基于轮廓特征的工业零件位姿识别方法、装置和电子设备与流程

本发明涉及图像处理技术领域，尤其涉及一种基于轮廓特征的工业零件位姿识别方法、装置和电子设备。

背景技术：

机器人对工业零件的抓取是制造业自动化生产中的一项常见的任务。目前，基于视觉引导的机器人抓取技术相对较为成熟，但抓取后进行一系列装配任务存在着困难。装配时对于抓取的工业零件方向判别是导致该困难的原因之一，若能在抓取前对工业零件的位置进行识别的同时，高效地对其方向也进行识别，将一定程度上缓解装配任务的困难。

目前识别工业零件位姿（包括位置和姿态角度）大多采用模板匹配的方式。它是图像处理中最基本、最常用的匹配方法。但它本身具有局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化时，计算量巨大，导致识别效率较低。

有一些工业零件，如螺丝、减震垫等，具有一根对称轴，且在该对称轴轴向上的两端的尺寸不同（即工业零件在对称轴轴向上的两端分别为大头端和小头端），以下把这种工业零件称为有向工业零件。因此，有必要寻求一种能够快速识别有向工业零件的位姿的识别方法。

技术实现要素：

鉴于上述现有技术的不足之处，本申请实施例的目的在于提供一种基于轮廓特征的工业零件位姿识别方法、装置和电子设备，能够快速识别有向工业零件的位姿。

第一方面，本申请实施例提供一种基于轮廓特征的工业零件位姿识别方法，应用于工业机器人的视觉系统；包括步骤：

a1.获取工业零件的图像；

a2.根据所述图像获取所述工业零件的边缘像素点坐标数据集；

a3.根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；

a4.根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；

a5.获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；

a6.以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度，完成位姿识别。

本申请实施例的基于轮廓特征的工业零件位姿识别方法，提取工业零件的边缘像素点坐标数据集后，确定取工业零件的最小外接矩形，以该最小外接矩形的中心点坐标作为该工业零件的位置坐标，从边缘像素点坐标数据集中提取两个目标顶点后，以两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度；与现有技术中的模板匹配方法相比，计算量更少，识别速度更快，尤其适合于对有向工业零件进行位姿识别。

