清洁模式革新!从识别脏污到自适应动态清洁

智能清洁新范式。

忽略的痛点

自扫拖功能的上线,扫地机器人在清洁系统上的死磕便从未停止。然而,随着各类创新技术越加越多,扫地机器人的清洁表现却依然没有赢得所有人的认可,这背后的原因是什么?

从技术角度而言,原因有很多,避障能力、清洁系统硬件性能、智能化程度等等,能够看到,厂商们已经开始在这些方面下“苦工”。但抛却这些原因之外,还有一个很少被提及却十分致命的痛点。

面对房间里杂乱多样的脏污,扫地机器人只会按部就班的一路“平推”,导致清洁结束后效果并不理想,甚至反向清洁。原因便是扫地机器人对于不同区域,清洁方式始终是一致的,无法根据脏污类型对症下药,就会出现油渍重污类没有清洁干净,饮料液体类到处溅射等情况,使用体验不佳。消费者不仅没有Hands-Free,反而还需要为扫地机器人擦屁股。

扫地机器人如何做到自适应清洁?

人能够根据脏污类型自主调整清洁方式,那么扫地机器人能否做到?

当机器人能够识别垃圾、判定脏污程度、检测地面,并能自主决策并执行清洁几遍、清洁力度、清洁多久等清洁策略,做到有的放矢,有效减少人工干预,提升机器人的清洁效率和质量,或许是实现Hands-Free的关键。

然而,想法很美好,现实很骨感。

脏污识别技术在开发上面临着多个难题。一方面受脏污的特征相似影响,会造成极大的误检率,从而导致机器人无法作出正确的清洁策略决策。另一方面,受光线和地面材质的影响,不仅会降低脏污的检出率和稳定性,还会造成误检。多方因素导致目前市面上还没有十分成熟的技术方案,仅有极少厂商在开发脏污识别技术。

作为一家以视觉技术为核心的AI技术公司,INDEMIND在视觉技术开发上已经有了多年的技术积累和经验,不仅开发了市面上首款真正意义上的纯视觉家用机器人导航方案,在前沿技术探索上,也走在了行业头部,脏污识别便是其中之一。

视觉技术创新,助力清洁模式革新

为了实现技术目标,INDEMIND自研了极具自身特色的图像算法,配合自研的融合摄像头及主动补光策略,构成了独有的INDEMIND脏污识别技术。通过不断算法迭代,目前已能实现脏污检出率99%以上,支持透明、半透明,不透明液体及干涸污渍识别、颗粒状脏污识别、粉末状脏污识别,且适用各种地面材质、花色、光线。可以说是市面上极少成熟且性能优异的技术方案。

基于此技术,INDEMIND针对不同地面情况,进一步开发了系统化的清洁策略,包含清洁遍数、清洁力度(毛刷压力和速度、出水量等)、清洁时长等,配合INDEMIND智能决策引擎,能够支持机器人根据识别的房间类型、脏污类型及分布、地面材质、障碍物类型等,自主决策清洁策略。同时,还可根据需求开发更多的智能化策略,为清洁模式带来新的革新。

目前,在产品开发上,INDEMIND已经将脏污识别技术应用到INDEMIND纯视觉家用机器人导航方案「家用机器人AI Kit」上,在解决产品研发的同时,满足当下机器人对于前沿功能的需求。

「家用机器人AI Kit」基于INDEMIND一体化立体视觉模组,搭载自研的INDEMIND OS Lite家用机器人AGI系统,可为机器人实现导航定位、智能避障、路径规划、决策交互等多种核心功能,是包含软硬件的ALL IN ONE解决方案。

值得一提的是,INDEMIND不仅全栈自研了VSLAM算法、路径规划算法、AI识别算法、智能避障算法、脏污识别算法等,还对算法进行了轻量化“瘦身”,在不影响功能表现的前提下,实现了在几美金的计算平台上稳定运行整套VSLAM算法。相较激光融合方案,成本只有其1/3,可广泛应用于家用扫地、陪护、教育、玩具等家用机器人。

此外,该方案还具备三维语义地图、厘米级精准避障、智能作业等多种创新能力,显著提升机器人的整体表现。

### Halcon 中硬币表面污渍检测算法的实现方法 在工业视觉领域,Halcon 是一种功能强大的机器视觉软件工具,广泛应用于图像处理和模式识别任务。对于硬币表面污渍检测的任务,可以采用以下技术方案来设计并实现该算法。 #### 图像预处理阶段 为了提高后续特征提取和分类器训练的效果,在实际应用中通常需要对原始图像进行必要的预处理操作。这一步骤可能包括灰度转换、去噪以及边缘增强等内容[^1]: ```python # 将彩色图像转为灰度图 GrayImage := ConvertColorSpace(Image, 'RGB', 'Gray') # 使用高斯滤波去除噪声 SmoothedGrayImage := GaussianFilter(GrayImage, Sigma) # 边缘锐化以突出目标区域细节 SharpenedImage := DerivativeGauss(SmoothedGrayImage, FilterType, SigmaD) ``` #### 特征提取环节 通过形态学运算或者纹理分析等方式获取能够有效表征缺陷特性的参数集合是非常重要的。例如利用局部二值模式(Local Binary Patterns,LBP)描述子捕捉细微结构变化;也可以借助傅里叶变换频谱特性反映周期性干扰情况等等[^2]: ```python # 定义LBP算子大小及其半径范围 Radius := 3 Neighbors := 8*Radius # 计算基于圆形邻域内的LBPs直方统计分布 LBPFeatures := LBP(Region, Radius, Neighbors,'uniform') ``` #### 缺陷判定逻辑构建 最后依据前面所得到的各种量化指标建立合适的决策规则完成最终判断过程。这里既可以单独依靠某一特定属性阈值得到结论,也可综合考虑多个维度得分形成更加稳健的结果输出机制[^3]。 ```python if (DefectScore > ThresholdValue): writeMessage(WindowHandle,"Detected Defect!") else: writeMessage(WindowHandle,"No defect found.") endif; ``` 以上即为使用 HALCON 软件包针对硬币表面上存在的瑕疵情况进行自动化甄别的基本流程概述及相关代码片段展示。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值