基于一维分割网络的充电设施箱体焊缝打磨方法技术

本发明专利技术提供了一种基于一维分割网络的充电设施箱体焊缝打磨方法，其特征在于，包括以下步骤：对一维分割网络进行训练；获得目标设施的3D空间点云数据；利用训练好的一维分割网络分割步骤2得到的3D空间点云数据，对3D空间点云数据中的每个数据点进行逐点分类，获得最终的轨迹点；将轨迹点发送至机器人控制器；按序组合各切面的轨迹点形成焊缝打磨轨迹，机器人沿焊缝打磨轨迹对目标设施进行焊缝打磨。本发明专利技术提供的模型在分割点云数据上能实现较好的效果，且能够更稳健高效地应对各种形状的焊缝，提高焊缝自动打磨的精度和效率。提高焊缝自动打磨的精度和效率。提高焊缝自动打磨的精度和效率。

【技术实现步骤摘要】
基于一维分割网络的充电设施箱体焊缝打磨方法


[0001]本专利技术涉及一种焊缝自动化打磨方法。

技术介绍

[0002]由于焊缝位置不同、工件形状不同，现有的打磨焊缝的方法大多是手动控制焊缝打磨机。在磨削过程中，工程师观察被抛光的工件以纠正机器钻孔和进给的方向。手动打磨方法效率低下，因为大部分时间都浪费在观察和姿势矫正上。同时，抛光过程中产生的火花使工程师无法近距离观察进料角度，从而导致抛光效果不佳，打磨精度不高，且激起的火花对工程师来说具有一定的危险性。
[0003]现有的大多数基于传统的机器视觉方法无法自动适应焊缝形状变化，因而很难形成通用且有效的解决方案。如Mitchell Dinham等人提出的一种基于双目立体视觉的检测系统，该方法根据原始图像和带有中值滤波器的图像之间的差异提取特征点。
[0004]随着深度学习相关技术的发展，通过卷积神经网络处理焊缝打磨任务成为一个新的研究方向。如U
‑
Net、Segnet、FCN，FPN等基于卷积神经网络的二维图像分割模型以及基于卷积神经网络的三维图像分割模型V
‑
Net，这些模型的出现使得对图像分割的研究迅速成为计算机视觉中的热门研究方向。以上所述的五个模型都将分割视为像素级别的分类任务，且都基于编码器
‑
解码器架构。。近年来，研究人员倾向于通过更好的特征提取器、更高效的特征融合方式和更出色的损失函数来提高这些神经网络模型的语义分割性能。

