量，将分拣场景点云沿主轴方向投影到三维平面，并查询三维点邻域得到各分拣场景点云簇的堆叠状态；
(3)通过拟合一个最小二乘意义下的微切平面，估计分拣场景点云中各点的法线，并利用角度判据提取各分拣场景点云簇和目标模型的边缘；
(4)结合各分拣场景点云簇的堆叠状态和边缘点云生成不同的边缘候选匹配集合，利用Super4PCS粗匹配获取初始位姿，再通过ICP精匹配进行排序识别和位姿估计。
2.根据权利要求1所述的一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，其特征在于，步骤(1)中对于采集的分拣场景点云，首先采用基于随机采样一致性RANSAC算法对分拣场景背景进行删除，滤除分拣场景点云平面，具体为：
(101)随机从分拣场景点云中抽取子点云样本；
(102)用最小方差计算子点云样本对应的平面方程ax+by+cz＝d的平面模型参数a,b,c,d，其中，x,y,z表示三维点空间坐标变量；
(103)用该模型参数验证剩余点云，计算剩余点云中某一点pi至该平面的距离di＝|axi+byi+czi-d|，其中，xi,yi,zi表示点pi的三维坐标分量；
(104)选取误差范围t，若di≤t则点pi被认为在给定的误差范围内；
(105)如果较多的点在给定误差范围t之内，则该随机选取的样本最优，否则回到步骤(101)，循环进行；
(106)最后根据平面模型参数，滤除场景点云中在误差范围之内的点云子集。
3.根据权利要求1所述的一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，其特征在于，步骤(1)中超体聚类具体为：
(111)对输入的分拣场景点云布置规律的区域生长晶核，晶核在空间中均匀分布；
(112)指定晶核半径Rseed和晶粒距离，以及最小晶粒的结核范围，控制结晶过程；
(113)然后使所有晶核在点云体素的八叉树中进行搜索，根据体素差异同时吸纳相似晶粒，区域生长从而形成数量较多的超体素块；体素差异公式为：
；
其中，Dc、Dn、Ds分别表示点云体素的颜色差异、法线差异、距离差异，wc，wn，ws分别表示对应的权重，体素差异小于D的吸纳入晶核。
4.根据权利要求1所述的一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，其特征在于，步骤(1)中采用LCCP算法对堆叠分拣场景进行分割点云平面，具体为：
(121)通过CC和SC判据计算超体聚类得到的超体素块之间的凹凸关系；CC判据利用相邻两面中心连线向量与法向量夹角、相邻两面相交关系进行判断，公式为：
；
；
；
其中，为相邻超体素块质心的法线向量，为相邻超体素块质心位置向量，表示两个相邻超体素块的连接关系，可表示某超体素块的相关属性，其中Ni分别为超体素块i的法线向量与相邻超体素块的边集合，表示基础凸性判据所得的凸性连接判断，表示通过基础凸性判据得到凸性连接判断的推论，β表示相邻超体素块的法线夹角，βThresh为判断相邻超体素块是否为凸性连接的阈值；
SC判据作为补充，判断相邻两面是否真正连通和单独面是否存在，解决CC判据无法区分的情况；将作为相邻两平面法向量的叉乘，公式为：
；
；
；
其中，表示两个相邻超体素块i和j的质心连线向量和法线叉乘向量之间的最小角度，β表示相邻超体素块的法线夹角，表示判断相邻超体素块是否为凸性连接的角度阈值，βoff表示实验得出的角度常值，表示法线向量和的夹角，表示补充判据(SC)所得的超体素块间凸性连接判断；
最终两相邻面的凹凸性判据为：
；
其中，表示组合CCb判据和CCe判据得到的扩展凸性判据，对相邻超体素块进行凸性连接判断；
(122)在标记完各个超体素块的凹凸关系之后，采用区域增长算法将超体素块聚类成较大的不同物体的点云簇Pm，0<m≤c，m∈N，完成点云场景的分割。
5.根据权利要求1所述的一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，其特征在于，步骤(2)中首先对分拣场景点云中所有三维坐标点进行中心化处理，利用PCA算法计算投影主轴方向，将分拣场景点云投影到三维平面中；具体为：
(201)对于分拣场景点云P＝{pi,0≤i≤n,pi∈R3}，对所有三维坐标点pi进行中心化处理，公式为
(202)计算中心化处理后的分拣场景点云P'的协方差矩阵XXT；
(203)对协方差矩阵XXT做特征值分解；
(204)取最小特征值对应的特征向量wmin＝{apca,bpca,cpca}作为投影主轴方向；
(205)任意取参数dpca，构造平面apcax+bpcay+cpcaz+dpca＝0作为投影面，得到投影后的平面点云集Q＝{qi,0≤i≤n,qi∈R3}。
6.根据权利要求1所述的一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，其特征在于，步骤(2)中查询三维点邻域得到各分拣场景点云簇的堆叠状态的方法为：
投影后的点云以最大分散程度分布在三维平面中，然后遍历平面点云集，对于其中的每一点构造球邻域，当邻域中存在与球心点所属点云簇不同的点时，则判断这两个点云簇堆叠，最后记录所有点云簇的堆叠状态；具体步骤如下：
(211)遍历投影后的平面点云集Q，对于其中每一点qi，构造球邻域Ui(qi,δ)＝{x|qi-δ<x<qi+δ}；
(212)然后在邻域中进行搜索，当使得且则判定与存在堆叠，其中，为平面点云集Q中不同簇的点云，0<m1≤c，0<m2≤c，m1∈N，m2∈N，m1≠m2。
7...
【专利技术属性】
技术研发人员：周波，徐云辉，甘亚辉，钱堃，房芳，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。