【技术实现步骤摘要】
本专利技术涉及智能制造领域，特别是一种基于三维视觉的机器人自适应涂胶轨迹生成算法。
技术介绍
1、涂胶工艺是一种广泛应用于机械、电子、汽车制造等领域的工艺，主要用于不同零件之间的粘连和防水工艺的实现。传统的涂胶工艺主要依赖于人工操作，对于复杂的涂胶轨迹，不仅效率低下，而且由于人为因素很难保证涂胶质量的一致性。
2、近年来，随着工业自动化和机器人技术的快速发展，机器人涂胶的应用越来越广泛。然而现有的机器人涂胶方案，往往依赖预设模板，人为确定涂胶路径。对于每一批新的工件，都需要人工花费大量时间，预设模板涂胶轨迹，而且对于复杂的曲线，非平面的涂胶，人工并不能通过视校法找到精确的涂胶轨迹，从而大大降低了自动化涂胶作业的质量和效率。
3、通过二维或三维的视觉涂胶，相比于传统的基于预设模板的涂胶，有着更高的灵活性。例如cn 114663736a的专利技术专利“一种新型二维和三维数据融合的空调蒸发器涂胶路径获得算法”，提供了一种基于亮度图像和深度图像，通过计算目标连通区域，使用最小二乘法拟合涂胶点的方法，从而运用于空调蒸发器平面的涂胶。该算法基于灰度阈值分割图像，形成单联通区域。所以其设计依赖2d视觉的相机光源打光，工件本身的颜色，前期图片处理，只能针对单一工件，生成相对简单的单连通涂胶区域，并不具有自适应性和普适性。例如对于吸光的工件，例如黑色塑料材质的自行车座，2d亮度图像很难分割出联通区域。
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，而提
2、为解决上述技术问题，本专利技术采用的技术方案是：
3、一种基于三维视觉的机器人自适应涂胶轨迹生成算法，包括如下步骤。
4、步骤1、获取原始工件点云：将工件的待涂胶面朝上放置在料台上；采用3d相机对工件的待涂胶面进行拍照，从而获得原始工件点云。
5、步骤2、获取纯工件点云：原始工件点云中的料台点云进行剔除，从而得到纯工件点云。
6、步骤3、分离涂胶平面聚类：采用聚类算法对步骤2获取的纯工件点云进行聚类分析，从而计算得到最大obb包围盒所对应的点云，即为工件外边框的涂胶平面聚类。
7、步骤4、获取涂胶中线：将步骤3得到的涂胶平面聚类，采用形态学从内外两侧分别向中线进行腐蚀，从而得到涂胶中线。
8、步骤5、获取涂胶轨迹点集：对步骤4获取的涂胶中线上的所有点云，先按照顺时针进行排序，接着，通过计算相邻两个点的设定参量差值；当设定参量差值不小于设定参量最小阈值时，形成一个下采样的自适应涂胶轨迹插值点；当涂胶中线上所有点云遍历完成后，获得的所有自适应涂胶轨迹插值点形成为涂胶轨迹点集。
9、步骤6、涂胶：涂胶机器人根据步骤5的涂胶轨迹点集进行顺时针或逆时针行走，涂胶机器人在涂胶轨迹点集中相邻两个涂胶轨迹点之间的行走时间相同。
10、步骤4中，采用拉普拉斯算子将步骤3得到的涂胶平面聚类，从内外两侧分别向中线进行腐蚀；其中，拉普拉斯算子中拉普拉斯矩阵所涉及的k最近邻，初始化取值为涂胶平面聚类点云数目的0.01倍。
11、步骤4中，拉普拉斯算子采用表征第t次迭代时点云的收缩强度；采用表征第t次迭代时点云的吸引力大小；当t＝0时，通过控制和的大小，从而使得点云在保持形状基本不变时，快速迭代收敛。
12、其中，s0为涂胶平面聚类内点云的平均邻域范围。
13、拉普拉斯算子的迭代终止条件为或者超过最大迭代数目iter_max；其中，表征第t+1次迭代时点云的吸引力大小。
14、最大迭代数目iter_max与涂胶平面聚类的径向厚度δr相关；当δr≤1cm时，iter_max＝3～4；当δr＞1cm时，iter_max＝5～6。
15、步骤5中，涂胶轨迹点集的获取方法，包括如下步骤：
16、步骤5-1、计算质心o：计算步骤4中涂胶中线上所有点云的质心o，并以质心o作为顺时针旋转的中心。
17、步骤5-2、顺时针排序：依次遍历涂胶中线上的任意两个点pi和pj，并判断向量opi和向量opj的叉积；当叉积小于零，则判断向量opi在向量opj的顺时针方向；当涂胶中线上所有点云遍历完成，从而得到顺时针排序完成的点集{p7’}。
18、步骤5-3、计算设定参量差值：设点集{p7’}中任意相邻两个点pi’和pi+1’，且pi+1’位于pi’的顺时针方向；计算点云pi’和pi+1’的设定参量差值。
19、步骤5-4、形成自适应涂胶轨迹插值点：当设定参量差值不小于设定参量最小阈值时，形成一个下采样的自适应涂胶轨迹插值点。
20、步骤5-5、获取涂胶轨迹点集：依次遍历涂胶中线上的所有点云，获得的所有自适应涂胶轨迹插值点形成为涂胶轨迹点集s。
21、步骤5-3中，设定参量差值为法向量差值δn，且δn＝||ni+1-ni||；其中，ni+1为点云pi+1’的法向量；ni为点云pi’的法向量；步骤5-4中，当δn>min_grad时，形成一个下采样的自适应涂胶轨迹插值点；其中，min_grad为最小法向量差值阈值。
22、设定参量差值为欧式距离差值d，且d＝||ai+1-ai||；其中，ai+1为点云pi+1’的位置坐标；ai为点云pi’的位置坐标；步骤5-4中，当d>min_dis时，形成一个下采样的自适应涂胶轨迹插值点；其中，min_dis为最小欧式距离差值阈值。
23、步骤3中，采用聚类算法对纯工件点云进行聚类分析前，需先根据工件的待涂胶面轮廓的平滑性，设定聚类阈值参数；其中，聚类阈值参数包括平滑阈值cth和曲率阈值θth；聚类阈值参数的具体设定方法为：
24、a、当工件的待涂胶面轮廓平滑时，cth≥20，θth≤0.1。
