CN114004899A - 一种栈板位姿识别方法、存储介质及设备 - Google Patents
一种栈板位姿识别方法、存储介质及设备 Download PDFInfo
- Publication number
- CN114004899A CN114004899A CN202111339700.XA CN202111339700A CN114004899A CN 114004899 A CN114004899 A CN 114004899A CN 202111339700 A CN202111339700 A CN 202111339700A CN 114004899 A CN114004899 A CN 114004899A
- Authority
- CN
- China
- Prior art keywords
- pallet
- point cloud
- point
- template
- center
- 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 35
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012935 Averaging Methods 0.000 claims abstract description 11
- 239000003086 colorant Substances 0.000 claims description 12
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 9
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明的栈板位姿识别方法、存储介质及设备，该方法将点云向单位法向量平面投影生成点云投影图像，根据投影图像上点云的像素坐标，将点云索引值保存成对应像素坐标的像素值生成点云索引图像，将投影图像与制作的栈板模板进行模板匹配，结合点云索引图像得到栈板前端面上栈板左边点、栈板中心点、栈板右边点的三维坐标，并且采用邻域平均思想得到准确的三维坐标，从而计算得到栈板的位姿。本发明生成点云投影图像，对于栈板在实际使用中的角度倾斜与远近这一工况时的位姿识别依然保存稳定性；本发明生成的点云索引图像可以直接得到栈板左边点、栈板中心点、栈板右边点的三维坐标，能够快速计算出栈板的位姿，栈板位姿识别的准确性高。
Description
技术领域
本发明属于计算机三维视觉领域，具体涉及一种栈板位姿识别方法、存储介质及设备。
背景技术
随着当今社会的智能化发展，工业界对无人工厂以及智能仓储技术的需求越来高，而对于放置货物的栈板的位姿检测是该技术的核心之一。现有的栈板位姿识别技术可分为两类：一类是基于人工特征的，即人工在栈板上贴一些基准点标签或者二维码标签，然后通过视觉的方法来识别基准点或者二维码来对栈板定位，该类方法的缺点是人工工作量大的问题，操作麻烦的。
发明内容
本发明的目的在于克服现有栈板位姿识别方法存在的不足，提供一种方便用户使用的栈板位姿识别方法、存储介质及设备。
为了达到上述目的，本发明采用以下技术方案：
一种栈板位姿识别方法，包括以下步骤：
a.采用点云采集设备获取点云集合p1。
b.对于p1，根据实际工况提取可能存在栈板范围的点云集合p2。
c.对p2做欧式聚类，得到一个或者多个聚类结果。
d.根据栈板的宽度设置最大阈值与最小阈值，对步骤c中的聚类结果3进行筛选，遍历所有的聚类结果，留下宽度值在最大阈值与最小阈值之间的聚类结果，当找到一个满足该条件的聚类结果则进行步骤e，如果全部遍历后该聚类结果为0个，则返回至步骤a。
e.通过PCL点云库求出该聚类结果的单位法向量，得到单位法向量平面。
f.将步骤d中得到的聚类结果包含栈板的点云集合向步骤e得到的单位法向量平面投影生成点云投影图像，该点云投影图像用于与栈板模板进行匹配，同时将步骤d中的聚类结果生成一幅与投影图像尺寸相同，像素值为该点云索引的点云索引图像。
g.根据实际工况制作栈板模板，栈板模板的图像尺寸为(template_cols,template_rows)，栈板中心点在栈板模板图像中的像素坐标为(template_cols/2,template_rows/2)，栈板左边点在栈板模板图像中的像素坐标为(template_cols*threshold_left,template_rows/2)，栈板右边点在栈板模板图像中的像素坐标为(template_cols*threshold_right,template_rows/2),并将threshold_left的值设置为A，将threshold_right的值为B，其中B＝1-A，0＜A小于1；将步骤f的点云投影图像与制作好的栈板模板进行模板匹配，得到栈板中心点以及栈板左右点在点云投影图像中的像素坐标。
h.对于步骤g得到的栈板中心点以及栈板左右点在点云投影图像中的像素坐标，分别记录以该栈板中心点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标，记录以该栈板左边点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标，记录以该栈板右边点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标。
