基于机器视觉的三维点云匹配算法在散货物料实时检测中的应用与研究

面对杂乱堆叠的散货物料实时检测场景,传统机器视觉会受物体遮挡限制,使得识别结果存在偏差。为解决此问题,本文运用三维点云算法,设计基于点对特征的位姿估计算法,同时调整场景点云中法线方向使其朝向点云成像设备视点,以优化其一致性,最后基于该算法构建实际物体抓取系统。结果显示,此次研究设计的位姿检测算法的平均重合率为98%,平均内点均方根误差为0.0003 mm,点云匹配成功率为100%,抓取成功率为97.1%。结果表明,该基于点对特征的三维点云算法在散货物料场景中的检测准确率较高,且在抓取场景中也有较理想的表现,具有一定的实际应用意义。

基于曲率的植物三维点云精简算法的优化

针对植物三维点云精简时特征信息提取不准确的情况,提出局部曲率误差和法向量夹角相结合的区域复杂度判断方法,对曲率精简算法进行改进。将每个数据点K邻域内曲率标准差和法向量夹角与阈值进行比较,确定局部区域的复杂情况,采用不同精简率判定邻域点是否保留,统计其保留概率,最后通过整体精简率和保留概率确定数据点的取舍。通过与传统精简算法进行对比分析,在相近精简率下,提出的局部曲率误差–法向量夹角法精简后的植物叶片、叶脉特征更明显,封装建模后的偏差减小了25%以上。