优选地，步骤a2包括：

对获取的工业零件的图像进行高斯降噪处理；

对降噪处理后的图像进行灰度处理，得到灰度图像；

采用canny边缘检测算法提取所述工业零件的轮廓线上的像素点的坐标，得到边缘像素点坐标数据集。

优选地，步骤a3包括：

根据所述边缘像素点坐标数据集获取轮廓线的最小外接矩形；

若所述轮廓线的最小外接矩形的数量多于一个，则以面积最接近预设标准面积的轮廓线的最小外接矩形作为所述工业零件的最小外接矩形；

提取所述工业零件的最小外接矩形的四个角点的角点坐标。

优选地，步骤a5包括：

依次以各所述角点为目标角点，计算所述边缘像素点坐标数据集中的各像素点与所述目标角点的距离；

以与所述目标角点距离最小的像素点为对应所述目标角点的顶点；

提取所述顶点的坐标。

优选地，步骤a6包括：

获取各顶点与对应的角点之间的距离数据；

以所述距离数据最小或最大的两个顶点为目标顶点，计算两个目标顶点之间的中点的坐标；

计算所述中点与所述最小外接矩形的中心点之间的连线的倾斜角，作为所述工业零件的姿态角度。

第二方面，本申请实施例提供一种基于轮廓特征的工业零件位姿识别装置，应用于工业机器人的视觉系统；包括：

第一获取模块，用于获取工业零件的图像；

第二获取模块，用于根据所述图像获取所述工业零件的边缘像素点坐标数据集；

第三获取模块，用于根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；

第一计算模块，用于根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；

第四获取模块，用于获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；

第二计算模块，用于以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度，完成位姿识别。

优选地，第三获取模块在根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标的时候：

根据所述边缘像素点坐标数据集获取轮廓线的最小外接矩形；

若所述轮廓线的最小外接矩形的数量多于一个，则以面积最接近预设标准面积的轮廓线的最小外接矩形作为所述工业零件的最小外接矩形；

提取所述工业零件的最小外接矩形的四个角点的角点坐标。

优选地，第四获取模块在获取四个顶点的坐标的时候：

依次以各所述角点为目标角点，计算所述边缘像素点坐标数据集中的各像素点与所述目标角点的距离；

以与所述目标角点距离最小的像素点为对应所述目标角点的顶点；

提取所述顶点的坐标。

优选地，第二计算模块在计算所述工业零件的姿态角度的时候：

获取各顶点与对应的角点之间的距离数据；

以所述距离数据最小或最大的两个顶点为目标顶点，计算两个目标顶点之间的中点的坐标；

计算所述中点与所述最小外接矩形的中心点之间的连线的倾斜角，作为所述工业零件的姿态角度。

第三方面，本申请实施例提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如所述的基于轮廓特征的工业零件位姿识别方法的步骤。

有益效果：

本申请实施例提供的基于轮廓特征的工业零件位姿识别方法、装置和电子设备，通过获取工业零件的图像；根据所述图像获取所述工业零件的边缘像素点坐标数据集；根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度；与现有技术中的模板匹配方法相比，计算量更少，识别速度更快，尤其适合于对有向工业零件进行位姿识别。

附图说明

图1为本申请实施例提供的基于轮廓特征的工业零件位姿识别方法的流程图。

图2为本申请实施例提供的基于轮廓特征的工业零件位姿识别装置的结构示意图。

图3为本申请实施例提供的电子设备的结构示意图。

图4为减震垫的图像。

图5为对图4进行canny边缘检测后的处理结果。

图6为图5中各工业零件的最小外接矩形的示意图。

图7为图5的最终位姿识别结果示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

下文的公开提供的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术佩戴人员可以意识到其他工艺的应用和/或其他材料的使用。

请参阅图1，本申请实施例提供的一种基于轮廓特征的工业零件位姿识别方法，应用于工业机器人的视觉系统；包括步骤：

a1.获取工业零件的图像；

a2.根据所述图像获取所述工业零件的边缘像素点坐标数据集；

a3.根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；

a4.根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；

a5.获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；

a6.以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度，完成位姿识别（所述工业零件的位姿包括所述工业零件的位置坐标和姿态角度）。

该基于轮廓特征的工业零件位姿识别方法，提取工业零件的边缘像素点坐标数据集后，确定取工业零件的最小外接矩形，以该最小外接矩形的中心点坐标作为该工业零件的位置坐标，从边缘像素点坐标数据集中提取两个目标顶点后，以两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度；与现有技术中的模板匹配方法相比，计算量更少，识别速度更快，尤其适合于对有向工业零件进行位姿识别。

其中，步骤a1中获取的图像可以只包含一个工业零件，也可包含多个工业零件。若图像中包含多个工业零件，则分别对各工业零件执行步骤a2-a6，以识别各工业零件的位姿。例如图4所示的工业零件的图像，其中的工业零件为减震垫，该图像中包含多个减震垫，针对各个减震垫分别执行步骤a2-a6以识别各减震垫的位姿。

在一些实施方式中，步骤a2包括：

对获取的工业零件的图像进行高斯降噪处理；

对降噪处理后的图像进行灰度处理，得到灰度图像；

采用canny边缘检测算法提取所述工业零件的轮廓线上的像素点的坐标，得到边缘像素点坐标数据集。

通过高斯降噪处理和灰度处理，可消除大部分的环境光照、影子等的影响，再使用canny边缘检测算法，得到零件的基本轮廓比较准确。例如图5为对图4的图像进行高斯降噪处理、灰度处理和canny边缘检测后的图像，可比较准确地获取工业零件的轮廓线上的像素点的坐标。