技术实现思路

[0005]本专利技术目的是：根据模型预测的打磨轨迹实现焊缝的自动化打磨。
[0006]为了达到上述目的，本专利技术的技术方案是提供了一种基于一维分割网络的充电设施箱体焊缝打磨方法，其特征在于，包括以下步骤：
[0007]步骤1、对一维分割网络进行训练，包括以下步骤：
[0008]步骤101、利用激光传感器对已知焊缝轨迹的设施垂直地面进行扫描，各扫描线与地面呈平行线，从而以平行扫描线的方式完成扫描，每一次扫描得到一个切面，每个切面为一条曲线，该曲线为设施的外部轮廓线，曲线由多个点组成，按扫描顺序组合这些切面即得到由多个切面按序组合构成的设施3D轮廓，即得到设施的3D空间点云数据；将收集到的3D点云数据绘制成3D图像，在3D图像中点击焊缝两端形成两个标注点，保存两个标注点的位置坐标，即为人工标注的焊缝遮罩，标注数据用于作为一维分割网络训练的真实值，其中，3D点云数据中位于两个标注点之间的点的标注值为1，两个标注点之外的点的标注值为0，由完成标注的所有3D点云数据组成训练数据集；
[0009]步骤102、对原始采集得到的3D空间点云数据进行水平翻转，以达到扩充输入数据集的效果；对由原始数据和过水平翻转的数据组成的训练集数据进行归一化处理，使训练集数据的特征分布趋于一致，加速一维分割网络的收敛，达到更好的训练效果；对归一化后的点云数据进行裁剪和填充到固定大小m；
[0010]步骤103、构建一维分割网络，并利用步骤102得到的训练集数据对一维分割网络进行训练，模型的计算步骤如下：
[0011]一维分割网络中包括编码部分以及解码部分，其中：
[0012]编码部分包括多个特征提取模块和多个下采样模块，每个特征提取模块后接一个下采样模块：
[0013]下采样模块是一个一维卷积，该一维卷积的卷积核大小N＝3，步幅S＝2，填充P＝1，每个下采样模块的输出维度h
out
可用下式表示：
[0014][0015]上式中，d为当前下采样模块输入数据的维度；
[0016]特征提取模块由一维卷积、组归一化和线性整流激活函数组成，特征提取模块使用了由三个大小为1的一维卷积核组成的一维卷积层一和由三个大小为3的一维卷积核组成的一维卷积层二，一个一维卷积层一后连接三个一维卷积层二，在连接各一维卷积层二时采用跳跃连接策略，每一个卷积操作后都有一个组归一化层和激活层，组归一化层连接在卷积层后，激活层连接在组归一化层后，每个层的输出即为下一层的输入。其中，组归一化函数和激活层所用激活函数可表示为下式：
[0017][0018]T(x)＝ReLU(x)＝max(0,x)
[0019]x表示本层的输入数据；μ表示输入数据x的期望；σ表示标准差；∈为一个接近0的常数，为避免标准差v＝0时出现计算错误；γ和β分别表示可学习的每通道仿射变换参数向量，其向量维度与通道数相同；F(x)表示组归一化层函数；T(x)、ReLU(x)表示激活层函数；
[0020]编码过程中首先将大小为n
×1×
m的数据输入一维分割网络，n表示一维分割网络一次输入n个切面的点云数据，m为输入数据的维度，在本专利技术里表示一个输入数据的点数。通过特征提取模块和下采样模块将原始输入的n
×1×
m的数据编码为设定大小的特征矩阵；
[0021]对于解码部分，通过连接编码部分中各特征提取模块的输出，对不同的特征提取模块进行通道扩张和上采样，随后将各特征提取模块的输出进行对应元素相加，其中，通过核大小为1的一维卷积层对特征提取模块的输出数据进行通道扩张，然后进行通过线性插值算法进行上采样，得到输出数据I；
[0022]通过一个一维卷积层和Sigmoid激活函数将输出数据I压缩到原始输入数据大小n
×1×
m，即为模型的输出，表示各点包含在焊缝遮罩内的概率值；
[0023]在通过一维分割网络确定各点所对应的预测值后，对预测结果进行后处理，选择预测值大于设定值的点，这样的点构成多个段，选择其中最长的一段作为最终预测得到的焊缝遮罩，取焊缝遮罩的中间点作为最终打磨的轨迹点；
[0024]步骤2、机器人携带激光传感器，利用激光传感器对待进行焊缝打磨的目标设施垂直地面进行扫描，各扫描线与地面呈平行线，从而以平行扫描线的方式完成扫描，获得目标设施的3D空间点云数据；
[0025]步骤3、利用训练好的一维分割网络分割步骤2得到的3D空间点云数据，对3D空间
点云数据中的每个数据点进行逐点分类，判断其是否属于焊缝遮罩，依序将属于焊缝遮罩的数据点连接成段，从所有段中选择最长的段作为预测的焊缝遮罩；对于个别偏离预测的焊缝遮罩的数据点，采用插值法对预测的焊缝遮罩进行替换；最后取预测的焊缝遮罩的中间点作为最终的轨迹点；
