一种基于三维点云的多类型焊接坡口特征提取方法技术

本发明专利技术涉及焊接坡口检测技术领域，具体为一种基于三维点云的多类型焊接坡口特征提取方法，包括：1、测量工件的三维点云数据；2、对三维点云数据进行滤波处理；3、构建聚类簇集合并分类，得到聚类结果；4、构建各个聚类簇的分段线性回归误差函数err(r)；5、最小化误差函数err(r)以搜索最优r；6、比较当前分段数量下的信息准则值与之前的值，判断是否要更新分段数量，如果需要，保存当前的最优r，循环4至6；否则，将最优r返回，得到拟合曲线；7、计算坡口特征点。本发明专利技术通过使用AIC、BIC方法评估模型的质量，定义了多类型焊接坡口特征提取方法，对于各个类型的焊接坡口，均能获得相对精确的特征结果。征结果。征结果。

【技术实现步骤摘要】
一种基于三维点云的多类型焊接坡口特征提取方法


[0001]本专利技术涉及
，特别涉及一种基于三维点云的多类型焊接坡口特征提取方法
。

技术介绍

[0002]焊接坡口是焊接中的一个重要环节，应用广泛，涉及航空
、
船舶
、
汽车
、
建筑等领域
。
传统的焊接坡口通常依赖于人工操作，存在着效率低
、
准确性差等问题，而且人工操作容易受到环境
、
心理等因素的影响，使得坡口检测存在一定的误差
。
此外，传统的焊接坡口方式需要大量的人力
、
物力投入，成本较高，而且需要一定的专业技能，对操作人员的素质要求较高
。
为了解决传统焊接坡口存在的问题，近年来，一些自动化
、
智能化的焊接坡口检测技术逐渐得到了应用
。
这些技术大多依赖于计算机视觉
、
机器学习等技术手段，可以实现对焊接坡口的自动检测和特征提取
。
然而，目前的自动化焊接坡口检测技术还存在着一些问题，如检测速度慢
、
检测精度低等问题，尤其是在复杂环境下，效果更为不稳定
。
通过测量系统自动获取焊接坡口特征，然后由机器人进行焊接坡口相关作业，成为了坡口作业的新思路
。
[0003]焊接坡口特征提取是一项关键技术，可以对焊接坡口进行自动化检测和评估
。
以下是几种常用的焊接坡口特征提取方法：
[0004]1、
基于形状描述符的方法：这种方法将焊接坡口转化为一个形状描述符，并利用这个描述符来提取特征
。
这种方法的优点是可以很好地捕捉到坡口的几何形状和拓扑结构，缺点是描述符的选择和设计可能会影响到特征提取的准确性和稳定性
。
[0005]2、
基于图像处理的方法：这种方法将焊接坡口看做一张图像，利用图像处理技术来提取特征
。
这种方法的优点是可以很好地捕捉到焊接坡口的纹理和颜色特征，缺点是图像处理的过程会受到噪声
、
光线等因素的影响
。
[0006]3、
基于机器学习的方法：这种方法利用机器学习算法来学习焊接坡口的特征，然后使用学习到的模型来对新的焊接坡口进行特征提取
。
这种方法的优点是可以自适应地学习不同种类焊接坡口的特征，缺点是需要大量的训练数据和较高的计算资源
。
[0007]4、
基于深度学习的方法：这种方法利用深度神经网络来学习焊接坡口的特征，可以通过多层次的特征提取来获得更高质量的特征表示
。
这种方法的优点是可以自适应地学习不同种类焊接坡口的特征，可以处理大规模的数据，缺点是需要大量的训练数据和较高的计算资源
。