在实际应用中，即使进行了高斯降噪处理和灰度处理，可能没有完全消除环境光照、影子等的影响，而且有些工业零件内部具有条纹，均会导致同一个工业零件中有多个轮廓线，其中只有一个轮廓线是工业零件的边缘轮廓线；例如图5中的部分减震垫的边缘轮廓线内部含有其它轮廓线，这些在边缘轮廓线内部的轮廓线均为多余轮廓线，在进行位姿识别时不予考虑。从而，在一些优选实施方式，步骤a3包括：

a301.根据所述边缘像素点坐标数据集获取轮廓线的最小外接矩形；

a302.若所述轮廓线的最小外接矩形的数量多于一个，则以面积最接近预设标准面积的轮廓线的最小外接矩形作为所述工业零件的最小外接矩形；

a303.提取所述工业零件的最小外接矩形的四个角点的角点坐标。

其中，由于同一中工业零件的尺寸是相同的，可预先获取标准件的最小外接矩形的面积作为预设标准面积，在实际进行位姿识别时，当针对同一个工业零件得到多个最小外接矩形时，只有一个是工业零件的边缘轮廓线的最小外接矩形，其它均是多余的最小外接矩形，其中，其面积最接近预设标准面积的最小外接矩形是工业零件的边缘轮廓线的最小外接矩形的概率最大，因此通过计算各最小外接矩形的面积并与预设标准面积进行对比，以面积最接近预设标准面积的轮廓线的最小外接矩形作为所述工业零件的最小外接矩形，识别结果准确性最高。

具体地，步骤a302包括：

计算各最小外接矩形的面积与预设标准面积的偏差值的绝对值；

以所述偏差值的绝对值最小的最小外接矩形为所述工业零件的最小外接矩形，并删除其它最小外接矩形。

例如图6为图5中各减震垫的最终的最小外接矩形的示意图。

具体地，步骤a4中，根据以下公式计算所述最小外接矩形的中心点坐标：

x=（x1+x2+x3+x4）/4;

y=（y1+y2+y3+y4）/4；

其中，x、y分别为所述最小外接矩形的中心点的横坐标和纵坐标，x1、x2、x3、x4分别为所述最小外接矩形的四个角点的横坐标，y1、y2、y3、y4分别为所述最小外接矩形的四个角点的纵坐标。

在本实施例中，步骤a5包括：

a501.依次以各所述角点为目标角点，计算所述边缘像素点坐标数据集中的各像素点与所述目标角点的距离；

a502.以与所述目标角点距离最小的像素点为对应所述目标角点的顶点；

a503.提取所述顶点的坐标。

在一些实施例中，若与目标角点距离最小的像素点（以下称之为待选像素点）多于一个（即有多个像素点与该目标角点的距离相等，且该距离为最小距离），则步骤a502包括：

以待选像素点的重心点作为所述目标角点的顶点。

其中，重心点的横坐标为待选像素点的横坐标平均值，重心点的纵坐标为待选像素点的纵坐标平均值。

在另一些实施例中，若与目标角点距离最小的像素点（以下称之为待选像素点）多于一个，则步骤a502包括：

计算各待选像素点与所述最小外接矩形的中心点的第一距离；

获取所述目标角点的两个相邻角点对应的顶点与所述最小外接矩形的中心点的第二距离；

以第一距离与其中一个第二距离最接近的待选像素点为所述目标角点的顶点。

对于有向工业零件，由于具有一个对称轴，理想情况下，小头一侧的两个顶点是对称分布的，大头一侧的两个顶点也是对称分布的，因此，小头一侧的两个顶点离所述最小外接矩形的中心点的距离一般会大致相等，同理，大头一侧的两个顶点离所述最小外接矩形的中心点的距离一般会大致相等，从而在待选像素点中确定顶点的时候，可利用各待选像素点的第一距离与两个相邻角点的已确定的顶点的第二距离进行比较，以第一距离与其中一个第二距离最接近的待选像素点为所述目标角点的顶点，从而可比较准确地确定该目标角点的顶点，有利于保证位姿识别精度。

