本发明涉及自动控制领域，特别是涉及抓取方法及抓取装置。
背景技术：
现有大多空间抓取定位方法均基于固定模板，通过经典ipc匹配实现三维定位功能。对物品的模型重建要求高，需要的信息量大；且针对每个产品都需要各自的模板文件，通模板遍历的方式来实现模板查找，效率低，不可兼容多种产品，操作不便。
技术实现要素：
基于此，有必要针对传统的抓取定位方法需要的信息量大，效率低、不可兼容多种产品，操作不便的问题，提供一种抓取方法及抓取装置。
一种抓取方法，包括如下步骤：
通过三维相机获取不同产品的产品参数，对不同产品进行建模，获得产品模型；
利用工作站搭建深度学习平台，建立学数据入口、参数接口、输出文件；
将所述产品模型输入至所述数据入口，进行自主学习，达到预设可信度阈值时完成学习；
通过所述产品模型建立三维空间定位系统；
利用三维相机和所述三维空间定位系统对待抓取产品进行三维手眼标定；
将所述三维手眼标定的定位信息转化为机器人系统中的坐标信息；
将所述坐标信息发送至机器人系统中，驱动机器人执行抓取动作。
本技术方案基于深度学习进行空间定位，可通过物品的局部信息实现精准定位，对物品的模型重建要求低，需要的信息量少。并且本技术方案将所述产品模型输入至所述数据入口，进行自主学习，达到预设可信度阈值时完成学习，具备自主学习功能，添加新产品时，不再需要建立模版，通过深度学习，可自主完成新产品的配置，柔性化生产，快速兼容多种产品，空间定位效果佳，抓取准确，操作简单方便。通过所述产品模型建立三维空间定位系统，并且利用三维相机实时采集产品模型，一方面用于样本的填充，另一方面实时输出定位信息。
进一步地，所述预设可信度阈值为99%。
进一步地，所述三维相机为摆动式线激光三维相机。
进一步地，所述摆动式线激光三维相机的激光波长为660nm。
进一步地，所述工作站为gpu工作站。
进一步地，所述三维手眼标定包括如下步骤：
获取三维标定块上各角点在三维点云的坐标为（x，y，z）；
获取三维标定块上各角点在机器人末端的坐标为（u，v，w）；
计算三维点云坐标到机器人末端的坐标变化矩阵为r，其中r的计算公式为r=（x,y,z,1）-1·（u，v，w，1）；
获取矩阵r的值。
进一步地，所述坐标信息通过以太网通讯发送至机器人系统中。
本技术方案还提供一种抓取装置，包括基于所述抓取方法的机器人。本技术方案基于深度学习进行空间定位，可通过物品的局部信息实现精准定位，对物品的模型重建要求低，需要的信息量少。并且本技术方案将所述产品模型输入至所述数据入口，进行自主学习，达到预设可信度阈值时完成学习，具备自主学习功能，添加新产品时，不再需要建立模版，通过深度学习，可自主完成新产品的配置，柔性化生产，快速兼容多种产品，空间定位效果佳，抓取准确，操作简单方便。通过所述产品模型建立三维空间定位系统，并且利用三维相机实时采集产品模型，一方面用于样本的填充，另一方面实时输出定位信息。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施方式，对本发明进行进一步的详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
一种抓取方法，包括如下步骤：
通过三维相机获取不同产品的产品参数，对不同产品进行建模，获得产品模型；
利用工作站搭建深度学习平台，建立学数据入口、参数接口、输出文件；
将所述产品模型输入至所述数据入口，进行自主学习，达到预设可信度阈值时完成学习；
通过所述产品模型建立三维空间定位系统；
利用三维相机和所述三维空间定位系统对待抓取产品进行三维手眼标定；
将所述三维手眼标定的定位信息转化为机器人系统中的坐标信息；
将所述坐标信息发送至机器人系统中，驱动机器人执行抓取动作。
本技术方案基于深度学习进行空间定位，可通过物品的局部信息实现精准定位，对物品的模型重建要求低，需要的信息量少。并且本技术方案将所述产品模型输入至所述数据入口，进行自主学习，达到预设可信度阈值时完成学习，具备自主学习功能，添加新产品时，不再需要建立模版，通过深度学习，可自主完成新产品的配置，柔性化生产，快速兼容多种产品，空间定位效果佳，抓取准确，操作简单方便。通过所述产品模型建立三维空间定位系统，并且利用三维相机实时采集产品模型，一方面用于样本的填充，另一方面实时输出定位信息。
本实施方式所述预设可信度阈值为99%,保证学习效果，确保抓取精度。
本实施方式所述三维相机为摆动式线激光三维相机。不受其他光线干扰，数据采集稳定，精度高，形成稳定的三维产品模型重建效果。
具体地，所述摆动式线激光三维相机的激光波长为660nm。
本实施方式中所述工作站为gpu工作站，运行速度快，并行处理效果好，效率高。
具体地，所述三维手眼标定包括如下步骤：
获取三维标定块上各角点在三维点云的坐标为（x，y，z）；
获取三维标定块上各角点在机器人末端的坐标为（u，v，w）；
计算三维点云坐标到机器人末端的坐标变化矩阵为r，其中r的计算公式为r=（x,y,z,1）-1·（u，v，w，1）；
获取矩阵r的值。
进一步地，所述坐标信息通过以太网通讯发送至机器人系统中。实现24小时不间断不堵塞的通讯模式，通过服务器和客户端的握手方式来保证实时的保证是连接状态。
本实施方式还提供一种抓取装置，包括基于所述抓取方法的机器人，所述机器人可为六轴机器人。本实施方式基于深度学习进行空间定位，可通过物品的局部信息实现精准定位，对物品的模型重建要求低，需要的信息量少。并且本实施方式将所述产品模型输入至所述数据入口，进行自主学习，达到预设可信度阈值时完成学习，具备自主学习功能，添加新产品时，不再需要建立模版，通过深度学习，可自主完成新产品的配置，柔性化生产，快速兼容多种产品，空间定位效果佳，抓取准确，操作简单方便。通过所述产品模型建立三维空间定位系统，并且利用三维相机实时采集产品模型，一方面用于样本的填充，另一方面实时输出定位信息。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。