本發明屬于胎皮空間位姿檢測領域，更具體地，涉及一種用于無序堆疊胎皮的空間位姿識別方法及系統。

背景技術：

1、輪胎作為汽車與地面接觸的唯一部件，承擔著至關重要的作用，不僅關系到汽車的牽引力、穩定性和舒適性，還直接影響到行駛安全性和燃油效率。因此，輪胎的質量和生產效率對于汽車工業的整體發展具有重要意義。隨著汽車行業的持續發展，輪胎需求量不斷增長，輪胎產業已成為全球規模龐大的行業之一。尤其是在生產環節中，輪胎的裝配效率對提高整體生產力和降低生產成本具有直接影響。

2、在傳統的輪胎生產過程中，胎皮的搬運和裝配大多依賴人工操作。然而，這種方式不僅導致生產成本的顯著增加，還存在較低的搬運效率。同時，長時間的人工操作還增加了工人受傷的風險，影響了生產安全和勞動環境的改善。傳統的圖像檢測技術雖可在一定程度上獲取輪胎相關信息，但無法有效地反映目標物體的真實狀態，且常常受限于設備的分辨率和環境干擾，導致獲取的數據不夠精準。而傳統的點云處理技術雖然能夠為物體定位提供一定支持，但由于噪聲的干擾，精度往往難以滿足實際應用需求，特別是在復雜的生產環境中，定位準確性存在較大挑戰。

3、基于上述缺陷和不足，本領域亟需提出一種用于無序堆疊胎皮的空間位姿識別方法，以在復雜的生產環境中更加準確和高效的完成對胎皮的定位。

技術實現思路

1、針對現有技術的以上缺陷或改進需求，本發明提供了一種用于無序堆疊胎皮的空間位姿識別方法及系統，其將圖像數據和點云數據的優勢相結合，通過先進的圖像處理技術精確捕捉輪胎的外觀特征，再結合點云數據對輪胎的三維空間信息進行精確分析，從而實現更加準確和高效的胎皮空間位姿檢測。該方法有效解決了傳統圖像檢測和點云處理中的局限性，具有更強的適應性和魯棒性，能夠在復雜的生產環境中提供更加精準的數據支持，顯著提高輪胎裝配的自動化水平和生產效率，降低人工成本，并減少因操作不當而導致的安全隱患。

2、為實現上述目的，按照本發明的一個方面，提出了一種用于無序堆疊胎皮的空間位姿識別方法，包括以下步驟：

3、步驟一，通過卷積神經網絡得到目標工件位于深度圖中的roi；

4、步驟二，根據深度相機內參矩陣以及目標工件位于深度圖中的roi將深度圖轉化為目標工件的原始點云數據；

5、步驟三，對所述原始點云數據進行預處理后計算其邊界點云，并基于該邊界點云采用ransac算法擬合三維圓以得到胎皮的空間位姿；

6、步驟四，計算所述三維圓內點云數量在邊界點云中的占比，并根據該占比判斷所述空間位姿是否精確，若是，則輸出胎皮的空間位姿，若否，則返回至步驟一，重新計算目標工件位于深度圖中的roi。

7、作為進一步優選的，步驟一包括以下步驟：

8、(11)采集實際工況下無序堆疊胎皮深度圖數據，標注深度圖頂部可抓取胎皮的roi，構建其無序堆疊胎皮深度圖數據集，并采用數據集訓練卷積神經網絡模型；

9、(12)將目標工件的深度圖輸入至訓練好的卷積神經網絡模型中，得到目標工件位于深度圖中的roi。

10、作為進一步優選的，步驟二包括以下步驟：

11、(21)根據目標工件位于深度圖中的roi創建掩膜，根據該掩膜對深度圖進行過濾，過濾過程中，將roi以外的區域置0；

12、(22)根據深度相機的內參矩陣系數將過濾后深度圖數據轉換為點云數據。

13、作為進一步優選的，步驟(22)包括以下步驟：

14、(221)標定深度相機的內參矩陣系數，該內參矩陣系數包括：x軸線焦距fx、y軸線焦距fy、x軸線像素偏移cx、y軸線像素偏移cy；

15、(222)環遍歷深度圖像素點，獲取其像素坐標(u，v)，以及像素點處灰度值，即該點處深度值；

16、(223)若該點的深度值被置0則跳過，否則，計算其像素點對應點云坐標，并獲取其目標工件原始點云數據，所述像素點對應點云坐標的計算公式包括：

17、

18、其中，(x，y，z)為像素點對應點云坐標。

19、作為進一步優選的，步驟三包括以下步驟：

20、(31)對原始點云數據做均勻濾波處理，以在不丟失其幾何信息的基礎上減少點云數量；

21、(32)對均勻濾波處理后的點云數據進行歐式聚類處理，以提取主要目標工件點云；

22、(33)對所述主要目標工件點云進行pca主成分分析，以得到目標工件點云的法向量；

23、(34)基于目標工件點云及目標工件點云的法向量，通過基于角間隙度算法計算目標工件的邊界點云；

24、(35)對目標工件的邊界點云進行ransac擬合三維圓計算，以得到胎皮的空間位姿。

25、作為進一步優選的，步驟(33)中，所述pca主成分分析包括：

26、對于任意一點p，通過二叉樹尋找其n個鄰近點或以r為半徑的領域內的鄰近點，以這n+1個點計算其協方差矩陣，從而計算其特征值與特征向量，最小特征值對應的特征向量即為點p的法向量。

