CN109493405A - 适用于大场景仓储的机器视觉点云图生成方法 - Google Patents
适用于大场景仓储的机器视觉点云图生成方法 Download PDFInfo
- Publication number
- CN109493405A CN109493405A CN201811291722.1A CN201811291722A CN109493405A CN 109493405 A CN109493405 A CN 109493405A CN 201811291722 A CN201811291722 A CN 201811291722A CN 109493405 A CN109493405 A CN 109493405A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- machine vision
- large scene
- cloud chart
- generation method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010408 sweeping Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 230000004438 eyesight Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及物流仓储领域,特别是涉及物流仓储中的人工智能领域,更为具体的说是涉及适用于大场景仓储的机器视觉点云图生成方法。通过构建垂直深度值‑像素的完整映射表,利用线性扫描的高低差数据,将多次线性数据按时间顺序排列形成适用于大场景仓储的大场景机器视觉点云图。采用本发明所公开的技术方案,能够高准确度、高精确度的自动获得大场景物资完整的机器视觉点云图,从而为后续的自动化操作提供基础依据。
Description
技术领域
本发明涉及物流仓储领域,特别是涉及物流仓储中的人工智能领域,更为具体的说是涉及适用于大场景仓储的机器视觉点云图生成方法。
背景技术
“人工智能”是目前多领域的研究重点和热点,将其应用在不同的领域中,它就会呈现处不一样的表现形式。
机器视觉是人工智能正在快速发展的一个分支。简单说来,机器视觉就是用机器代替人眼来做测量和判断。机器视觉***是通过机器视觉产品(即图像摄取装置)将被摄取目标转换成图像信号,传送给专用的图像处理***,得到被摄目标的形态信息,根据像素分布和亮度、颜色等信息,转变成数字化信号;图像***对这些信号进行各种运算来抽取目标的特征,进而根据判别的结果来控制现场的设备动作。
RGB色彩模式是工业界的一种颜色标准,是计算机图像生成的重要组成部分,RGB色彩就是常说的三原色。是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的RGB即是代表红、绿、蓝三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,自然界中肉眼所能看到的任何色彩都可以由这三种色彩混合叠加而成,因此也称为加色模式,是目前运用最广的颜色***之一。电脑屏幕上的任何一个颜色都可以由一组RGB值来记录和表达。
在大场景仓储中实现工业自动化,特别是在电力行业仓储常见物资的装卸过程中实现自动化就必然要依赖于对运输车车板以及其上所装载物资的准确识别。现阶段电力行业尚未有针对变压器、线缆盘等大场景仓储下的点云图生成方法。这一技术空白严重制约了变压器、线缆盘等电力物资仓储自动化的进程。
因此,开发适用于大场景仓储的机器视觉点云图生成方法是大场景仓储,特别是电力行业大型物资自动化仓储的重要任务和课题。
发明内容
本发明所要解决的问题是提供一种稳定性高,精确度高的适用于大场景仓储的机器视觉点云图生成方法。
为了解决上述技术问题,本发明公开了一种适用于大场景仓储的机器视觉点云图生成方法,该方法包括以下步骤:
步骤1:获得扫描范围内的各点垂直深度值,及每个垂直深度值对应的时间戳数据,由一个时间戳数据及其对应的该点垂直深度值构成一次线性扫描数据;
步骤2:构建具有一一对应关系的距离值与像素值映射表;
步骤3:根据一次线性扫描数据中各点垂直深度值计算得到不同位置的垂直方向的高低差距离数据,然后根据距离值与像素值之间的一一对应关系,将一次线性扫描的高低差距离数据对应形成一行像素值;
步骤4:利用时间戳,以及预设在***内的扫描器移动速率和扫面频率,将多次线性扫描数据对应的像素值按时间顺序排列,得到适用于大场景仓储的机器视觉点云图;
其中步骤1和步骤2没有时间先后顺序。
这里所说的没有时间先后顺序是指,可以先完成步骤1然后再完成步骤2,也可以先完成步骤2再完成步骤1,或者几乎同时的完成的步骤1和步骤2。
这里所说的扫描范围是指能够覆盖仓储装卸过程中,装卸车板及待装卸物资的区域范围。