25、b、当工件的待涂胶面轮廓有超过两处明显凸凹或大于1/4最大径向厚度的尖角时，cth＜20，θth＞0.1；其中，明显凸凹是指相邻最高凸凹点的法项差值大于最大径向厚度，且切项差值小于2倍最大径向厚度。
26、本专利技术具有如下有益效果：
27、1、本专利技术通过3d视觉，获得工件的三维点云数据，再通过自适应的轨迹生成算法，生成机器人涂胶作业的轨迹点。本专利技术不依赖人工预制涂胶轨迹的模板，具有鲁棒性高，自适应性强的特点，极大的解放了生产力，提高了生产的智能化。
28、2、本专利技术采用laplace operator对点云进行形态学腐蚀能够避免这些干扰直接提取中线。从而能够避免通过缩放提取中线时，产生的突角噪声，以及鲁棒性差的问题。
29、3、本专利技术能自适应的下采样完涂胶轨迹插值点，对于曲边，由于点的曲率变化率较大，保留的点稠密，保留涂胶的轮廓细节。对于直边，曲率变化较小，保留的点较稀疏，加快涂胶速度。
本文档来自技高网...【技术保护点】
1.一种基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：步骤4中，采用拉普拉斯算子将步骤3得到的涂胶平面聚类，从内外两侧分别向中线进行腐蚀；其中，拉普拉斯算子中拉普拉斯矩阵所涉及的k最近邻，初始化取值为涂胶平面聚类点云数目的0.01倍。
3.根据权利要求2所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：步骤4中，拉普拉斯算子采用表征第t次迭代时点云的收缩强度；采用表征第t次迭代时点云的吸引力大小；当t＝0时，通过控制和的大小，从而使得点云在保持形状基本不变时，快速迭代收敛。
4.根据权利要求3所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：其中，S0为涂胶平面聚类内点云的平均邻域范围。
5.根据权利要求3所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：拉普拉斯算子的迭代终止条件为或者超过最大迭代数目Iter_max；其中，表征第t+1次迭代时点云的吸引力大小。
6.根据权利要求
7.根据权利要求1所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：步骤5中，涂胶轨迹点集的获取方法，包括如下步骤：
8.根据权利要求7所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：步骤5-3中，设定参量差值为法向量差值Δn，且Δn＝||ni+1-ni||；其中，ni+1为点云Pi+1’的法向量；ni为点云Pi’的法向量；步骤5-4中，当Δn>min_grad时，形成一个下采样的自适应涂胶轨迹插值点；其中，min_grad为最小法向量差值阈值。
9.根据权利要求7所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：设定参量差值为欧式距离差值d，且d＝||Ai+1-Ai||；其中，Ai+1为点云Pi+1’的位置坐标；Ai为点云Pi’的位置坐标；步骤5-4中，当d>min_dis时，形成一个下采样的自适应涂胶轨迹插值点；其中，min_dis为最小欧式距离差值阈值。
10.根据权利要求1所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：步骤3中，采用聚类算法对纯工件点云进行聚类分析前，需先根据工件的待涂胶面轮廓的平滑性，设定聚类阈值参数；其中，聚类阈值参数包括平滑阈值Cth和曲率阈值θth；聚类阈值参数的具体设定方法为：
...【技术特征摘要】
1.一种基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：步骤4中，采用拉普拉斯算子将步骤3得到的涂胶平面聚类，从内外两侧分别向中线进行腐蚀；其中，拉普拉斯算子中拉普拉斯矩阵所涉及的k最近邻，初始化取值为涂胶平面聚类点云数目的0.01倍。
3.根据权利要求2所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：步骤4中，拉普拉斯算子采用表征第t次迭代时点云的收缩强度；采用表征第t次迭代时点云的吸引力大小；当t＝0时，通过控制和的大小，从而使得点云在保持形状基本不变时，快速迭代收敛。
4.根据权利要求3所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：其中，s0为涂胶平面聚类内点云的平均邻域范围。
5.根据权利要求3所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：拉普拉斯算子的迭代终止条件为或者超过最大迭代数目iter_max；其中，表征第t+1次迭代时点云的吸引力大小。
6.根据权利要求5所述的基于三维视觉的机器人自适应涂胶轨迹生成算法，其特征在于：最大迭代数目iter_max与涂胶平面聚类的径向厚度δr相关；当δr≤1cm时，iter_max＝3～4；当δr＞1c...
【专利技术属性】
技术研发人员：殷国庆，葛楼云，张瑞，陆坤，鲁小翔，
申请(专利权)人：中船重工鹏力南京智能装备系统有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。