CN116071231B - 眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质 - Google Patents
眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116071231B CN116071231B CN202211637510.0A CN202211637510A CN116071231B CN 116071231 B CN116071231 B CN 116071231B CN 202211637510 A CN202211637510 A CN 202211637510A CN 116071231 B CN116071231 B CN 116071231B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- ink
- target
- robot
- 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.)
- Active
Links
- 239000011521 glass Substances 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000006243 chemical reaction Methods 0.000 claims abstract description 45
- 238000001914 filtration Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manipulator (AREA)
Abstract
本发明实施例公开了一种眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质，其中方法包括：对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；对第一面点云提取第一面需点油墨点云，并对第二面点云提取第二面需点油墨点云；根据目标眼镜框对应的坐标转换标定数据、第一面需点油墨点云、第二面需点油墨点云、第一面机器人位置和第二面机器人位置进行目标产品点云拼接；采用目标眼镜框对应的样条盒子模板，对目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。避免了人工校正，提高了点油墨工艺轨迹的生成效率提高了点油墨工艺轨迹的准确性。
Description
技术领域
本发明涉及自动化加工技术领域，尤其涉及一种眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质。
背景技术
眼镜框的点油墨要求油墨均匀、无波纹状、无多墨少墨、指定区域全覆盖，因此对点油墨工艺轨迹的准确性的要求比较高。而眼镜框存在形变，需要根据标准的点油墨工艺轨迹针对每个眼镜框进行人工校正，人工校正的效率低且准确度不高，导致用于生产的点油墨工艺轨迹的准确性不高，增加了产品的不良率。
发明内容
基于此，有必要针对目前因眼镜框存在形变，需要根据标准的点油墨工艺轨迹针对每个眼镜框进行人工校正，人工校正的效率低且准确度不高，导致用于生产的点油墨工艺轨迹的准确性不高的技术问题，提出了一种眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质。
本申请提出了一种眼镜框的点油墨工艺轨迹的生成方法，所述方法包括：
对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云；
根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。
进一步地，所述对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置的步骤，包括：
调用位于预设位置的扫描设备，对所述机器人携带的所述目标眼镜框进行第一面扫描，得到所述第一面点云，并且在第一面扫描的过程中记录机器人位置，作为所述第一面机器人位置；
调用位于所述预设位置的所述扫描设备，对所述机器人携带的所述目标眼镜框进行第二面扫描，得到所述第二面点云，并且在第二面扫描的过程中记录机器人位置，作为所述第二面机器人位置。
进一步地，所述对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云的步骤，包括：
对所述第一面点云进行第一不需点油墨点云提取，并从所述第一面点云中滤除与所述第一不需点油墨点云对应的数据，得到第一待处理需点油墨点云，对所述第一待处理需点油墨点云进行杂散点的滤波，得到所述第一面需点油墨点云；
对所述第二面点云进行第二不需点油墨点云提取，并从所述第二面点云中滤除与所述第二不需点油墨点云对应的数据，得到第二待处理需点油墨点云，对所述第二待处理需点油墨点云进行杂散点的滤波，得到所述第二面需点油墨点云。
进一步地，所述对所述第一面点云进行第一不需点油墨点云提取的步骤，包括：
将所述第一面点云拉到相机坐标系下的零平面，得到第一待筛选点云，基于所述目标眼镜框对应的第一面不需点油墨配置，从所述第一待筛选点云中提取不需点油墨点云，作为所述第一不需点油墨点云；
所述对所述第一待处理需点油墨点云进行杂散点的滤波，得到所述第一面需点油墨点云的步骤，包括：
对所述第一待处理需点油墨点云进行杂散点的滤波，得到第一待恢复点云，并将所述第一待恢复点云拉回到所述第一面点云对应的相机坐标系位置，得到所述第一面需点油墨点云；
所述对所述第二面点云进行第二不需点油墨点云提取的步骤，包括：
