一种基于深度相机和视觉算法的档案盒存放定位方法技术

本发明专利技术提供一种基于深度相机和视觉算法的档案盒存放定位方法，包括通过深度相机采集档案架的场景图像；对场景图像进行语义分割处理，获取场景图像中背景、档案盒、仓位边界以及仓位编码的像素点集合；求取档案盒、仓位边界、仓位编码的像素点集合的连通分量；对各个连通分量集合之间进行配对，根据配对结果确定仓位的占用和空闲状态、仓位位置是否可用的场景信息；获取目标档案盒和需要取放的仓位编码的空间位置，根据场景信息利用抓取机构进行目标档案盒的抓取或存放。本发明专利技术利用深度相机采集档案架图像，确定图像中档案盒，仓位边界，仓位编码各部分的位置关系，从而获得档案架的空闲、占用状态。占用状态。占用状态。

【技术实现步骤摘要】
一种基于深度相机和视觉算法的档案盒存放定位方法


[0001]本专利技术涉及档案盒存取
，具体为一种基于深度相机和视觉算法的档案盒存放定位方法。

技术介绍

[0002]法院的纸质卷宗在结案归档前需要经过流转、关联、管理、存储等过程；随着自动化技术的发展，卷宗的归档过程可以通过AGV设备进行管理；该过程会涉及从档案架上抓取和存放档案盒，如何确定卷宗位置、身份以及档案架仓位是自动化管理的核心。
[0003]目前通过AGV自动化管理档案的技术方案，大都是在卷宗档案盒和档案架仓位上粘贴二维码，配合读码相机识别二维码，确定卷宗档案盒以及仓位的位置；AGV利用该位置信息即可进行档案盒的抓取和存放工作；但纯二维码定位方案无法判断仓位的占用状态；另外，二维码读码相机无法获取场景深度信息，对档案盒以及仓位的空间位置获取也就不够准确，使得现在的自动化管理档案技术需要人工确定仓位的空闲状态，无法实现全自动化，同时人工查找确定仓位的空闲状态，费时费力。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术目的是提供一种基于深度相机和视觉算法的档案盒存放定位方法，可以解决现有AGV利用该位置信息即可进行档案盒的抓取和存放工作；但纯二维码定位方案无法判断仓位的占用状态；另外，二维码读码相机无法获取场景深度信息，对档案盒以及仓位的空间位置获取也就不够准确的问题。
[0005]为了实现上述目的，本专利技术是技术方案如下：
[0006]本专利技术是通过如下的技术方案来实现：一种基于深度相机和视觉算法的档案盒存放定位方法，
[0007]一种基于深度相机和视觉算法的档案盒存放定位方法，包括
[0008]通过深度相机采集档案架的场景图像；
[0009]对所述场景图像进行语义分割处理，获取场景图像中背景、档案盒、仓位边界以及仓位编码的像素点集合；
[0010]求取档案盒、仓位边界、仓位编码的像素点集合的连通分量，得到档案盒、仓位边界、仓位编码的连通分量集合；
[0011]对各个连通分量集合之间进行配对，根据配对结果确定仓位的占用和空闲状态、仓位位置是否可用的场景信息；
[0012]获取目标档案盒和需要取放的仓位编码的空间位置，根据所述场景信息利用抓取机构进行目标档案盒的抓取或存放。
[0013]进一步的，所述对所述场景图像进行语义分割处理，包括：
[0014]对所述场景图像进行语义分割、卷积、归一化和非线性化转换处理；
[0015]将各个场景图像各个像素分别归类到背景、档案盒、仓位边界和仓位编码四个类
别中去。
[0016]进一步的，所述对所述场景图像进行语义分割的分割公式为：
[0017]ConvBN()＝BN(Conv())(1)
[0018]Block＝ConvBN3(RELU(ConvBN2(RELU(ConvBN1)))(2)
[0019]P＝softmax(Block
n
(Block
n
‑1(...(Block1(I))))(3)
[0020]其中P＝{P
c＝backgroud
，P
c＝box
，P
c＝edge
，P
c＝digit
}(4)；
[0021]上式(1)中，ConvBN()表示卷积操作Conv()和批标准化BatchNormalizationBN()的级联结构；
[0022]式(2)表示每个Block是由3个ConvBN()结构级联组成，RELU()表示非线性变换函数RELU；
[0023]式(3)表示网络结构由多个Block()级联组成，其中的softmax()表示对网络的输出进行softmax操作，I表示档案盒场景图像；
[0024]式(4)表示网络结构输出，其中P表示与输入图像像素点数量相同的点集P
c＝background
，P
c＝box
，P
c＝edge
，P
c＝digit
分别表示网络输出的点集中属于档案盒场景图像的背景、档案盒、仓位边界、仓位编码的像素点的集合。
[0025]进一步的，所述得到档案盒、仓位边界、仓位编码的连通分量集合，包括：
