一种基于特征匹配的机器人三维摆放位置误差校正的方法技术

本发明专利技术属于工业图像处理相关技术领域，并公开了一种基于特征匹配的机器人三维摆放位置误差校正的方法

【技术实现步骤摘要】
一种基于特征匹配的机器人三维摆放位置误差校正的方法


[0001]本专利技术属于工业图像处理相关
，更具体地，涉及一种基于特征匹配的机器人三维摆放位置误差校正的方法
。

技术介绍

[0002]工业制造领域中，高效且准确的工件质量检测对于保障产品品质和提升生产效率具有重要意义
。
随着技术的发展，图像处理技术在工业产品检测中得到了广泛应用
。
工业图像处理技术以其高速
、
高精度的特点，为自动化生产线上的产品质量控制提供了有力支持
。
在工业产品的质量检测中，通常需要将产品的不同曲面或特定位置对准相机，以获取清晰
、
准确的图像用于缺陷检测
。
然而，在实际操作中，由于工件的摆放
、
夹具的固定以及六轴多关节机械臂的运动等因素，工件可能存在微小的位置和姿态偏差
。
这些微小的偏差可能会导致检测图像质量下降，从而影响后续缺陷检测的准确性
。
[0003]为了解决这一问题，研究人员提出了多种方法，包括激光检测，触觉检测，图像匹配检测等技术
。
在这些方法中，基于特征匹配的方法成为了一种有效的手段
。
特征匹配技术通过在参考图像和实际采集图像中提取特征点，并对这些特征点进行匹配，从而得到两幅图像之间的平移和旋转变换关系
。
通过分析这些变换关系，可以计算出图像之间的位置偏差和姿态偏差
。
[0004]现有技术中，主要是其精度不足，比如基于触觉的方法，使用触觉传感器来检测机器人与工件或其他物体的接触
。
通过测量接触力和位置，可以估算出位置误差
。
但是，这种方法可能受到传感器精度和接触条件的影响
。
比如基于激光的方法，使用激光距离传感器或激光扫描仪来测量机器人或工件的位置
。
这种方法的精度受到激光传感器的性能和环境因素的影响
。
此外，目前的图像匹配方法也有很大的改进空间，它们受环境的影响仍较大
。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于特征匹配的机器人三维摆放位置误差校正的方法，解决现有误差校正过程中精度不足，稳定性差的问题
。
[0006]为实现上述目的，按照本专利技术，提供了一种基于特征匹配的机器人三维摆放位置误差校正的方法，该方法包括下列步骤：
[0007]S1
机械臂携带相机移动至初始位置拍摄工件的图像，作为参考图像；
[0008]S2
机械臂在实际工作过程中移动后拍摄工件的图像，获得实际图像；
[0009]S3
将所述实际图像与参考图像进行比对，将两张图像输入神经网络中获得中间特征图，在中间特征图中选取每张图对应的检测关键点，分别计算每张图像中每个检测关键点的描述符；
[0010]S4
计算所述参考图像和实际图像中每个检测关键点彼此之间的匹配分数，根据匹配分数获得在参考图像和实际图像中最匹配的两个检测关键点；
[0011]S5
根据最匹配的检测关键点之间的相对位置计算机械臂当前位置与所述初始位
置之间的位置偏差，根据该位置偏差移动所述机械臂；
[0012]S6
按照预设次数重复步骤
S1
～
S5
，以此实现所述机械臂的位置矫正
。
[0013]进一步优选地，在步骤
S3
中，所述检测关键点的选取按照下列概率公式进行计算：
[0014]P(x
，
y)
＝
σ
(f(x
，
y))
[0015]其中，
σ
是
sigmoid
激活函数，
f(x
，
y)
是像素
x
，
y
的最后一个卷积层的输出，
P(x
，
y)
是关键点的概率
。
[0016]进一步优选地，在步骤
S3
中，所述检测关键点的描述符计算按照下列公式进行：
[0017]D
M
(x,y)
＝
VectorFusion(D
mid
(x,y),D
grad
(x,y),D
diff
(x,y))
[0018]其中，
VectorFusion
是一个复杂的向量融合方法，
D
mid
(x
，
y)
是中间特征图输出描述符，
D
grad
(x
，
y)
是多维梯度描述符，
D
diff
(x
，
y)
是差异描述符，
D
M
(x
，
y)
是每个检测关键点对应的描述符
。
[0019]进一步优选地，所述中间特征图输出描述符
D
mid
(x,y)
按照下列方式获得：
[0020]g
i
(z)
＝
α
i
×
tanh(
β
i
×
z+
γ
i
)+
δ
i
[0021]其中，
z
是中间特征图的输出值，
α
i
，
β
i
，
γ
i
，
δ
i
是函数
g
i
的参数，
tanh
是双曲正切函数
。
[0022]进一步优选地，所述多维梯度描述符
D
grad
(x
，
y)
按照方式获得：在检测关键点周围选择一个
16x16
的邻域，并将其分为
4x4
的子块；对于每个子块，计算8个方向上的梯度直方图，以此获得每个子块对应的8维的向量；将所有子块的向量串联起来，获得所需的多维梯度描述符
。
[0023]进一步优选地，所述差异描述符
D
diff
(x
，
y)
按照下列方式获得：
[0024][0025]其中，
b
j
是检测关键点周围的第
j
个子块的二进制字符串，是串联操作，
N
是子块的数量
。
[0026]进一步优选地，在步骤
S4
中，匹配分数按照下列公式计算：
[0027]S
total
...

