CN116777909B - 基于点云数据的数控机床刀具刀尖快速定位方法 - Google Patents
基于点云数据的数控机床刀具刀尖快速定位方法 Download PDFInfo
- Publication number
- CN116777909B CN116777909B CN202311041872.8A CN202311041872A CN116777909B CN 116777909 B CN116777909 B CN 116777909B CN 202311041872 A CN202311041872 A CN 202311041872A CN 116777909 B CN116777909 B CN 116777909B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- planes
- plane
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000014759 maintenance of location Effects 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 33
- 230000002776 aggregation Effects 0.000 claims description 32
- 238000004220 aggregation Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 16
- 238000012916 structural analysis Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 206010040844 Skin exfoliation Diseases 0.000 claims description 3
- 230000035618 desquamation Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于点云数据的数控机床刀具刀尖快速定位方法,包括:通过布置在数控机床上的激光雷达采集机械工件的点云数据;根据点云数据的分布特征获取每个点云数据的局部范围的点云数据;根据不同视角下的变化对每个点云数据进行关键点优化得到关键点云;根据得到的关键点云进行数控机床刀具刀尖快速定位。本发明结合三维点云数据进行每个点云数据的分层处理,并将不同分层进行结构化处理,并结合数控机床移动过程中不同视角下点云数据的变化得到最终的局部范围点云数据,进而得到准确的SIFT 3D检测结果,实现了数控机床刀具刀尖的准确快速定位。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于点云数据的数控机床刀具刀尖快速定位方法。
背景技术
TCP(Rotated Tool Center Point,实时刀尖跟随功能)是数控机床中的一项关键技术。它允许数控***在加工过程中实时调整刀具末端的位置和姿态,以便在复杂曲面上保持刀具与机械工件之间的正确接触。SIFT 3D算法是可以识别出具有尺度不变性和旋转不变性的稳定关键点的算法,可以获取准确的关键点,但是由于机械工件结构的复杂性以及噪声点等无效点的存在,并且随着数控机床的工作过程中,不同视角下检测得到的点云数据极容易出现错检、误检现象,因此本案提出一种基于点云数据的关键点提取的数控机床刀具刀尖快速定位方法。
发明内容
本发明提供基于点云数据的数控机床刀具刀尖快速定位方法,以解决现有的问题。
本发明的基于点云数据的数控机床刀具刀尖快速定位方法采用如下技术方案:
本发明一个实施例提供了基于点云数据的数控机床刀具刀尖快速定位方法,该方法包括以下步骤:
通过布置在数控机床上的激光雷达采集机械工件的点云数据,得到不同视角下的机械工件的点云数据;
根据机械工件的点云数据的空间特性得到每个分层平面,在每个分层平面上对每个点云数据进行局部结构性分析,得到每个目标点云数据的所有相似点云,在每个分层平面上对目标点云数据进行整体结构性分析,计算每个分层平面的每个点云数据与其所有相似点云中的每个相似点云的结构相似性,根据结构相似性对所有点云数据进行筛选得到每个分层平面的留存点云;
利用每个分层平面的留存点云计算每个分层平面的所有留存点云的局部聚集性,计算每个分层平面的相似均值,根据每个分层平面的相似均值得到每两个分层平面的合并阈值,结合每个分层平面的所有留存点云的局部聚集性和每两个分层平面的合并阈值,对每两个分层平面的所有留存点云进行判断,得到留存局部范围;
根据不同视角下的点云数据对留存局部范围进行结构性分析,得到点云数据的结构之间的重复度,根据点云数据的结构之间的重复度对每个点云数据进行关键点优化得到关键点云;
根据关键点云进行数控机床刀具刀尖快速定位。
优选的,所述在每个分层平面上对每个点云数据进行局部结构性分析,得到每个目标点云数据的所有相似点云,包括的具体步骤如下:
获取第个分层平面包含第/>个目标点的含样组合数、第/>个分层平面包含第/>个目标点的脱样组合数、每个含样组合的含样角度差和每个脱样组合的脱样角度差,计算每个分层平面上每个点云数据的结构性参数,计算的具体公式如下:
其中,表示第/>个分层平面的第/>个目标点云数据的结构性参数,/>表示第/>个分层平面包含第/>个目标点的含样组合数;/>表示第/>个分层平面包含第/>个目标点的脱样组合数;/>表示/>中第/>个数据组合的含样角度差,其中/>;/>表示/>第/>个数据组合的脱样角度差,其中/>;/>表示以自然常数为底数的指数函数;
在第个分层平面上,将除了第/>个点云数据之外的所有点云数据记为第/>个点云数据的待选点云,将第/>个点云数据的结构性参数与第/>个点云数据的每个待选点云的结构性参数进行作差并取绝对值,将计算结果记为第/>个点云数据与第/>个点云数据的每个待选点云之间的结构性大小差异,若第/>个点云数据与第/>个点云数据的每个待选点云之间的结构性大小差异小于预设的结构性阈值,则将第/>个点云数据的每个待选点云记为第/>个点云数据的每个相似点云。
