【技术实现步骤摘要】
本专利技术涉及工件处理，尤其涉及一种工件识别打磨方法及装置。
技术介绍
1、对于普通的打磨机器人系统，机器人编程是其实际工作的必要步骤，而传统的机器人编程方式分为示教编程方式与离线编程方式。示教编程是指操作人员通过人工手动的方式，利用示教盒移动机器人末端到指定位置，这种逐点记录机器人位姿然后再重现的方法需要操作人员充当外部传感的角色，机器人自身缺乏外部传感信息，灵活性较差，而且对于结构复杂的零件，需要操作人员花费大量的时间进行示教，编程效率低。当环境参数发生变化时，需要重新示教，不能适应零件与任务变化。而离线编程采用部分传感技术，主要依靠计算机图形学技术，建立机器人工作模型，对编程结果进行三维图形学动画仿真以检测编程可靠性，最后将生成的代码传递给机器人控制柜控制机器人运行。与示教编程相比，离线编程可以减少机器人工作时间，结合cad技术，简化编程，能够构造模拟的机器人工作环境，应用cad技术构建相应的夹具、零件和工具等的几何模型，但是实际工作环境中的安装误差以及零件和工具等物体的几何模型与实际存在的误差会影响机器人工作的实际效果。另一方面，对于非标准件，其cad模型往往精度不高，甚至没有cad模型，在此种情况下，离线编程方式便不再适用。与此同时，上述两种方式均不能满足高精度的恒力控制要求，从而影响打磨作业的实际效果，往往在实际生产中需要结合人工和机器人进行。
2、因此，现有技术还有待改进和发展。
技术实现思路
1、本专利技术提供了一种工件识别打磨方法及装置，用于实现高精度
2、本专利技术第一方面提供了一种工件识别打磨方法，
3、一种工件识别打磨方法，所述工件识别打磨方法包括：基于预构建的pointnet模型、层次特征提取网络和旋转参数学习子网络，构建并训练得到工件识别模型；获取待打磨工件的三维点云数据，并对所述三维点云数据进行预处理，得到处理后三维点云数据；将所述处理后三维点云数据输入工件识别模型，并获取工件识别模型输出的识别结果；基于所述识别结果确定待打磨工件的类型、姿态信息和工件位置，并基于待所述打磨工件的类型、姿态信息和工件位置，利用路径规划算法生成打磨运动轨迹；基于所述打磨运动轨迹生成打磨控制指令，以驱动打磨机器人带动打磨工具按照所述打磨运动轨迹对待打磨工件进行打磨，并在打磨过程中对打磨机器人进行离线接触力补偿。
4、优选地，所述工件识别模型包括输入层、旋转参数学习子网络、姿态校正层、pointnet模型、层次特征提取网络、特征融合层和输出层，所述输入层用于接收处理后三维点云数据，所述旋转参数学习子网络用于根据处理后三维点云数据预测工件的旋转参数，所述姿态校正层用于接收旋转参数学习子网络输出的旋转参数，并根据处理后三维点云数据和旋转参数输出旋转校正后的点云数据，所述pointnet模型用于对旋转校正后的点云数据进行特征提取和聚合以得到全局特征向量，所述层次特征提取网络用于对旋转校正后的点云数据进行局部特征提取以得到层次特征向量，所述特征融合层用于将全局特征向量和层次特征向量进行融合以得到融合特征向量，所述输出层根据融合特征向量输出识别结果。
5、优选地，所述旋转参数学习子网络包括第一子输入层、第一多层感知机和第一子输出层，所述第一子输入层接收处理后三维点云数据，所述第一多层感知机包括多个全连接层和激活函数，所述第一多层感知机用于对处理后三维点云数据进行特征提取和转换，将处理后三维点云数据逐渐从低维特征映射到高维特征，得到用于表示工件的旋转参数的3*3旋转矩阵，所述第一子输出层用于输出3*3旋转矩阵。
