一种基于点云实例分割的六维位姿估计方法

提出了一种基于SoftGroup实例分割模型和PCA主成分分析算法来估计物体位姿的方法。在工业自动化领域,通常会为诸如机器人、机械臂配备视觉系统并利用二维图像估算目标物体位置,但当目标物体出现堆叠、遮挡等复杂场景时,对二维图形的识别精度往往有所下降。为准确、高效地获取物体位置,充分利用三维点云数据的高分辨率、高精度的优势:首先将深度相机采集到的RGB-D图像转为点云图,接着利用SoftGroup模型分割出点云图中的目标对象,最后用PCA算法得到目标的六维位姿。在自制工件数据集上进行验证,结果表明对三种工件识别的平均AP高达97.5%,单张点云图识别用时仅0.73 ms,证明所提出的方法具有高效性和实时性,为诸如机器人定位、机械臂自主抓取场景带来了全新的视角和解决方案,具有显著的工程应用潜力。

结构光3D点云的PIN针针尖提取

在工业生产中对PIN针检测有越来越高的精度要求,针对点云数据存在毛刺现象、孔洞、离群点及大量不同类型的噪点等问题,本文提出采用结构光技术对PIN针的针尖平面在三维空间中进行提取的方法。首先,利用几何特性和直通滤波进行点云粗提取,快速准确地定位目标点云并去除大量非目标点云及离群点;然后,通过KD-tree对目标点云进行索引,使用欧氏距离聚类分割算法对点云数量进行分割,稳定有效地去除目标点云附近的小范围噪点;最后,通过对目标点云法向量与基准面法向量夹角的判断方法有效且精确地去除目标点云内不平整的噪点。实验结果表明,该方法不仅可以准确去除PIN针点云数据的噪点,且能精确地提取针尖坐标,不同方向的PIN针高度测量标准偏差在0.005 mm以内。本文提出的方法普遍适用于平头型PIN针针尖的提取,精度高,速度快,鲁棒性能好。