【技术实现步骤摘要】
本专利技术涉及机器人视觉抓取，尤其涉及一种计量库房废旧物资的识别和抓取方法及系统。
技术介绍
1、机器人视觉抓取是指利用视觉传感器，基于物体特征，确认机器人抓取位姿的过程。传统的二维图像识别方法缺少物体深度信息，存在复杂场景下物体边缘不易区分的问题。近年来，随着三维传感技术的快速发展，三维激光点云的获取变得越来越便捷。基于三维点云获取计量库房废旧物资类别与姿态的方法，能够更好地感知计量库房废旧物资三维表面特征，区分计量库房废旧物资边界，成为机器人视觉抓取领域的研究热点。但是现有的三维抓取算法普遍是先确定物体三维位姿，再由此计算机器人抓取位姿，这种方法流程复杂，计算量大，抓取效率低。
2、以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。
技术实现思路
1、本专利技术的目的是提供一种计量库房废旧物资的识别和抓取方法及系统，能够提高物体识别与抓取的精度和效率。
2、为达到上述目的，本专利技术采用的技术方案如下：
3、一种计量库房废旧物资的识别和抓取方法，包括以下步骤：
4、获取多角度的计量库房废旧物资的三维点云数据；
5、对所述三维点云数据进行预处理并对预处理后的三维点云数据进行标注制作数据集，将所述数据集划分为训练集和测试集；
6、基于pointnet++的机器学习算法，预先确定用于计量库房废旧物资的识别与抓取的基础网络模型，以三维点云数据、物资的真实类别、夹爪的候选抓取位姿作为基础网络模型的输入，以物资的类别信息和夹爪的最佳抓取位姿作为所述基础网络模型的输出，利用所述训练集和测试集对所述基础网络模型进行训练和测试，获得最优网络模型；
7、获取包括待抓取物资的三维点云数据并输入所述最优网络模型，通过所述最优网络模型预测获得待抓取物资的类别信息和夹爪的最佳抓取位姿。
8、进一步地，承前所述的任一技术方案或多个技术方案的组合，通过所述最优网络模型预测获得物资的类别信息和夹爪的最佳抓取位姿，包括以下步骤：
9、预先确定物资的类别信息以及每种类别的物资对应的夹爪的候选抓取位姿，进而获得物资的类别信息与夹爪的候选抓取位姿的对应关系；
10、将包括待抓取物资的三维点云数据输入所述最优网络模型，通过所述最优网络模型识别并分割出三维点云数据中的待抓取物资，并获得各个待抓取物资的类别信息；
11、根据预先确定的物资的类别信息与夹爪的候选抓取位姿的对应关系，确定每种待抓取物资的类别信息对应的夹爪的候选抓取位姿；
12、确定抓取成功率最高的夹爪的候选抓取位姿为夹爪的最佳抓取位姿。
13、进一步地，承前所述的任一技术方案或多个技术方案的组合，确定抓取成功率最高的夹爪的候选抓取位姿为夹爪的最佳抓取位姿，包括：
14、从多个所述夹爪的候选抓取位姿中，剔除夹爪在抓取过程中与物资产生碰撞的候选抓取位姿；
15、针对剩余的所述候选抓取位姿，分别计算各个候选抓取位姿对应的抓取成功率，确定抓取成功率最高的候选抓取位姿为夹爪的最佳抓取位姿。
16、进一步地，承前所述的任一技术方案或多个技术方案的组合，所述候选抓取位姿对应的抓取成功率，通过以下公式计算：
17、
18、进一步地，承前所述的任一技术方案或多个技术方案的组合，通过以下方式对所述三维点云数据进行预处理：
19、对所述三维点云数据进行条件滤波，根据预设的抓取工作区域滤除抓取工作区域之外的点云数据；
20、通过平面拟合滤波获得拟合平面上方的点云数据，所述拟合平面对应与夹爪的抓取平台；
21、采用统计滤波器自动滤除拟合平面上方的点云数据中的离群点。
22、进一步地，承前所述的任一技术方案或多个技术方案的组合，基于pointnet++的机器学习算法，确定的用于计量库房废旧物资的识别与抓取的基础网络模型，所述基础网络模型包括：
23、输入层，其被配置为对输入其中的所述三维点云数据进行预处理，并对所述三维点云数据进行预处理，以得到满足输入规格要求的数据；
24、特征提取层，其被配置为对预处理后的三维点云数据进行点云的特征提取，以获得所述三维点云数据的全局特征；
25、前向传播层，其被配置为将所述三维点云数据的全局特征传输至原始的三维点云数据；
26、全连接层，其被配置为采用一维卷积进行目标识别并根据目标设别结果确定候选抓取位姿，并输出目标识别结果和确定的候选抓取位姿。
27、进一步地，承前所述的任一技术方案或多个技术方案的组合，所述特征提取层包括：
28、采样层，其被配置为采用最远点采样方法确定多个目标并采样每个目标的中心点；
29、球分组层，其被配置为采用球分组的方法以所述中心点为中心，生成球形区域，并确定球形区域内一定数量的采样点；
30、pointnet层，其被配置为通过多层感知机对每个球形区域内的点进行特征提取；
