深度学习算法与3D匹配算法使用场景比较
3D匹配算法通过将模板点云拟合到场景中物体点云，识别出场景中的物体，并算出场景中物体的位姿。在部分视觉识别过程中，传统的匹配和聚类方法可能无法实现预期的效果。当传统方法无法达到预期效果时，深度学习算法可以提供更好的识别能力。深度学习算法属于人工智能技术范畴，包含复杂的神经网络模型，通过输入大量数据，模拟人的学习过程，从中预测或寻找规律，进行数据特征提取并执行相关任务。
本文将介绍在不同抓取场景下如何选择合适的算法，在实际应用中提高识别和抓取任务的效率和准确性。
目标物体
| 场景 | 深度学习算法 | 3D匹配算法 | |
|---|---|---|---|
特征 |
相对位置 |
互相紧贴或压叠，难以区分单个工件 |
互相独立，可以区分单个工件 |
外轮廓 |
变化，不方便生成模板 |
固定，方便生成模板 |
|
个数 |
大量，难以聚类，全局匹配慢 |
少量，全局匹配快速准确 |
|
物体类别 |
标签 |
区分物体朝向、姿态 |
|
类型 |
来料混料 |
来料型号已知 |
|
堆叠方式 |
有序平铺 |
可以聚类出同类工件 |
|
有序堆叠 |
不能聚类出同类工件 |
可以聚类出同类工件 |
|
乱序堆叠 |
不能聚类出同类工件 |
||
成像效果
| 成像效果 | 深度学习算法 | 3D匹配算法 | |
|---|---|---|---|
点云质量 |
点云缺失 |
匹配效果差，2D图像特征明显 |
|
点云完整 |
使用模板或边缘模板匹配，效果较好 |
||
图像质量 |
图像清晰 |
RGB图像特征明显，2D图像特征明显 |
|
图像模糊 |
RGB图像特征不明显，深度图特征明显 |
RGB图像特征不明显，深度图特征不明显 |
|