裝配作為工業(yè)生產(chǎn)領(lǐng)域中的重要組成部分,其工作強(qiáng)度大、重復(fù)性高,在特定環(huán)境下具有一定的危險(xiǎn)性。該過程多年來主要依靠手動(dòng)分揀完成,生產(chǎn)成本高、準(zhǔn)確性低且速度慢,將工業(yè)機(jī)器人應(yīng)用于裝配領(lǐng)域,實(shí)現(xiàn)零部件的自動(dòng)抓取、組裝,可以顯著地提高工業(yè)生產(chǎn)力以及自動(dòng)裝配的智能化程度。自動(dòng)裝配的難點(diǎn)在于目標(biāo)檢測,基于3D視覺的隨機(jī)箱體抓取技術(shù)因其巨大的應(yīng)用潛力,逐漸成為解決該問題的有效方法,也是目前國內(nèi)外學(xué)者研究的熱點(diǎn)。本文提出基于三維點(diǎn)云處理的散亂零部件識(shí)別與定位方法,使用三維視覺測量系統(tǒng)獲取箱體內(nèi)散亂零部件表面的點(diǎn)云數(shù)據(jù),結(jié)合三維點(diǎn)云處理算法得到零件位姿信息。課題深入研究了識(shí)別與定位過程中場景分割和配準(zhǔn)兩個(gè)關(guān)鍵問題。針對(duì)機(jī)器人隨機(jī)箱體抓取過程中場景分割困難的問題,提出基于改進(jìn)歐式聚類的散亂零部件點(diǎn)云分割方法。預(yù)處理階段,提出迭代半徑濾波方法去除離群點(diǎn),得到去除干擾點(diǎn)后的零部件點(diǎn)云;通過基于法線夾角的邊緣檢測方法去除點(diǎn)云中的邊緣點(diǎn),使相互碰撞的零件在空間上分離;采用改進(jìn)的搜索半徑自適應(yīng)歐式聚類方法進(jìn)行點(diǎn)云分割,得到多個(gè)零件點(diǎn)云子集;根據(jù)基于距離約束的方法將去除的邊緣點(diǎn)補(bǔ)齊到點(diǎn)云子集之中,從而完成點(diǎn)云分割。此... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

場景點(diǎn)云法線

圖 3-4 半徑濾波 圖 3-5 迭代半徑濾波圖 3-4、3-5 分別表示上述場景點(diǎn)云在鄰域搜索半徑 r 3m m, TH 5時(shí)，單次濾波和迭代半徑濾波后的結(jié)果，濾波后點(diǎn)云數(shù)目如表 3-1 所示，表中去除率表示去除離群點(diǎn)后的點(diǎn)云數(shù)目相對(duì)于去除前數(shù)目的減少率，分析表中數(shù)據(jù)可得，本章算法相對(duì)于改進(jìn)前點(diǎn)云去除率提高了 3.40%，結(jié)合圖 3-4、3-5 實(shí)驗(yàn)結(jié)果，可以看出改進(jìn)后濾波算法更能有效的去除點(diǎn)云中離群點(diǎn)。表 3-1 兩種離群點(diǎn)去除算法效果對(duì)比原始點(diǎn)云 去除冗余點(diǎn) 去除離群點(diǎn) 去除率/%半徑濾波器濾波 56184 13259 11624 12.33迭代半徑濾波器濾波 56184 13259 11174 15.733.2 基于改進(jìn)歐式聚類的散亂零部件點(diǎn)云分割3.2.1 點(diǎn)云分割概述在實(shí)際工業(yè)應(yīng)用中，使用最廣泛的是聚類分割，聚類分割是根據(jù)對(duì)象的某一特征(如