i.对于步骤h得到的以栈板中心点像素坐标为中心的9个像素坐标，结合步骤f生成的点云索引图像直接得到9个点的点云索引值，从而得到该9个点的三维坐标系，对该9个点的三维坐标求平均值作为栈板中心点的三维坐标(x_center，y_center，z_center)，同理得到栈板左边点的三维坐标系(x_left，y_left，z_left)以及栈板右边点的三维坐标(x_right，y_right，z_right)。
j.对于步骤j得到的栈板中心点以及栈板左右点的三维坐标，根据pitch＝-arctan((z_right-z_left)/(x_right-x_left))计算出栈板的pitch角，最终得到栈板坐标系在点云采集设备坐标系下的位置t(x_center，y_center，z_center)和姿态r(0，pitch，0)。
k.根据已知的点云采集设备坐标系相对叉车坐标系的位姿，结合步骤j的结果，从而得到栈板坐标系相对于叉车坐标系的位姿。
与现有技术相比，本发明的栈板位姿识别方法,将点云向单位法向量平面投影生成点云投影图像，根据投影图像上点云的像素坐标，将点云索引值保存成对应像素坐标的像素值生成点云索引图像，将投影图像与制作的栈板模板进行模板匹配，结合点云索引图像得到栈板前端面上栈板左边点、栈板中心点、栈板右边点的三维坐标，并且采用邻域平均思想得到准确的三维坐标，从而计算得到栈板的位姿。本发明生成点云投影图像，对于栈板在实际使用中的角度倾斜与远近这一工况时的位姿识别依然保存稳定性；本发明生成的点云索引图像可以直接得到栈板左边点、栈板中心点、栈板右边点的三维坐标，能够快速计算出栈板的位姿，栈板位姿识别的准确性高。
进一步的，步骤e中计算单位法向量平面的方法如下:步骤e1：使用PCL点云库得到步骤d结果的点云法向量；步骤e2：对步骤e1的点云法向量做聚类分析，并对数量最多的聚类结果求平均值以及归一化得到单位法向量(A，B，C)；步骤e3：对于步骤e2得到的单位法向量，得到单位法向量平面为Ax+By+Cz＝0；通过这样设置，计算单位法向量平面的方式简单，准确性高。
进一步的，所述步骤k中计算栈板坐标系相对与叉车坐标系的位姿的方法如下:已知点云采集设备坐标系相对于叉车坐标系的位姿为(T,R)，结合步骤j结果中的(t,r)，栈板坐标系相对于叉车坐标系的位姿中位置T’＝T+R*t，姿态R’＝r*R；通过这样设置，较好地获取栈板相对于叉车的位姿中位置，便于叉车叉取栈板。
存储介质，存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现所述栈板位姿识别方法的步骤。
一种栈板位姿识别设备，包括：点云采集设备、叉车、所述存储介质。
附图说明
图1为栈板位姿识别方法的流程图
具体实施方式
以下结合附图说明本发明的技术方案
实施例一：
参见图1，本发明的一种栈板位姿识别方法，包括以下步骤：
a.采用点云采集设备采集点云数据，对采集后的点云数据做统计学滤波，得到去除噪声后得到点云集合p1。
b.对于p1，根据实际工况提取可能存在栈板范围的点云集合p2。
c.对p2做欧式聚类，得到一个或者多个聚类结果。
d.根据栈板的宽度设置最大阈值与最小阈值，对步骤c中的聚类结果3进行筛选，遍历所有的聚类结果，留下宽度值在最大阈值与最小阈值之间的聚类结果，当找到一个满足该条件的聚类结果则进行步骤e，如果全部遍历后该聚类结果为0个，则返回至步骤a，重新采集采集点云数据。
e.通过PCL点云库中选取求出该聚类结果的单位法向量，得到单位法向量平面。
f.将步骤d中得到的聚类结果包含栈板的点云集合向步骤e得到的单位法向量平面投影生成点云投影图像，该点云投影图像为二值图像，该点云投影图像用于与栈板模板进行匹配，同时将步骤d中的聚类结果生成一幅与投影图像尺寸相同，像素值为与点云投影图像相同的点云索引的点云索引图像。
g.根据实际工况制作栈板模板，栈板模板的图像尺寸为(template_cols,template_rows)，栈板中心点在栈板模板图像中的像素坐标为(template_cols/2,template_rows/2)，栈板左边点在栈板模板图像中的像素坐标为(template_cols*threshold_left,template_rows/2)，栈板右边点在栈板模板图像中的像素坐标为(template_cols*threshold_right,template_rows/2),并将threshold_left的值设置为A，将threshold_right的值为B，其中B＝1-A，0＜A小于1，例如将threshold_left的值设置为0.1，则threshold_right的值为1-0.1＝0.9；将步骤f的点云投影图像与制作好的栈板模板进行模板匹配，得到栈板中心点以及栈板左右点在点云投影图像中的像素坐标。
