一种工业零件位姿估计方法及系统技术方案

本发明专利技术提供一种工业零件位姿估计方法及系统，包括：获取待测零件的零件点云；基于零件姿态分类模型，对零件点云进行分类处理，获取零件分类结果；根据零件分类结果确定目标零件模板；利用目标零件模板对零件点云进行匹配，以获取待检测零件的位姿信息。本发明专利技术提供的工业零件位姿估计方法及系统，根据对待测零件的点云进行分类和模板匹配，进而确定待测零件的位姿信息，提高了工业零件位姿估计的效率和准确性，为工业场景中零件位姿偏移位置与角度的判断提供了支持，解决了工业场景中利用机械臂等装置进行零件抓取的位姿估计问题。等装置进行零件抓取的位姿估计问题。等装置进行零件抓取的位姿估计问题。

【技术实现步骤摘要】
一种工业零件位姿估计方法及系统


[0001]本专利技术涉及计算机视觉
，尤其涉及一种工业零件位姿估计方法及系统。

技术介绍

[0002]随着计算机视觉和深度学习技术的不断发展，利用三维信息为工业领域场景下的实际应用服务成为了可能。区别于传统的二维图像表示方法，由三维传感器扫描拍摄到的点云数据为现实生活中的三维物体提供了更加丰富的特征信息。以三维点云数据为载体的特征信息可以为零件拣取、零件组装、零件分类、零件位姿估计等工业场景下的应用提供了更加全面、真实的数据依据。
[0003]目前，传统图像方法和深度学习技术中，普遍采用的利用二维图像对工业零件进行位姿估计的方法中，通常利用模板匹配来实现，即直接利用手工提取的局部特征来进行模板检索与匹配，通过计算匹配到的模板与图片之间的变换获得位姿的估计。然而，由于三维扫描技术目前的局限性，三维设备捕获到的点云通常是对零件局部表面的描述，扫描到的点云结构并不完整。
[0004]另外，现有的传统算法直接对扫描到的不完整点云表面计算几何特征，并以此为依据与完整的零件模型进行匹配，增加了对应特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业零件位姿估计方法，其特征在于，包括：获取待测零件的零件点云；基于零件姿态分类模型，对所述零件点云进行分类处理，获取零件分类结果；根据所述零件分类结果确定目标零件模板；利用所述目标零件模板对所述零件点云进行匹配，以获取待检测零件的位姿信息。2.根据权利要求1所述的工业零件位姿估计方法，其特征在于，获取待测零件的零件点云，包括：对在工业零件摆放场景下采集的原始点云进行滤波处理，获取场景点云；对所述场景点云进行点云分离处理，以获取仅包含待测零件的所述零件点云。3.根据权利要求2所述的工业零件位姿估计方法，其特征在于，对工业零件摆放场景的场景点云进行点云分离处理，以获取仅包含待测零件的所述零件点云，包括：根据所述场景点云中所有点之间的欧式距离，对所述场景点云进行分割处理，确定所有的单位点云簇；根据每个所述单位点云簇的点云数量，对所述点云簇进行筛选处理，获取零件点云簇；对所述零件点云簇进行随机下采样处理，获取所述零件点云。4.根据权利要求3所述的工业零件位姿估计方法，其特征在于，所述基于预设距离阈值，根据所述场景点云中所有点之间的欧式距离，对所述场景点云进行分割处理，确定所有的单位点云簇；包括：步骤1，随机确定所述场景点云中的一个目标点；步骤2，基于近邻搜索法，获取所述目标点的所有近邻点，以构建所述目标点的初始近邻集合；所述近邻点为所述场景点云中与所述目标点之间的欧氏距离小于预设阈值的点；步骤3，基于近邻搜索法，确定所述初始近邻集合中任一近邻点的所有近邻点，以构建所述任一近邻点的近邻集合；所述任一近邻点的近邻集合包括所述初始近邻集合中的所有点以及所述初始近邻集合中每个点的所有近邻点；步骤4，以所述任一近邻点的近邻集合作为新的初始近邻集合，并迭代执行步骤3，获取新的近邻集合，直至所述新的近邻集合中的点不再增加；步骤5，根据所述新的近邻集合，确定目标点云簇，所述目标点云簇包括所述目标点以及所述新的近邻集合中的点；步骤6，从所述场景点云中随机选择不属于所述目标点云簇的任一点作为新的目标点，迭代执行步骤2至步骤5，直至完成对所述场景点云中所有点云的分割，并将每个所述目标点云簇作为一个单位点云簇。5.根据权利要求1所述的工业零件位姿估计方法，其特征在于，基于零件姿态分类模型，对所述零件点云进行分类处理，获取零件分类结果，包括：基于所述零件姿态分类模型，对...

【专利技术属性】
技术研发人员：白洪亮，何军，刘红岩，孙琪，蒋思为，何钰霖，
申请(专利权)人：苏州飞搜科技有限公司，
类型：发明
国别省市：