将所述第二面点云拉到相机坐标系下的零平面，得到第二待筛选点云，基于所述目标眼镜框对应的第二面不需点油墨配置，从所述第二待筛选点云中提取不需点油墨点云，作为所述第二不需点油墨点云；
所述对所述第二待处理需点油墨点云进行杂散点的滤波，得到所述第二面需点油墨点云的步骤，包括：
对所述第二待处理需点油墨点云进行杂散点的滤波，得到第二待恢复点云，并将所述第二待恢复点云拉回到所述第二面点云对应的相机坐标系位置，得到所述第二面需点油墨点云。
进一步地，所述根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接的步骤，包括：
根据所述目标眼镜框对应的所述坐标转换标定数据，将所述第一面需点油墨点云从相机坐标系转换到机器人坐标系，得到第一转换点云，并根据所述目标眼镜框对应的所述坐标转换标定数据，将所述第二面需点油墨点云从相机坐标系转换到机器人坐标系，得到第二转换点云；
根据所述第一面机器人位置和所述第二面机器人位置，对所述第一转换点云和所述第二转换点云进行产品点云拼接，得到所述目标产品点云。
进一步地，所述采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹的步骤，包括：
基于每个标准样条盒子均位于眼镜框上且眼镜框的边框位于所述标准样条盒子的中部的原则，将所述目标眼镜框对应的所述样条盒子模板套设在所述目标产品点云上，得到待处理样条盒子集；
对所述待处理样条盒子集中的每个待处理样条盒子中的点云进行中位数特征提取，得到单盒子特征区域点位；
根据各个所述单盒子特征区域点位确定所述点油墨工艺轨迹。
进一步地，所述目标眼镜框对应的所述样条盒子模板中的每个所述标准样条盒子均为三维矩形框；
所述目标眼镜框对应的所述样条盒子模板中的每个所述标准样条盒子均位于所述目标眼镜框对应的标准产品点云上，并且，所述标准产品点云位于所述目标眼镜框对应的所述标准样条盒子的中部。
本申请还提出了一种眼镜框的点油墨工艺轨迹的生成装置，所述装置包括：
扫描模块，用于对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
点云提取模块，用于对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云；
拼接模块，用于根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
点油墨工艺轨迹确定模块，用于采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。
本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云；
根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。
本申请还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云；
根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。
本申请的眼镜框的点油墨工艺轨迹的生成方法，实现了自动化进行点油墨工艺轨迹的生成，避免了人工校正，提高了点油墨工艺轨迹的生成效率；而且采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹，通过样条盒子模板自动适应了眼镜框的形变，提高了用于生产的点油墨工艺轨迹的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中眼镜框的点油墨工艺轨迹的生成方法的流程图；
图2为一个实施例中样条盒子模板套设在目标产品点云的示意图；
图3为一个实施例中待处理样条盒子的示意图；
图4为一个实施例中眼镜框的点油墨工艺轨迹的生成装置的结构框图；
图5为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，在一个实施例中，提供了一种眼镜框的点油墨工艺轨迹的生成方法。该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明。该眼镜框的点油墨工艺轨迹的生成方法具体包括如下步骤：
S1：对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
具体而言，机器人抓取目标眼镜框到位于预设位置的扫描设备的扫描空间内，首先，扫描设备对机器人携带的目标眼镜框进行点云扫描，得到第一面点云，并在扫描时记录机器人位置作为第一面机器人位置，然后机器人抓取目标眼镜框旋转180°，扫描设备对机器人上的旋转后的目标眼镜框进行点云扫描，得到第二面点云，并在扫描时记录机器人位置作为第二面机器人位置。
可以理解的是，扫描设备始终固定在预设位置。
目标眼镜框，是需要进行点油墨的眼镜框。
可以理解的是，第一面点云、第二面点云组合将得到目标眼镜框的外表面的完整的点云。
可选的，第一面点云是正面的点云，第二面点云是反面的点云。
可选的，第二面点云是正面的点云，第一面点云是反面的点云。
可以理解的是，在本申请的另外一个实施例中，也可以目标眼镜框的外表面的完整的点云划分为两面以上，也就是说，至少三面的点云组合将得到目标眼镜框的外表面的完整的点云。
S2：对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云；
具体而言，基于所述目标眼镜框对应的第一面不需点油墨配置，对所述第一面点云进行不需点油墨的点云的滤除，将所述第一面点云中剩余的点云作为第一面需点油墨点云；基于所述目标眼镜框对应的第二面不需点油墨配置，对所述第二面点云进行不需点油墨的点云的滤除，将所述第二面点云中剩余的点云作为第二面需点油墨点云。
