高分辨率瓷砖图像实时拼接算法

为了解决不同纹理瓷砖图像的快速拼接问题，研究了图像拼接算法。首先，分析了图像拼接中速度和精度的关系，通过构建高斯金字塔尺度空间以减少程序的运算时间。然后，采用相位相关法配准瓷砖图像。在这个过程中，结合亚像素细化补偿分辨率下降引起的配准误差，并提出一种基于拉普拉斯算子的高频特征凸显策略以增强相位相关法鲁棒性。在多种颜色和纹理的瓷砖图像拼接实验表明，所提出的算法相比于基于SIFT和ORB算法，拼接成功率提升了60%和65%;相比于SURF、H-SURF和FFT算法，SSIM提升了9.04%、7.58%和4.02%。在运行速度上，所提出的方法相比于SIFT、SURF和H-SURF算法提升了4倍、3倍和2倍，仅为传统基于傅里叶变换的相位相关法的52%。该算法实现了快速和高质量的图像拼接，满足了工业应用中对高分辨率瓷砖的成像要求。     

面向铸件自动化打磨的点云精简方法

由于铸件自动化打磨作业中存在点云数据过冗余等问题，导致数据处理时间过长，影响加工效率。为了提高点云处理的计算效率，提出一种基于线性耦合曲率的点云精简方法，以兼具效率和精度。对源扫描点云构建K-d树数据结构，并提出更稳健的线性耦合曲率特征模型以提取特征域；在此基础上，利用改进空间二分法快速精简非特征域；最后融合特征域和精简后的非特征域，得到最终精简结果。结果表明：该方法可得准确的精简比，拟合曲面模型仅存在微小的数据空洞。在90%精简比、2.7%噪声比条件下，保形性误差为0.867 mm，优于传统的点云精简方法，能够实现铸件点云的高效精简。     

基于局部视觉的特定工件移动机械臂动态抓取方法

机械臂操作动态工件在分拣、上下料等作业场合有着广泛的需求。针对特定型号工件的移动机械臂动态抓取问题，提出一种基于特定工件ID编号识别和机械臂抓取位姿预测的运动工件鲁棒抓取方法。该方法选取AprilTag视觉标签来标记工件，通过图像采集、自适应阈值处理、连续边界分割、四边形拟合、快速解码等数据处理过程，获取局部视野下运动工件的ID、位置和姿态，实现工件的初次定位。结合移动机械臂的运动规划工艺策略，对特定型号目标工件的抓取位姿进行计算，实现抓取时刻的工件位姿预测。搭建了动态抓取实验平台进行了视觉标签ID识别、工件定位、动态目标抓取实验。结果表明，所提出的移动机械臂动态抓取方法，可以准确识别特定型号工件，并能够对不同运动速度的特定工件进行鲁棒抓取，抓取成功率平均值约为98%。该方法在智能产线的移动机械臂上下料等场景有着广泛的应用价值。     

6D姿态实时估计的轻量型YOLO网络

针对同类基于卷积神经网络的算法对目标姿态估计存在实时性不足的问题,提出了一种轻量型的6 D目标姿态估计算法.该算法通过卷积神经网络对输入的RGB图像进行特征提取,并将目标对象的位置信息映射到三维空间,最后通过目标图像及其三维模型之间的多组2D-3D对应关系,利用PnP和RANSAC方法计算目标的6自由度姿态.实验结果表...