h.对于步骤g得到的栈板中心点以及栈板左右点在点云投影图像中的像素坐标，分别记录以该栈板中心点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标，记录以该栈板左边点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标，记录以该栈板右边点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标。
i.对于步骤h得到的以栈板中心点像素坐标为中心的9个像素坐标，结合步骤f生成的点云索引图像直接得到9个点的点云索引值，从而得到该9个点的三维坐标系，对该9个点的三维坐标求平均值作为栈板中心点的三维坐标(x_center，y_center，z_center)，同理得到栈板左边点的三维坐标系(x_left，y_left，z_left)以及栈板右边点的三维坐标(x_right，y_right，z_right)。
j.对于步骤j得到的栈板中心点以及栈板左右点的三维坐标，根据pitch＝-arctan((z_right-z_left)/(x_right-x_left))计算出栈板的pitch角，最终得到栈板坐标系在点云采集设备坐标系下的位置t(x_center，y_center，z_center)和姿态r(0，pitch，0)。
k.根据已知的点云采集设备坐标系相对叉车坐标系的位姿，结合步骤j的结果，从而得到栈板坐标系相对于叉车坐标系的位姿。
与现有技术相比，本发明的栈板位姿识别方法,将点云向单位法向量平面投影生成点云投影图像，根据投影图像上点云的像素坐标，将点云索引值保存成对应像素坐标的像素值生成点云索引图像，将投影图像与制作的栈板模板进行模板匹配，结合点云索引图像得到栈板前端面上栈板左边点、栈板中心点、栈板右边点的三维坐标，并且采用邻域平均思想得到准确的三维坐标，从而计算得到栈板的位姿。本发明生成点云投影图像，对于栈板在实际使用中的角度倾斜与远近这一工况时的位姿识别依然保存稳定性；本发明生成的点云索引图像可以直接得到栈板左边点、栈板中心点、栈板右边点的三维坐标，能够快速计算出栈板的位姿，栈板位姿识别的准确性高。
在一种实施例中，步骤e中计算单位法向量平面的方法如下:步骤e1：使用PCL点云库得到步骤d结果的点云法向量；步骤e2：对步骤e1的点云法向量做聚类分析，并对数量最多的聚类结果求平均值以及归一化得到单位法向量(A，B，C)；步骤e3：对于步骤e2得到的单位法向量，得到单位法向量平面为Ax+By+Cz＝0；通过这样设置，计算单位法向量平面的方式简单，准确性高。
在一种实施例中，所述步骤k中计算栈板坐标系相对与叉车坐标系的位姿的方法如下:已知点云采集设备坐标系相对于叉车坐标系的位姿为(T,R)，结合步骤j结果中的(t,r)，栈板坐标系相对于叉车坐标系的位姿中位置T’＝T+R*t，姿态R’＝r*R；通过这样设置，较好地获取栈板相对于叉车的位姿中位置，便于叉车叉取栈板。
实施例二：
本实施例的主要目的在于提供应用实施例一的栈板位姿识别方法的存储介质，存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现所述栈板位姿识别方法的步骤。
与现有技术相比，本发明的存储介质,将点云向单位法向量平面投影生成点云投影图像，根据投影图像上点云的像素坐标，将点云索引值保存成对应像素坐标的像素值生成点云索引图像，将投影图像与制作的栈板模板进行模板匹配，结合点云索引图像得到栈板前端面上栈板左边点、栈板中心点、栈板右边点的三维坐标，并且采用邻域平均思想得到准确的三维坐标，从而计算得到栈板的位姿。本发明生成点云投影图像，对于栈板在实际使用中的角度倾斜与远近这一工况时的位姿识别依然保存稳定性；本发明生成的点云索引图像可以直接得到栈板左边点、栈板中心点、栈板右边点的三维坐标，能够快速计算出栈板的位姿，栈板位姿识别的准确性高。
实施例三：
本实施例的主要目的在于提供应用实施例二的存储介质的栈板位姿识别设备，包括：点云采集设备、叉车、所述存储介质。
与现有技术相比，本发明的栈板位姿识别设备,将点云向单位法向量平面投影生成点云投影图像，根据投影图像上点云的像素坐标，将点云索引值保存成对应像素坐标的像素值生成点云索引图像，将投影图像与制作的栈板模板进行模板匹配，结合点云索引图像得到栈板前端面上栈板左边点、栈板中心点、栈板右边点的三维坐标，并且采用邻域平均思想得到准确的三维坐标，从而计算得到栈板的位姿。本发明生成点云投影图像，对于栈板在实际使用中的角度倾斜与远近这一工况时的位姿识别依然保存稳定性；本发明生成的点云索引图像可以直接得到栈板左边点、栈板中心点、栈板右边点的三维坐标，能够快速计算出栈板的位姿，栈板位姿识别的准确性高。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。
Claims (5)
1.一种栈板位姿识别方法，其特征在于，包括以下步骤：
a.采用点云采集设备获取点云集合p1；
b.对于p1，根据实际工况提取可能存在栈板范围的点云集合p2；
c.对p2做欧式聚类，得到一个或者多个聚类结果；