优选的,所述获取第个分层平面包含第/>个目标点的含样组合数、第/>个分层平面包含第/>个目标点的脱样组合数、每个含样组合的含样角度差和每个脱样组合的脱样角度差,包括的具体步骤如下:
在第个分层平面上,将每两个点云数据组成一个点云对,计算每个点云对内两个点云数据的欧氏距离长度并记为每个点云对的长度,将所有点云对的长度的最大值的五分之一记为第/>个分层平面的分层局域半径,以第/>个点云数据为圆心、第/>个分层平面的分层局域半径为半径构成圆形区域,将圆形区域记为第/>个点云数据的范围;在第/>个点云数据的范围内的包含第/>个点云数据的所有点云数据进行组合得到若干个含样组合,记为第/>个分层平面上第/>个点云数据的含样组合,将第/>个分层平面上第/>个点云数据的含样组合的数量记为第/>个分层平面包含第/>个点云数据的含样组合数;在每个含样组合中,计算含样组合中每两个点云数据的欧式距离,将欧式距离的最小值所对应的两个点云数据的法向量的夹角记为每个含样组合的含样角度差;在第/>个点云数据的范围内的不包含第/>个点云数据的所有点云数据进行组合得到若干个脱样组合,记为第/>个分层平面上第/>个点云数据的脱样组合,将第/>个分层平面上第/>个点云数据的脱样组合的数量记为第/>个分层平面不包含第/>个点云数据的脱样组合数;在每个脱样组合中,计算脱样组合中每两个点云数据的欧式距离,将欧式距离的最小值所对应的两个点云数据的法向量的夹角记为每个脱样组合的含样角度差。
优选的,所述点云数据的法向量的具体获得方法如下:
在所有分层平面上,计算第个分层平面上第/>个点云数据与所有其他所有点云数据的欧氏距离,将与第/>个分层平面上第/>个点云数据的欧氏距离最小的5个点云数据记为第个分层平面上第/>个点云数据的拟合数据,用第/>个分层平面上第/>个点云数据和第/>个分层平面上第/>个点云数据的拟合数据进行平面拟合得到第/>个分层平面上第/>个点云数据的局部平面,计算所述局部平面的法向量,记为第/>个分层平面上第/>个点云数据的法向量。
优选的,所述在每个分层平面上对目标点云数据进行整体结构性分析,计算每个分层平面的每个点云数据与其所有相似点云中的每个相似点云的结构相似性,包括的具体步骤如下:
计算第个点云数据和其所有相似点云之间的所有欧式距离的方差,将第/>个点云数据的所有相似点云中去除任意一个相似点云得到第/>个点云数据的所有剩余相似点云,计算第/>个点云数据和其所有剩余相似点云之间的所有欧式距离的方差,用第/>个点云数据和其所有剩余相似点云之间的所有欧式距离的方差除以第/>个点云数据和其所有相似点云之间的所有欧式距离的方差,得到第/>个点云数据的任意一个相似点云的方差贡献度,计算每个分层平面上每个点云数据与其所有相似点云中的第/>个相似点云的结构相似性,具体的计算公式为:
其中,表示第/>个分层平面上第/>个点云数据与其所有相似点云中的第/>个相似点云的结构相似性,/>表示第/>个点云数据的所有相似点云中的第/>个相似点云的方差贡献度,/>表示以自然常数为底数的指数函数。
优选的,所述根据结构相似性对所有点云数据进行筛选得到每个分层平面的留存点云,包括的具体步骤如下:
对每个分层平面的每个点云数据的所有相似点云进行筛选,若每个点云数据的相似点云的结构相似性小于相似性阈值,则将每个点云数据的结构相似性小于相似性阈值的相似点云记为每个点云数据的偏差点云,将每个点云数据的偏差点云从每个点云数据的范围内删除,经过筛选后,将每个分层平面的每个点云数据的范围内的剩余的点云数据记为每个分层平面的留存点云。
优选的,所述利用每个分层平面的留存点云计算每个分层平面的所有留存点云的局部聚集性,包括的具体步骤如下:
计算每个分层平面的法向量,获取与每个分层平面的法向量的空间角的角度差中最小的四个分层平面,将这五个分层平面中所有的留存点云进行合并得到包络空间,将包络空间记为每个分层平面的局部范围;将每个分层平面的留存点云的法向量进行法向量方向上的延伸得到每个留存点云的延伸线,计算该分层平面的局部范围内留存点云的延伸线的交点之间的平均欧式距离,对平均欧式距离取相反数后作为以自然常数为底数的指数函数的指数得到聚集量,将聚集量记为每个分层平面的所有留存点云的局部聚集性。
优选的,所述计算每个分层平面的相似均值,根据每个分层平面的相似均值得到每两个分层平面的合并阈值,包括的具体步骤如下:
对所有的分层平面进行无规则排序得到分层平面序列,计算所有留存点云在分层平面序列中第个分层平面的结构相似性均值,记为第/>个分层平面的相似均值,计算所有留存点云在分层平面序列中第/>个分层平面的结构相似性均值,记为第/>个分层平面的相似均值,计算第/>个分层平面和第/>个分层平面的合并阈值,具体的计算公式为:
其中,表示第/>个分层平面和第/>个分层平面的合并阈值,/>表示第/>个分层平面的相似均值,/>表示第/>个分层平面的相似均值,/>表示合并超参数。
优选的,所述结合每个分层平面的所有留存点云的局部聚集性和每两个分层平面的合并阈值,对每两个分层平面的所有留存点云进行判断,得到留存局部范围,包括的具体步骤如下:
计算每两个分层平面之间的合并阈值,并计算每两个分层平面上所有留存点云的局部聚集性的差值,记为每两个分层平面的局部聚集性的差值,若两个分层平面的局部聚集性的差值小于两个分层平面的合并阈值,则将两个分层平面的所有留存点云进行合并得到空间范围,将空间范围记为留存局部范围。
优选的,所述根据不同视角下的点云数据对留存局部范围进行结构性分析,得到点云数据的结构之间的重复度,根据点云数据的结构之间的重复度对每个点云数据进行关键点优化得到关键点云,包括的具体步骤如下:
获取不同视角下的点云数据,将每两个视角的点云数据进行合并得到不同视角下的点云数据之间的重复区域,并将两个视角的点云数据表示在一个坐标系中,将此坐标系记为合并坐标系;