技术实现思路

[0008]本专利技术提供了一种基于三维点云的多类型焊接坡口特征提取方法，以解决现有焊接坡口算法需要大量的训练数据和较高的计算资源等技术问题
。
[0009]为达到上述目的，本专利技术的技术方案是这样实现的：
[0010]本专利技术提供了一种基于三维点云的多类型焊接坡口特征提取方法，包括如下步
骤：
[0011]S1、
扫描测量工件的三维点云数据；
[0012]S2、
构建统计滤波器，并使用统计滤波器对三维点云数据进行滤波处理；
[0013]S3、
利用滤波处理后的三维点云数据构建聚类簇集合，聚类簇集合包括多个聚类簇，然后对聚类簇集合进行分类，得到聚类结果
C
；
[0014]S4、
对各个聚类簇进行分段，并构建各个聚类簇的分段线性回归误差函数
err(r)
，其中
r
＝
{X,Y,Z}
，
X,Y,Z
分别为初始化分段在
x
方向
、y
方向和
z
方向上的坐标集合；构建分段拟合曲线，然后计算分段拟合曲线与原始数据之间的均方误差；原始数据即分段前的三维点云数据；
[0015]S5、
使用
Nelder
‑
Mead
算法来最小化均方误差以搜索最优参数
r
；
[0016]S6、
根据信息准则
AIC
和
BIC
，比较当前分段数量下的信息准则值与之前分段数量的信息准则值，根据比较结果判断是否要更新分段数量
count
，如果需要，保存当前的最优参数
r
，更新信息准则值和分段数量，循环
S4
至
S6
，直至分段的数量达到指定的数量；如果不需要增加分段数量，则退出循环，将最优参数
r
的结果返回，得到最终分段后的各个类的拟合曲线；
[0017]S7、
通过聚类结果
C
以及最终分段后的各个类的拟合曲线计算坡口特征点
。
[0018]进一步地，所述
S1
具体包含如下步骤：
[0019]使用线激光相机扫描焊接工件，获得三维测量的三维点云数据
P
＝
{p1，
p2，
...
，
p
i
，
...
，
p
n
}
，
p
i
＝
{x
i
，
y
i
，
z
i
}
该三维数据是作为特征检测的三维点云数据，包含
n
个点，每个点为3×1的向量
。
[0020]进一步地，所述
S2
具体包含如下步骤：
[0021]S21、
针对三维点云数据
P
中每个点
p
i
，定义距离
d
i
为距离点
p
i
最近的
n
d
个点的平均距离，并据此建立三维点云数据
P
所对应的距离集合
D(p)
＝
{d1，
d2，
...
，
d
i
，
...
，
d
n
}
，
n
为测量数据的点数，然后计算距离集合
D(p)
的均值
D
mean
和标准差
D
std
；
[0022]S22、
定义参数
ratio1，并根据参数
ratio1确定阈值
Td
，其中阈值
Td
＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于三维点云的多类型焊接坡口特征提取方法，其特征在于：包括如下步骤：
S1、
测量工件的三维点云数据；
S2、
构建统计滤波器，并使用统计滤波器对三维点云数据进行滤波处理；
S3、
利用滤波处理后的三维点云数据构建聚类簇集合，聚类簇集合包括多个聚类簇，然后对聚类簇集合进行分类，得到聚类结果
C
；
S4、
对各个聚类簇进行分段，并构建各个聚类簇的分段线性回归误差函数
err(r)
，其中
r
＝
{X
，
Y
，
Z}
，
X
，
Y
，
Z
分别为初始化分段在
x
方向
、y
方向和
z
方向上的坐标集合；构建各个分段的拟合曲线，然后计算各个分段的拟合曲线与原始数据之间的均方误差；原始数据即分段前的三维点云数据；
S5、
使用
Nelder
‑
Mead
算法来最小化均方误差以搜索最优参数
r
；
S6、
根据信息准则
AIC
和
BIC
，比较当前分段数量下的信息准则值与之前分段数量的信息准则值，根据比较结果判断是否要更新分段数量
count
，如果需要，保存当前的最优参数
r
，更新信息准则值和分段数量，循环
S4
至
S6
，直至分段的数量达到指定的数量；如果不需要增加分段数量，则退出循环，将最优参数
r
的结果返回，得到最终分段后的各个类的拟合曲线；
S7、
通过聚类结果
C
的聚类数量以及最终分段后的各个类的拟合曲线计算坡口特征点
。2.
根据权利要求1所述的多类型焊接坡口特征提取方法，其特征在于，所述
S1
具体包含如下步骤：使用线激光相机扫描焊接工件，获得三维测量的三维点云数据
P
＝
{p1，
p2，
...
，
p
i
，
...
，
p
n
}
，
p
i
＝
{x
i
，
y
i
，
z
i
}
该三维数据是作为特征检测的三维点云数据，包含
n
个点，每个点为3×1的向量
。3.
根据权利要求2所述的多类型焊接坡口特征提取方法，其特征在于，所述
S2
具体包含如下步骤：
S21、
针对三维点云数据
P
中每个点
p
i
，定义距离
d
i
为距离点
p
i
最近的
n
d
个点的平均距离，并据此建立三维点云数据
P
所对应的距离集合
D(P)
＝
{d1，
d2，
...
，
d
i
，
...
，
d
n
}
，
n
为三维点云数据的点数，然后计算距离集合
D(p)
的均值
D
mean
和标准差
D
std
；
S22、
定义参数
ratio1，并根据参数
ratio1确定阈值
T
d
，其中阈值
T
d
＝
D
mean
+ratio1×
D
std
；
S23、
对距离集合
D(p)
进行滤波处理，其中小于等于阈值
T
d
的点
d
i
将被保留，其余点将被视为离群点并被删除，即得到新的三维点云数据
P1＝
{p∈P|D(p)
＜
T
d
}。4.
根据权利要求3所述的多类型焊接坡口特征提取方法，其特征在于，所述
S22
中的参数
ratio1满足关系式：
0.5≤ratio1≤2.0。5.
根据权利要求3所述的多类型焊接坡口特征提取方法，其特征在于，所述
S3
具体包含如下步骤：
S31、
确定邻域半径
ε
和聚类簇最少点数
minPts
；
S32、
从三维点云数据
P1中任意一个核心点
p
i
开始，通过不断地在其邻域半径
ε
内寻找其他点来构建聚类簇
c
i
，通过递归地进行这个过程，可以得到聚类簇
c
i
＝
{p
ci1
，
p
ci2
，
...
，
p
cij
}
，其中
p
c1j
∈P1，遍历三维点云数据
P1所有点得到聚类簇集合；
S33、
对于聚类簇集合中的每个聚类簇
c
i
，将点数小于
minPts
的聚类簇视为噪声并删除，其他聚类簇则作为有效输出，利用有效输出构建聚类结果
C
，聚类结果
C
＝
{c1，
c2，
...
，
c
m
}
，
m
表示有效聚类簇的个数
。6.
根据权利要求5所述的多类型焊接坡口特征提取方法，其特征在于，所述
S33
中的聚类簇的个数
m
与

【专利技术属性】
技术研发人员：朱青，邱泽锴，谢核，王耀南，陆鸣，张左治，吴成中，周显恩，
申请(专利权)人：三一汽车制造有限公司，
类型：发明
国别省市：