圖 3-4 半徑濾波 圖 3-5 迭代半徑濾波圖 3-4、3-5 分別表示上述場景點(diǎn)云在鄰域搜索半徑 r 3m m, TH 5時(shí)，單次濾波和迭代半徑濾波后的結(jié)果，濾波后點(diǎn)云數(shù)目如表 3-1 所示，表中去除率表示去除離群點(diǎn)后的點(diǎn)云數(shù)目相對(duì)于去除前數(shù)目的減少率，分析表中數(shù)據(jù)可得，本章算法相對(duì)于改進(jìn)前點(diǎn)云去除率提高了 3.40%，結(jié)合圖 3-4、3-5 實(shí)驗(yàn)結(jié)果，可以看出改進(jìn)后濾波算法更能有效的去除點(diǎn)云中離群點(diǎn)。表 3-1 兩種離群點(diǎn)去除算法效果對(duì)比原始點(diǎn)云 去除冗余點(diǎn) 去除離群點(diǎn) 去除率/%半徑濾波器濾波 56184 13259 11624 12.33迭代半徑濾波器濾波 56184 13259 11174 15.733.2 基于改進(jìn)歐式聚類的散亂零部件點(diǎn)云分割3.2.1 點(diǎn)云分割概述在實(shí)際工業(yè)應(yīng)用中，使用最廣泛的是聚類分割，聚類分割是根據(jù)對(duì)象的某一特征(如

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的三維物體檢測方法[J]. 李洋洋,史歷程,萬衛(wèi)兵,趙群飛.  上海交通大學(xué)學(xué)報(bào). 2018(01)
[2]面向點(diǎn)云的三維物體識(shí)別方法綜述[J]. 郝雯,王映輝,寧小娟,梁瑋,石爭浩.  計(jì)算機(jī)科學(xué). 2017(09)
[3]復(fù)雜場景下基于C-SHOT特征的3D物體識(shí)別與位姿估計(jì)[J]. 張凱霖,張良.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(05)
[4]基于形狀先驗(yàn)?zāi)Ｐ偷钠矫嫘凸ぜト∥蛔藱z測[J]. 鄭晶怡,李恩,梁自澤.  機(jī)器人. 2017(01)
[5]基于曲率特征的迭代最近點(diǎn)算法配準(zhǔn)研究[J]. 曾繁軒,李亮,刁鑫鵬.  激光與光電子學(xué)進(jìn)展. 2017(01)
[6]基于Kinect的機(jī)器人臂手系統(tǒng)的目標(biāo)抓取[J]. 丁美昆,徐昱琳,蔣財(cái)軍,冉鵬.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(04)
[7]三維點(diǎn)云邊緣檢測和直線段提取進(jìn)展與展望[J]. 倪歡,張繼賢,林祥國.  測繪通報(bào). 2016(07)
[8]基于特征融合的林下環(huán)境點(diǎn)云分割[J]. 樊麗,劉晉浩,黃青青.  北京林業(yè)大學(xué)學(xué)報(bào). 2016(05)
[9]平滑度歐式聚類算法分割點(diǎn)云數(shù)據(jù)[J]. 吳燕雄,李峰,劉芳,程麗娜,郭麗麗.  測控技術(shù). 2016(03)
[10]基于法向量直方圖特征描述的點(diǎn)云ICP拼接[J]. 秦緒佳,徐菲,王建奇,鄭紅波,陳勝男.  小型微型計(jì)算機(jī)系統(tǒng). 2016(03)

碩士論文
[1]基于編碼結(jié)構(gòu)光的立體視覺定位技術(shù)的研究與開發(fā)[D]. 石愛軍.江南大學(xué) 2017
[2]面向機(jī)器人抓取的散亂零件自動(dòng)識(shí)別與定位技術(shù)研究[D]. 佐立營.哈爾濱工業(yè)大學(xué) 2015
[3]結(jié)構(gòu)光測量點(diǎn)云數(shù)據(jù)配準(zhǔn)研究[D]. 彭仲濤.哈爾濱工程大學(xué) 2015



本文編號(hào)：3351995