在任意两个视角下的点云数据中,对两个视角的重复区域内的点云数据进行凸包检测得到两个凸包,将两个凸包合并到合并坐标系中,将两个视角中任意一个视角记为目标视角,对目标视角下的点云数据和当前视角下的点云数据进行区块划分得到多视角判定范围,具体过程为:将目标视角的留存局部范围作为合并坐标系的留存局部范围,获取合并坐标系的留存局部范围的所有分层方向,从合并坐标系原点开始构建一个边长为初始设定值的正立方体,在正立方体囊括的区域内,计算两个凸包在合并坐标系的留存局部范围内的每个分层方向上的点云数据的数量的差值的绝对值的方差,将方差取倒数得到点云数据之间的重复度,以预设步长为步长,增加正立方体的边长得到新的正立方体,在新的正立方体囊括的区域内,计算点云数据之间的重复度,……,以此类推,直至新的正立方体囊括的区域内包含所有点云数据时,计算点云数据之间的重复度,选取点云数据之间的重复度最大时对应的正立方体区域作为多视角判定范围;
在所有多视角判定范围中,计算每个留存点云与其余所有点云数据的欧氏距离,若其中欧氏距离的最小值大于预设的筛选阈值,则对该留存点云进行去除,重复判断所有留存点云并对留存点云进行去除,将剩余的留存点云记为关键点云,在不同视角下使用检测算法进行点云数据的关键点云的获取,得到留存点云中的不同视角下的关键点云。
本发明的技术方案的有益效果是:本发明结合三维点云数据进行每个点云数据的分层平面处理,并将不同分层平面进行结构化处理,进而得到每个点云数据的分层平面结构特征,根据局部范围内以及不同尺度变化后的点云数据作为初始局部范围点云数据,其中在获取点云数据的初始局部范围点云数据时,通过目标点云数据的分层平面结构获取分层平面上的点云数据,并分析其他分层平面上的进行分层平面的合并,进而得到目标点云数据的局部范围。本实施例结合数控机床移动过程中不同视角下点云数据的变化得到最终的局部范围点云数据,进而得到准确的SIFT 3D检测结果。避免了SIFT 3D检测过程关键点云过程中,由于机械工件结构的复杂性以及噪声点等无效点的存在,并且随着数控机床的工作过程中,不同视角下检测得到的点云数据极容易出现错检、误检现象,使得得到准确的关键点云,并生成机械工件的准确点云模型,使得在后续进行与预先存储的机械工件模型库中的描述子进行匹配,识别出目标工件,使得在工作过程中实现数控机床刀具刀尖的准确快速定位。
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。
图1为本发明基于点云数据的数控机床刀具刀尖快速定位方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于点云数据的数控机床刀具刀尖快速定位方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于点云数据的数控机床刀具刀尖快速定位方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于点云数据的数控机床刀具刀尖快速定位方法的步骤流程图,该方法包括以下步骤:
S001:通过布置在数控机床上的激光雷达采集机械工件的点云数据。
需要说明的是,通过布置在数控机床上的激光雷达来采集待处理的机械工件的点云数据,其中在采集过程中,激光雷达会随着数控机床的移动而移动,因此在进行工件处理过程中,需要先进行移动扫描完整的机械工件的点云数据。
具体的,在进行工件处理的过程中,在每一个工件位置利用激光雷达采集待处理的机械工件的点云数据,其中机械工件的点云数据包含工件在空间中的三维分布信息以及不同视角下的点云数据。
至此,通过布置在数控机床上的激光雷达采集得到了机械工件的点云数据。
S002:根据机械工件的点云数据的空间特性得到每个分层平面的留存点云。
需要说明的是在机械工件的点云数据采集过程中,由于机械工件结构的复杂性以及噪声点等无效点的存在,而SIFT 3D算法在检测关键点云时,是根据局部范围内的极值点来确定的,可能某个关键点在局部范围内不是关键点,但这另外一个局部范围也不是关键点,并且由于无效点云的存在(可以理解为噪点,即较大程度上表现为局部范围内的极值点的点云),这就会出现误检、错检现象,因此对应的在SIFT 3D算法检测点云数据的关键点时无法得到准确的结果。因此本实施例结合三维点云数据进行每个点云数据的分层平面处理,并将不同分层平面进行结构化处理,进而得到每个点云数据的分层平面结构特征,根据局部范围内以及不同尺度变化后的点云数据作为初始局部范围点云数据;结合数控机床移动过程中不同视角下点云数据的变化得到最终的局部范围点云数据,进而得到准确的SIFT3D检测结果。
需要进一步说明的是,对于不同的机械工件,由于机械工件的结构具有较强的相似性,例如机械工件中有很多形状规则且基本相同的孔洞区域,则对应本实施例中期望将与目标点云数据具有结构相似的点云数据作为同一分层平面,其中结本实施例中期望的进行分层平面处理,是将对于点云数据具有结构相似性的点云作为目标点云数据的分层平面结构。获取目标点云数据的分层平面结构需要获取分层平面上的点云数据确定同属于一个分层平面,其中点云数据的结构性表征的为其代表的机械工件的结构特征的程度,对于机械工件上相同结构的点云数据其对应的法向量变化较为缓慢,并且其在相同结构的点云数据随着距离的变化,其法向量变化有较好的分布规律性。由于采集的点云数据为三维结构,且每个点云数据都有其自身的三维坐标则对应的目标点云数据的分层平面的方向,其中分层平面的方向即为在三维空间中的相同点云方向,故先对一个分层平面进行分析。
具体的,获取机械工件的每个点云数据的空间坐标信息,将机械工件的任意一个点云数据记为目标点云;获取所有点云数据的空间坐标信息所在的坐标中的/>平面,将/>平面沿着/>轴以步长为/>旋转一周得到若干旋转平面,将所有旋转平面沿着/>轴以步长为/>旋转一周得到若干初始平面,将所有与每个初始平面平行的且包含有至少两个点云数据的平面记为分层平面,得到/>个分层平面,且有/>。
需要进一步说明的是,由于不同分层平面的待选点云数据方向不同,因此在不同方向上进行不同局部平面拟合,得到每个目标点云数据的法向量。
进一步,在所有分层平面上,计算第个分层平面上第/>个点云数据与所有其他所有点云数据的欧氏距离,将与第/>个分层平面上第/>个点云数据的欧氏距离最小的5个点云数据记为第/>个分层平面上第/>个点云数据的拟合数据,用第/>个分层平面上第/>个点云数据和第/>个分层平面上第/>个点云数据的拟合数据进行平面拟合得到第/>个分层平面上第/>个点云数据的局部平面,计算所述局部平面的法向量,记为第/>个分层平面上第/>个点云数据的法向量。