第一面需点油墨点云，也就是所述目标眼镜框的外表面的第一面中需要点油墨的区域对应的点云。
第二面需点油墨点云，也就是所述目标眼镜框的外表面的第二面中需要点油墨的区域对应的点云。
第一面不需点油墨配置是根据所述目标眼镜框的第一面的特性和第一面的不需要点油墨的区域的特性生成的配置。
第二面不需点油墨配置是根据所述目标眼镜框的第二面的特性和第二面的不需要点油墨的区域的特性生成的配置。
S3：根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
具体而言，根据所述目标眼镜框对应的坐标转换标定数据，将所述第一面需点油墨点云、所述第二面需点油墨点云均从相机坐标系转换到机器人坐标系，根据所述第一面机器人位置和所述第二面机器人位置，对转换后的所述第一面需点油墨点云、转换后的所述第二面需点油墨点云进行产品外观拼接，将拼接得到的点云作为目标产品点云。
也就是说，目标产品点云是目标眼镜框的外表面的需要点油墨的区域的点云。
所述目标眼镜框对应的坐标转换标定数据，也就是将相机坐标系转换到机器人坐标系的转换关系数据。所述目标眼镜框对应的坐标转换标定数据的确定方法，可以从现有技术中选择，在此不做赘述。
S4：采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。
所述目标眼镜框对应的样条盒子模板，是根据所述目标眼镜框对应的标准产品对应的标准产品点云对应的点油墨工艺轨迹确定的标准样条盒子的集合，其中，该标准产品点云对应的眼镜框与所述目标眼镜框的生产规格相同，因生产工艺的误差、材质影响，将导致所述目标眼镜框相对该标准产品点云对应的标准产品可能存在形变。
具体而言，将所述目标眼镜框对应的样条盒子模板套设在所述目标产品点云上，然后将套设好的每个标准样条盒子作为一个待处理样条盒子，根据各个待处理样条盒子进行特征区域点位提取，将提取的数据作为所述目标眼镜框对应的油墨工艺轨迹。在获取到所述目标眼镜框对应的油墨工艺轨迹之后，将所述目标眼镜框对应的油墨工艺轨迹发送给机器人，机器人基于所述目标眼镜框对应的油墨工艺轨迹携带所述目标眼镜框运动，在运动过程中固定安装的点油墨工具对所述目标眼镜框进行点油墨。
本实施例实现了自动化进行点油墨工艺轨迹的生成，避免了人工校正，提高了点油墨工艺轨迹的生成效率；而且采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹，通过样条盒子模板自动适应了眼镜框的形变，提高了用于生产的点油墨工艺轨迹的准确性。
在一个实施例中，上述对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置的步骤，包括：
S11：调用位于预设位置的扫描设备，对所述机器人携带的所述目标眼镜框进行第一面扫描，得到所述第一面点云，并且在第一面扫描的过程中记录机器人位置，作为所述第一面机器人位置；
具体而言，调用位于预设位置的扫描设备，对所述机器人携带的所述目标眼镜框进行第一面扫描，将扫描得到的点云作为所述第一面点云，在第一面扫描的过程中，机器人不会移动，因此，可以在第一面扫描的过程中记录机器人位置，将记录的机器人位置作为所述第一面机器人位置。
S12：调用位于所述预设位置的所述扫描设备，对所述机器人携带的所述目标眼镜框进行第二面扫描，得到所述第二面点云，并且在第二面扫描的过程中记录机器人位置，作为所述第二面机器人位置。
具体而言，在完成第一面扫描之后，机器人抓取目标眼镜框旋转180°，然后调用位于所述预设位置的所述扫描设备，对所述机器人携带的所述目标眼镜框进行第二面扫描，将扫描得到的点云作为所述第二面点云，在第二面扫描的过程中，机器人不会移动，因此，可以在第二面扫描的过程中记录机器人位置，将记录的机器人位置作为所述第一面机器人位置。
本实施例基于扫描及记录机器人位置确定第一面点云、第二面点云、第一面机器人位置和第二面机器人位置，为基于第一面点云、第二面点云、第一面机器人位置和第二面机器人位置确定所述目标眼镜框对应的油墨工艺轨迹提供了基础。
在一个实施例中，上述对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云的步骤，包括：
S21：对所述第一面点云进行第一不需点油墨点云提取，并从所述第一面点云中滤除与所述第一不需点油墨点云对应的数据，得到第一待处理需点油墨点云，对所述第一待处理需点油墨点云进行杂散点的滤波，得到所述第一面需点油墨点云；
具体而言，基于所述目标眼镜框对应的第一面不需点油墨配置，对所述第一面点云进行不需点油墨点云提取，将提取的点云作为第一不需点油墨点云；采用预设的高度过滤滤波算法，从所述第一面点云中滤除与所述第一不需点油墨点云对应的数据，将滤除后的所述第一面点云中剩下的点云作为第一待处理需点油墨点云；采用预设的聚类滤波算法，对所述第一待处理需点油墨点云进行杂散点的滤波，将滤波后的所述第一待处理需点油墨点云作为所述第一面需点油墨点云。
第一待处理需点油墨点云，是目标眼镜框的第一面中的不需要点油墨的区域对应的点云。
所述第一面需点油墨点云，是目标眼镜框的第一面中的需要点油墨的区域对应的点云。
高度过滤滤波算法，用于实现高度过滤。高度过滤滤波算法，是截取或保留某高度(Z向数据)范围内的图像数据。
聚类滤波算法，用于实现聚类滤波。聚类滤波算法，是根据相应聚类属性，排除比较分散的小噪点。
S22：对所述第二面点云进行第二不需点油墨点云提取，并从所述第二面点云中滤除与所述第二不需点油墨点云对应的数据，得到第二待处理需点油墨点云，对所述第二待处理需点油墨点云进行杂散点的滤波，得到所述第二面需点油墨点云。
