工业视觉-工业视觉机器人-理想动力(商家)

---的cv方法的特点在于其简洁和可解释性，知其然也知其所以然，每一步我们都可以知道其作用是什么；但是如果是涉及到跟复杂特征提取检测相关的，工业机器人视觉，那么显然上---学习会有效许多，可以把---工设计特征的要求，工业视觉，转嫁到对数据的采集标注和清洗，即便有一定的黑盒特性，但是目前dl领域各种sota model的效果是有目共睹的。下面我也基于我以前做的项目进行简单地分析一下接球机器人可能用到的一些cv方法。首先显然的，要接球，就必须知道球的位置和速度信息，也就能够对球进行检测识别。对球的识别我们可以有很多方法去做，由于球的特征相对来说是比较简单的（有很明显的形状、颜色、纹理特征），所以这一步使用传统cv的方法就完全可以胜任了。这里以乒乓球为例，提供一些思路：由于我们所处三维空间，要想获取一个物体的空间坐标只靠二维图像相机是肯定不行的（目前有一些基于---学习的rgb图像---估计方法，但是理论上都是根据先验知识去脑补，精度在这个应用里无法达到要求）。多目视觉可以在这里提供一个---的解决方案，实际上目前几乎所有能打球的机器人也都是采用多目相机系统来---球的运动，比如新松机器人、欧姆龙的乒乓球机器人、电子科大的羽毛球机器人等等都是这个思路。 次数用完api key 超过次数---