[发明专利]一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法

说明书

本发明公开了一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，包括：对采集的分拣场景点云滤除分拣场景点云平面，并对堆叠分拣场景进行分割点云平面，得到多个种类的分拣场景点云簇；查询三维点邻域得到各分拣场景点云簇的堆叠状态；估计分拣场景点云中各点的法线，并提取各分拣场景点云簇和目标模型的边缘；生成不同的边缘候选匹配集合，利用Super4PCS粗匹配获取初始位姿，再通过ICP精匹配进行排序识别和位姿估计。本发明通过对物体的三维感知，实现了对具有堆叠、遮挡、乱序等特点的多目标物体的识别、分类和匹配定位，有利于实现工业机器人的自主识别和抓取动作的规划，从而提高搬运、分拣作业的抓取效率和准确程度。

技术领域

本发明涉及机器人乱序目标分拣识别方法，特别是涉及一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法。

背景技术

随着工业机器人在智能分拣、装配制造等领域的广泛应用，企业生产模式逐渐由传统的以人力为主导转向以机器人为主导。传统的分拣方法针对多品种小批量工件主要依靠工人操作，这种方法需要较高的雇佣成本，随持续时间和工作强度的增长，分拣准确率也会受到大幅影响，且由于劳动时限，作业效率不高。随着生产制造业向自动化、智能化和信息化的转型，机器视觉使用成本的逐步降低，搭载视觉装置的机器人分拣系统受到了重点关注。

机械臂分拣系统作为工业机器人技术和计算机视觉技术相结合的智能化设备，能够依靠高度的稳定性和先进的识别算法在复杂的生产环境进行作业。目标分拣识别的方法多基于RGB二维图像，使用Canny和Sobel算子等提取工件轮廓进行模板匹配，或者提取SIFT、SURF等特征点进行匹配、筛选、滤除等，能够获得较好的识别效果。另一方面，为了更好地适应光照条件变化、应对某些工件纹理不凸显、充分利用几何形状特征等，基于3D视觉的识别算法，逐渐成为了国内外制造企业和研究机构的关注热点。

然而，由于3D点云的有效特征描述子如FPFH、SHOT、VFH等的识别范围和准确性均有一定的限制，无法很好适应场景多变化和工件多品种、多位姿的生产环境，通用性、普适性的缺失，制约了3D视觉在实际中的广泛应用。3D点云识别主要存在以下问题：①视觉装置通常只获取单一视角的有限数据，且存在工件堆叠、环境约束、传感器性能等引起的点云残缺现象；②某些规则工件的法线一致性较高，多数以法线为基础的点云描述子效用甚微；③形状结构相似的工件特征相近，难以准确识别。

发明内容

发明目的：为了克服上述现有的技术缺陷，提供了一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法。该方法提供了针对分拣过程中多种类、多姿态工件的目标识别和位姿估计算法，具有较强的适应性，能够针对形状结构接近的工件和堆叠无序的摆放场景进行识别估计，满足作业任务的需要，提高机械臂分拣系统的准确性和稳定性。

技术方案：为实现上述发明目的，本发明提供以下技术方案：

一种基于3D视觉聚类和匹配的机器人乱序目标分拣方法，包括以下步骤：

(1)对采集的分拣场景点云通过RANSAC算法滤除分拣场景点云平面，并采用超体聚类和LCCP算法对堆叠分拣场景进行分割点云平面，得到多个种类的分拣场景点云簇；

(2)通过PCA计算主轴向量，将分拣场景点云沿主轴方向投影到三维平面，并查询三维点邻域得到各分拣场景点云簇的堆叠状态；

(3)通过拟合一个最小二乘意义下的微切平面，估计分拣场景点云中各点的法线，并利用角度判据提取各分拣场景点云簇和目标模型的边缘；

(4)结合各分拣场景点云簇的堆叠状态和边缘点云生成不同的边缘候选匹配集合，利用Super4PCS粗匹配获取初始位姿，再通过ICP精匹配进行排序识别和位姿估计。

进一步的，步骤(1)中对于采集的分拣场景点云，首先采用基于随机采样一致性RANSAC算法对分拣场景背景进行删除，滤除分拣场景点云平面，具体为：

(101)随机从分拣场景点云中抽取子点云样本；