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:

  • 确保相机点云质量。

  • 确保点云模板和抓取点设置的准确性。

  • 检查匹配算法的设置。

确保相机点云质量

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

确保点云模板和抓取点设置的准确性

确保点云模板的质量

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。

确保抓取点设置正确

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。

提升深度学习推理效果

你可以从以下方面提升深度学习推理效果:

  • 提升2D图质量。用于深度模型训练的2D图像应满足如下要求:

    • 图像无过曝、过暗情况。

    • 图像颜色接近真实物体,无颜色失真问题。

    • 采集足够数量的图像,并保证图像种类的多样性。

      更多对图像的要求,请参考深度学习图像数据采集

  • 对模型进行迭代。当模型使用一段时间,可能会出现模型不能覆盖的场景,可以通过模型微调的方式对模型进行迭代,提升模型的准确率。

  • 深度学习参数调整。通过对深度学习参数进行调节,从而得到最佳深度学习推理效果。详细信息,请参考“深度学习模型包推理”步骤的参数说明。

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。