优选的,在步骤1中所述的各点垂直深度值是由扫描器与该点之间的距离,以及扫描器扫描该点时的扫描角度计算得到。
所述的扫描角度是指扫描器偏转垂直方向的角度。
作为一种优选的技术方案,步骤2中,所述像素值是指RGB值,即RGB三原色分量值。
RGB三原色分量值范围从0到255,共256级,0最弱,255最强。
更为优选的是,在步骤2中选用高反差配色的方式。也就是说,在构建映射表的过程中需要综合考虑作业现场情况,对于电力物资装卸过程中的常见物资,或者说装卸过程中的典型高度,如地板、车板、变压器、线缆盘、散热片等距离值,通过使用高反差的RGB值进行区分。
作为优选的技术方案,在步骤2中,首先选取几个距离值,并为这些距离值赋予对应的像素值,然后利用线性补全的方式,将不同距离值对应形成不同的像素值。
更为优选的是,在步骤2中,首先选取几个距离值,从而使整个映射表由低到高划分为10个阶段,然后分别对这些距离值赋予不同的像素值。
本发明基于人工智能机器视觉图像生成技术能够以扫描***获取的准确数据为基础,通过设置合理的垂直深度值——像素的映射表及相关方法的设定,获得准确的图像数据,进而实现大场景机器视觉点云图的生成,为后续操作奠定基础,进一步促进电力物资仓储自动化进程。同时,由于在点云图的生成过程中,其色彩配置是由使用者自行完成,因此可以满足不同的审美需求,并利用线性补足的方式,为点云图附加丰富的色彩从而能够识别并标识出多层次的复杂物体。
总之,采用本发明所公开的技术方案,能够高准确度、高精确度的自动生成大场景物资一张完整的大场景机器视觉点云图,从而为后续自动化操作提供指导和依据。
具体实施方式
为了更好的理解本发明,下面我们结合具体的实施例对本发明进行进一步的阐述。
在本实施例中对大场景机器视觉点云图技术如何实现精准生成大场景物资完整的大场景机器视觉点云图的目的,进行具体的阐述和说明。
首先,获得扫描范围内的各点垂直深度值,及每个垂直深度值对应的时间戳数据,由一个时间戳数据及其对应的该点垂直深度值构成一次线性扫描数据;
具体的,在本实施例中,各点垂直深度值是由扫描器与该点之间的距离,以及扫描器扫描该点时的扫描角度计算得到。特别的,在本实施例中所述的扫描角度是指扫描器偏转垂直方向的角度。
譬如,我们在某一个时间戳ti下获得的扫描器与该点之间的距离为ai,此时扫描器偏转垂直方向的角度为αi,那么该点的垂直深度值为bi=ai×cosαi。
从而形成的一次线性扫描数据为(ti,bi)。
由于扫描器沿着设定的路线不断运行,并且在运行中不断进行扫描,因此,会形成多次线性扫描数据,分别为(t1,b1);(t2,b2);(t3,b3);(t4,b4);(t5,b5)……。
另一方面,使用者同时构建具有一一对应关系的距离值与像素值映射表;在本实施例中我们优选构建RGB值映射表,即RGB三原色分量值映射表。RGB三原色分量值范围从0到255,共256级,0最弱,255最强。为了更好的区分不同的高度,我们在本实施例中优选采用高反差配色的方式。也就是说,在构建映射表的过程中需要综合考虑作业现场情况,对于电力物资装卸过程中的常见物资,或者说装卸过程中的典型高度,如地板、车板、变压器、线缆盘、散热片等距离值,通过使用高反差的RGB值进行区分。
具体来说,我们首先选取几个距离值,从而使整个映射表由低到高划分为10个阶段,并为这些距离值赋予对应的像素值,然后利用线性补全的方式,将不同距离值对应形成不同的像素值。
譬如,我们将高度差1000cm设定为RGB(20,100,100),并同时将高度差2080cm设定为(80,80,255),那么对于1500cm这个距离来说,它的RGB(r,g,b)则可以通过线性补足的方式,(r-20)/(80-20)=(1500-1000)/(2080-1000);(g-100)/(80-100)=(1500-1000)/(2080-1000);(b-100)/(255-100)=(1500-1000)/(2080-1000)获得。
然后我们根据一次线性扫描数据中各点垂直深度值计算得到不同位置的垂直方向的高低差距离数据,然后根据距离值与像素值之间的一一对应关系,将一次线性扫描的高低差距离数据对应形成一行像素值;
由于扫描器的运转是按照***预设的移动速率和扫面频率来运转的,因此,我们可以根据移动速率V和扫面频率f,得到多次线性扫描数据所对应的实际位点,通过移动速率V和扫面频率f,结合时间戳信息,以及预设在***内的扫描器移动速率和扫面频率,将多次线性扫描数据对应的像素值按时间顺序排列,得到适用于大场景仓储的机器视觉点云图。
以上所述是本发明的具体实施方式。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种适用于大场景仓储的机器视觉点云图生成方法,其特征在于,该方法包括以下步骤:
步骤1:获得扫描范围内的各点垂直深度值,及每个垂直深度值对应的时间戳数据,由一个时间戳数据及其对应的该点垂直深度值构成一次线性扫描数据;
