基于三維視覺(jué)的隨機(jī)工件識(shí)別與姿態(tài)估計(jì)

鄢武　唐觀榮　蘇澤榮　蔡奕松　文享龍

【摘 要】針對(duì)堆疊物品的識(shí)別與定位，本文提出了一種自適應(yīng)動(dòng)態(tài)閾值分割與分層識(shí)別方法，實(shí)現(xiàn)了對(duì)隨機(jī)、無(wú)紋理堆疊物品的識(shí)別。實(shí)驗(yàn)結(jié)果表明用該方法可以準(zhǔn)確識(shí)別隨機(jī)堆放工件中的目標(biāo)，目標(biāo)工件在 X，Y，Z 軸方向上的平均定位誤差為1.01mm、0.99mm、1.91mm。

【關(guān)鍵詞】三維視覺(jué);隨機(jī)工件;識(shí)別;姿態(tài)估計(jì)

中圖分類(lèi)號(hào)： TP391.41文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)： 2095-2457（2019）19-0066-001

DOI：10.19694/j.cnki.issn2095-2457.2019.19.030

0 引言

本文研究一種以CAD模型和三維視覺(jué)技術(shù)為基礎(chǔ)，達(dá)到在隨機(jī)擺放條件下快速、準(zhǔn)確地識(shí)別工件的位置和姿態(tài)目的的一種方法。

1 系統(tǒng)結(jié)構(gòu)及模塊實(shí)現(xiàn)

本系統(tǒng)的整體流程如圖1所示：主要包含離線和在線兩部分。離線部分（虛線包圍部分）主要包括利用三維CAD模型提取特征，提取之后可作為數(shù)據(jù)庫(kù)中的一個(gè)模型。在線部分則是如圖1中的下半部分，主要是利用深度相機(jī)對(duì)工件場(chǎng)景進(jìn)行拍照，利用點(diǎn)云信息和數(shù)據(jù)庫(kù)中的點(diǎn)云樣本進(jìn)行特征匹配，通過(guò)對(duì)特征點(diǎn)及其鄰域的識(shí)別與匹配，針對(duì)匹配的區(qū)域信息，提取姿態(tài)，來(lái)達(dá)到針對(duì)隨機(jī)擺放工件的識(shí)別、定位目的。

2 自適應(yīng)動(dòng)態(tài)閾值分割與分層識(shí)別算法

針對(duì)堆疊的情況，本文提出一種動(dòng)態(tài)閾值分層識(shí)別的算法來(lái)解決這種問(wèn)題，偽碼描述為表1所示。因?yàn)橥ㄟ^(guò)深度信息知道相機(jī)與實(shí)際場(chǎng)景的距離，利用閾值分割可以去除前景和背景，減小場(chǎng)景規(guī)模，有利于加快提取特征和匹配的速度。事先已有工件的三維模型作為先驗(yàn)知識(shí)，針對(duì)堆疊的情況，物料箱的總高H及單個(gè)工件縱向的長(zhǎng)度最大值L，層數(shù)n取H/L的最大整數(shù)，搜尋策略即隨著n遞減，在H-n*L的區(qū)域中（自頂向下）利用前文提到的匹配算法，來(lái)搜索目標(biāo)。

結(jié)果如圖2所示，在上圖中，通過(guò)分層識(shí)別算法，識(shí)別成功為綠色。

3 實(shí)驗(yàn)與分析

實(shí)驗(yàn)中選用的目標(biāo)工件為90°彎管接頭，以標(biāo)定板的中心建立世界坐標(biāo)系，相機(jī)識(shí)別到的工件的位置和姿態(tài)都轉(zhuǎn)移到此坐標(biāo)系下，而物體的實(shí)際值可以直接測(cè)量它離標(biāo)定板中心的距離。經(jīng)實(shí)驗(yàn)計(jì)算，工件在X、Y、Z軸方向上最大定位誤差為1.01mm、0.99mm、1.91mm。

4 小結(jié)

本文提出了一種基于點(diǎn)云的三維物體檢測(cè)與定位方法。實(shí)驗(yàn)結(jié)果表明，針對(duì)隨機(jī)擺放的情況，采用CAD三維模型進(jìn)行物體檢測(cè)與定位具有較高的實(shí)用性和可靠性。但該系統(tǒng)對(duì)不明顯邊緣或堆疊情況的誤識(shí)別偶有發(fā)生，系統(tǒng)的魯棒性還需進(jìn)一步提高。

【參考文獻(xiàn)】

[1]楊橋.基于VisionPro的發(fā)動(dòng)機(jī)缸蓋搬運(yùn)機(jī)器人[J].智慧工廠，2015（12）：93-94.

[2]梁元月.基于雙目立體視覺(jué)的工件識(shí)別定位方法研究[D].西安理工大學(xué)，2008.