d.根据栈板的宽度设置最大阈值与最小阈值，对步骤c中的聚类结果3进行筛选，遍历所有的聚类结果，留下宽度值在最大阈值与最小阈值之间的聚类结果，当找到一个满足该条件的聚类结果则进行步骤e，如果全部遍历后该聚类结果为0个，则返回至步骤a；
e.通过PCL点云库求出该聚类结果的单位法向量，得到单位法向量平面；
f.将步骤d中得到的聚类结果包含栈板的点云集合向步骤e得到的单位法向量平面投影生成点云投影图像，该点云投影图像用于与栈板模板进行匹配，同时将步骤d中的聚类结果生成一幅与投影图像尺寸相同，像素值为点云索引值的点云索引图像；
g.根据实际工况制作栈板模板，栈板模板的图像尺寸为(template_cols,template_rows)，栈板中心点在栈板模板图像中的像素坐标为(template_cols/2,template_rows/2)，栈板左边点在栈板模板图像中的像素坐标为(template_cols*threshold_left,template_rows/2)，栈板右边点在栈板模板图像中的像素坐标为(template_cols*threshold_right,template_rows/2),并将threshold_left的值设置为A，将threshold_right的值为B，其中B＝1-A，0＜A小于1；将步骤f的点云投影图像与制作好的栈板模板进行模板匹配，得到栈板中心点以及栈板左右点在点云投影图像中的像素坐标；
h.对于步骤g得到的栈板中心点以及栈板左右点在点云投影图像中的像素坐标，分别记录以该栈板中心点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标，记录以该栈板左边点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标，记录以该栈板右边点像素坐标为中心的3X3区域的像素坐标，得到9个像素坐标；
i.对于步骤h得到的以栈板中心点像素坐标为中心的9个像素坐标，结合步骤f生成的点云索引图像直接得到9个点的点云索引值，从而得到该9个点的三维坐标系，对该9个点的三维坐标求平均值作为栈板中心点的三维坐标(x_center，y_center，z_center)，同理得到栈板左边点的三维坐标系(x_left，y_left，z_left)以及栈板右边点的三维坐标(x_right，y_right，z_right)；
j.对于步骤j得到的栈板中心点以及栈板左右点的三维坐标，根据pitch＝-arctan((z_right-z_left)/(x_right-x_left))计算出栈板的pitch角，最终得到栈板坐标系在点云采集设备坐标系下的位置t(x_center，y_center，z_center)和姿态r(0，pitch，0)；
k.根据已知的点云采集设备坐标系相对叉车坐标系的位姿，结合步骤j的结果，从而得到栈板坐标系相对于叉车坐标系的位姿。
2.根据权利要求1所述的栈板位姿识别方法，其特征在于，步骤e中计算单位法向量平面的方法如下:
步骤e1：使用PCL点云库得到步骤d结果的点云法向量；
步骤e2：对步骤e1的点云法向量做聚类分析，并对数量最多的聚类结果求平均值以及归一化得到单位法向量(A，B，C)；
步骤e3：对于步骤e2得到的单位法向量，得到单位法向量平面为Ax+By+Cz＝0。
3.根据权利要求1所述的栈板位姿识别方法，其特征在于，所述步骤k中计算栈板坐标系相对与叉车坐标系的位姿的方法如下:已知点云采集设备坐标系相对于叉车坐标系的位姿为(T,R)，结合步骤j结果中的(t,r)，栈板坐标系相对于叉车坐标系的位姿中位置T’＝T+R*t，姿态R’＝r*R。
4.存储介质，其特征在于，存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求1-3中任一项所述的栈板位姿识别方法的步骤。
5.一种栈板位姿识别设备，其特征在于，包括：点云采集设备、叉车、权利要求4所述的存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111339700.XA CN114004899B (zh) | 2021-11-12 | 2021-11-12 | 一种栈板位姿识别方法、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111339700.XA CN114004899B (zh) | 2021-11-12 | 2021-11-12 | 一种栈板位姿识别方法、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114004899A true CN114004899A (zh) | 2022-02-01 |
| CN114004899B CN114004899B (zh) | 2024-05-14 |
Family