【技术保护点】

【技术特征摘要】
1.
一种基于特征匹配的机器人三维摆放位置误差校正的方法，其特征在于，该方法包括下列步骤：
S1
机械臂携带相机移动至初始位置拍摄工件的图像，作为参考图像；
S2
机械臂在实际工作过程中移动后拍摄工件的图像，获得实际图像；
S3
将所述实际图像与参考图像进行比对，将两张图像输入神经网络中获得中间特征图，在中间特征图中选取每张图对应的检测关键点，分别计算每张图像中每个检测关键点的描述符；
S4
计算所述参考图像和实际图像中每个检测关键点彼此之间的匹配分数，根据匹配分数获得在参考图像和实际图像中最匹配的两个检测关键点；
S5
根据最匹配的检测关键点之间的相对位置计算机械臂当前位置与所述初始位置之间的位置偏差，根据该位置偏差移动所述机械臂；
S6
按照预设次数重复步骤
S1
～
S5
，以此实现所述机械臂的位置矫正
。2.
如权利要求1所述的一种基于特征匹配的机器人三维摆放位置误差校正的方法，其特征在于，在步骤
S3
中，所述检测关键点的选取按照下列概率公式进行计算：
P(x
，
y)
＝
σ
(f(x
，
y))
其中，
σ
是
sigmoid
激活函数，
f(x
，
y)
是像素
x
，
y
的最后一个卷积层的输出，
P(x
，
y)
是关键点的概率
。3.
如权利要求1所述的一种基于特征匹配的机器人三维摆放位置误差校正的方法，其特征在于，在步骤
S3
中，所述检测关键点的描述符计算按照下列公式进行：
D
M
(x
，
y)
＝
VectorFusion((D
mid
(x
，
y)
，
D
grad
(x
，
y)
，
D
diff
(x
，
y))
其中，
VectorFusion
是一个复杂的向量融合方法，
D
mid
(x
，
y)
是中间特征图输出描述符，
D
grad
(x
，
y)
是多维梯度描述符，
D
diff
(x
，
y)
是差异描述符，
D
M
(x
，
y)
是每个检测关键点对应的描述符
。4.
如权利要求3所述的一种基于特征匹配的机器人三维摆放位置误差校正的方法，其特征在于，所述中间特征图输出描述符
D
mid
(x
，
y)
按照下列方式获得：
g
i
(z)
＝
α
i
×
tanh(
β
i
×
z+
γ<...

【专利技术属性】
技术研发人员：沈卫明，张以恒，曹云康，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：