一种墙面施工粉尘控制方法技术

本发明专利技术公开一种墙面施工粉尘控制方法，用于对施工产生的粉尘进行自适应控制，包括步骤：利用待施工墙面2D图像及对应的深度数据构建粗糙度检测模型并利用粗糙度检测模型检测墙面粗糙值；通过多次实验、获取对应每一墙面粗糙值对应的吸尘负压；判断吸尘间隙是否大于阈值，若大于阈值，则对支撑机构倾斜角度进行调整，以使得负压吸尘器与施工墙面贴合。通过检测模型检测墙面粗糙值，获取对应每一墙面粗糙值对应的吸尘负压，通过深度图像算法获取粉尘3D点云数据，并利用点云数据获取打磨模块的施工间隙，通过改变伸长机构的伸长量，对施工间隙进行自适应调整，实现了对施工粉尘进行自适应控制，达到了清洁施工的目的。达到了清洁施工的目的。达到了清洁施工的目的。

【技术实现步骤摘要】
一种墙面施工粉尘控制方法


[0001]本专利技术涉及室内机器人智能施工
，特别涉及一种墙面施工粉尘控制方法就系统。

技术介绍

[0002]随着建筑行业的智能化，涌现出多种建筑施工机器人，施工机器人替代人工，可以实现安全、高效地施工。其中的内墙处理部分，包括对水泥墙面的打磨，去除水泥面的毛刺、在水泥墙面抹刮腻子、腻子层，来使得墙面整体更加平整。对腻子层墙面的打磨以及去除腻子层的接缝等，使得腻子层更加平整；在腻子层上进行喷漆或刷漆。
[0003]在对水泥墙面的粗打磨与对腻子墙面的细打磨过程中，都会打磨出粉尘，为了实现对粉尘的控制，需要一个负压的装置，将粉尘收集起来，避免造成环境污染，避免墙面处理机器人的感知硬件受到粉尘脏污。不同项目的水泥墙面、腻子墙面的物理程度不同，相同粗糙程度再打磨时产生的粉尘量不同，如何让施工机器人在水泥、腻子墙面自适应地实现打磨功能，减少施工环境中的灰尘，实现清洁施工，是当前室内施工过程中亟待解决的问题。

