技术新讯 > 计算推算,计数设备的制造及其应用技术 > 移动机器人的栈板识别系统及方法与流程  >  正文

移动机器人的栈板识别系统及方法与流程

  • 国知局
  • 2024-07-31 22:54:50

本申请涉及栈板识别领域,且更为具体地,涉及一种移动机器人的栈板识别系统及方法。

背景技术:

1、在自动化仓库、物流中心和生产线等场景中,精确知道栈板的位姿信息是实现自动化搬运、存储和识别的基础。传统栈板位姿信息通过在机器上安装编码器,通过编码器的反馈来获取,编码器在长时间运行中可能会积累误差,导致位置和姿态信息的准确性逐渐下降。

2、因此,需要一种优化的移动机器人的栈板识别方案。

技术实现思路

1、为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种移动机器人的栈板识别系统及方法,其采用基于深度学习的图像处理技术,首先通过双目相机获取栈板的正面图像,接着对获取到的栈板图像进行特征提取以得到栈板相关特征,然后对栈板相关特征进行稀疏优化,最后将稀疏优化后的栈板相关特征输入到生成器中以得到栈板的位姿信息。这样,实现了自动化识别栈板的位姿信息,提高了位姿识别的准确性。

2、根据本申请的一个方面,提供了一种移动机器人的栈板识别方法,其包括:

3、获取左相机拍摄的栈板正面图像和右相机拍摄的栈板正面图像;

4、对所述左相机拍摄的栈板正面图像和所述右相机拍摄的栈板正面图像进行特征提取以得到栈板特征向量;

5、基于所述栈板特征向量,得到栈板的位姿信息。

6、根据本申请的另一方面,提供了一种移动机器人的栈板识别系统,其包括:

7、栈板相关数据采集模块,用于获取左相机拍摄的栈板正面图像和右相机拍摄的栈板正面图像;

8、栈板相关数据特征编码模块,用于对所述左相机拍摄的栈板正面图像和所述右相机拍摄的栈板正面图像进行特征提取以得到栈板特征向量;

9、栈板位姿信息结果生成模块,用于基于所述栈板特征向量,得到栈板的位姿信息。

10、与现有技术相比,本申请提供的一种移动机器人的栈板识别系统及方法,其采用基于深度学习的图像处理技术,首先通过双目相机获取栈板的正面图像,接着对获取到的栈板图像进行特征提取以得到栈板相关特征,然后对栈板相关特征进行稀疏优化,最后将稀疏优化后的栈板相关特征输入到生成器中以得到栈板的位姿信息。这样,实现了自动化识别栈板的位姿信息,提高了位姿识别的准确性。

技术特征:

1.一种移动机器人的栈板识别方法,其特征在于,包括:

2.根据权利要求1所述的移动机器人的栈板识别方法,其特征在于,对所述左相机拍摄的栈板正面图像和所述右相机拍摄的栈板正面图像进行特征提取以得到栈板特征向量,包括:

3.根据权利要求2所述的移动机器人的栈板识别方法,其特征在于,对所述左相机拍摄的栈板正面图像和所述右相机拍摄的栈板正面图像进行初步处理以得到左二值化栈板图像和右二值化栈板图像,包括:对所述左相机拍摄的栈板正面图像和所述右相机拍摄的栈板正面图像进行图像二值化处理以得到所述左二值化栈板图像和所述右二值化栈板图像。

4.根据权利要求3所述的移动机器人的栈板识别方法,其特征在于,对所述左二值化栈板图像和所述右二值化栈板图像进行特征提取以得到左栈板sift特征向量和右栈板sift特征向量,包括;

5.根据权利要求4所述的移动机器人的栈板识别方法,其特征在于,基于所述栈板特征向量,得到栈板的位姿信息,包括:

6.根据权利要求5所述的移动机器人的栈板识别方法,其特征在于,对所述栈板特征向量进行基于模型参数空间的稀疏性约束以得到稀疏优化栈板特征向量,包括:

7.根据权利要求6所述的移动机器人的栈板识别方法,其特征在于,基于所述稀疏模型权重矩阵和所述稀疏模型偏置向量,对所述栈板特征向量进行处理以得到所述稀疏优化栈板特征向量,用于:以如下公式对所述栈板特征向量进行处理以得到所述稀疏优化栈板特征向量;

8.根据权利要求7所述的移动机器人的栈板识别方法,其特征在于,基于所述稀疏模型权重矩阵和所述稀疏模型偏置向量,对所述栈板特征向量进行处理以得到所述稀疏优化栈板特征向量,包括:

9.一种移动机器人的栈板识别系统,其特征在于,包括:

10.根据权利要求9所述的移动机器人的栈板识别系统,其特征在于,所述栈板相关数据特征编码模块,包括:

技术总结本申请提供了一种移动机器人的栈板识别系统及方法,涉及栈板识别领域,其采用基于深度学习的图像处理技术,首先通过双目相机获取栈板的正面图像,接着对获取到的栈板图像进行特征提取以得到栈板相关特征,然后对栈板相关特征进行稀疏优化,最后将稀疏优化后的栈板相关特征输入到生成器中以得到栈板的位姿信息。这样,实现了自动化识别栈板的位姿信息,提高了位姿识别的准确性。技术研发人员:陈健,徐威挺,庞文尧受保护的技术使用者:浙江科聪控制技术有限公司技术研发日:技术公布日:2024/7/29

本文地址:https://www.jishuxx.com/zhuanli/20240730/195288.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。