方案常见问题 本节介绍圆环（深度学习）方案的常见问题、可能的原因及解决方法。 问题一：无圆环位姿，路径规划失败 问题现象 Mech-Vision未输出圆环位姿，导致路径规划失败。 可能原因 最高层圆环或整垛圆环上料完成，最高层无圆环。 点云预处理步骤组合中的 3D ROI 设置不正确，待识别圆环不在 ROI 内。 3D匹配步骤组合中的模板设置不正确。例如，实际生产使用的圆环型号 1，但3D匹配步骤组合中设置的是圆环型号 2 的点云模板。 解决方法 若最高层圆环或整垛圆环上料完成，最高层无圆环，则无需进行处理。 根据实际情况，重新设置 3D ROI。需保证绿色方框包含整个料筐并留有一定的余量，且框内不包含其他干扰点云。 检查3D匹配步骤组合中的模板设置，确保选择的圆环点云模板与实际生产使用的圆环型号是对应的。 问题二：圆环漏识别和误识别 问题现象 圆环点云存在明显缺失，经过点云预处理后和3D匹配后，存在漏识别和误识别的情况。 如下图所示，左图为漏识别的情况，右图为误识别的情况。 可能原因 圆环点云存在明显缺失，超出了点云预处理、3D匹配的适用范围。 解决方法 优化圆环点云质量。可以通过对工位采取遮光处理、对料筐壁做不反光处理，以及优化相机曝光参数，提升圆环点云质量。 如果现场条件允许，建议将 PRO M 或者 PRO S 相机固定安装在机器人上，来提升点云质量。 优化圆环点云质量后，圆环识别效果如下图所示。 如果优化圆环点云质量后，圆环点云质量明显提升，几乎无点云缺失，依然可以使用“点云预处理+3D匹配”的识别方案。 如果优化圆环点云质量后，点云依然存在少量缺失，但是点云完整度在 70% 以上，可以选择“深度学习+3D匹配”的识别方案。 问题三：深度学习识别效果较差，存在漏识别和误识别 问题现象 使用“深度学习+3D匹配”的识别方案时，深度学习识别效果较差，存在误识别或漏识别的情况。 如下图所示，左图为漏识别的情况，右图为误识别的情况。 可能原因 深度学习识别区域（2D ROI）设置不正确。 曝光时间设置不合理，导致图像过亮或过暗。 无法使用该深度学习模型稳定识别当前型号的圆环。 解决方法 重新设置 2D ROI。需保证设置的 2D ROI 包含料筐上表面，同时 ROI 内尽量不包含其它干扰点云。 调整相机曝光时间，确保采集到的图像曝光正常。 采集圆环图像数据，对深度学习模型进行迭代。深度学习识别正常时如下图所示。 方案使用入门 单品类纸箱拆垛
