원본 | Wen BFT 로봇
01
요약
본 논문은 가비지 피킹 시스템에서 포인트 클라우드 분할을 위한 알고리즘을 제안한다. 이 알고리즘은 저비용 깊이 카메라 RealSense를 사용하여 포인트 클라우드 데이터를 얻고 포인트 클라우드 데이터를 필터링 및 분할한 다음 마지막으로 분할된 하위 블록을 독립적으로 연결하여 완전한 공작물 모델을 형성합니다. 알고리즘의 타당성과 실용성은 테스트 케이스에 의해 검증됩니다.
그림 1 작업대의 티 파이프가 가지런히 정리되어 있지 않습니다. (a) 공작물의 RGB 이미지. (b) 그림 1(a) 3D 데이터 포인트 세트.
02
정렬되지 않은 포인트 클라우드 컬렉션에서 부품을 식별하는 데 있어 주요 과제는 무엇입니까?
깊이 카메라 또는 레이저 스캐너로 획득한 정렬되지 않은 포인트 클라우드 컬렉션에서 부품 식별의 주요 과제는 3D 개체를 정확하게 분할하는 방법입니다. 포인트 클라우드 데이터의 무질서와 노이즈로 인해 포인트 클라우드를 개별 개체로 분할하고 각 개체의 경계와 모양을 인식하는 효과적인 알고리즘을 개발해야 합니다. 이러한 분할 결과는 로봇이 부품을 정확하게 파악하고 처리하는 데 매우 중요합니다.
03
제안된 알고리즘은 포인트 데이터셋을 어떻게 필터링하고 하위 블록 세그먼트로 분할합니까?
제안된 알고리즘은 노이즈와 관련 없는 데이터를 제거하기 위해 먼저 포인트 데이터셋을 필터링한다. 이렇게 하면 순서가 지정되지 않은 원래 포인트 클라우드 컬렉션이 더 깨끗하고 컴팩트한 포인트 클라우드 데이터로 변환됩니다. 다음으로 필터링된 포인트 클라우드 데이터는 여러 하위 블록 세그먼트로 분할됩니다.
특정 분할 프로세스는 확장된 볼록도 기준 및 각도 기준을 사용하여 포인트 클라우드에서 로컬 볼록 및 각도 정보를 판단하여 포인트 클라우드를 여러 하위 블록 세그먼트로 분할하는 것을 포함할 수 있습니다. 이러한 하위 블록 조각은 단일 공작물의 3D 모델을 나타낼 수 있으며 후속 개체 인식 및 파악을 위한 기반을 제공합니다. 알고리즘은 포인트 클라우드 데이터를 필터링하고 분할함으로써 원래 포인트 클라우드 데이터를 보다 관리하기 쉬운 하위 블록 조각으로 변환할 수 있으며, 이는 후속 처리 단계를 위한 더 나은 기반을 제공합니다.
04
서브블록 조각을 독립적으로 연결하기 위해 제안된 알고리즘에서 사용되는 두 가지 기준은 무엇입니까?
제안된 알고리즘에서는 독립적으로 서브 블록 조각을 연결하기 위해 두 가지 기준을 사용한다. 이 두 가지 기준은 각각 확장된 볼록성 기준과 각도 기준입니다. 이 두 가지 기준으로 알고리즘은 분할된 하위 블록 세그먼트를 독립적으로 연결하여 포인트 클라우드 데이터의 로컬 볼록 및 각도 정보에 따라 더 큰 결합 세그먼트를 형성할 수 있습니다.
확장된 볼록성 기준은 서브 블록 세그먼트의 볼록 특성을 판단하는 데 사용되고 각도 기준은 서브 블록 세그먼트 간의 각도 관계를 판단하는 데 사용됩니다. 이 두 가지 기준을 사용하여 알고리즘은 하위 블록 조각을 효과적으로 연결하여 후속 식별 및 처리를 위한 기반을 제공하는 완전한 아티팩트 모델을 형성할 수 있습니다.
05
논문 원칙
가. 전처리
기사의 METHOD 섹션에서 노이즈를 제거하는 방법이 언급됩니다. 구체적인 단계는 다음과 같습니다.
먼저 포인트 클라우드 데이터를 필터링하여 노이즈 및 관련 없는 데이터를 제거합니다. 이것은 가우스 필터링 또는 평균 필터링 등과 같은 필터링 알고리즘을 사용하여 달성할 수 있습니다. 필터링 알고리즘은 포인트 클라우드 데이터를 평활화하고 이상값과 노이즈를 제거할 수 있습니다.
둘째, 작업대의 소음을 제거하기 위해 특정 방법을 사용할 수 있습니다. 이 기사에서는 RealSense 카메라로 스캔한 워크벤치의 노이즈를 언급하고 있는데, 이는 워크벤치의 노이즈를 식별하고 제거하여 분할 알고리즘의 성능을 향상시킬 수 있습니다. 특정 방법에는 벤치에서 노이즈를 감지하고 제거하기 위해 이미지 처리 기술 또는 기하학적 분석 방법을 사용하는 것이 포함될 수 있습니다.
이러한 단계를 통해 알고리즘은 포인트 클라우드 데이터의 노이즈를 효과적으로 제거하고 보다 깨끗하고 컴팩트한 포인트 클라우드 데이터를 얻을 수 있으므로 후속 세분화 및 연결 단계에 보다 정확한 입력을 제공할 수 있습니다.
그림 2 워크벤치 노이즈 포인트 필터링. (a) 노이즈 포인트 클라우드 데이터 (b) 작업대 평면 노이즈 포인트 (c) 필터링된 깨끗한 포인트 클라우드
B. 하위 블록 조각 분할
확장된 볼록성 기준과 각도 기준에 따라 포인트 클라우드 데이터는 여러 하위 블록 조각으로 나뉩니다.