ID=79929039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111339700.XA Active CN114004899B (zh) | 2021-11-12 | 2021-11-12 | 一种栈板位姿识别方法、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004899B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758163A (zh) * | 2022-06-15 | 2022-07-15 | 福勤智能科技（昆山）有限公司 | 一种叉车移动控制方法、装置、电子设备及存储介质 |
| CN116342695A (zh) * | 2023-05-29 | 2023-06-27 | 未来机器人（深圳）有限公司 | 无人叉车放货检测方法及装置、无人叉车、存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610176A (zh) * | 2017-09-15 | 2018-01-19 | 斯坦德机器人（深圳）有限公司 | 一种基于Kinect的栈板动态识别与定位方法、***及介质 |
| CN109087345A (zh) * | 2018-09-06 | 2018-12-25 | 上海仙知机器人科技有限公司 | 基于ToF成像***的栈板识别方法及自动导引运输车 |
| CN110889828A (zh) * | 2019-11-07 | 2020-03-17 | 浙江大华技术股份有限公司 | 预定场景中的栈板识别方法、终端设备、计算机存储介质 |
| CN111598946A (zh) * | 2020-03-16 | 2020-08-28 | 华南理工大学 | 一种物***姿测量方法、装置及存储介质 |
| US11099275B1 (en) * | 2020-04-29 | 2021-08-24 | Tsinghua University | LiDAR point cloud reflection intensity complementation method and system |
| WO2021181647A1 (ja) * | 2020-03-13 | 2021-09-16 | 日本電気株式会社 | 画像処理装置、画像処理方法、およびコンピュータ可読媒体 |
-
2021
- 2021-11-12 CN CN202111339700.XA patent/CN114004899B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610176A (zh) * | 2017-09-15 | 2018-01-19 | 斯坦德机器人（深圳）有限公司 | 一种基于Kinect的栈板动态识别与定位方法、***及介质 |
| CN109087345A (zh) * | 2018-09-06 | 2018-12-25 | 上海仙知机器人科技有限公司 | 基于ToF成像***的栈板识别方法及自动导引运输车 |
| CN110889828A (zh) * | 2019-11-07 | 2020-03-17 | 浙江大华技术股份有限公司 | 预定场景中的栈板识别方法、终端设备、计算机存储介质 |
| WO2021181647A1 (ja) * | 2020-03-13 | 2021-09-16 | 日本電気株式会社 | 画像処理装置、画像処理方法、およびコンピュータ可読媒体 |
| CN111598946A (zh) * | 2020-03-16 | 2020-08-28 | 华南理工大学 | 一种物***姿测量方法、装置及存储介质 |
| US11099275B1 (en) * | 2020-04-29 | 2021-08-24 | Tsinghua University | LiDAR point cloud reflection intensity complementation method and system |
Non-Patent Citations (2)
| Title |
|---|
| 赵刚;郭晓康;刘德政;王中任;: "随机工件的点云场景CAD模型的快速识别与定位", 激光与红外, no. 12, 20 December 2019 (2019-12-20) * |
| 黄兴;应群伟;: "应用激光雷达与相机信息融合的障碍物识别", 计算机测量与控制, no. 01, 25 January 2020 (2020-01-25) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758163A (zh) * | 2022-06-15 | 2022-07-15 | 福勤智能科技（昆山）有限公司 | 一种叉车移动控制方法、装置、电子设备及存储介质 |
| CN114758163B (zh) * | 2022-06-15 | 2022-09-16 | 福勤智能科技（昆山）有限公司 | 一种叉车移动控制方法、装置、电子设备及存储介质 |
| CN116342695A (zh) * | 2023-05-29 | 2023-06-27 | 未来机器人（深圳）有限公司 | 无人叉车放货检测方法及装置、无人叉车、存储介质 |
