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

项目要求

要求 深度学习算法 3D匹配算法

场景

准备阶段

目标工件类型相同,已有图像数据或可以采集数据

测试阶段

没有充足时间采集图像、标注、训练

工程阶段

全局匹配时间过长,无法提速

精度

较高精度

精度要求高,抓取条件严格

一般精度

简单场景,无精度要求

其他使用深度学习的场景

  • 使用2D相机时,无深度图、点云,只有RGB图像。

  • 要判定的特征只存在RGB图像中。

  • 检测目标物体是否存在。

  • 个数统计功能,无法通过点云实现。

  • 文本识别。

我们重视您的隐私

我们使用 cookie 为您在我们的网站上提供最佳体验。继续使用该网站即表示您同意使用 cookie。如果您拒绝,将使用一个单独的 cookie 来确保您在访问本网站时不会被跟踪或记住。