立体工业相机提升工业自动化中的立体深度感知
深度感知对仓库机器人应用至关重要,尤其是在自主导航、物品拾取与放置、库存管理等方面。
通过将深度感知与各种类型的3D数据(如体积数据、点云、纹理等)相结合,仓库机器人可以在错综复杂环境中实现自主导航,物品检测,灵活避开障碍物,精准拾取目标物品,将其准确无误地放置在特定位置,同时有效优化仓库空间布局,提升作业效率。

机械臂拾取

仓储应用
3D视觉技术
3D传感器是支持现实场景深度感知测量的基础技术。常见的3D视觉技术如立体相机、激光雷达、渡越时间相机和激光三角测量。
3D技术的选择取决于具体的应用和需求,每项技术都有其独特的优势。例如,激光雷达和激光三角测量技术,由于内置诸如旋转镜等运动部件,因此不适合在恶劣环境中使用。
立体相机不易受到阳光直射的干扰更适合户外应用场景。立体相机的成本通常低于其他3D传感器。立体相机在计算图像中的3D数据时,相较于上述其他技术,需要更高的计算能力。部分立体相机配备了板载处理能力,从而减轻主机的数据处理负担。
此外,在某些应用场景下,物体的识别依赖于彩色图像,而彩色点云则能提供更丰富的情境感知。相较于其他常见的3D视觉技术需要额外配备彩色相机,立体相机则能提供彩色图像与彩色点云。
这往往是在范围与精度之间做出的一种权衡考量。例如,远程传感器的精度相对较低,而短距离传感器则具有较高的精度。在测距能力方面,激光雷达具备最远的测距能力,其次是立体相机,最后是渡越时间传感器。激光三角测量的覆盖范围虽然最短,但其精度却更高。自主导航和障碍避让功能需要较长的探测范围,而物品拾取与放置操作只需中等范围的覆盖即可。近距离范围探测主要用于物体的识别与检查。

·各种3D视觉技术范围和精度的平衡·
立体技术广泛适用于大多数仓库机器人的应用场景。它能提供灵活的覆盖范围和足够的精度性能。它拥有较低的成本优势,能够轻松适应恶劣环境条件,同时提供物体识别所需的彩色图像。
立体成像概述
立体成像技术模拟人类视觉中的3D感知原理。人类的双眼从两个不同视角观察同一场景,可以通过视差(即两个不同视角下物体位置的位移)推断出距离。
在立体成像系统投入使用前,必须进行一次性相机校准,在每一帧图像中,相机首先捕捉原始的左右图像,随后,在矫正步骤中,使用前期校准得到的信息。经过矫正的图像被传递至立体匹配步骤,生成视差图。最后,通过三角测量步骤将视差图转换为3D点云。
立体相机的关键设计驱动因素是3D精度。深度误差由以下公式得出:ΔZ d。它取决于以下因子:
“Z” = 范围
“B” = 基线,即两台相机之间的距离
“f” = 像素中的焦距,与相机视野及图像分辨率相关。
基于此公式,深度误差随范围的增加而呈二次方增长。这是立体相机在远距离操作中面临的一个主要局限性。为了减少误差,我们可以采取多种措施,例如延长基线长度、提高分辨率或缩小视野范围。
立体工业相机的应用
-
使用自主移动机器人(AMR)的仓库机器人技术
深度感知对仓库机器人应用至关重要,尤其是在自主导航、物品拾取与放置、库存管理等方面。
通过将深度感知与各种类型的3D数据(如体积数据、点云、纹理等)相结合,仓库机器人可以在错综复杂环境中实现自主导航,物品检测,灵活避开障碍物,精准拾取目标物品,将其准确无误地放置在特定位置,同时有效优化仓库空间布局,提升作业效率。

自主移动机器人(AMR)应用中标准立体相机的特征:
-
高帧率
-
低延迟
-
坚固可靠
-
校准保留
-
宽视野
-
远距离工作能力
-
适用于室内外的高动态范围
-
使用拾取与放置机器人的仓库机器人技术
立体相机仓库机器人另一个应用是拾取与放置作业,这类机器人能够精准地拾取零件或物品,并将其放置到其他位置。
该应用的关键组件包括一个用于感知周围环境的视觉系统、一个用于数据处理制定决策的控制系统,以及一个带有夹具或吸盘用于操控各种物体的机器人手臂。
相较于人工拾取与放置,这类机器人的优势主要体现在其更高的准确性和一致性上。它们具备出色的环境适应性,能够灵活应对各种变化,同时高效执行重复性任务,从而释放人力,使之投入到更为复杂的作业中,最终推动生产力和效率的双重提升。

拾取与放置机器人应用广泛,涵盖装配、托盘化、去托盘化和箱子拾取等多个领域。以箱子拾取为例,其目标是从容器中移除随机放置的物体。首先,视觉系统需要识别和定位物体,随后计算其方位,确保夹具能够正确拾取。然后,控制系统规划出机器人的移动路径,有效避开途中的障碍物。最后,机器人顺利拾起物体,并将其放置于指定位置。
-
自拾取与放置机器人应用中标准立体相机的特征:
-
高精度
-
低延迟
-
坚固可靠
-
校准保留
-
扬尘/潮湿的工业环境
针对不同大小的物体,需要在视野和工作距离上具备灵活性。
Bumblebee X 立体相机赋能工业自动化
新一代的Bumblebee® X 立体相机,提供高分辨率、优异的精度和先进的板载处理能力。此外,其出色的工业设计、IP67 防护等级和5GigE 接口确保其能稳定集成在工业环境中。
Bumblebee X 的主要特点包括:
-
高分辨率与高精度
-
利用强大的立体算法的板载处理
-
24cm基线的远距离工作
-
灵活的视野选项(60、80 和 105 度)
-
具备IP67工业设计的高可靠性和坚固性
-
具备5G网口接口的高带宽和低延迟
-
长时间的校准保留
-
兼容外部图案投影仪
-
产品生命周期长
-
支持ROS(机器人操作系统)和GenICam
-
SDK功能丰富且易用
以上内容来源于FLIR网站。
机器视觉产品资料查询平台可查看更多工业相机的信息。
相关文章:
立体工业相机提升工业自动化中的立体深度感知
深度感知对仓库机器人应用至关重要,尤其是在自主导航、物品拾取与放置、库存管理等方面。 通过将深度感知与各种类型的3D数据(如体积数据、点云、纹理等)相结合,仓库机器人可以在错综复杂环境中实现自主导航,物品检测…...
大模型基础BERT——Transformers的双向编码器表示
大模型基础BERT——Transformers的双向编码器表示 整体概况 BERT:用于语言理解的深度双向Transform的预训练 论文题目:BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Bidirectional Encoder Representations from…...
怎么禁止Ubuntu自动更新升级
怎么禁止Ubuntu自动更新升级 笔者在做MIT 6.S081的时候发现他给我的qemu自动更新了又卡住了,故关闭了自动更新 文章目录 怎么禁止Ubuntu自动更新升级一、图形化修改二、基于命令行修改配置文件的方法 一、图形化修改 1.打开设置->软件和更新->更新 2.选择自…...
【SpringBoot】20 同步调用、异步调用、异步回调
Git仓库 https://gitee.com/Lin_DH/system 介绍 同步调用:指程序在执行时,调用方需要等待函数调用返回结果后,才能继续执行下一步操作,是一种阻塞式调用。 异步调用:指程序在执行时,调用方在调用函数后立…...
【Excel】数据透视表分析方法大全
数据透视表的最常用的功能是分类汇总,其实它还有很强大的数据分析功能。在数据透视表右键菜单的值显示方式中,可以看到有14个很实用的分析选项。 1、总计的百分比 作用:透视表中每一个数字(包括汇总行、总计行)占右…...
深度学习在边缘检测中的应用及代码分析
摘要: 本文深入探讨了深度学习在边缘检测领域的应用。首先介绍了边缘检测的基本概念和传统方法的局限性,然后详细阐述了基于深度学习的边缘检测模型,包括其网络结构、训练方法和优势。文中分析了不同的深度学习架构在边缘检测中的性能表现&am…...
k8s 1.28.2 集群部署 docker registry 接入 MinIO 存储
文章目录 [toc]docker registry 部署生成 htpasswd 文件生成 secret 文件 生成 registry 配置文件创建 service创建 statefulset创建 ingress验证 docker registry docker registry 监控docker registry ui docker registry dockerfile docker registry 配置文件 S3 storage dr…...
常用的生物医药专利查询数据库及网站(很全!)
