[发明专利]一种基于深度图像二次分割的钢结构识别和定位方法

说明书

本发明公开了一种基于深度图像二次分割的钢结构识别和定位方法，包括：采集图像信息，训练识别器；对彩色图像进行区域分割，得到区域Region1，对其进行形态学处理，得到Region2；对DepthImage1进行滤波处理，得到DepthImage2，并根据预设的深度范围对所述DepthImage2进行区域筛选和形态学处理，得到Region4；计算得到区域Region2与Region4的相交区域Region5，并将DepthImage2按Region5进行裁剪，得到DepthImage3；提取深度图像DepthImage3中像素点的坐标值和对应的灰度值，并作为识别出的钢结构的空间三维点云的坐标，完成钢结构的识别和定位。本发明为机械手臂喷涂轨迹拟合提供更为准确的输入数据源，提高喷涂机器人对于有效作业能力范围内的钢结构的喷涂效率与喷涂质量。

技术领域

本发明涉及深度图像的目标识别的技术领域，尤其涉及一种基于深度图像二次分割的钢结构识别和定位方法。

背景技术

目前我国的钢结构防火涂料施工主要采用人工手持喷枪喷涂的方式，普遍存在着喷涂效率低、喷涂质量不稳定以及作业人员容易误吸入涂料影响健康等问题，工业化和智能化水平较低；采用自动化喷涂机器人替代原有人工方式进行喷涂作业，是我国智能建造与建筑工业化协同发展的必然趋势；深度图像也被称为距离图像，是指将从图像采集设备到场景中各点的距离作为像素值的图像，它包含了图像采集设备视野范围内的可见物体表面相对于图像采集设备的空间位置关系，是机器人获取待喷涂钢结构的空间位置信息的重要数据来源。

通过深度图像对目标进行识别和定位的方法在工业和物流运输领域已有较多应用，但在这类应用中要求对目标的背景进行设计和控制，以便获得稳定可靠的目标深度图像；而在实际施工环境中，由于作业目标的背景往往不可控，存在较多无关目标干扰，因而通过图像采集设备获取到的深度图像往往包含了较多无关目标的深度信息，这会对主要作业目标的深度图像分割和提取产生干扰，进而影响对于主要作业目标的识别和定位；目前，针对深度图像的分割方法大多是基于稳定、可控的图像背景，在工程环境下的相关研究和应用较少，这一问题已成为喷涂机器人获取作业目标空间位置信息的一大阻碍。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术方案针对深度图像的分割方法大多是基于稳定、可控的图像背景，在工程环境下的相关研究和应用较少，这一问题已成为喷涂机器人获取作业目标空间位置信息的一大阻碍。

为解决上述技术问题，本发明提供如下技术方案：采集施工目标的多幅彩色图像以及视角一致的目标彩色图像ColorImage1和深度图像DepthImage1，并在所述多幅彩色图像的每幅图像中标出作业目标所在区域，生成目标识别器的训练集，利用所述训练集对所述识别器进行训练；根据训练得到的目标识别器，对所述彩色图像ColorImage1进行区域分割，得到目标钢结构所在的区域Region1，并对所述Region1进行形态学处理，得到Region2；对所述深度图像DepthImage1进行滤波处理，得到深度图像DepthImage2，并根据预设的深度范围对所述深度图像DepthImage2进行区域筛选和形态学处理，得到符合深度范围的像素所在区域Region4；计算得到所述区域Region2与Region4的相交区域Region5，并将预处理后的深度图像DepthImage2按Region5进行裁剪，得到裁剪后剩余深度图像DepthImage3；提取所述深度图像DepthImage3中像素点的坐标值和对应的灰度值，并作为识别出的钢结构的空间三维点云的坐标，完成钢结构的识别和定位。

作为本发明所述的基于深度图像二次分割的钢结构识别和定位方法的一种优选方案，其中：所述目标识别器包括多层感知神经网络和卷积神经网络。