02-目标检测+测距融合：2D检测结合深度信息实现精准抓取
目标检测+测距融合：2D检测结合深度信息实现精准抓取作者：黒漂技术佬YOLO 告诉你目标在画面里的位置，但没告诉你它有多远。没有距离信息，机械臂就是个近视眼——看得见摸不着。一、2D检测的局限：缺了"深度"这一维上一篇文章讲了视觉抓取四步走，第一步视觉识别用 YOLO 搞定了。YOLO 输出的边界框给了你目标在图像中的像素坐标 (u, v)，比如 (320, 240)。但问题来了：这个像素坐标只有二维信息。真实世界是三维的，同一个像素位置 (320, 240)，物体可能在距离相机 30cm 处，也可能在 80cm 处。没有深度信息，你算出来的三维坐标就是错的，机械臂伸过去要么够不着，要么戳穿物体。打个比方：你闭上一只眼睛看前方，很难判断前面那个杯子离你到底是 30cm 还是 50cm——因为单目视觉丢失了深度信息。人靠两只眼睛的视差来感知距离，机器也需要类似的机制。所以，要实现精准抓取，必须在 2D 检测的基础上融合深度信息。二、深度信息获取方式目前主流的深度获取方案有三种，各有优劣。方案一：RGB-D 相机（ structured + IR ）原理：主动投射红外结构光（或飞行时间ToF），通过分析返回的光模式变形或时间差，直接计算出每个像素的深度值。输出的是对齐的 RGB 图 + Depth 图（每个像素一个深度值，单位通常毫米）。代表产品：Intel RealSense D435/D455、奥比中光 Astra、Azure Kinect。# Intel RealSense 获取深度图示例importpyrealsense2asrs pipeline=rs.pipeline()config=rs.config()config.enable_stream(rs.stream.depth,640,480,rs.format.z16,30)config.enable_stream(rs.stream.color,640,480,rs.format.bgr8,30)pipeline.start(config)frames=pipeline.wait_for_frames()depth_frame=frames.get_depth_frame()color_frame=frames.get_color_frame()# 获取某像素点的深度值（毫米）depth=depth_frame.get_distance(320,240)# 返回单位：米print(f"目标距离:{depth:.3f}米"
