【技术实现步骤摘要】
本专利技术属于物料托盘识别，尤其涉及一种基于深度相机的矩形托盘孔识别方法及系统。
技术介绍
1、带有矩形孔的物料托盘在工业领域有着广泛应用。随着自动搬运需求日益增加，基于视觉感知技术对物料托盘进行识别及定位需求迫切。深度相机可以获得物体颜色及距离信息，在工业物料托盘识别中得到了广泛应用。目前物料托盘识别方法主要有两大类：一类是机器学习方法，该方法采用人工神经网络等工具通过训练获得待识别托盘的模型，然后通过模型匹配辨识图像中是否存在目标物并获得目标物位置，这种方法不必关心目标物的具体特征，但需要提供大量待识别托盘的图片进行训练，所需时间及人力成本较高、并且计算量较大。另一种是轮廓匹配方法。该方法首先基于深度相机获取的信息识别图像中物体轮廓，然后通过轮廓特征确定是否存在待识别托盘并计算托盘位姿（如专利号2022100594184，2023101105090等）。托盘轮廓易受托盘上方摆放货物的影响，所以这种识别方式对托盘上方货物摆放位置有严格要求。其次，轮廓提取时多采用沿图像水平及竖直方向扫描，这要求相机x平面与托盘摆放物体平面始终保持平行状态，为实现这一点，除对相机安装位置有严格要求外，还要求托盘周围场地的平整度较高，否则车辆行进过程中会产生倾斜导致相机与托盘不严格处于同一平面，这时轮廓扫描会产生较大的误差。再次，轮廓识别受光线影响较大，光线过强或过暗都会导致轮廓信息不足，致使轮廓辨识出现偏差。
2、通过上述分析，现有技术存在的问题及缺陷为：
3、（1）目前基于机器学习的物料托盘识别方法需要提供大量待识别托盘
4、（2）目前基于轮廓匹配的物料托盘识别方法对物料摆放、相机安装、地面平整度、光线等均有严格要求，很难适应复杂多变的场景及非标准化工业环境。
技术实现思路
1、为克服相关技术中存在的问题，本专利技术公开实施例提供了一种基于深度相机的矩形托盘孔识别方法及系统，所述技术方案如下：
2、本专利技术是这样实现的，一种基于深度相机的矩形托盘孔识别方法，包括：
3、s1、通过测量获得托盘孔物理宽度，托盘孔物理高度，两个托盘孔中心距离，设置初始参数；
4、s2、获取深度相机的深度图数据及彩色图数据；
5、s3、将获得的深度图数据及彩色图数据融合为综合灰度图；
6、s4、根据获得的综合灰度图提取图像包含元素的轮廓；
7、s5、采用逐步排除法去除不符合托盘孔特征的轮廓；
8、s6、经过处理后剩余的轮廓作为最终识别得到的托盘孔轮廓，记录轮廓中心物理坐标。
9、在步骤s1中，初始参数包括：托盘孔实际物理宽度，托盘孔实际物理高度，两个托盘孔中心实际距离，红色分量加权系数，绿色分量加权系数，蓝色分量加权系数，矩相似度阈值，像素点上限阈值，像素点下限阈值，托盘孔宽度误差阈值，托盘孔高度误差阈值，托盘孔中心距离误差阈值，托盘孔倾角差阈值，灰度抑制阈值，深度上限，深度下限，灰度值加权系数。
10、在步骤s3中，将获得的深度图数据及彩色图数据融合为综合灰度图，包括：
11、s2.1、将颜色图进行转换得到灰度图颜色分量；
12、s2.2、将深度图进行转换得到灰度图深度分量；
13、s2.3、将得到的灰度值颜色和深度分量进行叠加获得综合灰度图。
14、进一步，将颜色图进行转换得到灰度图颜色分量的公式如下：
15、；
16、式中，为像素对应的灰度值颜色分量，为取整函数，为红色分量加权系数，为绿色分量加权系数，为蓝色分量加权系数，为像素点对应的红色分量，为像素点对应的绿色分量，为像素点对应的蓝色分量；
17、将深度图进行转换得到灰度图深度分量的公式如下：
18、；
19、式中，为像素对应的灰度值深度分量，为像素对应的深度值，为深度值上限，为深度值下限；
20、将得到的灰度值颜色和深度分量进行叠加获得综合灰度图的公式如下：
21、；
22、式中，为像素对应的综合灰度值，为灰度值加权系数。
23、在步骤s4中，根据获得的综合灰度图提取图像包含元素的轮廓，包括：
24、s4.1、抑制高灰度值点，设置灰度抑制阈值，当像素点大于灰度抑制阈值时，令像素点等于灰度抑制阈值；
25、s4.2、对处理后的图像进行高斯滤波；
26、s4.3、对处理后的图像计算熵；
27、s4.4、确定高阈值、低阈值；
28、s4.5、将高阈值及低阈值作为参数，对步骤s4.2处理后的图像进行轮廓提取。
29、在步骤s4.3中，对处理后的图像计算熵的公式为：
30、；
31、式中，为综合灰度图像的信息熵，为综合灰度图像中灰度值出现的概率；
32、根据以下公式计算高阈值、低阈值：
33、；
34、；
35、式中，为轮廓提取算法实际使用的高阈值，为自然常数，为综合灰度图像的信息熵，为使用算法计算得到的高阈值，为轮廓提取算法实际使用的低阈值；
36、在步骤s4.5中，将高阈值及低阈值作为参数，对步骤s4.2处理后的图像进行轮廓提取，包括：
37、计算处理后的图像像素点的梯度，计算公式为：
38、；
39、式中，为像素点对应的梯度值，及为像素点对应的方向及方向的梯度分量；
40、计算梯度方向，像素点对应的梯度方向计算公式为：
41、；
42、式中，为像素点的梯度方向，为像素点对应的方向的梯度方向，为像素点对应的方向的梯度方向；
43、利用邻域扫描整幅图像，在邻域内沿像素点的梯度方向判断是否在梯度方向上为最大值，如果不是，则令梯度值，并进行如下判断：如果梯度值，则令梯度值；如果梯度值，则令梯度值；如果，则判断的邻域内是否存在值为255的点，如果存在，则令梯度值，否则，令梯度值；为梯度下限阈值，为梯度上限阈值。
44、在步骤s5中，采用逐步排除法去除不符合托盘孔特征的轮廓，包括：
45、s5.1、获得各轮廓的最小外包矩形，记录每个最小外包矩形4个顶点的图像坐标；
46、s5.2、计算第个轮廓最小外包矩形内像素点个数，其中，为剩余轮廓数；如果或，则删除对应轮廓；为像素点上限阈值，为像素点下限阈值；
47、s5.3、计算剩余每个轮廓与最小外包矩形的矩相似度，若，则删除对应轮廓；为矩相似度阈值；
48、s5.4、对于剩余的每个轮廓，根据最小外包矩形顶点对应的物理坐标计算轮廓相应的物理宽度和高度，去除不同时满足和的轮廓；为托盘孔宽度误差阈值，为托盘孔高度误差阈值，为测量获得的托盘孔物理宽度，为测量获得的托盘孔物理高度；
49、s5.5、对剩余的轮本文档来自技高网...
【技术保护点】
1.一种基于深度相机的矩形托盘孔识别方法，其特征在于，该方法包括：
2.根据权利要求1所述基于深度相机的矩形托盘孔识别方法，其特征在于，
3.根据权利要求1所述基于深度相机的矩形托盘孔识别方法，其特征在于，在步骤S3中，将获得的深度图数据及彩色图数据融合为综合灰度图，包括：
4.根据权利要求3所述基于深度相机的矩形托盘孔识别方法，其特征在于，将颜色图进行转换得到灰度图颜色分量的公式如下：
5.根据权利要求1所述基于深度相机的矩形托盘孔识别方法，其特征在于，在步骤S4中，根据获得的综合灰度图提取图像包含元素的轮廓，包括：
6.根据权利要求5所述基于深度相机的矩形托盘孔识别方法，其特征在于，在步骤S4.3中，对处理后的图像计算熵的公式为：
7.根据权利要求1所述基于深度相机的矩形托盘孔识别方法，其特征在于，在步骤S5中，采用逐步排除法去除不符合托盘孔特征的轮廓，包括：S5.1、获得各轮廓的最小外包矩形，记录每个最小外包矩形4个顶点的图像坐标；
8.根据权利要求7所述基于深度相机的矩形托盘孔识别方法，其
9.根据权利要求7所述基于深度相机的矩形托盘孔识别方法，其特征在于，两个轮廓的中心距离的计算公式为：
10.一种基于深度相机的矩形托盘孔识别系统，其特征在于，该系统用于对权利要求1~9任意一项所述基于深度相机的矩形托盘孔识别方法进行调控，该系统包括：
...【技术特征摘要】
1.一种基于深度相机的矩形托盘孔识别方法，其特征在于，该方法包括：
2.根据权利要求1所述基于深度相机的矩形托盘孔识别方法，其特征在于，
3.根据权利要求1所述基于深度相机的矩形托盘孔识别方法，其特征在于，在步骤s3中，将获得的深度图数据及彩色图数据融合为综合灰度图，包括：
4.根据权利要求3所述基于深度相机的矩形托盘孔识别方法，其特征在于，将颜色图进行转换得到灰度图颜色分量的公式如下：
5.根据权利要求1所述基于深度相机的矩形托盘孔识别方法，其特征在于，在步骤s4中，根据获得的综合灰度图提取图像包含元素的轮廓，包括：
6.根据权利要求5所述基于深度相机的矩形托盘孔识别方法，其特征在于，在步骤s4.3中，对处理后的图像计...
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。