一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法技术

本发明专利技术涉及机器人焊接领域领域，特别是涉及一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法。具体方案如下：一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法，采用激光视觉传感器拍摄激光照射在不同干扰源下的焊缝图像，通过动态的ROI定位焊缝点的区域，通过大量训练而得到基于支持向量机的焊缝干扰源分类器对图片进行分类，进而运行相对应的焊缝特征提取方法。本发明专利技术解决了现有的焊缝局部突起或焊件拼装间隙变化导致的焊缝自动追踪效果差的问题，具有有效减小焊缝轨迹点的误差，相应提高焊缝实时跟踪的准确性的有益效果。效果。效果。

【技术实现步骤摘要】
一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法


[0001]本专利技术涉及机器人焊接领域领域，特别是涉及一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法。

技术介绍

[0002]焊接技术被誉为“工业的裁缝”，是现代制造工艺中重要的组成部分之一,在汽车、船舶、航空航天等领域应用广泛。实现焊接自动化和智能化也已成为必然,高效性的焊接机器人将在先进制造业中得到广泛应用。
[0003]对焊接机器人的研究主要包括焊缝跟踪、焊接路径规划与焊接工艺在线调整等。其中焊缝跟踪的精度是评价焊接质量的重要指标。激光视觉传感技术以其检测精度高、检测范围大等特点,广泛应用于自动焊接检测领域里。然而，基于视觉传感的焊缝跟踪系统跟踪效果的好坏取决于工件角焊缝以及图像处理算法。
[0004]传统的激光视觉焊缝跟踪系统,利用激光照射在角焊缝上，引起激光在焊缝点处发生偏折，通过图像处理方法计算出激光偏折点，即可得到焊缝点。但是在不确定干扰源下，焊缝特征点出现偏移，导致焊缝轨迹改变，如(1)当焊缝路径上出现焊瘤和焊点时，焊缝轨迹应为直线
‑
...

【技术保护点】

【技术特征摘要】
1.一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法，其特征在于，包括：步骤1、采用激光视觉传感器拍摄激光照射在不同干扰源下的焊缝图像，通过动态的ROI定位焊缝点的区域，对图像预处理后，建立基于支持向量机的焊缝干扰源分类器；步骤2、实时获取焊缝图像，通过动态的ROI定位焊缝点的区域，并对区域内图像进行预处理后输入步骤1建立的焊缝干扰源分类器,识别出是否存在干扰源以及干扰源的种类，从而运行相对应的特征提取算法进行特征提取，并根据提取的特征进行补焊。2.根据权利要求1所述的一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法，其特征在于，所述的干扰源包含焊瘤和焊点等引起焊缝局部凸起干扰源、焊件拼装引起两个焊件之间的间隙变化的干扰源等影响焊接点提取的干扰源。3.根据权利要求1所述的一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法，其特征在于，对所采集的图像进行动态的ROI区域选取，定位焊缝点的区域具体包括：通过将原图转化为灰度图,通过对图像中激光区域提取中心和统计列中大于一定阈值的灰度值像素点个数，进而以激光区域中心作为ROI区域中心，以灰度值大于一定阈值的像素点个数最大值作为ROI区域宽度,即可实现ROI区域选取。4.根据权利要求1所述的一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法，其特征在于，采用激光视觉传感器拍摄激光照射在干扰源下的焊缝图像，通过动态的ROI定位焊缝点的区域，对图像进行预处理后，使用经过大量训练而得到基于支持向量机的焊缝干扰源分类器对图片进行分类，进而运行相对的焊缝特征提取方法。5.根据权利要求1所述的一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法，其特征在于，所述焊缝干扰源分类器是通过支持向量机建立的，所述焊缝干扰源分类器能自动识别出各种干扰源；建立分类器的方法为：步骤5.1、采集图像样本，构成焊缝激光条纹图像集；步骤5.2、对数据进行预处理；首先，处理缺失值和属性的冗余值；其次，数据标准化，消除其尺寸差异的影响；一幅mxn大小的焊缝激光条纹图像，将其展开成一维的行向量x
i
＝[z
i1
,z
i2
,
…
,z
in
]，l幅焊缝激光条纹图像可构成矩阵X＝[x1,x2,...,x
l
]
T
,X∈R
l
×
(m
×
n)
,对每个行向量x
i
进行归一化处理，获得归一化的值a
ij
，其计算方法为，其计算方法为，其计算方法为归一化后的行向量x
i
＝[a
i1
,a
i2
,
…
,a
in
]，(i＝1,2,
…
,l)，l图像样本个数；步骤5.3、拉普拉斯特征映射降维，采用的是拉普拉斯特征映射算法(Laplacian Eigenmaps,LE)，包括:步骤5.31、构建图，构造近邻图，图节点包含所有的样本点,假设样本点i和j相邻则可确定一条边；步骤5.32、确定权重，确定点与点之间的权重大小,选用热核函数来确定,如果点i和点j相连，那么它们关系的权重设定为:
x
i
、x
j
为图像样本集第i张图片和第j张图片经过数据标准化后得到的一维行向量；另外一种可选的简化设定是如果点i,j相连，W
ij
＝1,否则W
ij
＝0.步骤5.33、特征映射，计算拉普拉斯矩阵L的特征向量y与特征值λ:Ly＝λDy,其中D是对角矩阵，对角矩阵D的对角线上(i,i)位置元素等于矩阵W的第i行之和,L＝D
‑
W；使用最小的m个非零特征值对应的特征向量作为降维后的结果输出；步骤5.34、建立支持向量机的分类器；对于支持向量机的建立，其本质就是建立最优分类超平面，焊缝干扰源分类器就是使用标记的训练样本训练模型，然后通过输出最佳超平面来实现测试样本分类；支持向量机的建立如下：焊缝干扰源的分类问题为非线性问题，所以其目标函数为其中：x为测试样本集的输入向量，即测试样本图像集经过数据预处理和拉普拉斯特征映射降维后得到的特征向量；为非线性映射，W为权向量；b为偏置向量；把输入数据映射到高维数据空间；利用极大化间隔的求解思想，最终得到分类决策函数为其中：x
i
训练样本集的输入向量，即训练样本图像集经过数据预处理和拉普拉斯特征映射降维后得到的特征向量；y
i
为第i个激光图像样本对应的标签,K(x
i
,x)为核函数,表示映射到的高维特征空间的两个点的内积这里选择学习能力强且误差小的Gauss径向基(RBF)核函数为其中，σ为核函数系数，具有高的灵活性；经过预处理和拉普拉斯特征映射降维对训练数据提取出相应的特征参数集x
i
,i＝1,2,
…
,N,其中N表示训练数据个数；进一步加入类型标签,则最终的特征参数集为[x
i
；y
i
],i＝1,2,
…
,N,其中y
i
表示第i个训练数据的类型标签；无干扰源、局部凸起干扰源和焊缝间隙干扰源情形对应的类型标签分别为1、2、3；步骤5.35、支持向量机进行训练时,过程包括:
①
区分无干扰源、焊缝间隙干扰源和局部凸起干扰源情形,将所述局部凸起干扰源对应的类型标签置为1,将所述无干扰源和焊缝间隙干扰源情形对应的干扰类型标签置为
‑
1,训练完成后将局部凸起干扰源的特征参数从特征参数集中剔除；
②
区分所述无干扰源和焊缝间隙干扰源情形,将所述焊缝间隙干扰源对应的类型标签置为1,将所述无干扰源无干扰源对应的类型标签置为...

【专利技术属性】
技术研发人员：吴超群，胡家豪，雷艇，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：