특정 분할 프로세스는 포인트 클라우드 데이터를 여러 개의 작은 블록 또는 영역으로 분할하고 볼록도 및 각도 기준에 따라 동일한 하위 블록 세그먼트에 속하는 블록 또는 영역을 판단하는 것을 포함할 수 있습니다.
각 하위 블록 조각에 대해 단일 공작물의 3D 모델로 나타낼 수 있습니다. 이는 후속 처리 및 분석을 위해 하위 블록 조각에서 포인트 클라우드 데이터를 추출하여 달성할 수 있습니다.
이러한 단계를 통해 알고리즘은 포인트 클라우드 데이터를 여러 하위 블록 조각으로 분할할 수 있으며 각 조각은 단일 공작물의 3D 모델을 나타낼 수 있습니다. 이것은 후속 객체 인식 및 파악을 위한 기초를 제공합니다.
C. 서브블록 조각을 독립적으로 연결
분할된 하위 블록 조각을 독립적으로 연결합니다. 특정 연결 프로세스는 인접한 하위 블록 조각을 일치시키고 정렬하여 그들 사이의 볼록한 특징과 각도 관계가 연결 기준을 준수하도록 보장할 수 있습니다.
연결된 하위 블록 조각은 완전한 공작물 모델을 형성합니다. 이 공작물 모델은 후속 개체 인식 및 파악에 사용할 수 있습니다.
이러한 단계를 통해 알고리즘은 분할된 하위 블록 조각을 독립적으로 연결하여 완전한 공작물 모델을 형성할 수 있습니다.
그림 3 "경계점" 노이즈 필터링: (a) "경계점"이 있는 점 데이터 세트, (b) "경계점"이 없는 압축 점 데이터, (c) "경계점", (d) "경계점"이 더 있습니다. (e) 그림 3(b)의 특징점에 그림 3(d)의 특징점을 더한 결과
06
실험적 효과
이 기사에서는 Intel RealSense SR300 카메라를 사용하여 포인트 클라우드 데이터를 얻고 알고리즘을 테스트하고 검증합니다. 실험 결과는 알고리즘이 포인트 클라우드 데이터를 여러 하위 블록 조각으로 효과적으로 분할하고 이러한 하위 블록 조각을 독립적으로 연결하여 완전한 공작물 모델을 형성할 수 있음을 보여줍니다. 동시에 알고리즘은 포인트 클라우드 데이터에서 노이즈와 관련 없는 데이터를 제거하여 알고리즘의 성능과 정확도를 향상시킬 수 있습니다.
그림 4 분할 결과 (a) 단일 부품 유형의 S 분할 결과. (b) 다중 유형 부분의 S 분할 결과
이 기사는 또한 성공적인 분할 비율 및 잘못된 분할 비율과 같은 알고리즘의 효과를 평가하기 위해 몇 가지 정량적 지표를 사용합니다. 실험 결과는 알고리즘이 95% 이상의 성공적인 분할 비율과 5% 미만의 잘못된 분할 비율로 다양한 테스트 시나리오에서 좋은 결과를 얻을 수 있음을 보여줍니다. 이는 알고리즘이 높은 정확도와 견고성을 가지고 있으며 실제 가비지 피킹 시스템에 적용될 수 있음을 보여줍니다.
논문의 실험 결과와 설명에 따르면 알고리즘은 포인트 클라우드 분할 및 공작물 인식에서 우수한 성능과 효과를 나타냅니다. 따라서 알고리즘은 특히 쓰레기 수거 시스템 및 관련 분야에서 광범위한 응용 가능성을 가지고 있습니다.
첫째, 이 알고리즘은 흩어진 3D 개체의 자동 분할 및 인식을 위해 가비지 피킹 시스템에 적용될 수 있습니다. RealSense와 같은 저비용 깊이 카메라를 사용하여 포인트 클라우드 데이터를 얻을 수 있으며 알고리즘을 사용하여 포인트 클라우드 데이터를 분할하고 연결하여 흩어진 물체의 자동 인식 및 캡처를 실현할 수 있습니다. 이것은 폐기물 수집 시스템의 효율성과 정확성을 크게 향상시킬 것입니다.
또한 이 알고리즘은 산업 자동화, 로봇 비전 및 물체 인식과 같은 다른 분야에도 적용될 수 있습니다. 포인트 클라우드 데이터를 세분화하고 연결하여 복잡한 객체의 인식 및 분석을 실현할 수 있습니다. 이는 자동화된 생산 라인, 지능형 창고 시스템 및 로봇 탐색과 같은 애플리케이션 시나리오에 매우 유용합니다.
일반적으로 알고리즘은 포인트 클라우드 분할 및 공작물 식별에서 높은 정확도와 견고성을 가지며 쓰레기 수집 시스템 및 기타 관련 분야에 적용할 수 있어 자동화 및 지능화를 실현하기 위한 강력한 기술 지원을 제공합니다.
参考资料: [1] Gong X , Chen M , Yang X .RealSense[C]//2017 IEEE International Conference on Information and Automation(ICIA).IEEE, 2017.DOI:10.1109/에서 샘플링한 3D 분산 부품의 포인트 클라우드 분할 ICInfA.2017.8078881.
더 흥미로운 콘텐츠를 원하시면 공식 계정을 주목해주세요: BFT Robot
이 기사는 원본 기사이며 저작권은 BFT Robot에 있습니다.재인쇄가 필요한 경우 당사에 문의하십시오. 이 글의 내용에 대해 문의사항이 있으시면 연락주시면 신속히 답변드리겠습니다.