| CN116342695B (zh) * | 2023-05-29 | 2023-08-25 | 未来机器人（深圳）有限公司 | 无人叉车放货检测方法及装置、无人叉车、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114004899B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107610176B (zh) | 一种基于Kinect的栈板动态识别与定位方法、***及介质 | |
| JP5618569B2 (ja) | 位置姿勢推定装置及びその方法 | |
| US9767604B2 (en) | Image analysis method by analyzing point cloud using hierarchical search tree | |
| JP4865557B2 (ja) | 有界三次元対象物の分類と空間ローカライゼーションのためのコンピュータ視覚システム | |
| US9984291B2 (en) | Information processing apparatus, information processing method, and storage medium for measuring a position and an orientation of an object by using a model indicating a shape of the object | |
| JP5627325B2 (ja) | 位置姿勢計測装置、位置姿勢計測方法、およびプログラム | |
| CN114004899B (zh) | 一种栈板位姿识别方法、存储介质及设备 | |
| JP2016161569A (ja) | オブジェクトの３ｄ姿勢およびオブジェクトのランドマーク点の３ｄロケーションを求める方法、およびオブジェクトの３ｄ姿勢およびオブジェクトのランドマークの３ｄロケーションを求めるシステム | |
| EP2201495A1 (en) | Computer vision cad models | |
| CN108381549A (zh) | 一种双目视觉引导机器人快速抓取方法、装置及存储介质 | |
| US11506755B2 (en) | Recording medium recording information processing program, information processing apparatus, and information processing method | |
| CN112509126B (zh) | 三维物体检测的方法、装置、设备及存储介质 | |
| CN108447124A (zh) | 一种基于点云的古建筑轮廓提取方法及*** | |
| CN112697044A (zh) | 一种基于无人机平台的静态刚性物体视觉测量方法 | |
| CN112528781A (zh) | 一种障碍物检测方法、装置、设备和计算机可读存储介质 | |
| CN117671637A (zh) | 物体点云重叠识别方法、装置、设备、机器人和存储介质 | |
| WO2021231265A1 (en) | Methods and apparatus for generating point cloud histograms | |
| Siritanawan et al. | 3d feature points detection on sparse and non-uniform pointcloud for slam | |
| US20230100238A1 (en) | Methods and systems for determining the 3d-locations, the local reference frames and the grasping patterns of grasping points of an object | |
| CN112070844A (zh) | 结构光***的校准方法及装置、校准工具图、设备及介质 | |
| Cociaş et al. | Multiple-superquadrics based object surface estimation for grasping in service robotics | |
| CN115272465A (zh) | 物体定位方法、装置、自主移动设备和存储介质 | |
| CN112435291A (zh) | 一种多目标体积测量方法、装置及存储介质 | |
| Kovacs et al. | Edge detection in discretized range images | |
| WO2017042852A1 (en) | Object recognition appratus, object recognition method and storage medium |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |