机器视觉小课堂<3>|出众的Zivid 3D视觉系统

双目立体视觉与结构光 3D 的点云

许多机器人料箱拣选和零件拣选应用已经开始基于来自低成本深度相机(例如RealSense相机)的数据进行检测、拾取和放置算法的开发。鉴于其价格点和适用性，它是3D成像和捕获点云的绝佳切入点。

但是，您选择的相机及其性能必须与您的任务相匹配。所有3D视觉系统都有一定的误差幅度，您必须确定系统的性能是否达到您要求的水平。如果误差幅度太大，您将拥有一个不可靠的系统，该系统根本无法执行并且在操作时需要过多关注。在我们的料箱拣选示例中，这意味着出现了抓取失败。如果我们能够最大限度地减少这些错误，并让点云尽可能接近真实的尺寸，同时具有最小的错误和高度的真实性，我们将拥有一个准确、可靠和强大的机器人单元，其性能才能符合我们的预期。 

双目立体视觉与 Zivid 3D 彩色点云的对比
双目和主动式双目相机通常与AI算法一起用于料箱拣选应用。在上图中，我们可以看到双目立体相机和使用时间编码结构光相机(如Zivid)捕获相同场景的一些点云示例。 
双目立体视觉深度相机点云场景（图1）
Zivid彩色3D点云场景（图2）
简而言之，真实度和真实性是双目立体相机和Zivid3D彩色相机之间最显着的区别。通过使用工业3D相机，您可以相信点云数据更接近现实(如果您能看到更多细节，就可以实现更多应用)。

现在让我们将一个包含了一些紧密放置的包装盒和火柴盒的场景进行比较。图1展示了通过 双目立体视觉相机系统捕获的点云，图2则展示了通过Zivid3D彩色相机系统对相同场景捕获的3D点云。 
双目立体相机拍摄的盒子
Zivid 3D工业彩色相机拍摄的相同盒子 
从两个场景中可以清楚地看出，Zivid相机的点云细节更多，也更接近现实世界。
糟糕的点云会导致副作用
作为系统设计者，性能较差的系统的糟糕数据会要求我们做出相当大的补偿，以达到更好的效果 :

 必须在包含大量噪声的数据上训练我们的AI和ML算法，以适应低质量的深度传感器输出，而不是真实世界的表征。
 会发生失败的抓取，因为由于深度传感器中的比例、旋转和平移的误差，对象没有出现在我们读取的XYZ中的位置。
 难以实现高SKU覆盖率，因为低分辨率深度相机分辨特征的能力是有限的。

我们想要尽可能接近现实世界的表征，我们想要最大的“真实性”，我们希望无需补偿和调整，以尝试“恢复场景”。因此我们需要直接从高性能系统(例如Zivid工业3D相机)实现这一点。最终，这将带来更少的抓取失败和更好的空箱效果，同时减少维护和操作员干预。这将是一个更可靠和强大的料箱拣选解决方案。