6、优选地，所述pointnet模型包括第二子输入层、输入变换层、第二多层感知机、特征变换层和对称函数层，所述第二子输入层用于接收旋转校正后的点云数据，所述输入变换层采用小型pointnet网络，用于对旋转校正后的点云数据规范化处理，所述第二多层感知机设置有多个，并分别用于对规范化处理的点云数据的多个点进行特征提取，所述特征变换层采用小型pointnet网络，用于对第二多层感知机提取的特征进行变换，所述对称函数层用于对所有点的特征进行聚合，得到全局特征向量。
7、优选地，所述层次特征提取网络采用hierarchical feature extractionnetwork，所述层次特征提取网络包括第三子输入层、分组层、局部特征提取器、局部特征融合层和第三子输出层，第三子输入层用于接收旋转校正后的点云数据，所述分组层用于找到旋转校正后的点云数据的每个中心的临近点，并形成局部点集，所述局部特征提取器用于对每个局部点集应用mlp层提取局部特征以得到层次特征向量，所述第三子输出层用于输出层次特征向量。
8、优选地，所述获取待打磨工件的三维点云数据，并对所述三维点云数据进行预处理，得到处理后三维点云数据，包括：使用深度相机拍摄待打磨工件以获取待打磨工件的彩色图像和深度图像；将深度图像中的像素转换为三维空间中的点，并结合彩色图像中的颜色信息生成待打磨工件的三维点云数据；对所述待打磨工件的三维点云数据进行点云滤波处理和坐标变换处理，得到一次处理点云数据；从一次处理点云数据中提取关键特征，得到处理后三维点云数据。
9、优选地，所述基于所述识别结果确定待打磨工件的类型、姿态信息和工件位置，并基于待所述打磨工件的类型、姿态信息和工件位置，利用路径规划算法生成打磨运动轨迹，包括：基于所述识别结果确定待打磨工件的类型、姿态信息和工件位置；基于所述待打磨工件的类型确定待打磨工件的打磨区域形状，并基于所述待打磨工件的姿态信息和工件位置确定打磨工具的初始位置和姿态；基于所述待打磨工件的打磨区域形状、打磨工具的初始位置和姿态利用路径规划算法生成打磨运动轨迹。
10、优选地，所述在打磨过程中对打磨机器人进行离线接触力补偿，包括：获取打磨工具与工件之间的实时接触力；预训练接触力补偿模型，将获取的实时接触力输入至所述接触力补偿模型中，并获取所述接触力补偿模型输出的补偿值；根据所述补偿值生成补偿指令以通过所述补偿指令调整打磨运动轨迹或打磨机器人的关节角度。
11、优选地，所述预训练接触力补偿模型，具体包括：收集打磨机器人的动态数据和静态数据，动态数据包括在不同的工作条件和环境下工作时的关节角度、速度、加速度和接触力，静态数据包括设计参数、材料属性和关节结构；基于打磨机器人的静态参数建立动力学模型；建立多层感知机模型，所述多层感知机模型包括输入层、隐藏层和输出层，输入层用于接收动力学模型的预测结果以及实时接触力，隐藏层由多个神经元组成，输出层用于输出补偿值；将所述动力学模型和所述多层感知机模型整合，得到整合模型；使用打磨机器人的动态数据对整合模型进行训练，得到接触力补偿模型。
12、本专利技术第二方面提供了一种工件识别打磨装置，包括：构建模块，用于基于预构建的pointnet模型、层次特征提取网络和旋转参数学习子网络，构建并训练得到工件识别模型；预处理模块，用于获取待打磨工件的三维点云数据，并对所述三本文档来自技高网...