步骤2:构建具有一一对应关系的距离值与像素值映射表;
步骤3:根据一次线性扫描数据中各点垂直深度值计算得到不同位置的垂直方向的高低差距离数据,然后根据距离值与像素值之间的一一对应关系,将一次线性扫描的高低差距离数据对应形成一行像素值;
步骤4:利用时间戳,以及预设在***内的扫描器移动速率和扫面频率,将多次线性扫描数据对应的像素值按时间顺序排列,得到适用于大场景仓储的机器视觉点云图;
其中步骤1和步骤2没有时间先后顺序。
2.根据权利要求1所述的适用于大场景仓储的机器视觉点云图生成方法,其特征在于:在步骤1中所述的各点垂直深度值是由扫描器与该点之间的距离,以及扫描器扫描该点时的扫描角度计算得到。
3.根据权利要求2所述的适用于大场景仓储的机器视觉点云图生成方法,其特征在于:所述的扫描角度是指扫描器偏转垂直方向的角度。
4.根据权利要求1所述的适用于大场景仓储的机器视觉点云图生成方法,其特征在于:步骤2中,所述的像素值是指RGB值。
5.根据权利要求1或4所述的适用于大场景仓储的机器视觉点云图生成方法,其特征在于:在步骤2中选用高反差配色的方式。
6.根据权利要求1所述的适用于大场景仓储的机器视觉点云图生成方法,其特征在于:在步骤2中,首先选取几个距离值,并为这些距离值赋予对应的像素值,然后利用线性补全的方式,将不同距离值对应形成不同的像素值。
7.根据权利要求6所述的适用于大场景仓储的机器视觉点云图生成方法,其特征在于:在步骤2中,首先选取几个距离值,从而使整个映射表由低到高划分为10个阶段,然后分别对这些距离值赋予不同的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291722.1A CN109493405B (zh) | 2018-10-31 | 2018-10-31 | 适用于大场景仓储的机器视觉点云图生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291722.1A CN109493405B (zh) | 2018-10-31 | 2018-10-31 | 适用于大场景仓储的机器视觉点云图生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493405A true CN109493405A (zh) | 2019-03-19 |
CN109493405B CN109493405B (zh) | 2022-12-16 |
Family
ID=65692099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811291722.1A Active CN109493405B (zh) | 2018-10-31 | 2018-10-31 | 适用于大场景仓储的机器视觉点云图生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493405B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021587A (zh) * | 2014-05-22 | 2014-09-03 | 湖南大学 | 基于计算全息技术的大场景真三维显示快速生成方法 |
CN104574366A (zh) * | 2014-12-18 | 2015-04-29 | 华南理工大学 | 一种基于单目深度图的视觉显著性区域的提取方法 |
CN106651925A (zh) * | 2016-11-28 | 2017-05-10 | 深圳奥比中光科技有限公司 | 一种彩色深度图像的获取方法、获取设备 |
CN107564059A (zh) * | 2017-07-11 | 2018-01-09 | 北京联合大学 | 基于rgb‑d信息的物体定位方法、装置以及机器视觉*** |
-
2018
- 2018-10-31 CN CN201811291722.1A patent/CN109493405B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021587A (zh) * | 2014-05-22 | 2014-09-03 | 湖南大学 | 基于计算全息技术的大场景真三维显示快速生成方法 |
CN104574366A (zh) * | 2014-12-18 | 2015-04-29 | 华南理工大学 | 一种基于单目深度图的视觉显著性区域的提取方法 |
CN106651925A (zh) * | 2016-11-28 | 2017-05-10 | 深圳奥比中光科技有限公司 | 一种彩色深度图像的获取方法、获取设备 |
CN107564059A (zh) * | 2017-07-11 | 2018-01-09 | 北京联合大学 | 基于rgb‑d信息的物体定位方法、装置以及机器视觉*** |