技术实现思路

[0004]现有的室内施工机器人在进行室内施工时，产生大量粉尘，对环境造成污染，而当前的室内施工机器人无法进行自适应粉尘收集，实现清洁施工。
[0005]针对上述问题，提出一种室内施工粉尘控制方法，通过检测模型检测墙面粗糙值，获取对应每一墙面粗糙值对应的吸尘负压，通过深度图像算法获取粉尘3D点云数据，并利用点云数据获取打磨模块的施工间隙，通过改变伸长机构的伸长量，对施工间隙进行自适应调整，实现了对施工粉尘进行自适应控制，达到了清洁施工的目的。<br/>[0006]第一方面，一种墙面施工粉尘控制方法，用于对施工产生的粉尘进行自适应控制，包括：
[0007]步骤100、利用待施工墙面2D图像及对应的深度数据构建粗糙度检测模型并利用所述粗糙度检测模型检测墙面粗糙值；
[0008]步骤200、通过多次实验、获取对应每一墙面粗糙值对应的吸尘负压；
[0009]步骤300、判断吸尘间隙是否大于阈值，若大于阈值，则对支撑机构倾斜角度进行调整，以使得负压吸尘器与施工墙面贴合。
[0010]结合本专利技术所述的墙面施工粉尘控制方法，第一种可能的实施方式中，所述步骤100包括：
[0011]步骤110、利用所述2D图像、深度数据及所述深度数据对应的粗糙值获取最小样本集合；
[0012]步骤120、根据所述最小样本集合分别确定训练集及测试集；
[0013]步骤130、利用所述训练集训练神经网络深度学习模型，获取粗糙度检测模型；
[0014]步骤140、检测施工墙面的2D图像及深度数据信息并输入到所述粗糙度检测模型，获取施工墙面粗糙度。
[0015]结合本专利技术第一种可能的实施方式，第二种可能的实施方式中，所述步骤140包括：
[0016]优选地，所述步骤140包括子步骤：
[0017]步骤141、利用所述粗糙度检测模型中的第一深度学习结构对所述2D图像进行处理，获取第一深度数据；
[0018]步骤142、利用所述粗糙度检测模型中的第二深度学习结构对所述深度数据信息进行处理，获取第二深度数据；
[0019]步骤143、在所述粗糙度检测模型的全连接层将所述第一深度数据，第二深度数据进行合并再次输入全连接层；
[0020]步骤144、对施工墙面图像每个点云的粗糙值进行分类判断，输出粗糙值。
[0021]结合本专利技术第二种可能的实施方式，第三种可能的实施方式中，所述步骤142包括：
[0022]步骤1421、利用转换矩阵T
‑
Net对点云数据集合进行对齐；
[0023]步骤1422、通过多次MLP提取所述点云数据集合特征并再次利用所述转换矩阵T
‑
Net进行对齐；
[0024]步骤1423、在特征的各个维度上进行maxpooling池化操作，获取最终全局特征；
[0025]步骤1424、将全局特征与各点云的局部特征进行串联并通过MLP获取每个数据点的分类结果。
[0026]结合本专利技术第三种可能的实施方式，第四种可能的实施方式中，所述步骤200包括：
[0027]步骤210、通过实验，获取所述墙面粗糙值与吸尘负压的离散数组；
[0028]步骤220、将所述离散数组进行拟合，获取所述墙面粗糙值与吸尘负压的对应关系函数为：
[0029]P＝R*A+B
ꢀꢀ
(1)
[0030]其中，P为所述吸尘负压大小，R为墙面粗糙值，A为墙面粗糙参数；B为基础的吸尘压力。
[0031]结合本专利技术第四种可能的实施方式，第五种可能的实施方式中，所述步骤300包括：
[0032]步骤310、利用图像深度算法，获取施工墙面粉尘点云信息；
[0033]步骤320、利用所述粉尘点云信息获取所述负压吸尘器与墙面的施工间隙；
[0034]步骤330、若所述施工间隙大于阈值，则对所述负压吸尘器倾斜角度进行调整。
[0035]结合本专利技术第五种可能的实施方式，第六种可能的实施方式中，所述步骤310包括：
[0036]步骤311、将施工区域深度图像通过坐标转换转变为点云数据信息；
[0037]步骤312、对所述点云数据信息进行分别对应分区。
[0038]结合本专利技术第六种可能的实施方式，第七种可能的实施方式中，所述步骤320包括：
[0039]步骤321、获取前后两帧同一施工空间的拍摄获取的3D点云数据；
[0040]步骤322、利用所述3D点云数据，计算数据点在各个区域出现的3D点数量；
[0041]步骤323、若所述3D点数量超过阈值，则确定该区域为施工间隙。
[0042]结合本专利技术第七种可能的实施方式，第八种可能的实施方式中，所述步骤321包括：
[0043]步骤3211、利用前后两帧图像时间差T及设备的主升降上升速度，获取两帧图像对应得空间高度差H；
[0044]步骤3212、将后一帧图像数据整体下移H；
[0045]步骤3213、获取下移后的帧图像数据与前一帧图像数据差值，获取差值图像数据；
[0046]步骤3214、将差值图像数据除去顶部H和底部H区域范围的图像数据。
[0047]结合本专利技术第八种可能的实施方式，第九种可能的实施方式中，所述步骤330包括：
[0048]步骤331、在所述负压吸尘器打磨模块分别上下左右四个方向的伸长机构；
[0049]步骤332、控制所述伸长机构的伸长量，获取所属打磨模块特定倾斜角度，以贴合施工墙面。
[0050]与现有技术相比，具有以下技术效果：
[0051]通过检测模型检测墙面粗糙值，获取对应每一墙面粗糙值对应的吸尘负压，通过深度图像算法获取粉尘3D点云数据，并利用点云数据获取打磨模块的施工间隙，通过改变伸长机构的伸长量，对施工间隙进行自适应调整，实现了对施工粉尘进行自适应控制，达到了清洁施工的目的。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种墙面施工粉尘控制方法，用于对施工产生的粉尘进行自适应控制，其特征在于，包括：步骤100、利用待施工墙面2D图像及对应的深度数据构建粗糙度检测模型并利用所述粗糙度检测模型检测墙面粗糙值；步骤200、通过多次实验、获取对应每一墙面粗糙值对应的吸尘负压；步骤300、判断吸尘间隙是否大于阈值，若大于阈值，则对支撑机构倾斜角度进行调整，以使得负压吸尘器与施工墙面贴合。2.如权1所述的墙面施工粉尘控制方法，其特征在于，所述步骤100包括：步骤110、利用所述2D图像、深度数据及所述深度数据对应的粗糙值获取最小样本集合；步骤120、根据所述最小样本集合分别确定训练集及测试集；步骤130、利用所述训练集训练神经网络深度学习模型，获取粗糙度检测模型；步骤140、检测施工墙面的2D图像及深度数据信息并输入到所述粗糙度检测模型，获取施工墙面粗糙度。3.如权2所述的墙面施工粉尘控制方法，其特征在于，所述步骤140包括：优选地，所述步骤140包括子步骤：步骤141、利用所述粗糙度检测模型中的第一深度学习结构对所述2D图像进行处理，获取第一深度数据；步骤142、利用所述粗糙度检测模型中的第二深度学习结构对所述深度数据信息进行处理，获取第二深度数据；步骤143、在所述粗糙度检测模型的全连接层将所述第一深度数据，第二深度数据进行合并再次输入全连接层；步骤144、对施工墙面图像每个点云的粗糙值进行分类判断，输出粗糙值。4.如权3所述的墙面施工粉尘控制方法，其特征在于，所述步骤142包括：步骤1421、利用转换矩阵T
‑
Net对点云数据集合进行对齐；步骤1422、通过多次MLP提取所述点云数据集合特征并再次利用所述转换矩阵T
‑
Net进行对齐；步骤1
‑
423、在特征的各个维度上进行maxpooling池化操作，获取最终全局特征；步骤1424、将全局特征与各点云的局部特征进行串联并通过MLP获取每个数据...

【专利技术属性】
技术研发人员：邓煜，
申请(专利权)人：深圳大方智能科技有限公司，
类型：发明
国别省市：