[0026]步骤4、将轨迹点发送至机器人控制器；
[0027]步骤5、按序组合各切面的轨迹点形成焊缝打磨轨迹，机器人沿焊缝打磨轨迹对目标设施进行焊缝打磨。
[0028]优选地，所述一维分割网络包括六个特征提取模块以及五个下采样模块，沿数据传输方向，将六个特征提取模块依序定义为第一个特征提取模块至第六个特征提取模块，将五个下采样模块依序定义为第一个下采样模块至第五个下采样模块，则沿数据传输方向第一个特征提取模块、第一个下采样模块、第二个特征提取模块、第二个下采样模块、第三个特征提取模块、第三个下采样模块、第四个特征提取模块、第四个下采样模块、第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一维分割网络的充电设施箱体焊缝打磨方法，其特征在于，包括以下步骤：步骤1、对一维分割网络进行训练，包括以下步骤：步骤101、利用激光传感器对已知焊缝轨迹的设施垂直地面进行扫描，各扫描线与地面呈平行线，从而以平行扫描线的方式完成扫描，曲线由多个点组成，每一次扫描得到一个切面，每个切面为一条曲线，该曲线为设施的外部轮廓线，按扫描顺序组合这些切面即得到由多个切面按序组合构成的设施3D轮廓，即得到设施的3D空间点云数据；将收集到的3D点云数据绘制成3D图像，在3D图像中点击焊缝两端形成两个标注点，保存两个标注点的位置坐标，即为人工标注的焊缝遮罩，标注数据用于作为一维分割网络训练的真实值，其中，3D点云数据中位于两个标注点之间的点的标注值为1，两个标注点之外的点的标注值为0，由完成标注的所有3D点云数据组成训练数据集；步骤102、对原始采集得到的3D空间点云数据进行水平翻转，以达到扩充输入数据集的效果；对由原始数据和过水平翻转的数据组成的训练集数据进行归一化处理，使训练集数据的特征分布趋于一致，加速一维分割网络的收敛，达到更好的训练效果；对归一化后的点云数据进行裁剪和填充到固定大小m；步骤103、构建一维分割网络，并利用步骤102得到的训练集数据对一维分割网络进行训练，模型的计算步骤如下：一维分割网络中包括编码部分以及解码部分，其中：编码部分包括多个特征提取模块和多个下采样模块，每个特征提取模块后接一个下采样模块：下采样模块是一个一维卷积，该一维卷积的卷积核大小N＝3，步幅S＝2，填充P＝1，每个下采样模块的输出维度h
out
可用下式表示：上式中，d为当前下采样模块输入数据的维度；特征提取模块由一维卷积、组归一化和线性整流激活函数组成，特征提取模块使用了由三个大小为1的一维卷积核组成的一维卷积层一和由三个大小为3的一维卷积核组成的一维卷积层二，一个一维卷积层一后连接三个一维卷积层二，在连接各一维卷积层二时采用跳跃连接策略，每一个卷积操作后都有一个组归一化层和激活层，组归一化层连接在卷积层后，激活层连接在组归一化层后，每个层的输出即为下一层的输入，其中，组归一化函数和激活层所用激活函数可表示为下式：T(x)＝ReLU(x)＝max(0，x)x表示本层的输入数据；μ表示输入数据x的期望；σ表示标准差；∈为一个接近0的常数，为避免标准差σ＝0时出现计算错误；γ和β分别表示可学习的每通道仿射变换参数向量，其向量维度与通道数相同；F(x)表示组归一化层函数；T(x)、ReLU(x)表示激活层函数；编码过程中首先将大小为n
×1×
m的数据输入一维分割网络，n表示一维分割网络一次输入n个切面的点云数据，m为输入数据的维度，表示一个输入数据的点数；通过特征提取模块和下采样模块将原始输入的n
×1×
m的数据编码为设定大小的特征矩阵；
对于解码部分，通过连接编码部分中各特征提取模块的输出，对不同的特征提取模块进行通道扩张和上采样，随后将各特征提取模块的输出进行对应元素相加，其中，通过核大小为1的一维卷积层对特征提取模块的输出数据进行通道扩张，然后进行通过线性插值算法进行上采样，得到输出数据I；通过一个一维卷积层和Sigmoid激活函数将输出数据I压缩到原始输入数据大小n
×1×
m，即为模型的输出，表示各点包含在焊缝遮罩内的概率值；在通过一维分割网络确定各点所对应的预测值后，对预测结果进行后处理，选择预测值...

【专利技术属性】
技术研发人员：吴小东，易媛，汤晓栋，奚培峰，王峰，李亚楠，
申请(专利权)人：上海联联睿科能源科技有限公司，
类型：发明
国别省市：