在一些实施方式中，步骤a6包括：

获取各顶点与对应的角点之间的距离数据；

以所述距离数据最小或最大的两个顶点为目标顶点，计算两个目标顶点之间的中点的坐标；

计算所述中点与所述最小外接矩形的中心点之间的连线的倾斜角，作为所述工业零件的姿态角度。

其中，两个目标顶点之间的中点的横坐标和纵坐标分别为两个目标顶点的横坐标平均值和纵坐标平均值。距离数据最小的两个顶点为对应有向工业零件大头一侧的顶点，距离数据最大的两个顶点为对应有向工业零件小头一侧的顶点，在该实施方式中，最小外接矩形的中心点与两个目标顶点中点之间的连线相的倾斜角度，与有向工业零件的对称轴指向大头或小头一侧的矢量的倾斜角度大致相同，能够比较准确地表征有向工业零件的朝向。其中，倾斜角是以最小外接矩形的中心点为起点指向连线另一端的矢量与图像横坐标轴（或纵坐标）正向之间的夹角，该夹角沿逆时针方向为正或负；例如图7中，以倾斜角是以最小外接矩形的中心点为起点指向连线另一端的矢量与图像横坐标轴正向之间的夹角，该夹角沿逆时针方向为正，从而图7中的数字为对应减震垫的姿态角度。

在另一些实施方式中，步骤a6包括：

获取各顶点与对应的角点之间的距离数据；

以所述距离数据最小或最大的两个顶点为目标顶点，计算通过两个所述目标顶点的第一直线的方程；

计算以所述最小外接矩形的中心点为起点且垂直于所述第一直线的第一矢量的倾斜角，作为所述工业零件的姿态角度。

理想情况下，第一矢量与第一直线的交点（垂足）与两个目标顶点的中点是重合的，但由于拍照角度、工件尺寸误差等因素影响，两个点之间可能不重合，用第一矢量的倾斜角来作为所述工业零件的姿态角度，也可较好地表征有向工业零件的朝向。

在实际应用中，也可分别采用上述两种方法初步计算两个姿态角度，再计算两个姿态角度的均值作为最终的姿态角度，从而进一步提高识别结果的准确性。

由上可知，该基于轮廓特征的工业零件位姿识别方法，通过获取工业零件的图像；根据所述图像获取所述工业零件的边缘像素点坐标数据集；根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度；与现有技术中的模板匹配方法相比，计算量更少，识别速度更快，尤其适合于对有向工业零件进行位姿识别。

请参阅图2，本申请实施例提供一种基于轮廓特征的工业零件位姿识别装置，应用于工业机器人的视觉系统；包括：

第一获取模块1，用于获取工业零件的图像；

第二获取模块2，用于根据所述图像获取所述工业零件的边缘像素点坐标数据集；

第三获取模块3，用于根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；

第一计算模块4，用于根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；

第四获取模块5，用于获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；

第二计算模块6，用于以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度，完成位姿识别。

在一些实施方式中，第二获取模块2在根据所述图像获取所述工业零件的边缘像素点坐标数据集的时候：

对获取的工业零件的图像进行高斯降噪处理；

对降噪处理后的图像进行灰度处理，得到灰度图像；

采用canny边缘检测算法提取所述工业零件的轮廓线上的像素点的坐标，得到边缘像素点坐标数据集。

通过高斯降噪处理和灰度处理，可消除大部分的环境光照、影子等的影响，再使用canny边缘检测算法，得到零件的基本轮廓比较准确。例如图5为对图4的图像进行高斯降噪处理、灰度处理和canny边缘检测后的图像，可比较准确地获取工业零件的轮廓线上的像素点的坐标。

在实际应用中，即使进行了高斯降噪处理和灰度处理，可能没有完全消除环境光照、影子等的影响，而且有些工业零件内部具有条纹，均会导致同一个工业零件中有多个轮廓线，其中只有一个轮廓线是工业零件的边缘轮廓线；例如图5中的部分减震垫的边缘轮廓线内部含有其它轮廓线，这些在边缘轮廓线内部的轮廓线均为多余轮廓线，在进行位姿识别时不予考虑。从而，在一些优选实施方式，第三获取模块3在根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标的时候：

根据所述边缘像素点坐标数据集获取轮廓线的最小外接矩形；

若所述轮廓线的最小外接矩形的数量多于一个，则以面积最接近预设标准面积的轮廓线的最小外接矩形作为所述工业零件的最小外接矩形；

提取所述工业零件的最小外接矩形的四个角点的角点坐标。

其中，由于同一中工业零件的尺寸是相同的，可预先获取标准件的最小外接矩形的面积作为预设标准面积，在实际进行位姿识别时，当针对同一个工业零件得到多个最小外接矩形时，只有一个是工业零件的边缘轮廓线的最小外接矩形，其它均是多余的最小外接矩形，其中，其面积最接近预设标准面积的最小外接矩形是工业零件的边缘轮廓线的最小外接矩形的概率最大，因此通过计算各最小外接矩形的面积并与预设标准面积进行对比，以面积最接近预设标准面积的轮廓线的最小外接矩形作为所述工业零件的最小外接矩形，识别结果准确性最高。

具体地，第三获取模块3在轮廓线的最小外接矩形的数量多于一个的时候：

计算各最小外接矩形的面积与预设标准面积的偏差值的绝对值；

以所述偏差值的绝对值最小的最小外接矩形为所述工业零件的最小外接矩形，并删除其它最小外接矩形。

例如图6为图5中各减震垫的最终的最小外接矩形的示意图。

具体地，第一计算模块4根据以下公式计算所述最小外接矩形的中心点坐标：

x=（x1+x2+x3+x4）/4;

y=（y1+y2+y3+y4）/4；

其中，x、y分别为所述最小外接矩形的中心点的横坐标和纵坐标，x1、x2、x3、x4分别为所述最小外接矩形的四个角点的横坐标，y1、y2、y3、y4分别为所述最小外接矩形的四个角点的纵坐标。

在本实施例中，第四获取模块5在获取四个顶点的坐标的时候：

依次以各所述角点为目标角点，计算所述边缘像素点坐标数据集中的各像素点与所述目标角点的距离；

以与所述目标角点距离最小的像素点为对应所述目标角点的顶点；

提取所述顶点的坐标。

在一些实施例中，若与目标角点距离最小的像素点（以下称之为待选像素点）多于一个（即有多个像素点与该目标角点的距离相等，且该距离为最小距离），则第四获取模块5在获取四个顶点的坐标的时候：

以待选像素点的重心点作为所述目标角点的顶点。

其中，重心点的横坐标为待选像素点的横坐标平均值，重心点的纵坐标为待选像素点的纵坐标平均值。

在另一些实施例中，若与目标角点距离最小的像素点（以下称之为待选像素点）多于一个，则步则第四获取模块5在获取四个顶点的坐标的时候：

计算各待选像素点与所述最小外接矩形的中心点的第一距离；

获取所述目标角点的两个相邻角点对应的顶点与所述最小外接矩形的中心点的第二距离；

以第一距离与其中一个第二距离最接近的待选像素点为所述目标角点的顶点。

对于有向工业零件，由于具有一个对称轴，理想情况下，小头一侧的两个顶点是对称分布的，大头一侧的两个顶点也是对称分布的，因此，小头一侧的两个顶点离所述最小外接矩形的中心点的距离一般会大致相等，同理，大头一侧的两个顶点离所述最小外接矩形的中心点的距离一般会大致相等，从而在待选像素点中确定顶点的时候，可利用各待选像素点的第一距离与两个相邻角点的已确定的顶点的第二距离进行比较，以第一距离与其中一个第二距离最接近的待选像素点为所述目标角点的顶点，从而可比较准确地确定该目标角点的顶点，有利于保证位姿识别精度。