具体而言，基于所述目标眼镜框对应的第二面不需点油墨配置，对所述第二面点云进行不需点油墨点云提取，将提取的点云作为第二不需点油墨点云；采用预设的高度过滤滤波算法，从所述第二面点云中滤除与所述第二不需点油墨点云对应的数据，将滤除后的所述第二面点云中剩下的点云作为第二待处理需点油墨点云；采用预设的聚类滤波算法，对所述第二待处理需点油墨点云进行杂散点的滤波，将滤波后的所述第二待处理需点油墨点云作为所述第二面需点油墨点云。
第二待处理需点油墨点云，是目标眼镜框的第二面中的不需要点油墨的区域对应的点云。
所述第二面需点油墨点云，是目标眼镜框的第二面中的需要点油墨的区域对应的点云。
本实施例通过杂散点的滤波，滤除了所述第一面需点油墨点云和所述第二面需点油墨点云的噪点，有利于提高基于所述第一面需点油墨点云和所述第二面需点油墨点云确定的点油墨工艺轨迹的准确性。
在一个实施例中，上述对所述第一面点云进行第一不需点油墨点云提取的步骤，包括：
S211：将所述第一面点云拉到相机坐标系下的零平面，得到第一待筛选点云，基于所述目标眼镜框对应的第一面不需点油墨配置，从所述第一待筛选点云中提取不需点油墨点云，作为所述第一不需点油墨点云；
具体而言，将所述第一面点云拉到相机坐标系下的零平面，将位于相机坐标系下的零平面中的所述第一面点云作为第一待筛选点云；基于预设的几何特征场滤波算法和所述目标眼镜框对应的第一面不需点油墨配置，从所述第一待筛选点云中提取不需点油墨的点云，将提取的点云作为所述第一不需点油墨点云。
几何特征场滤波算法，是一种基于点云邻里几何关系的进行图像滤波的方法，其主要过程为：根据领域半径与邻里几何关系特征计算相应投影方向二值化特征数据(特征数值有效值为0-1)，再配合高度过滤、快速掩模算子，可达到保留(或排除)相应几何特征位置原始图像数据效果。
所述对所述第一待处理需点油墨点云进行杂散点的滤波，得到所述第一面需点油墨点云的步骤，包括：
S212：对所述第一待处理需点油墨点云进行杂散点的滤波，得到第一待恢复点云，并将所述第一待恢复点云拉回到所述第一面点云对应的相机坐标系位置，得到所述第一面需点油墨点云；
具体而言，采用预设的聚类滤波算法，对所述第一待处理需点油墨点云进行杂散点的滤波，将滤波后的所述第一待处理需点油墨点云作为第一待恢复点云；采用预设的点云掩膜工具，将所述第一待恢复点云拉回到所述第一面点云(也就是步骤S1得到的第一面点云)对应的相机坐标系位置，将拉回到所述第一面点云对应的相机坐标系位置的所述第一待恢复点云作为所述第一面需点油墨点云。
相机坐标系位置，是相机坐标系下的位置。
也就是说，所述第一面需点油墨点云在相机坐标系下的位置与步骤S1得到的第一面点云在相机坐标系下的位置相同。
所述对所述第二面点云进行第二不需点油墨点云提取的步骤，包括：
S221：将所述第二面点云拉到相机坐标系下的零平面，得到第二待筛选点云，基于所述目标眼镜框对应的第二面不需点油墨配置，从所述第二待筛选点云中提取不需点油墨点云，作为所述第二不需点油墨点云；
具体而言，将所述第二面点云拉到相机坐标系下的零平面，将位于相机坐标系下的零平面中的所述第二面点云作为第二待筛选点云；基于预设的几何特征场滤波算法和所述目标眼镜框对应的第二面不需点油墨配置，从所述第二待筛选点云中提取不需点油墨的点云，将提取的点云作为所述第二不需点油墨点云。
所述对所述第二待处理需点油墨点云进行杂散点的滤波，得到所述第二面需点油墨点云的步骤，包括：
S222：对所述第二待处理需点油墨点云进行杂散点的滤波，得到第二待恢复点云，并将所述第二待恢复点云拉回到所述第二面点云对应的相机坐标系位置，得到所述第二面需点油墨点云。
具体而言，采用预设的聚类滤波算法，对所述第二待处理需点油墨点云进行杂散点的滤波，将滤波后的所述第二待处理需点油墨点云作为第二待恢复点云；采用预设的点云掩膜工具，将所述第二待恢复点云拉回到所述第二面点云(也就是步骤S1得到的第二面点云)对应的相机坐标系位置，将拉回到所述第二面点云对应的相机坐标系位置的所述第二待恢复点云作为所述第二面需点油墨点云。
也就是说，所述第二面需点油墨点云在相机坐标系下的位置与步骤S1得到的第二面点云在相机坐标系下的位置相同。
因步骤S1得到的第二面点云是位于在扫描设备的扫描空间的任意位置，如果直接对位于零平面以外的点云进行滤波，会导致滤波出现偏差，为了解决该问题，本实施例先将点云拉到相机坐标系下的零平面下进行滤波，将完成滤波后的点云再拉回到所述第二面点云或所述第二面点云对应的相机坐标系位置，从而减小了滤波偏差，有利于进一步提高基于所述第一面需点油墨点云和所述第二面需点油墨点云确定的点油墨工艺轨迹的准确性。
在一个实施例中，上述根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接的步骤，包括：
S31：根据所述目标眼镜框对应的所述坐标转换标定数据，将所述第一面需点油墨点云从相机坐标系转换到机器人坐标系，得到第一转换点云，并根据所述目标眼镜框对应的所述坐标转换标定数据，将所述第二面需点油墨点云从相机坐标系转换到机器人坐标系，得到第二转换点云；
具体而言，根据所述目标眼镜框对应的所述坐标转换标定数据，将所述第一面需点油墨点云从相机坐标系转换到机器人坐标系，将转换后的点云作为第一转换点云；根据所述目标眼镜框对应的所述坐标转换标定数据，将所述第二面需点油墨点云从相机坐标系转换到机器人坐标系，将转换后的点云第二转换点云。
S32：根据所述第一面机器人位置和所述第二面机器人位置，对所述第一转换点云和所述第二转换点云进行产品点云拼接，得到所述目标产品点云。
