[发明专利]面向工业零件6D位姿估计的方法及计算机可读存储介质

说明书

本发明提供一种面向工业零件6D位姿估计的方法及计算机可读存储介质，方法包括：确定参数值与参数关键点的映射函数并构建有限个尺寸实例的三维模型库；基于所述三维模型库，通过物理引擎和渲染引擎的仿真生成堆叠数据集，并生成参数关键点标签和参数值标签，用于训练本技术方案所提出的神经网络；预测每个点到其所属工业零件的质心和参数关键点的空间偏移向量；通过聚类算法实现堆叠场景的个体分割，获得个体的预测质心，对逐点预测的参数关键点分类，获得个体的预测参数关键点及质心，然后计算逐点预测参数值，分类后获得个体的预测参数值，用于计算模板实例的参数关键点及质心；通过最小二乘拟合方法获得6D位姿估计结果。

技术领域

本发明涉及位姿估计技术领域，尤其涉及一种面向工业零件6D位姿估计的方法及计算机可读存储介质。

背景技术

面向工业零件的6D位姿估计是计算机视觉领域的重要研究方向，对于推动工业的智能化、自动化发展有着至关重要的意义。随着深度学习和计算机视觉相关技术的快速发展，通过深度学习网络解决工业零件的6D位姿识别问题逐渐成为研究的主流趋势，但目前大多数基于深度学习的位姿估计方法在工业零件的应用上，存在着识别效率不足、识别精度不足、网络泛化能力不足等问题。

面向工业零件的6D位姿估计是指针对工业零件的特性，对散乱、多样的工业零件进行空间位置和姿态的预测。CN110910452A公布了一种基于深度学习的低纹理工业零件位姿估计方法，首先通过物理仿真获得工业散乱零件的数据集，然后基于位姿估计子网络，由RGB-D信息预测零件的初始位姿，再基于位姿细化子网络，迭代细化出满足精度要求的位姿。CN110930454A公布了一种基于边界框外关键点定位的六自由度位姿估计算法，通过输入的RGB信息，基于卷积神经网络先进行目标检测，然后定位目标三维边界框的8个顶点，再根据EPnP算法计算6D位姿。CN111251295A公布了一种应用于参数化零件的视觉机械臂抓取方法及装置，首先将点云信息通过参数化深度神经网络进行零件检索，获取参数化零件的尺寸信息和类别信息，确定目标模板，再基于目标模板进行点云配准获得6D位姿。

当前技术中常用的方法是通过语义分割解决零件尺寸多样性的问题，但是同一参数化模板下设计的零件可以有无限种可能，会根据生产需求而变动，一旦发生变动就需要重新建立模板检索库，而且精度也会随着零件类别增加而下降。因此，提供一种可以泛化应用于同种参数化模板下多种尺寸实例的6D位姿估计方法是本领域技术人员亟需解决的问题。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明为了解决现有的问题，提供一种面向工业零件6D位姿估计的方法及计算机可读存储介质。

为了解决上述问题，本发明采用的技术方案如下所述：