[0026]通过现实场景中档案盒、仓位编码、仓位边界大小的先验知识，排除大小不符合要求的连通区域，得到档案盒、仓位边界、仓位编码的连通分量集合。
[0027]进一步的，所述对各个连通分量集合之间进行配对，根据配对结果确定仓位的占用和空闲状态、仓位位置是否可用的场景信息，包括：
[0028]将档案盒和仓位编码的连通分量集合进行配对，
[0029]判断档案盒和仓位编码两连通分量外接矩形在垂直方向上的重合度是否超过阈值；若是，则配对的仓位为占用状态；否则配对的仓位为空闲状态；
[0030]将仓位边界与仓位编码的连通分量集合进行配对，
[0031]判断仓位边界和仓位编码两连通分量外接矩形在水平方向上的距离的绝对值是否小于阈值；若是，则配对的仓位位置为不可用；否则配对的仓位位置为可用。
[0032]进一步的，所述获取目标档案盒和需要取放的仓位编码的空间位置，包括：
[0033]各个档案盒表面设有QR码，利用深度相机识别QR码获得目标档案盒；
[0034]利用深度相机获取需要存放的仓位编码和目标档案盒连通区域中心的像素坐标位置，结合深度相机的深度信息、相机的内外参数信息；
[0035]获取目标档案盒和需要取放的仓位编码的空间位置。
[0036]进一步的，所述根据所述场景信息利用抓取机构进行目标档案盒的抓取或存放，包括：
[0037]在进行目标档案盒的抓取时，通过三轴模组控制抓取机构对从需要取放的仓位编码所对应的仓位内取出目标档案盒；
[0038]或者在进行目标档案盒的存放时，通过三轴模组控制抓取机构将目标档案盒存放到需要取放的仓位编码所对应的仓位内。
[0039]进一步的，所述通过深度相机采集档案架的场景图像，包括：将深度相机连接三轴模组，通过三轴模组带动深度相机移动采集档案架的场景信息。
[0040]与现有技术相比，本专利技术的有益效果包括：
[0041]本专利技术的档案盒存放定位方法，利用深度相机采集档案架图像，经由卷积神经网络对档案架图像进行语义分割，确定图像中档案盒，仓位边界，仓位编码各部分的位置关系，从而获得档案架的空闲、占用状态，并通过深度相机捕获的深度信息，获取卷宗档案盒和文件架仓位的准确空间位置；使得档案盒存放更加精准，同时通过深度相机识别，仓位状态，进一步地减少人力，提高档案盒存放的效率。
附图说明
[0042]参照附图来说明本专利技术的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本专利技术的保护范围构成限制，在附图中，相同的附图标记用于指代相同的部件。其中：
[0043]图1为本专利技术一种基于深度相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度相机和视觉算法的档案盒存放定位方法，其特征在于：包括通过深度相机采集档案架的场景图像；对所述场景图像进行语义分割处理，获取场景图像中背景、档案盒、仓位边界以及仓位编码的像素点集合；求取档案盒、仓位边界、仓位编码的像素点集合的连通分量，得到档案盒、仓位边界、仓位编码的连通分量集合；对各个连通分量集合之间进行配对，根据配对结果确定仓位的占用和空闲状态、仓位位置是否可用的场景信息；获取目标档案盒和需要取放的仓位编码的空间位置，根据所述场景信息利用抓取机构进行目标档案盒的抓取或存放。2.根据权利要求1所述的一种基于深度相机和视觉算法的档案盒存放定位方法，其特征在于：所述对所述场景图像进行语义分割处理，包括：对所述场景图像进行语义分割、卷积、归一化和非线性化转换处理；将各个场景图像各个像素分别归类到背景、档案盒、仓位边界和仓位编码四个类别中去。3.根据权利要求2所述的一种基于深度相机和视觉算法的档案盒存放定位方法，其特征在于：所述对所述场景图像进行语义分割的分割公式为：ConvBN()＝BN(Conv())(1)Block＝ConvBN3(RELU(ConvBN2(RELU(ConvBN1)))(2)P＝softnax(Block
n
(Block
n
‑1(
…
(Block1(I))))(3)其中P＝{P
c＝backgroud
，P
c＝box
，P
c＝edge
，P
c＝digit
}(4)；式(1)中，ConvBN()表示卷积操作Conv()和批标准化BatchNormalizationBN()的级联结构；式(2)表示每个Block是由3个ConvBN()结构级联组成，RELU()表示非线性变换函数RELU；式(3)表示网络结构由多个Block()级联组成，其中的softmax()表示对网络的输出进行softmax操作，I表示档案盒场景图像；式(4)表示网络结构输出，其中P表示与输入图像像素点数量相同的点集Pc＝b
ack
gro
und
，P
c＝box，
P
c＝e...

【专利技术属性】
技术研发人员：洪健，
申请(专利权)人：苏州立构机器人有限公司，
类型：发明
国别省市：