具体而言，根据所述第一面机器人位置和所述第二面机器人位置，对所述第一转换点云或所述第二转换点云进行旋转，然后将所述第一转换点云和所述第二转换点云进行产品外观拼接，将拼接得到的点云作为目标产品点云。
本实施例通过所述目标眼镜框对应的坐标转换标定数据、所述第一面机器人位置和所述第二面机器人位置快速的实现了将点云映射到机器人坐标系下进行产品外观拼接，为基于目标产品点云生成所述目标眼镜框对应的油墨工艺轨迹提供了基础。
在一个实施例中，上述采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹的步骤，包括：
S41：基于每个标准样条盒子均位于眼镜框上且眼镜框的边框位于所述标准样条盒子的中部的原则，将所述目标眼镜框对应的所述样条盒子模板套设在所述目标产品点云上，得到待处理样条盒子集；
具体而言，基于每个标准样条盒子均位于眼镜框上且眼镜框的边框位于所述标准样条盒子的中部的原则，将所述目标眼镜框对应的所述样条盒子模板套设在所述目标产品点云上，将所述目标产品点云上的每个标准样条盒子作为一个待处理样条盒子，其中，所述待处理样条盒子均位于所述目标眼镜框的边框上，并且，位于所述待处理样条盒子中的点云位于所述标准样条盒子的中部。比如，图2是样条盒子模板套设在目标产品点云的示意图，DY对应的椭圆形是目标产品点云，HZ对应的每个三维矩形框是待处理样条盒子，从图2中可以看出，图2示意出了9个待处理样条盒子，9个待处理样条盒子均位于目标产品点云上，位于待处理样条盒子中的边框段对应的点云位于待处理样条盒子的中部。
如图3中示意出了待处理样条盒子，待处理样条盒子包括8个顶点，8个顶点分别是A1、A2、A3、A4、B1、B2、B3和B4，D是位于所述待处理样条盒子中的点云，D是通过待处理样条盒子的A3A4B4B3侧面和A1A2B2B1侧面从所述目标产品点云上截取一段边框对应的点云，基于每个标准样条盒子均位于眼镜框上且眼镜框的边框位于所述标准样条盒子的中部的原则，D是一段边框的完整的点云，也就是说，所述目标产品点云上的与D对应的边框段对应的点云均位于待处理样条盒子内。
S42：对所述待处理样条盒子集中的每个待处理样条盒子中的点云进行中位数特征提取，得到单盒子特征区域点位；
具体而言，对所述待处理样条盒子集中的每个待处理样条盒子中的点云进行中位数特征提取，将针对每个待处理样条盒子提取的特征作为一个单盒子特征区域点位。其中，提取中位数特征，也就是提取待处理样条盒子中的点云中各个点的中位数。
中位数(Median)又称中值，统计学中的专有名词，是按顺序排列的一组数据中居于中间位置的数，代表一个样本、种群或概率分布中的一个数值，其可将数值集合划分为相等的上下两部分。对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，通常取最中间的两个数值的平均数作为中位数。
S43：根据各个所述单盒子特征区域点位确定所述点油墨工艺轨迹。
具体而言，将各个所述单盒子特征区域点位按待处理样条盒子的位置关系排序，得到所述目标眼镜框对应的油墨工艺轨迹。
本实施例基于每个标准样条盒子均位于眼镜框上且眼镜框的边框位于所述标准样条盒子的中部的原则，采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹，通过样条盒子模板自动适应了眼镜框的形变，提高了用于生产的点油墨工艺轨迹的准确性。
在一个实施例中，上述目标眼镜框对应的所述样条盒子模板中的每个所述标准样条盒子均为三维矩形框；
所述目标眼镜框对应的所述样条盒子模板中的每个所述标准样条盒子均位于所述目标眼镜框对应的标准产品点云上，并且，所述标准产品点云位于所述目标眼镜框对应的所述标准样条盒子的中部。
本实施例通过将所述样条盒子模板中的每个所述标准样条盒子均设为三维矩形框，并且，每个所述标准样条盒子均位于所述目标眼镜框对应的标准产品点云上，并且，所述标准产品点云位于所述目标眼镜框对应的所述标准样条盒子的中部，从而在所述标准样条盒子获取到每段边框的完整点云的情况下，为形变提供了空间，为通过样条盒子模板自动适应了眼镜框的形变提供了基础。
如图4所示，在一个实施例中，本申请还提出了一种眼镜框的点油墨工艺轨迹的生成装置，所述装置包括：
扫描模块801，用于对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
点云提取模块802，用于对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云；
拼接模块803，用于根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
点油墨工艺轨迹确定模块804，用于采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。
本实施例实现了自动化进行点油墨工艺轨迹的生成，避免了人工校正，提高了点油墨工艺轨迹的生成效率；而且采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹，通过样条盒子模板自动适应了眼镜框的形变，提高了用于生产的点油墨工艺轨迹的准确性。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图5所示，该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现眼镜框的点油墨工艺轨迹的生成方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行眼镜框的点油墨工艺轨迹的生成方法。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云；
