提升工程识别的精度

您正在查看旧版本的文档。点击页面右上角可切换到最新版本的文档。

视觉识别误差反映了视觉工程的视觉识别准确性和重复精度。

如果视觉工程使用“3D匹配”算法进行识别，请参考提升3D匹配的精度来提升工程的识别精度。

如果视觉工程使用“深度学习”算法进行识别，请参考提升深度学习推理效果来提升工程的识别精度。

提升3D匹配的精度

你可以从以下方面提升3D匹配精度：

如果已在“视觉系统硬件搭建”阶段检查过相机点云质量，可以跳过该节内容。

如未检查相机点云质量，请参考检查相机点云质量。

当通过相机采集图像生成模板点云时，需注意如下要求：

正确地选择模板类型：当目标物体较为扁平，但在相机下呈现清晰固定的边缘特征时（如面板、履带板、连杆、刹车盘等），建议使用边缘模板。当目标物体表面起伏特征较多时（如曲轴、转子、钢棒等），建议使用面模板。
移除杂点：如果制作模板的点云中包含杂点，会导致误识别。因此应当仅保留目标物体的点云，并删除其他杂点。

当通过导入CAD文件生成模板点云时，请注意正确设置模型的单位。否则会导致模板匹配一直失败。

Mech-Vision支持拖拽法和示教法为点云模板添加抓取点。

对于精度比较高、工件方向相对一致、机器人TCP误差不好评估的场景，建议使用示教法。

在使用示教法添加抓取点时，请注意以下问题：

输入抓取点法兰位姿时请选择正确的欧拉角类型。
输入抓取点法兰位姿时请注意数据长度。示教器上读取的法兰位姿格式要与编辑位姿界面的格式保持一致。如果法兰位姿使用欧拉角格式，需要输入6个数据；如果使用四元数，需要输入7个数据。
对于带7轴的机器人，示教器和软件上法兰位姿是否包含7轴数值要保持一致。

你可以从以下方面提升深度学习推理效果：