27、作為進一步優選的，步驟(34)中，所述通過基于角間隙度算法計算目標工件的邊界點云包括：

28、遍歷目標工件點云，假設當前點為p，依據二叉樹尋找其領域n個鄰近點或以r為半徑的領域內的全部點作為其鄰近點，以當前點為坐標原點，將n個領域點映射到與點p法向量垂直的平面內，并構建基坐標系，此時，每個鄰近點坐標為n＝1…n，將從大到小排序，作為鄰近點角間隙度，確定最大角間隙度當θmax>θthreshold時，點p為邊界點，當θmax≤θthreshold時，點p為非邊界點。

29、作為進一步優選的，步驟(35)中，所述采用ransac算法擬合三維圓包括：

30、(351)在單次循環中，針對于邊界點云隨機選取n個點，n≥3，利用最小二乘法計算三維圓數學模型；

31、(352)遍歷邊界點云，假設當前點為p，當p與三維圓模型的距離小于閾值lthreshold，記點p為內點，當p與三維圓模型的距離大于等于閾值lthreshold，記點p為外點，統計內點數量；

32、(353)重復步驟(351)和(352)，當第k+1次循環內點數量大于第k次循環內點數量，最佳三維圓模型參數更新為第k+1次循環結果；

33、(354)設置循環終止條件，當循環次數達到循環終止條件時，循環結束后，取內點數量最大的三維圓模型作為最終求解模型。

34、作為進一步優選的，步驟二還包括：通過多個深度相機從不同角度捕捉無序堆疊胎皮的深度圖，利用視角融合權重計算公式對不同角度捕捉無序堆疊胎皮的深度圖進行融合，所述視角融合權重計算公式包括：

35、

36、式中，wi是第i個視角的權重，di是第i個視角到目標胎皮的距離，dj表示第j個視角到目標胎皮的距離，σ是標準差，用于調整權重分配的敏感度，n是視角總數；

37、所述融合后的深度圖為：

38、

39、式中，dfused(u,v)為融合后的深度圖在像素坐標(u,v)處的深度值，wi為第i個視角的權重，di,depth(u,v)為第i個視角的深度圖在像素坐標(u,v)處的深度值。

40、按照本發明的另一個方面，還提供了一種用于無序堆疊胎皮的空間位姿識別系統，包括：

41、第一主控模塊，用于通過卷積神經網絡得到目標工件位于深度圖中的roi；

42、第二主控模塊，用于根據深度相機內參矩陣以及目標工件位于深度圖中的roi將深度圖轉化為目標工件的原始點云數據；

43、第三主控模塊，用于對所述原始點云數據進行預處理后計算其邊界點云，并基于該邊界點云采用ransac算法擬合三維圓以得到胎皮的空間位姿；

44、第四主控模塊，用于計算所述三維圓內點云數量在邊界點云中的占比，并根據該占比判斷所述空間位姿是否精確，若是，則輸出胎皮的空間位姿，若否，則觸發第一主控模塊重新計算目標工件位于深度圖中的roi。

45、總體而言，通過本發明所構思的以上技術方案與現有技術相比，主要具備以下的技術優點：

46、1.本發明利用深度圖與點云兩種數據類型以及卷積神經網絡與傳統點云算法解決了無序堆疊胎皮的空間精確位姿檢測問題，通過深度圖與卷積神經網絡得到了大致目標工件的范圍，通過點云預處理算法得到了目標工件的單獨點云數據，并利用ransac三維圓擬合與角間隙度邊界計算方法，最終得到了目標工件的精確位姿，本實例能夠用于復雜情況下，無序堆疊胎皮的上料工序，極大提高了該工序的自動化水平，有效節約其人力成本與風險，可有效解決傳統人工搬運方式存在的諸多不足，在未來具有很大的應用前景。

47、2.本發明通過卷積神經網絡快速準確地識別出目標工件在深度圖中的roi，隨后將深度圖轉化為點云數據，并利用ransac算法擬合三維圓以確定胎皮的空間位姿。這種流程化的識別方法減少了人為誤差，提高了識別的效率和準確性。

48、3.本發明通過預處理點云數據、pca主成分分析和基于角間隙度算法計算邊界點云等步驟，有效地處理了原始點云數據中的噪聲和異常值。此外，ransac算法的使用進一步提高了系統對于異常數據的魯棒性，確保了即使在部分數據受損或不完整的情況下也能準確識別空間位姿。

49、4.本發明通過計算三維圓內點云數量在邊界點云中的占比來判斷空間位姿的精確性，并根據這一比例進行自我調整。這種自我優化機制使得系統能夠在實際操作中不斷學習和改進，提高了系統的智能化水平和長期穩定性。