在一些实施方式中，第二计算模块6在计算所述工业零件的姿态角度的时候：

获取各顶点与对应的角点之间的距离数据；

以所述距离数据最小或最大的两个顶点为目标顶点，计算两个目标顶点之间的中点的坐标；

计算所述中点与所述最小外接矩形的中心点之间的连线的倾斜角，作为所述工业零件的姿态角度。

其中，两个目标顶点之间的中点的横坐标和纵坐标分别为两个目标顶点的横坐标平均值和纵坐标平均值。距离数据最小的两个顶点为对应有向工业零件大头一侧的顶点，距离数据最大的两个顶点为对应有向工业零件小头一侧的顶点，在该实施方式中，最小外接矩形的中心点与两个目标顶点中点之间的连线相的倾斜角度，与有向工业零件的对称轴指向大头或小头一侧的矢量的倾斜角度大致相同，能够比较准确地表征有向工业零件的朝向。其中，倾斜角是以最小外接矩形的中心点为起点指向连线另一端的矢量与图像横坐标轴（或纵坐标）正向之间的夹角，该夹角沿逆时针方向为正或负；例如图7中，以倾斜角是以最小外接矩形的中心点为起点指向连线另一端的矢量与图像横坐标轴正向之间的夹角，该夹角沿逆时针方向为正，从而图7中的数字为对应减震垫的姿态角度。

在另一些实施方式中，第二计算模块6在计算所述工业零件的姿态角度的时候：

获取各顶点与对应的角点之间的距离数据；

以所述距离数据最小或最大的两个顶点为目标顶点，计算通过两个所述目标顶点的第一直线的方程；

计算以所述最小外接矩形的中心点为起点且垂直于所述第一直线的第一矢量的倾斜角，作为所述工业零件的姿态角度。

理想情况下，第一矢量与第一直线的交点（垂足）与两个目标顶点的中点是重合的，但由于拍照角度、工件尺寸误差等因素影响，两个点之间可能不重合，用第一矢量的倾斜角来作为所述工业零件的姿态角度，也可较好地表征有向工业零件的朝向。

在实际应用中，第二计算模块6在计算所述工业零件的姿态角度的时候，也可分别采用上述两种方法初步计算两个姿态角度，再计算两个姿态角度的均值作为最终的姿态角度，从而进一步提高识别结果的准确性。

由上可知，该基于轮廓特征的工业零件位姿识别装置，通过获取工业零件的图像；根据所述图像获取所述工业零件的边缘像素点坐标数据集；根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度；与现有技术中的模板匹配方法相比，计算量更少，识别速度更快，尤其适合于对有向工业零件进行位姿识别。

请参阅图3，本申请实施例还提供一种电子设备100，包括处理器101和存储器102，存储器102中存储有计算机程序，处理器101通过调用存储器102中存储的计算机程序，用于执行如上述的基于轮廓特征的工业零件位姿识别方法的步骤。

其中，处理器101与存储器102电性连接。处理器101是电子设备100的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器102内的计算机程序，以及调用存储在存储器102内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。

存储器102可用于存储计算机程序和数据。存储器102存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器101通过调用存储在存储器102的计算机程序，从而执行各种功能应用以及数据处理。

在本实施例中，电子设备100中的处理器101会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器102中，并由处理器101来运行存储在存储器102中的计算机程序，从而实现各种功能：获取工业零件的图像；根据所述图像获取所述工业零件的边缘像素点坐标数据集；根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度。

由上可知，该电子设备，通过获取工业零件的图像；根据所述图像获取所述工业零件的边缘像素点坐标数据集；根据所述边缘像素点坐标数据集获取所述工业零件的最小外接矩形的四个角点的角点坐标；根据四个所述角点坐标计算所述最小外接矩形的中心点坐标，作为所述工业零件的位置坐标；获取所述边缘像素点坐标数据集中的四个分别离四个所述角点最近的顶点的坐标；以四个所述顶点中与相应角点距离最大或最小的两个顶点为目标顶点，根据两个所述目标顶点的坐标和所述最小外接矩形的中心点的坐标计算所述工业零件的姿态角度；与现有技术中的模板匹配方法相比，计算量更少，识别速度更快，尤其适合于对有向工业零件进行位姿识别。

综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术佩戴人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，其方案与本发明实质上相同。