进一步,在第个分层平面上,将每两个点云数据组成一个点云对,计算每个点云对内两个点云数据的欧氏距离长度并记为每个点云对的长度,将所有点云对的长度的最大值的五分之一记为第/>个分层平面的分层局域半径,以第/>个点云数据为圆心、第/>个分层平面的分层局域半径为半径构成圆形区域,将圆形区域记为第/>个点云数据的范围;在第/>个点云数据的范围内的包含第/>个点云数据的所有点云数据进行组合得到若干个含样组合,记为第/>个分层平面上第/>个点云数据的含样组合,其中含样组合的数量为/>,其中/>为第/>个分层平面的范围内的包含第/>个点云数据的所有点云数据的数目,且/>,将第/>个分层平面上第/>个点云数据的含样组合的数量记为第/>个分层平面包含第/>个点云数据的含样组合数;在每个含样组合中,计算含样组合中每两个点云数据的欧式距离,将欧式距离的最小值所对应的两个点云数据的法向量的夹角记为每个含样组合的含样角度差;在第/>个点云数据的范围内的不包含第/>个点云数据的所有点云数据进行组合得到若干个脱样组合,记为第/>个分层平面上第/>个点云数据的脱样组合,其中脱样组合的数量为/>,其中/>为第/>个分层平面的范围内的不包含第/>个点云数据的所有点云数据的数目,且/>,将第/>个分层平面上第/>个点云数据的脱样组合的数量记为第/>个分层平面不包含第/>个点云数据的脱样组合数;在每个脱样组合中,计算脱样组合中每两个点云数据的欧式距离,将欧式距离的最小值所对应的两个点云数据的法向量的夹角记为每个脱样组合的含样角度差;计算每个分层平面上每个点云数据的结构性参数,计算的具体公式如下:
其中,表示第/>个分层平面的第/>个目标点云数据的结构性参数,/>表示第/>个分层平面包含第/>个目标点的含样组合数;/>表示第/>个分层平面包含第/>个目标点的脱样组合数;/>表示/>中第/>个数据组合的含样角度差,其中/>;/>表示/>第/>个数据组合的脱样角度差,其中/>;/>表示以自然常数为底数的指数函数。当第/>个分层平面的第/>个目标点云数据的含样组合数和脱样组合数存在较大的比值差异时,当比值差异越大时,说明含样组合数与脱样组合数之间相差的第/>个分层平面的第/>个目标点云数据在结构中的影响程度越大,侧面反映第/>个分层平面的第/>个目标点云数据对周围的结构性表征能力越小,即其结构性参数越小。
预设一个结构性阈值,其中本实施例以结构性阈值等于0.25为例进行叙述,本实施例不进行具体限定,其中结构性阈值可根据具体实施情况而定。
需要进一步说明的是,由于每个目标点云数据,故可以根据相似点云进行分布规律性计算,并通过分布规律性来表征目标点云数据的在该分层平面上的结构相似性,对目标点云数据中一些结构相似性较低的点云数据进行删除。
进一步,在第个分层平面上,将除了第/>个点云数据之外的所有点云数据记为第/>个点云数据的待选点云,将第/>个点云数据的结构性参数与第/>个点云数据的每个待选点云的结构性参数进行作差并取绝对值,将计算结果记为第/>个点云数据与第/>个点云数据的每个待选点云之间的结构性大小差异,若第/>个点云数据与第/>个点云数据的每个待选点云之间的结构性大小差异小于结构性阈值,则将第/>个点云数据的每个待选点云记为第/>个点云数据的每个相似点云。
进一步,计算第个点云数据和其所有相似点云之间的所有欧式距离的方差,将第/>个点云数据的所有相似点云中去除任意一个相似点云得到第/>个点云数据的所有剩余相似点云,计算第/>个点云数据和其所有剩余相似点云之间的所有欧式距离的方差,用第/>个点云数据和其所有剩余相似点云之间的所有欧式距离的方差除以第/>个点云数据和其所有相似点云之间的所有欧式距离的方差,得到第/>个点云数据的任意一个相似点云的方差贡献度,计算每个分层平面上每个点云数据与其所有相似点云中的第/>个相似点云的结构相似性,具体的计算公式为:
其中,表示第/>个分层平面上第/>个点云数据与其所有相似点云中的第/>个相似点云的结构相似性,/>表示第/>个点云数据的所有相似点云中的第/>个相似点云的方差贡献度,/>表示以自然常数为底数的指数函数。本实施例通过欧式距离的方差贡献度来表征结构相似性,若方差贡献度较大,即对应的该点云数据的存在的欧式距离与所有点云数据的欧式距离的方差贡献较多,则对应的该点云数据与其他点云数据的欧式距离变化差异较大,则对应的该相似点云的结构相似性较小。
预设一个相似性阈值,其中本实施例以相似性阈值等于0.68为例进行叙述,本实施例不进行具体限定,其中相似性阈值可根据具体实施情况而定。
进一步,对每个分层平面的每个点云数据的所有相似点云进行筛选,若每个点云数据的相似点云的结构相似性小于相似性阈值,则将每个点云数据的结构相似性小于相似性阈值的相似点云记为每个点云数据的偏差点云,将每个点云数据的偏差点云从每个点云数据的范围内删除,经过筛选后,将每个分层平面的每个点云数据的范围内的剩余的点云数据记为每个分层平面的留存点云。
至此,根据机械工件的点云数据的空间特性进行方向分层,得到了每个分层平面的留存点云。
S003:利用每个分层平面的留存点云进行整体分析得到每个留存点云的局部范围。
需要说明的是,由于在不同分层平面上会存在不同的结构性信息,故分层平面之间需要进行合并为一个三维的局部范围,因此计算分层平面上的在单个分层平面上的留存点云的局部范围内的点云数据的局部聚集性,其中由于不同分层平面的结构相似性不同,因此在进行不同分层平面间的局部聚集性计算过程中,需要确定局部范围内点云数据的法向量的方向的局部聚集性。
具体的,计算每个分层平面的法向量,获取与每个分层平面的法向量的空间角角度差最小的四个分层平面,将这五个分层平面中所有的留存点云进行合并得到包络空间,将包络空间记为每个分层平面的局部范围;将每个分层平面的留存点云的法向量进行法向量方向上的延伸得到每个留存点云的延伸线,计算该分层平面的局部范围内留存点云的延伸线的交点之间的平均欧式距离,对平均欧式距离取相反数后作为以自然常数为底数的指数函数的指数得到聚集量,将聚集量记为每个分层平面的所有留存点云的局部聚集性,其中若平均欧式距离越小,则对应的局部聚集性较大。
需要进一步说明的是,当两个分层平面之间的局部聚集性超出一定程度时,则这两个分层平面之间的所有留存点云之间的结构相似度越低,因此需要根据结构相似性对分层平面之间的局部聚集性进行范围限定,得到留存点云的局部范围。
预设一个合并超参数,其中本实施例以合并超参数等于0.25为例进行叙述,本实施例不进行具体限定,其中合并超参数可根据具体实施情况而定。
进一步,对所有的分层平面进行无规则排序得到分层平面序列,计算所有留存点云在分层平面序列中第个分层平面的结构相似性均值,记为第/>个分层平面的相似均值,计算所有留存点云在分层平面序列中第/>个分层平面的结构相似性均值,记为第/>个分层平面的相似均值,计算第/>个分层平面和第/>个分层平面的合并阈值,具体的计算公式为:
其中,表示第/>个分层平面和第/>个分层平面的合并阈值,/>表示第/>个分层平面的相似均值,/>表示第/>个分层平面的相似均值,/>表示合并超参数。当第/>个分层平面的相似均值和第/>个分层平面的相似均值的差异量越大时,第/>个分层平面和第/>个分层平面上的所有留存点云结构性的整体相似性越高,故其合并阈值越低,两个分层平面内的留存点云更不容易被合并。
进一步,计算每两个分层平面之间的合并阈值,并计算每两个分层平面上所有留存点云的局部聚集性的差值,记为每两个分层平面的局部聚集性的差值,若两个分层平面的局部聚集性的差值小于两个分层平面的合并阈值,则将两个分层平面的所有留存点云进行合并得到空间范围,将空间范围记为留存局部范围。
至此,利用每个分层平面的留存点云进行整体分析,得到了留存局部范围。
S004:根据留存局部范围进行结构性分析,得到多视角判定范围。
需要说明的是,由于在数控机床在扫描机械工件的点云数据过程中,会进行激光雷达的移动,对应的会生成不同视角下的点云数据。而本实施例中对于单个视角下的点云数据获取局部范围,但是由于视角的不同会使得采集到的点云数据不同,同样也会使得不同视角下噪点的分布不同,因此本实施例根据不同视角下的点云数据的重复区域进行校正,首先需要得到每个留存点云的局部范围得到点云数据的结构之间的重复度。
具体的,获取不同视角下的点云数据,将每两个视角的点云数据进行合并得到不同视角下的点云数据之间的重复区域(专利CN110136077B公开了点云的合并方法,本实施例不再进行赘述),并将两个视角的点云数据表示在一个坐标系中,将此坐标系记为合并坐标系。
进一步,在任意两个视角下的点云数据中,对两个视角的重复区域内的点云数据进行凸包检测得到两个凸包,将两个凸包合并到合并坐标系中,将两个视角中任意一个视角记为目标视角,对目标视角下的点云数据和当前视角下的点云数据进行区块划分得到多视角判定范围,具体过程为:将目标视角的留存局部范围作为合并坐标系的留存局部范围,获取合并坐标系的留存局部范围的所有分层方向,从合并坐标系原点开始构建一个边长为初始设定值的正立方体,在正立方体囊括的区域内,计算两个凸包在合并坐标系的留存局部范围内的每个分层方向上的点云数据的数量的差值的绝对值的方差,将方差取倒数得到点云数据之间的重复度,以预设步长为步长,增加正立方体的边长得到新的正立方体,在新的正立方体囊括的区域内,计算点云数据之间的重复度,……,以此类推,直至新的正立方体囊括的区域内包含所有点云数据时,计算点云数据之间的重复度,选取点云数据之间的重复度最大时对应的正立方体区域作为多视角判定范围。
至此,根据留存局部范围进行结构性分析,得到了多视角判定范围。
S005:根据多视角判定范围对每个留存点云进行关键点优化得到关键点云。
预设一个筛选阈值,其中本实施例以筛选阈值等于5为例进行叙述,本实施例不进行具体限定,其中筛选阈值可根据具体实施情况而定。
需要进一步说明的是,由于SIFT 3D检测算法是在不同尺度下的进行的点云数据的关键点云的获取,因此对应的在其他不同尺度下进行类似操作,得到其他尺度下的最终的局部范围点云数据,进而根据传统的SIFT 3D检测算法得到留存点云中的不同尺度下的关键点云。
具体的,在所有多视角判定范围中,计算每个留存点云与其余所有点云数据的欧氏距离,若其中欧氏距离的最小值大于筛选阈值,则对该留存点云进行去除,重复判断所有留存点云并对留存点云进行去除,将剩余的留存点云记为关键点云。在不同尺度下使用SIFT 3D检测算法进行点云数据的关键点云的获取,得到留存点云中的不同视角下的关键点云。
至此,根据点云数据的结构之间的重复度对每个点云数据进行关键点优化得到关键点云。
S006:根据关键点云进行数控机床刀具刀尖快速定位。
具体的,根据机械工件的关键点云提取SIFT 3D描述子,然后将这些描述子与预先存储的机械工件模型库中的描述子进行匹配,识别出目标工件。通过关键点匹配结果,可以使用迭代最近点(Iterative Closest Point,简称 ICP)算法、RANSAC算法等方法,对目标工件的姿态(位置和方向)进行估计。并根据目标工件的几何形状和姿态信息,为数控机床刀具设计合适的切削路径,进而利用RTCP功能实时调整刀具刀尖的位置和姿态,以确保刀尖始终沿着预定切削路径与工件表面接触。
至此,基于点云数据实现了对数控机床刀具刀尖的快速定位。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,该方法包括以下步骤:
通过布置在数控机床上的激光雷达采集机械工件的点云数据,得到不同视角下的机械工件的点云数据;
根据机械工件的点云数据的空间特性得到每个分层平面,在每个分层平面上对每个点云数据进行局部结构性分析,得到每个目标点云数据的所有相似点云,在每个分层平面上对目标点云数据进行整体结构性分析,计算每个分层平面的每个点云数据与其所有相似点云中的每个相似点云的结构相似性,根据结构相似性对所有点云数据进行筛选得到每个分层平面的留存点云;
利用每个分层平面的留存点云计算每个分层平面的所有留存点云的局部聚集性,计算每个分层平面的相似均值,根据每个分层平面的相似均值得到每两个分层平面的合并阈值,结合每个分层平面的所有留存点云的局部聚集性和每两个分层平面的合并阈值,对每两个分层平面的所有留存点云进行判断,得到留存局部范围;
根据不同视角下的点云数据对留存局部范围进行结构性分析,得到点云数据的结构之间的重复度,根据点云数据的结构之间的重复度对每个点云数据进行关键点优化得到关键点云;
根据关键点云进行数控机床刀具刀尖快速定位。
2.根据权利要求1所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述在每个分层平面上对每个点云数据进行局部结构性分析,得到每个目标点云数据的所有相似点云,包括的具体步骤如下:
获取第个分层平面包含第/>个目标点的含样组合数、第/>个分层平面包含第/>个目标点的脱样组合数、每个含样组合的含样角度差和每个脱样组合的脱样角度差,计算每个分层平面上每个点云数据的结构性参数,计算的具体公式如下:
其中,表示第/>个分层平面的第/>个目标点云数据的结构性参数,/>表示第/>个分层平面包含第/>个目标点的含样组合数;/>表示第/>个分层平面包含第/>个目标点的脱样组合数;表示/>中第/>个数据组合的含样角度差,其中/>;/>表示/>第/>个数据组合的脱样角度差,其中/>;/>表示以自然常数为底数的指数函数;
在第个分层平面上,将除了第/>个点云数据之外的所有点云数据记为第/>个点云数据的待选点云,将第/>个点云数据的结构性参数与第/>个点云数据的每个待选点云的结构性参数进行作差并取绝对值,将计算结果记为第/>个点云数据与第/>个点云数据的每个待选点云之间的结构性大小差异,若第/>个点云数据与第/>个点云数据的每个待选点云之间的结构性大小差异小于预设的结构性阈值,则将第/>个点云数据的每个待选点云记为第/>个点云数据的每个相似点云。
3.根据权利要求2所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述获取第个分层平面包含第/>个目标点的含样组合数、第/>个分层平面包含第/>个目标点的脱样组合数、每个含样组合的含样角度差和每个脱样组合的脱样角度差,包括的具体步骤如下:
在第个分层平面上,将每两个点云数据组成一个点云对,计算每个点云对内两个点云数据的欧氏距离长度并记为每个点云对的长度,将所有点云对的长度的最大值的五分之一记为第/>个分层平面的分层局域半径,以第/>个点云数据为圆心、第/>个分层平面的分层局域半径为半径构成圆形区域,将圆形区域记为第/>个点云数据的范围;在第/>个点云数据的范围内的包含第/>个点云数据的所有点云数据进行组合得到若干个含样组合,记为第/>个分层平面上第/>个点云数据的含样组合,将第/>个分层平面上第/>个点云数据的含样组合的数量记为第/>个分层平面包含第/>个点云数据的含样组合数;在每个含样组合中,计算含样组合中每两个点云数据的欧式距离,将欧式距离的最小值所对应的两个点云数据的法向量的夹角记为每个含样组合的含样角度差;在第/>个点云数据的范围内的不包含第/>个点云数据的所有点云数据进行组合得到若干个脱样组合,记为第/>个分层平面上第/>个点云数据的脱样组合,将第/>个分层平面上第/>个点云数据的脱样组合的数量记为第/>个分层平面不包含第/>个点云数据的脱样组合数;在每个脱样组合中,计算脱样组合中每两个点云数据的欧式距离,将欧式距离的最小值所对应的两个点云数据的法向量的夹角记为每个脱样组合的含样角度差。
4.根据权利要求2所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述点云数据的法向量的具体获得方法如下:
在所有分层平面上,计算第个分层平面上第/>个点云数据与所有其他所有点云数据的欧氏距离,将与第/>个分层平面上第/>个点云数据的欧氏距离最小的5个点云数据记为第/>个分层平面上第/>个点云数据的拟合数据,用第/>个分层平面上第/>个点云数据和第/>个分层平面上第/>个点云数据的拟合数据进行平面拟合得到第/>个分层平面上第/>个点云数据的局部平面,计算所述局部平面的法向量,记为第/>个分层平面上第/>个点云数据的法向量。
5.根据权利要求1所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述在每个分层平面上对目标点云数据进行整体结构性分析,计算每个分层平面的每个点云数据与其所有相似点云中的每个相似点云的结构相似性,包括的具体步骤如下:
计算第个点云数据和其所有相似点云之间的所有欧式距离的方差,将第/>个点云数据的所有相似点云中去除任意一个相似点云得到第/>个点云数据的所有剩余相似点云,计算第/>个点云数据和其所有剩余相似点云之间的所有欧式距离的方差,用第/>个点云数据和其所有剩余相似点云之间的所有欧式距离的方差除以第/>个点云数据和其所有相似点云之间的所有欧式距离的方差,得到第/>个点云数据的任意一个相似点云的方差贡献度,计算每个分层平面上每个点云数据与其所有相似点云中的第/>个相似点云的结构相似性,具体的计算公式为:
其中,表示第/>个分层平面上第/>个点云数据与其所有相似点云中的第/>个相似点云的结构相似性,/>表示第/>个分层平面上第/>个点云数据的所有相似点云中的第/>个相似点云的方差贡献度,/>表示以自然常数为底数的指数函数。
6.根据权利要求1所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述根据结构相似性对所有点云数据进行筛选得到每个分层平面的留存点云,包括的具体步骤如下:
对每个分层平面的每个点云数据的所有相似点云进行筛选,若每个点云数据的相似点云的结构相似性小于相似性阈值,则将每个点云数据的结构相似性小于相似性阈值的相似点云记为每个点云数据的偏差点云,将每个点云数据的偏差点云从每个点云数据的范围内删除,经过筛选后,将每个分层平面的每个点云数据的范围内的剩余的点云数据记为每个分层平面的留存点云。
7.根据权利要求1所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述利用每个分层平面的留存点云计算每个分层平面的所有留存点云的局部聚集性,包括的具体步骤如下:
计算每个分层平面的法向量,获取与每个分层平面的法向量的空间角的角度差中最小的四个分层平面,将这五个分层平面中所有的留存点云进行合并得到包络空间,将包络空间记为每个分层平面的局部范围;将每个分层平面的留存点云的法向量进行法向量方向上的延伸得到每个留存点云的延伸线,计算该分层平面的局部范围内留存点云的延伸线的交点之间的平均欧式距离,对平均欧式距离取相反数后作为以自然常数为底数的指数函数的指数得到聚集量,将聚集量记为每个分层平面的所有留存点云的局部聚集性。
8.根据权利要求1所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述计算每个分层平面的相似均值,根据每个分层平面的相似均值得到每两个分层平面的合并阈值,包括的具体步骤如下:
对所有的分层平面进行无规则排序得到分层平面序列,计算所有留存点云在分层平面序列中第个分层平面的结构相似性均值,记为第/>个分层平面的相似均值,计算所有留存点云在分层平面序列中第/>个分层平面的结构相似性均值,记为第/>个分层平面的相似均值,计算第/>个分层平面和第/>个分层平面的合并阈值,具体的计算公式为:
其中,表示第/>个分层平面和第/>个分层平面的合并阈值,/>表示第/>个分层平面的相似均值,/>表示第/>个分层平面的相似均值,/>表示合并超参数。
9.根据权利要求1所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述结合每个分层平面的所有留存点云的局部聚集性和每两个分层平面的合并阈值,对每两个分层平面的所有留存点云进行判断,得到留存局部范围,包括的具体步骤如下:
计算每两个分层平面之间的合并阈值,并计算每两个分层平面上所有留存点云的局部聚集性的差值,记为每两个分层平面的局部聚集性的差值,若两个分层平面的局部聚集性的差值小于两个分层平面的合并阈值,则将两个分层平面的所有留存点云进行合并得到空间范围,将空间范围记为留存局部范围。
10.根据权利要求1所述基于点云数据的数控机床刀具刀尖快速定位方法,其特征在于,所述根据不同视角下的点云数据对留存局部范围进行结构性分析,得到点云数据的结构之间的重复度,根据点云数据的结构之间的重复度对每个点云数据进行关键点优化得到关键点云,包括的具体步骤如下:
获取不同视角下的点云数据,将每两个视角的点云数据进行合并得到不同视角下的点云数据之间的重复区域,并将两个视角的点云数据表示在一个坐标系中,将此坐标系记为合并坐标系;
在任意两个视角下的点云数据中,对两个视角的重复区域内的点云数据进行凸包检测得到两个凸包,将两个凸包合并到合并坐标系中,将两个视角中任意一个视角记为目标视角,对目标视角下的点云数据和当前视角下的点云数据进行区块划分得到多视角判定范围,具体过程为:将目标视角的留存局部范围作为合并坐标系的留存局部范围,获取合并坐标系的留存局部范围的所有分层方向,从合并坐标系原点开始构建一个边长为初始设定值的正立方体,在正立方体囊括的区域内,计算两个凸包在合并坐标系的留存局部范围内的每个分层方向上的点云数据的数量的差值的绝对值的方差,将方差取倒数得到点云数据之间的重复度,以预设步长为步长,增加正立方体的边长得到新的正立方体,在新的正立方体囊括的区域内,计算点云数据之间的重复度,……,以此类推,直至新的正立方体囊括的区域内包含所有点云数据时,计算点云数据之间的重复度,选取点云数据之间的重复度最大时对应的正立方体区域作为多视角判定范围;
在所有多视角判定范围中,计算每个留存点云与其余所有点云数据的欧氏距离,若其中欧氏距离的最小值大于预设的筛选阈值,则对该留存点云进行去除,重复判断所有留存点云并对留存点云进行去除,将剩余的留存点云记为关键点云,在不同角度下使用检测算法进行点云数据的关键点云的获取,得到留存点云中的不同视角下的关键点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041872.8A CN116777909B (zh) | 2023-08-18 | 2023-08-18 | 基于点云数据的数控机床刀具刀尖快速定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041872.8A CN116777909B (zh) | 2023-08-18 | 2023-08-18 | 基于点云数据的数控机床刀具刀尖快速定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777909A CN116777909A (zh) | 2023-09-19 |
CN116777909B true CN116777909B (zh) | 2023-11-03 |
Family
ID=87986176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311041872.8A Active CN116777909B (zh) | 2023-08-18 | 2023-08-18 | 基于点云数据的数控机床刀具刀尖快速定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777909B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814666A (zh) * | 2020-07-07 | 2020-10-23 | 华中农业大学 | 一种复杂林分下的单木参数提取方法、***、介质及设备 |
CN111993155A (zh) * | 2020-06-16 | 2020-11-27 | 华南理工大学 | 一种基于激光雷达的机床防碰撞***及方法 |
EP3747547A1 (en) * | 2019-06-04 | 2020-12-09 | Metso Denmark A/S | A cutting knife, a method for replacing a knife tip of said cutting knife, and a knife tip replacement part for use in said method |
CN115356987A (zh) * | 2022-08-29 | 2022-11-18 | 宜宾普翼汽车科技有限公司 | 汽车模具数控加工毛坯符型匹配方法 |
CN116091559A (zh) * | 2022-12-01 | 2023-05-09 | 西北工业大学 | 一种基于优选视角的装配状态识别方法 |
CN116258857A (zh) * | 2023-03-13 | 2023-06-13 | 扎赉诺尔煤业有限责任公司 | 一种面向室外树木激光点云分割与提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11138719B2 (en) * | 2019-12-19 | 2021-10-05 | The Boeing Company | Three-dimensional inspection of a workpiece for conformance to a specification |
-
2023
- 2023-08-18 CN CN202311041872.8A patent/CN116777909B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3747547A1 (en) * | 2019-06-04 | 2020-12-09 | Metso Denmark A/S | A cutting knife, a method for replacing a knife tip of said cutting knife, and a knife tip replacement part for use in said method |
CN111993155A (zh) * | 2020-06-16 | 2020-11-27 | 华南理工大学 | 一种基于激光雷达的机床防碰撞***及方法 |
CN111814666A (zh) * | 2020-07-07 | 2020-10-23 | 华中农业大学 | 一种复杂林分下的单木参数提取方法、***、介质及设备 |
CN115356987A (zh) * | 2022-08-29 | 2022-11-18 | 宜宾普翼汽车科技有限公司 | 汽车模具数控加工毛坯符型匹配方法 |
CN116091559A (zh) * | 2022-12-01 | 2023-05-09 | 西北工业大学 | 一种基于优选视角的装配状态识别方法 |
CN116258857A (zh) * | 2023-03-13 | 2023-06-13 | 扎赉诺尔煤业有限责任公司 | 一种面向室外树木激光点云分割与提取方法 |
Non-Patent Citations (1)
Title |
---|
基于空间相似聚类的点云数据分割方法研究与实验;马进全 等;地理信息世界(第02期);134-138 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777909A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742102B (zh) | 一种基于深度传感器的手势识别方法 | |
CN111299815B (zh) | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 | |
Björkman et al. | Enhancing visual perception of shape through tactile glances | |
Rabbani et al. | Efficient hough transform for automatic detection of cylinders in point clouds | |
CN112836734A (zh) | 一种异源数据融合方法及装置、存储介质 | |
CN109272523B (zh) | 基于改进cvfh和crh特征的随机堆放活塞位姿估计方法 | |
CN106373118B (zh) | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 | |
CN107748871A (zh) | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 | |
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 | |
CN109145969B (zh) | 三维物体点云数据的处理方法、装置、设备及介质 | |
CN110930456A (zh) | 基于pcl点云库的钣金零件的三维立体识别及定位方法 | |
JP2012150796A (ja) | 情報処理装置および方法 | |
CN115147437B (zh) | 机器人智能引导加工方法与*** | |
CN108994844A (zh) | 一种打磨操作臂手眼关系的标定方法和装置 | |
CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
CN108876852B (zh) | 一种基于3d视觉的在线实时物体识别定位方法 | |
CN112651944B (zh) | 基于cad模型的3c部件高精度六维位姿估计方法及*** | |
CN112356019B (zh) | 一种用于灵巧手抓取的目标物体形体分析方法及装置 | |
CN111598172A (zh) | 基于异构深度网络融合的动态目标抓取姿态快速检测方法 | |
CN116862960A (zh) | 工件形貌点云配准方法、装置、设备及存储介质 | |
Schmidt et al. | Data selection for hand-eye calibration: A vector quantization approach | |
CN108629315B (zh) | 一种针对三维点云的多平面识别方法 | |
CN116777909B (zh) | 基于点云数据的数控机床刀具刀尖快速定位方法 | |
CN112802101A (zh) | 一种基于多维金字塔的分层模板匹配方法 | |
CN112070005A (zh) | 一种三维基元数据的提取方法及装置、存储介质 |
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 |