根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。
本实施例实现了自动化进行点油墨工艺轨迹的生成，避免了人工校正，提高了点油墨工艺轨迹的生成效率；而且采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹，通过样条盒子模板自动适应了眼镜框的形变，提高了用于生产的点油墨工艺轨迹的准确性。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云；
根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹。
本实施例实现了自动化进行点油墨工艺轨迹的生成，避免了人工校正，提高了点油墨工艺轨迹的生成效率；而且采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹，通过样条盒子模板自动适应了眼镜框的形变，提高了用于生产的点油墨工艺轨迹的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。
作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种眼镜框的点油墨工艺轨迹的生成方法，所述方法包括：
对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云，包括：对所述第一面点云进行第一不需点油墨点云提取，包括：将所述第一面点云拉到相机坐标系下的零平面，得到第一待筛选点云，基于所述目标眼镜框对应的第一面不需点油墨配置，从所述第一待筛选点云中提取不需点油墨点云，作为所述第一不需点油墨点云；并从所述第一面点云中滤除与所述第一不需点油墨点云对应的数据，得到第一待处理需点油墨点云，对所述第一待处理需点油墨点云进行杂散点的滤波，得到所述第一面需点油墨点云，包括：对所述第一待处理需点油墨点云进行杂散点的滤波，得到第一待恢复点云，并将所述第一待恢复点云拉回到所述第一面点云对应的相机坐标系位置，得到所述第一面需点油墨点云；
对所述第二面点云进行第二不需点油墨点云提取，包括：将所述第二面点云拉到相机坐标系下的零平面，得到第二待筛选点云，基于所述目标眼镜框对应的第二面不需点油墨配置，从所述第二待筛选点云中提取不需点油墨点云，作为所述第二不需点油墨点云，并从所述第二面点云中滤除与所述第二不需点油墨点云对应的数据，得到第二待处理需点油墨点云，对所述第二待处理需点油墨点云进行杂散点的滤波，得到所述第二面需点油墨点云，包括：对所述第二待处理需点油墨点云进行杂散点的滤波，得到第二待恢复点云，并将所述第二待恢复点云拉回到所述第二面点云对应的相机坐标系位置，得到所述第二面需点油墨点云；
根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹，包括：基于每个标准样条盒子均位于眼镜框上且眼镜框的边框位于所述标准样条盒子的中部的原则，将所述目标眼镜框对应的所述样条盒子模板套设在所述目标产品点云上，得到待处理样条盒子集；对所述待处理样条盒子集中的每个待处理样条盒子中的点云进行中位数特征提取，得到单盒子特征区域点位；根据各个所述单盒子特征区域点位确定所述点油墨工艺轨迹。
2.根据权利要求1所述的眼镜框的点油墨工艺轨迹的生成方法，其特征在于，所述对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置的步骤，包括：
调用位于预设位置的扫描设备，对所述机器人携带的所述目标眼镜框进行第一面扫描，得到所述第一面点云，并且在第一面扫描的过程中记录机器人位置，作为所述第一面机器人位置；
调用位于所述预设位置的所述扫描设备，对所述机器人携带的所述目标眼镜框进行第二面扫描，得到所述第二面点云，并且在第二面扫描的过程中记录机器人位置，作为所述第二面机器人位置。
3.根据权利要求1所述的眼镜框的点油墨工艺轨迹的生成方法，其特征在于，所述根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接的步骤，包括：
根据所述目标眼镜框对应的所述坐标转换标定数据，将所述第一面需点油墨点云从相机坐标系转换到机器人坐标系，得到第一转换点云，并根据所述目标眼镜框对应的所述坐标转换标定数据，将所述第二面需点油墨点云从相机坐标系转换到机器人坐标系，得到第二转换点云；
根据所述第一面机器人位置和所述第二面机器人位置，对所述第一转换点云和所述第二转换点云进行产品点云拼接，得到所述目标产品点云。
4.根据权利要求1所述的眼镜框的点油墨工艺轨迹的生成方法，其特征在于，所述目标眼镜框对应的所述样条盒子模板中的每个所述标准样条盒子均为三维矩形框；
所述目标眼镜框对应的所述样条盒子模板中的每个所述标准样条盒子均位于所述目标眼镜框对应的标准产品点云上，并且，所述标准产品点云位于所述目标眼镜框对应的所述标准样条盒子的中部。
5.一种眼镜框的点油墨工艺轨迹的生成装置，其特征在于，所述装置包括：
扫描模块，用于对机器人携带的目标眼镜框进行扫描及记录机器人位置，得到第一面点云、第二面点云、第一面机器人位置和第二面机器人位置；
点云提取模块，用于对所述第一面点云提取第一面需点油墨点云，并对所述第二面点云提取第二面需点油墨点云，包括：对所述第一面点云进行第一不需点油墨点云提取，包括：将所述第一面点云拉到相机坐标系下的零平面，得到第一待筛选点云，基于所述目标眼镜框对应的第一面不需点油墨配置，从所述第一待筛选点云中提取不需点油墨点云，作为所述第一不需点油墨点云；并从所述第一面点云中滤除与所述第一不需点油墨点云对应的数据，得到第一待处理需点油墨点云，对所述第一待处理需点油墨点云进行杂散点的滤波，得到所述第一面需点油墨点云，包括：对所述第一待处理需点油墨点云进行杂散点的滤波，得到第一待恢复点云，并将所述第一待恢复点云拉回到所述第一面点云对应的相机坐标系位置，得到所述第一面需点油墨点云；