【技术保护点】
1.一种工件识别打磨方法，其特征在于，所述工件识别打磨方法包括：
2.根据权利要求1所述的工件识别打磨方法，其特征在于，所述工件识别模型包括输入层、旋转参数学习子网络、姿态校正层、PointNet模型、层次特征提取网络、特征融合层和输出层，所述输入层用于接收处理后三维点云数据，所述旋转参数学习子网络用于根据处理后三维点云数据预测工件的旋转参数，所述姿态校正层用于接收旋转参数学习子网络输出的旋转参数，并根据处理后三维点云数据和旋转参数输出旋转校正后的点云数据，所述PointNet模型用于对旋转校正后的点云数据进行特征提取和聚合以得到全局特征向量，所述层次特征提取网络用于对旋转校正后的点云数据进行局部特征提取以得到层次特征向量，所述特征融合层用于将全局特征向量和层次特征向量进行融合以得到融合特征向量，所述输出层根据融合特征向量输出识别结果。
3.根据权利要求2所述的工件识别打磨方法，其特征在于，所述旋转参数学习子网络包括第一子输入层、第一多层感知机和第一子输出层，所述第一子输入层接收处理后三维点云数据，所述第一多层感知机包括多个全连接层和激活函数，所述第一多层
4.根据权利要求2所述的工件识别打磨方法，其特征在于，所述PointNet模型包括第二子输入层、输入变换层、第二多层感知机、特征变换层和对称函数层，所述第二子输入层用于接收旋转校正后的点云数据，所述输入变换层采用小型PointNet网络，用于对旋转校正后的点云数据规范化处理，所述第二多层感知机设置有多个，并分别用于对规范化处理的点云数据的多个点进行特征提取，所述特征变换层采用小型PointNet网络，用于对第二多层感知机提取的特征进行变换，所述对称函数层用于对所有点的特征进行聚合，得到全局特征向量。
5.根据权利要求1所述的工件识别打磨方法，其特征在于，所述层次特征提取网络采用Hierarchical Feature Extraction Network，所述层次特征提取网络包括第三子输入层、分组层、局部特征提取器、局部特征融合层和第三子输出层，第三子输入层用于接收旋转校正后的点云数据，所述分组层用于找到旋转校正后的点云数据的每个中心的临近点，并形成局部点集，所述局部特征提取器用于对每个局部点集应用MLP层提取局部特征以得到层次特征向量，所述第三子输出层用于输出层次特征向量。
6.根据权利要求1所述的工件识别打磨方法，其特征在于，所述获取待打磨工件的三维点云数据，并对所述三维点云数据进行预处理，得到处理后三维点云数据，包括：
7.根据权利要求1所述的工件识别打磨方法，其特征在于，所述基于所述识别结果确定待打磨工件的类型、姿态信息和工件位置，并基于待所述打磨工件的类型、姿态信息和工件位置，利用路径规划算法生成打磨运动轨迹，包括：
8.根据权利要求1所述的工件识别打磨方法，其特征在于，所述在打磨过程中对打磨机器人进行离线接触力补偿，包括：
9.根据权利要求8所述的工件识别打磨方法，其特征在于，所述预训练接触力补偿模型，具体包括：
10.一种工件识别打磨装置，其特征在于，包括：
...【技术特征摘要】
1.一种工件识别打磨方法，其特征在于，所述工件识别打磨方法包括：
2.根据权利要求1所述的工件识别打磨方法，其特征在于，所述工件识别模型包括输入层、旋转参数学习子网络、姿态校正层、pointnet模型、层次特征提取网络、特征融合层和输出层，所述输入层用于接收处理后三维点云数据，所述旋转参数学习子网络用于根据处理后三维点云数据预测工件的旋转参数，所述姿态校正层用于接收旋转参数学习子网络输出的旋转参数，并根据处理后三维点云数据和旋转参数输出旋转校正后的点云数据，所述pointnet模型用于对旋转校正后的点云数据进行特征提取和聚合以得到全局特征向量，所述层次特征提取网络用于对旋转校正后的点云数据进行局部特征提取以得到层次特征向量，所述特征融合层用于将全局特征向量和层次特征向量进行融合以得到融合特征向量，所述输出层根据融合特征向量输出识别结果。
3.根据权利要求2所述的工件识别打磨方法，其特征在于，所述旋转参数学习子网络包括第一子输入层、第一多层感知机和第一子输出层，所述第一子输入层接收处理后三维点云数据，所述第一多层感知机包括多个全连接层和激活函数，所述第一多层感知机用于对处理后三维点云数据进行特征提取和转换，将处理后三维点云数据逐渐从低维特征映射到高维特征，得到用于表示工件的旋转参数的3*3旋转矩阵，所述第一子输出层用于输出3*3旋转矩阵。
4.根据权利要求2所述的工件识别打磨方法，其特征在于，所述pointnet模型包括第二子输入层、输入变换层、第二多层感知机、特征变换层和对称函数层，所述第二子输入层用于接收旋转校正后的点云数据，所述输入变换层采用小型pointnet网络，用...
【专利技术属性】
技术研发人员：梅梦丽，姚金红，张今会，蒲小平，刘波，程其昌，
申请(专利权)人：抚州职业技术学院，
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。