Also Published As
Publication number | Publication date |
---|---|
CN109493405B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4233625A (en) | Television monitoring system for automatically aligning semiconductor devices during manufacture | |
CN103069430B (zh) | 二维码读取器及程序 | |
CN106574832B (zh) | 重叠测量方法、装置、以及显示装置 | |
CN103080950B (zh) | 二维码读取器及程序 | |
CN101645091A (zh) | 图像数据压缩方法、图像处理中的图案模型定位方法,图像处理设备,图像处理程序和计算机可读记录介质 | |
DE3015006A1 (de) | Verfahren und anordnung zum registrieren der topographie fuer die charge in einem hochofen | |
CN102013104A (zh) | 用于确定图像中的失准的方法和设备 | |
US2849707A (en) | Position correcting means for trackwhile-scan channels | |
CN104760812B (zh) | 基于单目视觉的传送带上产品实时定位***和方法 | |
WO2020179065A1 (ja) | 画像処理装置、画像処理方法及び記録媒体 | |
CN104959724B (zh) | 电子束快速成型设备特征点数据采集装置及方法 | |
US7706024B2 (en) | Image processing apparatus | |
CN110418124A (zh) | 投影图像检测方法、装置、设备及计算机可读存储介质 | |
CN105279514A (zh) | 机器人*** | |
CN109493405A (zh) | 适用于大场景仓储的机器视觉点云图生成方法 | |
CN107924801B (zh) | 带电粒子束装置以及样品平台的对准调整方法 | |
CN105513478A (zh) | 一种3d实时重构装置 | |
US4025946A (en) | Method and apparatus for generating graphic designs | |
JPH01134573A (ja) | 画像処理方法 | |
CN103531498A (zh) | 晶圆缺陷分析*** | |
US4358732A (en) | Synchronized voltage contrast display analysis system | |
KR20150058417A (ko) | 2차원 화상 데이터 처리 장치, 2차원 색채 휘도계, 2차원 화상 데이터 처리 방법 및 2차원 화상 데이터 처리 프로그램 | |
CN108230385A (zh) | 单相机运动检测超高叠层、超薄烟标数量方法及装置 | |
CN1346209A (zh) | 数字动态会聚控制方法及其*** | |
Fu et al. | Costmap construction and pseudo-lidar conversion method of mobile robot based on monocular camera |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221107 Address after: 210009 B108, Science and Technology Innovation Building,Nanjing Tech University, No. 5 New Model Road, Gulou District, Nanjing City, Jiangsu Province Applicant after: Jiangsu Herui Intelligent Technology Co.,Ltd. Address before: 21 / F, Unicom building, 32 Central Road, Xuanwu District, Nanjing, Jiangsu 210008 Applicant before: NANJING HERUI SUPPLY CHAIN MANAGEMENT CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |