[發(fā)明專利]一種基于混合模型的零件識別與定位方法

在審

• 申請?zhí)枺?/td>: 201711021221.7
• 申請日: 2017-10-26
• 公開（公告）號: CN107818577A
• 公開（公告）日: 2018-03-20
• 發(fā)明（設(shè)計(jì)）人: 張青;林桂潮;王波;蘇金文
• 申請（專利權(quán)）人: 滁州學(xué)院
• 主分類號: G06T7/30
• 分類號: G06T7/30;G06T7/13
• 代理公司: 合肥市上嘉專利代理事務(wù)所(普通合伙)34125
• 代理人: 郭華俊

技術(shù)領(lǐng)域

本發(fā)明涉及視覺工業(yè)機(jī)器人技術(shù)領(lǐng)域，特別涉及一種基于混合模型的零件識別與定位方法。

背景技術(shù)

工業(yè)機(jī)器人是機(jī)械機(jī)構(gòu)、運(yùn)動(dòng)規(guī)劃和控制系統(tǒng)等關(guān)鍵技術(shù)的綜合集成，具有工作效率高、穩(wěn)定可靠、重復(fù)精度好等優(yōu)點(diǎn)，廣泛應(yīng)用于焊接、碼垛、裝配、加工、檢測、物流搬運(yùn)和噴涂等領(lǐng)域，在勞動(dòng)密集型產(chǎn)業(yè)轉(zhuǎn)型升級中發(fā)揮重要作用。2014年我國工業(yè)機(jī)器人銷量5.7萬臺(tái)，已成為全球第一大工業(yè)機(jī)器人市場，2015年國務(wù)院印發(fā)的《中國制造2025》提出加快發(fā)展智能裝備，大力鼓勵(lì)發(fā)展工業(yè)機(jī)器人技術(shù)。目前，瑞士ABB、日本發(fā)那科公司、日本安川電機(jī)和德國庫卡機(jī)器人等巨頭占據(jù)中國機(jī)器人產(chǎn)業(yè)60％市場份額，壟斷高端工業(yè)機(jī)器人核心技術(shù)，因此開發(fā)自主技術(shù)意義重大。

視覺精確識別定位技術(shù)是工業(yè)機(jī)器人在非結(jié)構(gòu)化環(huán)境中自主識別與定位零件，進(jìn)行柔性作業(yè)的核心技術(shù)，克服了傳統(tǒng)工業(yè)機(jī)器人通過示教編程作業(yè)，缺乏應(yīng)變能力的問題，顯著地促進(jìn)了智能工業(yè)機(jī)器人發(fā)展，適應(yīng)了高精度、高速和智能化作業(yè)需求。因此研究開發(fā)工業(yè)機(jī)器人的視覺精確識別定位技術(shù)意義重大，應(yīng)用前景廣闊。

目前，零件識別普遍采用模板匹配算法，它是在搜索圖像上移動(dòng)一個(gè)與模板一樣大小的窗口，計(jì)算窗口圖像與模板圖像的相似度，并尋找相似度最優(yōu)位姿的過程。但是該算法一方面只能得到離散的平移和旋轉(zhuǎn)精度；另一方面是在攝像機(jī)視角變化、非線性光照變化、遮擋或雜亂背景等工況下，零件與模板圖像常存在幾何變形。上述兩方面原因?qū)е履０迤ヅ渌惴ㄗR別定位精度低。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于混合模型的零件識別與定位方法，以提高視覺工業(yè)機(jī)器人識別與定位精度。

為實(shí)現(xiàn)以上目的，本發(fā)明采用一種基于混合模型的零件識別與定位方法，包括如下步驟：

S1、采集零件圖像，并利用模板匹配算法識別出零件圖像中的零件，得到每個(gè)零件對應(yīng)的位姿；

S2、分別提取識別出的每個(gè)零件的邊緣點(diǎn)集，以及提取模板圖像的邊緣點(diǎn)集及其方向向量；

S3、基于高斯混合模型，分別構(gòu)建各零件邊緣點(diǎn)集與模板圖像邊緣點(diǎn)集之間的幾何誤差的似然函數(shù)；

S4、采用EM算法對所構(gòu)建的似然函數(shù)進(jìn)行優(yōu)化，得到所述幾何誤差的優(yōu)化值；

S5、利用所述幾何誤差的優(yōu)化值對相應(yīng)零件的位姿進(jìn)行修正，得到各零件的修正位姿以對所述零件圖像中的各零件進(jìn)行識別。

其中，在所述步驟S5之后，還包括：

S6、將所述各零件的修正位姿轉(zhuǎn)換至世界坐標(biāo)系中，得到各零件在世界坐標(biāo)系中的位姿以對所述零件圖像中的各零件進(jìn)行識別。

其中，所述步驟S1，具體包括：

在利用所述模板匹配算法識別出零件圖像中的零件時(shí)，基于金字塔分層搜索策略，得到所述零件圖像中每個(gè)零件的位姿。

其中，所述在利用所述模板匹配算法識別出零件圖像中的零件時(shí)，基于金字塔分層搜索策略，得到所述零件圖像中每個(gè)零件的位姿，具體包括：

利用所述模板匹配算法識別出所述零件圖像中各零件的粗略位姿；

計(jì)算出與所述零件圖像和模板圖像相適應(yīng)層數(shù)的圖像金字塔；

基于各零件的粗略位姿，在所述圖像金字塔的最高層進(jìn)行一次完整的模板匹配，在最高層搜索所述零件圖像中的各零件；

將在最高層搜索得到的各零件追蹤到所述圖像金字塔的最底層，得到所述零件圖像中各零件的精細(xì)位姿。

其中，所述的步驟S3，具體包括：

根據(jù)每個(gè)零件的邊緣點(diǎn)集、模板圖像邊緣點(diǎn)集的方向向量及設(shè)定的尺度因子，計(jì)算所述模板圖像邊緣點(diǎn)集中任意點(diǎn)的概率；

根據(jù)所述模板圖像邊緣點(diǎn)集中任意點(diǎn)的概率，構(gòu)建所述零件邊緣點(diǎn)集和模板圖像邊緣點(diǎn)集件的幾何誤差的負(fù)對數(shù)似然函數(shù)。

其中，所述的步驟S4，具體包括：

S41、對所述負(fù)對數(shù)似然函數(shù)的參數(shù)進(jìn)行初始化處理，得到參數(shù)初始化值，其中負(fù)對數(shù)似然函數(shù)的參數(shù)包括尺度因子及幾何誤差；

S42、根據(jù)所述參數(shù)初始化值或者上一次負(fù)對數(shù)似然函數(shù)迭代的參數(shù)，計(jì)算隱性變量的后驗(yàn)概率；

S43、根據(jù)所述后驗(yàn)概率對所述幾何誤差及尺度因子的似然函數(shù)進(jìn)行優(yōu)化，得到新的參數(shù)值；

S44、重復(fù)步驟S42～S43，直至所述幾何誤差及尺度因子的似然函數(shù)收斂，得到幾何誤差值和尺度因子。

其中，所述的步驟S6，具體包括：

將世界坐標(biāo)系固定在平面標(biāo)定板上；

通過標(biāo)定得到平面標(biāo)定板與攝像機(jī)間的位姿矩陣以及內(nèi)參數(shù)矩陣；