对所述第二面点云进行第二不需点油墨点云提取，包括：将所述第二面点云拉到相机坐标系下的零平面，得到第二待筛选点云，基于所述目标眼镜框对应的第二面不需点油墨配置，从所述第二待筛选点云中提取不需点油墨点云，作为所述第二不需点油墨点云，并从所述第二面点云中滤除与所述第二不需点油墨点云对应的数据，得到第二待处理需点油墨点云，对所述第二待处理需点油墨点云进行杂散点的滤波，得到所述第二面需点油墨点云，包括：对所述第二待处理需点油墨点云进行杂散点的滤波，得到第二待恢复点云，并将所述第二待恢复点云拉回到所述第二面点云对应的相机坐标系位置，得到所述第二面需点油墨点云；
拼接模块，用于根据所述目标眼镜框对应的坐标转换标定数据、所述第一面需点油墨点云、所述第二面需点油墨点云、所述第一面机器人位置和所述第二面机器人位置进行目标产品点云拼接；
点油墨工艺轨迹确定模块，用于采用所述目标眼镜框对应的样条盒子模板，对所述目标产品点云进行特征区域点位提取，得到点油墨工艺轨迹，包括：基于每个标准样条盒子均位于眼镜框上且眼镜框的边框位于所述标准样条盒子的中部的原则，将所述目标眼镜框对应的所述样条盒子模板套设在所述目标产品点云上，得到待处理样条盒子集；对所述待处理样条盒子集中的每个待处理样条盒子中的点云进行中位数特征提取，得到单盒子特征区域点位；根据各个所述单盒子特征区域点位确定所述点油墨工艺轨迹。
6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211637510.0A CN116071231B (zh) | 2022-12-16 | 2022-12-16 | 眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211637510.0A CN116071231B (zh) | 2022-12-16 | 2022-12-16 | 眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116071231A CN116071231A (zh) | 2023-05-05 |
| CN116071231B true CN116071231B (zh) | 2023-12-29 |
Family
ID=86175425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211637510.0A Active CN116071231B (zh) | 2022-12-16 | 2022-12-16 | 眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116071231B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354880A (zh) * | 2015-10-15 | 2016-02-24 | 东南大学 | 一种基于线激光扫描的喷砂机器人自动路径生成方法 |
| CN112476434A (zh) * | 2020-11-24 | 2021-03-12 | 新拓三维技术(深圳)有限公司 | 一种基于协作机器人的视觉3d取放方法及*** |
| WO2021134339A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于点云的分割处理方法、装置、计算机设备和存储介质 |
| WO2021212844A1 (zh) * | 2020-04-21 | 2021-10-28 | 广东博智林机器人有限公司 | 点云拼接方法、装置、设备和存储设备 |
| CN113643282A (zh) * | 2021-08-31 | 2021-11-12 | 歌尔光学科技有限公司 | 一种工件涂胶轨迹生成方法、装置、电子设备及存储介质 |
| CN114549751A (zh) * | 2022-02-21 | 2022-05-27 | 北京好运达智创科技有限公司 | 箱梁生产的模板监控***及方法 |
| CN115035203A (zh) * | 2022-06-13 | 2022-09-09 | 中冶赛迪工程技术股份有限公司 | 钢包热修方法、***、设备及介质 |
| WO2022188663A1 (zh) * | 2021-03-09 | 2022-09-15 | 华为技术有限公司 | 一种目标检测方法及装置 |
| CN115469602A (zh) * | 2022-07-20 | 2022-12-13 | 深圳群宾精密工业有限公司 | 多材质产品的3d视觉主动式引导轨迹生成方法、装置、设备及介质 |
-
2022
- 2022-12-16 CN CN202211637510.0A patent/CN116071231B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354880A (zh) * | 2015-10-15 | 2016-02-24 | 东南大学 | 一种基于线激光扫描的喷砂机器人自动路径生成方法 |
| WO2021134339A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于点云的分割处理方法、装置、计算机设备和存储介质 |