31、最大池化层，其被配置为将提取到的球形区域内的点的特征整合到球形区域的中心点上。
32、进一步地，承前所述的任一技术方案或多个技术方案的组合，所述前向传播层包括：
33、采样层，其被配置为采用最远点采样方法确定多个目标并采样每个目标的中心点；
34、特征融合层，其被配置为将本次提取的采样点特征与上一次提取的采样点特征进行特征融合；
35、pointnet层，其被配置为通过多个多层感知机对每个球形区域内的点进行特征提取。
36、进一步地，承前所述的任一技术方案或多个技术方案的组合，按照随机划分的方式将所述数据集划分为训练集和测试集，其中，所述训练集和所述测试集的比例关系为7：3；和/或，
37、采用结构光相机对计量库房废旧物资进行多角度拍摄以获取所述三维点云数据；和/或，
38、所述夹爪的抓取位姿为相机坐标系下的夹爪的抓取位姿，根据相机坐标系和机器人坐标系的转换关系，将相机坐标系下的夹爪的抓取位姿转换为机器人坐标系下的夹爪的抓取位姿，转换关系为：
39、p’＝r×p+t
40、其中，r为机器人基坐标系相对于相机坐标系的旋转向量，t为机器人坐标系相对于相机坐标系的平移向量，p为转换前点坐标，p’为转换后点坐标。
41、根据本专利技术的另一方面，本专利技术提供了一种计量库房废旧物资的识别和抓取系统，其特征在于，利用如上任一技术方案或多个技术方案的组合所述的计量库房废旧物资的识别和抓取方法对待抓取的废旧物资进行识别和抓取。
42、本专利技术提供的技术方案带来的有益效果如下：
43、本专利技术基于三维点云进行计量库房废旧物本文档来自技高网...
【技术保护点】
1.一种计量库房废旧物资的识别和抓取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，其特征在于，通过所述最优网络模型预测获得物资的类别信息和夹爪的最佳抓取位姿，包括以下步骤：
3.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，其特征在于，确定抓取成功率最高的夹爪的候选抓取位姿为夹爪的最佳抓取位姿，包括：
4.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，所述候选抓取位姿对应的抓取成功率，通过以下公式计算：
5.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，其特征在于，通过以下方式对所述三维点云数据进行预处理：
6.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，其特征在于，基于PointNet++的机器学习算法，确定的用于计量库房废旧物资的识别与抓取的基础网络模型，所述基础网络模型包括：
7.根据权利要求6所述的计量库房废旧物资的识别和抓取方法，其特征在于，所述特征提取层包括：
8.根据权利要求7所述的计量库房废旧物资的识别
9.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，其特征在于，按照随机划分的方式将所述数据集划分为训练集和测试集，其中，所述训练集和所述测试集的比例关系为7：3；和/或，
10.一种计量库房废旧物资的识别和抓取系统，其特征在于，利用如权利要求1-9中任一项所述计量库房废旧物资的识别和抓取方法对待抓取的废旧物资进行识别和抓取。
...【技术特征摘要】
1.一种计量库房废旧物资的识别和抓取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，其特征在于，通过所述最优网络模型预测获得物资的类别信息和夹爪的最佳抓取位姿，包括以下步骤：
3.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，其特征在于，确定抓取成功率最高的夹爪的候选抓取位姿为夹爪的最佳抓取位姿，包括：
4.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，所述候选抓取位姿对应的抓取成功率，通过以下公式计算：
5.根据权利要求1所述的计量库房废旧物资的识别和抓取方法，其特征在于，通过以下方式对所述三维点云数据进行预处理：
6.根据权利要求1所述的计量库房废旧物资的识别和抓取方法...
【专利技术属性】
技术研发人员：王巨灏，沈杰，李敏，杨昕宏，王振宇，梅叶依，张希弘，袁海军，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：
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。