机器视觉处理方法、装置、存储介质和电子设备制造方法及图纸

本发明专利技术提供了一种机器视觉处理方法、装置、存储介质和电子设备，该方法包括：获取待识别的三维图像数据；采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；将所述目标元素的特征信息生成描述向量；根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。本发明专利技术实施例中机器人可以在复杂环境中提取主成分，从而精准完成分拣工作，进而使得机器人可以在复杂环境识别比规则图形更复杂的形状，提高定位和识别零件的精度。

【技术实现步骤摘要】
机器视觉处理方法、装置、存储介质和电子设备
本专利技术涉及机器视觉
，尤其涉及一种机器视觉处理方法、装置、存储介质和电子设备。
技术介绍
机器视觉能够提高生产的灵活性和自动化程度。在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。机器视觉主要的功能有四个，分别是引导和定位，外观检测，高精度监测和识别。其中引导和定位可应用于三维和二维条件下，做到定位流水线的静态和动态目标，可适应不同情况下的视觉定位需求。外观检测可使用高清工业摄像机进行辅助，定位，寻边，配合四轴机械臂实现分拣和码垛。高精度监测可以应用于医药、食品、服装等行业，对产品质量进行监测。识别方面的应用广泛，需利用机器视觉对图像进行处理、分析和理解，以识别各种不同模式的目标和对象。可以达到数据的追溯和采集，常在汽车零部件、食品、药品等方面应用。现有的机器人系统，在视觉部分的工作流程都是先拍照，以对简单形状进行添加，而后在机器人末端配置摄像机对图像进行采集，然后进行识别。但是随着智能制造对工业机器人的要求越来越高，工业机器人只有做到在更复杂的环境下识别更多元化的形状，才能满足制造业向前发展的需求。
技术实现思路
本专利技术的目的在于克服上述技术问题，提供一种机器视觉处理方法、装置、存储介质和电子设备。本专利技术的一个方面，提供了一种机器视觉处理方法，所述方法包括：获取待识别的三维图像数据；采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；将所述目标元素的特征信息生成描述向量；根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。可选地，所述方法还包括：预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；将各类别的目标元素的特征信息分别生成对应的样本数据；采用生成的所述样本数据对进行分类识别模型的训练。可选地，在所述根据预先训练的分类识别模型对所述描述向量进行分类识别之后，所述方法还包括：根据分类识别结果，对所述分类识别模型进行修正优化。可选地，在所述对所述三维图像数据中的目标元素进行特征信息提取之前，所述方法还包括：使用背景差分法去除所述三维图像数据中的图像背景；使用Ostu算法对去除背景后的图像进行阈值分割。可选地，所述特征信息包括所述目标元素的形状特征、颜色特征、尺寸特征、方向特征、数量特征、位置特征中的至少一个。本专利技术的另一个方面，提供了一种机器视觉处理装置，所述装置包括：获取模块，用于获取待识别的三维图像数据；提取模块，用于采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；配置模块，用于将所述目标元素的特征信息生成描述向量；识别训练模块，用于根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。可选地，所述提取模块，还用于预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；所述配置模块，还用于将各类别的目标元素的特征信息分别生成对应的样本数据；所述识别训练模块，还用于采用生成的所述样本数据对进行分类识别模型的训练。可选地，所述识别训练模块，还用于在根据预先训练的分类识别模型对所述描述向量进行分类识别之后，根据分类识别结果，对所述分类识别模型进行修正优化。可选地，所述装置还包括：预处理模块；所述预处理模块，用于在所述提取模块对所述三维图像数据中的目标元素进行特征信息提取之前，使用背景差分法去除所述三维图像数据中的图像背景，使用Ostu算法对去除背景后的图像进行阈值分割。此外，本专利技术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，该程序被处理器执行时实现如上所述方法的步骤。此外，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。本专利技术实施例提供的机器视觉处理方法、装置、存储介质和电子设备，运用PCA(主成分分析)方法，对拍照获取的图像数据进行特征信息提取，这样不仅可以降低对采样图片的要求，还能实现特征数据降维，使机器人可以在复杂环境中提取主成分，从而精准完成分拣工作，进而使得机器人可以在复杂环境识别比规则图形更复杂的形状，提高定位和识别零件的精度。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术实施例提出的机器视觉处理方法的流程示意图；图2为本专利技术实施例提出的机器视觉处理方法可识别场景的示意图；图3为本专利技术实施例的机器视觉处理装置的结构示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。图1示意性示出了本专利技术一个实施例的机器视觉处理方法的流程图。参照图1，本专利技术实施例提出的机器视觉处理方法具体包括以下步骤，如下所示：S11、获取待识别的三维图像数据。本实施例中，为了增强机器人视觉的真实性和可用性，机器人将图像采集过程中的二维图像采集过程拓展至三维图像采集，三维图像能够对目标元素进行多个角度描述。S12、采用PCA(PrincipalComponentAnalysis，主成分分析)算法对所述三维图像数据中的目标元素进行特征信息提取。其中，所述特征信息包括所述目标元素对应图形的尺寸特征、方向特征、数量特征、位置特征中的至少一个。具体的，本实施例中采用“Gabor函数变换”获取局部主成分，所述局部主成分是指目标元素的主要特征，用矩阵表示。PCA算法可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维。本实施例中，采用PCA算法实现主本文档来自技高网...

【技术保护点】
1.一种机器视觉处理方法，其特征在于，所述方法包括：/n获取待识别的三维图像数据；/n采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；/n将所述目标元素的特征信息生成描述向量；/n根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。/n

【技术特征摘要】
1.一种机器视觉处理方法，其特征在于，所述方法包括：
获取待识别的三维图像数据；
采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；
将所述目标元素的特征信息生成描述向量；
根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；
将各类别的目标元素的特征信息分别生成对应的样本数据；
采用生成的所述样本数据对进行分类识别模型的训练。


3.根据权利要求1所述的方法，其特征在于，在所述根据预先训练的分类识别模型对所述描述向量进行分类识别之后，所述方法还包括：
根据分类识别结果，对所述分类识别模型进行修正优化。


4.根据权利要求1所述的方法，其特征在于，在所述对所述三维图像数据中的目标元素进行特征信息提取之前，所述方法还包括：
使用背景差分法去除所述三维图像数据中的图像背景；
使用Ostu算法对去除背景后的图像进行阈值分割。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述特征信息包括所述目标元素的形状特征、颜色特征、尺寸特征、方向特征、数量特征、位置特征中的至少一个。

【专利技术属性】
技术研发人员：林宇萌，黄侠，张志波，钟文涛，高小云，张睿，李鹏程，邓祖东，万文洁，衷镇宇，周家裕，王佳威，郭东生，
申请(专利权)人：珠海格力智能装备有限公司，珠海格力电器股份有限公司，
类型：发明
国别省市：广东;44