| WO2021212844A1 (zh) * | 2020-04-21 | 2021-10-28 | 广东博智林机器人有限公司 | 点云拼接方法、装置、设备和存储设备 |
| CN112476434A (zh) * | 2020-11-24 | 2021-03-12 | 新拓三维技术(深圳)有限公司 | 一种基于协作机器人的视觉3d取放方法及*** |
| WO2022188663A1 (zh) * | 2021-03-09 | 2022-09-15 | 华为技术有限公司 | 一种目标检测方法及装置 |
| CN113643282A (zh) * | 2021-08-31 | 2021-11-12 | 歌尔光学科技有限公司 | 一种工件涂胶轨迹生成方法、装置、电子设备及存储介质 |
| CN114549751A (zh) * | 2022-02-21 | 2022-05-27 | 北京好运达智创科技有限公司 | 箱梁生产的模板监控***及方法 |
| CN115035203A (zh) * | 2022-06-13 | 2022-09-09 | 中冶赛迪工程技术股份有限公司 | 钢包热修方法、***、设备及介质 |
| CN115469602A (zh) * | 2022-07-20 | 2022-12-13 | 深圳群宾精密工业有限公司 | 多材质产品的3d视觉主动式引导轨迹生成方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张铁 ; 张美辉 ; 邹焱飚 ; .基于三维点云的机器人加工轨迹规划.中国激光.2017,(第05期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116071231A (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE10317917B4 (de) | System und Verfahren zum Umgrenzen und Klassifizieren von Regionen innerhalb einer graphischen Abbildung | |
| DE69230282T2 (de) | Bildverarbeitungsverfahren und -vorrichtung | |
| CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
| CN110443140B (zh) | 文本定位的方法、装置、计算机设备及存储介质 | |
| CN111353512A (zh) | 障碍物分类方法、装置、存储介质和计算机设备 | |
| CN109948135B (zh) | 一种基于表格特征归一化图像的方法及设备 | |
| CN114529837A (zh) | 建筑物轮廓提取方法、***、计算机设备及存储介质 | |
| EP3877776A1 (de) | Verfahren und verarbeitungseinheit zur ermittlung von information in bezug auf ein objekt in einem umfeld eines fahrzeugs | |
| DE69820578T2 (de) | Verfahren und Mittel um Dokumente zu Vergleichen auf der Basis des räumlichen Layouts | |
| JPS6180374A (ja) | 可変走査領域による細線化処理の方法及び装置 | |
| CN105225218A (zh) | 用于文档图像的畸变校正方法和设备 | |
| CN109741273A (zh) | 一种手机拍照低质图像的自动处理与评分方法 | |
| CN113505781A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| CN111275051A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
| CN116071231B (zh) | 眼镜框的点油墨工艺轨迹的生成方法、装置、设备及介质 | |
| CN114040116B (zh) | 塑胶模材良品监测反馈*** | |
| CN112686247A (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
| CN111967484B (zh) | 点云聚类方法、装置、计算机设备和存储介质 | |
| CN111862001A (zh) | Ct影像的半自动标注方法及装置、电子设备、存储介质 | |
| CN113902045B (zh) | 一种基于图像识别的车险现场快速定损方法 | |
| DE102007027958A1 (de) | Verfahren zur Optimierung eines stereoskopischen Bildes | |
| CN115249358A (zh) | 一种巨噬细胞内碳颗粒定量检测方法及***、计算机设备 | |
| CN110472656B (zh) | 车辆图像分类方法、装置、计算机设备及存储介质 | |
| CN113408256A (zh) | 一种表格图片的表格重构方法、装置及相关设备 | |
| CN113762244A (zh) | 文档信息的提取方法及装置 |
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 |