生物医药专利信息检索是药物研发前期不可或缺的一步,通过对国内外生物医药专利网站信息查询,可详细了解其专利技术,进而有效降低药物研发过程中的风险。 目前主要使用的生物医药专利查询网站分为两大类,一个是免费生物医药专利查询…...
「QT」几何数据类 之 QPolygon 多边形类
✨博客主页何曾参静谧的博客📌文章专栏「QT」QT5程序设计📚全部专栏「VS」Visual Studio「C/C」C/C程序设计「UG/NX」BlockUI集合「Win」Windows程序设计「DSA」数据结构与算法「UG/NX」NX二次开发「QT」QT5程序设计「File」数据文件格式「PK」Parasolid…...
写给初学者的React Native 全栈开发实战班
React Native 全栈开发实战班 亲爱的同学们: 很高兴在这里与大家相聚!我是你们的讲师,将带领大家一起踏上 React Native 移动开发的学习之旅。 为什么选择 React Native? 在这个移动互联网时代,App 开发工程师已经…...
工作和学习遇到的技术问题
写在前面 记录工作和学习遇到的技术问题,以求再次遇到可以快速解决。 1:Ubuntu TSL换源报错:Err:1 http://mirrors.aliyun.com/ubuntu focal InRelease 执行如下操作(已经操作的则忽略),首先在文件/etc/apt/sources…...
如何解决JAVA程序通过obloader并发导数导致系统夯住的问题 | OceanBase 运维实践
案例背景 某保险机构客户的数据中台,自系统上线后不久,会定期的用 obload 工具从上游业务系统导入数据至OceanBase数据库。但,不久便遇到了应用服务器的 Memory 与 CPU 资源占用持续攀升,最终导致系统夯住而不可用的异常。 memo…...
Git零基础到入门
一、开始工作区 clone: 克隆一个仓库到新的目录。 git clone https://github.com/username/repository.git init: 创建一个新的空 Git 仓库或重新初始化现有的仓库,新建git项目。 //创建项目两种方式 //一、本地项目自己创建项目,先创建好工作文件夹,通…...
HTTP 1.0、HTTP 1.1 和 HTTP 2.0 区别
HTTP 1.0、HTTP 1.1 和 HTTP 2.0 是超文本传输协议(HTTP)不同版本的规范,各自进行了多项更新和改进: 1. HTTP/1.0 单一请求-响应:每次请求都需要建立一个新的 TCP 连接,完成后立即断开。无状态连接&#…...
解决 ElSelect 数据量大导致加载速度慢
遇到一个性能相关的问题,使用 Element Plus 的 <ElSelect> 组件在数据量很大时,加载速度变慢。 下面简单分析下原因,并提供了一些解决方法。 1. 问题分析 1、大量 DOM 节点渲染 问题:当数据量非常大时,每一个…...
在 CentOS 系统中,您可以使用多种工具来查看网络速度和流量
在 CentOS 系统中,您可以使用多种工具来查看网络速度和流量 在 CentOS 系统中,您可以使用多种工具来查看网络速度和流量1. 使用 iftop安装 iftop使用 iftop 2. 使用 nload安装 nload使用 nload 3. 使用 vnstat安装 vnstat初始化 vnstat查看流量 4. 使用 …...
分布式----Ceph部署
目录 一、存储基础 1.1 单机存储设备 1.2 单机存储的问题 1.3 商业存储解决方案 1.4 分布式存储(软件定义的存储 SDS) 1.5 分布式存储的类型 二、Ceph 简介 三、Ceph 优势 四、Ceph 架构 五、Ceph 核心组件 #Pool中数据保存方式支持两种类型&…...
使用 PyTorch 实现 AlexNet 进行 MNIST 图像分类
AlexNet 是一种经典的深度学习模型,它在 2012 年的 ImageNet 图像分类比赛中大放异彩,彻底改变了计算机视觉领域的格局。AlexNet 的核心创新包括使用深度卷积神经网络(CNN)来处理图像,并采用了多个先进的技术如 ReLU 激…...
Python爬虫项目 | 一、网易云音乐热歌榜歌曲
文章目录 1.文章概要1.1 实现方法1.2 实现代码1.3 最终效果 2.具体讲解2.1 使用的Python库2.2 代码说明2.2.1 创建目录保存文件2.2.2 爬取网易云音乐热歌榜单歌曲 2.3 过程展示 3 总结 1.文章概要 学习Python爬虫知识,实现简单的一个小案例,网易云音乐热…...
【Linux】HTTP协议和HTTPS加密
文章目录 HTTP1、概念2、认识URL3、协议格式、请求方法和状态码4、HTTP请求和响应报头5、Cookie和Session HTTPS1、对称和非对称加密2、对称非对称加密安全分析3、证书 HTTP 1、概念 我们在应用层定制协议时,不建议直接发送结构体对象,因为在不同的环境…...
SCN随机配置网络模型在多特征分类预测中的应用
SCN随机配置网络模型SCN分类预测,SCN分类预测,多特征 输入模型。 多特征输入单输出的二分类及多分类模型。 程序内注释详细,直接替换数据就可以用。 程序语言为matlab,程序可出分类效果图,迭代优化图,混淆矩…...
基于YOLOv12与Flask-SocketIO的番茄成熟度Web端实时检测系统设计与性能对比
1. 为什么需要番茄成熟度实时检测系统? 在农业生产中,番茄成熟度的准确判断直接影响采摘效率和果实品质。传统的人工检测方式存在几个明显痛点:首先,人工判断主观性强,不同工人对"完全成熟"的标准可能不一致…...
Jellyfin演员头像总是不全?试试这个TMM刮削+本地导入的终极方案
Jellyfin演员头像缺失难题的工程级解决方案:TMM刮削与本地化元数据管理实践 每次打开精心搭建的Jellyfin影音库,看到那些残缺不全的演员头像,就像翻开一本缺页的相册——这种体验对于追求完美的影音爱好者来说简直难以忍受。经过反复测试发现…...
低代码自动化:OpenClaw+百川2-13B可视化流程搭建入门
低代码自动化:OpenClaw百川2-13B可视化流程搭建入门 1. 为什么选择OpenClaw进行低代码自动化? 去年夏天,我接手了一个小型电商项目的运营工作。每天需要手动检查30多个竞品的价格变动,记录到Excel再分析趋势。重复劳动两周后&am…...
MediaPipe Pose镜像测评:高精度姿态估计,舞蹈健身场景实测
MediaPipe Pose镜像测评:高精度姿态估计,舞蹈健身场景实测 1. 引言:为什么选择MediaPipe Pose进行姿态估计 在计算机视觉领域,人体姿态估计技术正变得越来越重要。从健身指导到舞蹈教学,从虚拟试衣到安防监控&#x…...
OpenClaw压力测试:Qwen3-VL:30B在飞书中的并发处理能力
OpenClaw压力测试:Qwen3-VL:30B在飞书中的并发处理能力 1. 为什么需要测试个人场景下的并发能力? 上周我在飞书群里部署了一个基于OpenClawQwen3-VL:30B的智能助手,原本只是想让同事帮忙测试基础功能。没想到午休时间突然有十几个人同时机器…...
基于模型的增程式混合动力汽车整车策略开发与建模
基于模型的整车策略开发思路、整车模型搭建流程,增程式混合动力汽车建模仿真模型,增程纯电,类似Nisson的e-power整车配置策略 具体内容包括:增程器模型、电机模型、电池模型,驾驶员模型,整车VCU控制模型等 …...
HunyuanVideo-Foley效果展示:AI生成音效在Audition中后期处理兼容性验证
HunyuanVideo-Foley效果展示:AI生成音效在Audition中后期处理兼容性验证 1. 音效生成技术概览 HunyuanVideo-Foley作为新一代AI音效生成模型,通过深度学习技术实现了从文本描述到高质量音效的端到端生成。该技术基于RTX 4090D 24GB显存和CUDA 12.4环境…...
AI 辅助开发实战:构建高可用毕设深度学习系统的工程化路径
最近在帮学弟学妹们看毕业设计,发现一个挺普遍的现象:很多同学算法思路不错,但一到工程实现就各种“翻车”。环境配一天跑不起来,模型调参全靠手动“玄学”,好不容易训出来的模型,不知道怎么部署给别人用。…...
光伏系统中的最大功率跟踪:滑模控制与传统方法的巧妙结合
光伏发电系统,滑膜控制结合扰动观察法和电导增量法,可更快实现 最大功率跟踪。在光伏发电系统的领域里,最大功率跟踪(MPPT)技术一直是提升发电效率的关键所在。传统的扰动观察法和电导增量法在MPPT方面各有优劣&#x…...
