一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法及系统与流程

摘要: 本发明涉及焊缝点云定位,具体为一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法及系统。背景技术:1、随着智能制造与机器人焊接技术的快速发展,焊缝空间位置的...
一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法及系统与流程

本发明涉及焊缝点云定位,具体为一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法及系统。

背景技术:

1、随着智能制造与机器人焊接技术的快速发展,焊缝空间位置的自动精准定位已成为实现高质量自动化焊接的关键环节。传统焊缝定位方法多依赖人工示教或基于二维图像的简单特征提取,存在定位精度低、适应性差、易受光照与表面反光干扰等问题,难以满足复杂工件高精度焊接的生产需求。

2、近年来,三维点云采集技术的进步为焊缝定位提供了新的数据基础,基于点云的焊缝定位方法逐渐成为研究热点。然而,现有基于点云的焊缝定位方法仍存在诸多不足:

3、一方面,单纯依赖几何特征拟合的方法在面对复杂工件背景时,容易将母材结构误识别为焊缝特征,导致拟合结果偏离真实焊缝位置,且难以区分不同类型的焊接接头;

4、另一方面,基于深度学习的点云语义分割方法虽能在一定程度上实现焊缝区域与背景的分离,但网络模型在特征提取过程中通常需要对点云进行降采样处理,导致焊缝点云空间密度损失,分割结果分辨率不足,无法直接支撑高精度的空间曲线拟合。

5、此外,现有方法大多仅输出焊缝区域的点云集合或离散中心点,缺乏对焊缝空间曲线的解析表达式描述,难以直接应用于焊接机器人的连续轨迹规划。同时,现有技术往往针对单一类型焊缝设计定位方案,无法自适应处理对接接头、角接接头、搭接接头、t型接头以及圆弧曲面型焊缝、圆柱面角接接头等多种几何拓扑类型的焊缝,限制了其在复杂焊接场景中的推广应用。

6、因此,针对上述问题提出一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法及系统。

技术实现思路

1、本发明的目的在于提供一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法及系统,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法,包括以下步骤:

4、s1:获取待焊接工件的原始三维点云数据;

5、s2:将原始三维点云数据输入至预先训练的多尺度点云神经网络模型进行语义分割,得到降采样参考点集的语义类别标签以及焊缝接头类型先验,并基于语义类别标签剔除背景母材点云;多尺度点云神经网络模型通过逐层扩大的感受野,协同提取焊缝表面的局部微观几何特征与焊接接头的全局拓扑结构特征;

6、s3:以降采样参考点集为索引,利用k近邻算法对原始三维点云数据中的未采样点进行邻域搜索与标签传播,将语义类别标签映射至原始分辨率,重建具备完整空间密度的全分辨率焊缝目标点云集;

7、s4:根据焊缝接头类型先验,自适应构建对应的几何约束降维模型,对全分辨率焊缝目标点云集进行空间几何特征拟合,提取焊缝中心线或空间交线,获取焊缝的空间曲线解析表达式,实现多类型焊缝的精准空间定位;

8、所述自适应构建对应的几何约束降维模型的过程包括:利用焊缝接头类型先验限定几何拟合的搜索空间与数学约束条件,将三维空间内的全局盲搜拟合转化为基于语义掩膜与特定几何拓扑约束的降维拟合,以排除复杂工件背景对焊缝空间曲线解析表达式的干扰。

9、一种融合深度学习与几何拟合的多类型焊缝点云精准定位系统,包括:

10、点云数据采集模块,用于获取待焊接工件的原始三维点云数据;

11、深度学习分割与识别模块,用于将原始三维点云数据输入至预先训练的多尺度点云神经网络模型进行语义分割,得到降采样参考点集的语义类别标签以及焊缝接头类型先验,并基于语义类别标签剔除背景母材点云;多尺度点云神经网络模型通过逐层扩大的感受野,协同提取焊缝表面的局部微观几何特征与焊接接头的全局拓扑结构特征;

12、点云密度恢复模块,用于以降采样参考点集为索引,利用k近邻算法对原始三维点云数据中的未采样点进行邻域搜索与标签传播,将语义类别标签映射至原始分辨率,重建具备完整空间密度的全分辨率焊缝目标点云集;

13、自适应几何拟合与定位模块,用于根据焊缝接头类型先验,自适应构建对应的几何约束降维模型,对全分辨率焊缝目标点云集进行空间几何特征拟合,提取焊缝中心线或空间交线,获取焊缝的空间曲线解析表达式,实现多类型焊缝的精准空间定位;自适应构建对应的几何约束降维模型的过程包括:利用焊缝接头类型先验限定几何拟合的搜索空间与数学约束条件,将三维空间内的全局盲搜拟合转化为基于语义掩膜与特定几何拓扑约束的降维拟合。

14、由上述本发明提供的技术方案可以看出,本发明提供的一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法及系统,有益效果是:

15、本发明采用多尺度点云神经网络模型进行语义分割,通过逐层扩大的感受野协同提取焊缝表面的局部微观几何特征与焊接接头的全局拓扑结构特征,既能够分辨细小的焊缝边界起伏,又能够从整体上识别焊缝接头的类型与走向,实现焊缝目标与复杂工件背景的准确分离,有效克服了单纯几何拟合方法易受背景干扰的缺陷;

16、本发明利用k近邻算法对未采样点进行邻域搜索与距离加权标签传播,将降采样参考点集的语义类别标签映射至原始分辨率,重建具备完整空间密度的全分辨率焊缝目标点云集,消除了网络降采样带来的空间密度损失,为后续空间几何特征拟合提供了足量且连续的高分辨率数据基础,显著提升了焊缝曲线拟合的精度与稳定性;

17、本发明根据焊缝接头类型先验自适应构建对应的几何约束降维模型,利用先验信息限定几何拟合的搜索空间与数学约束条件,将三维空间内的全局盲搜拟合转化为基于语义掩膜与特定几何拓扑约束的降维拟合,既排除了复杂工件背景对拟合过程的干扰,又使拟合过程在几何意义上可解释、在解空间上受约束,大幅提高了拟合效率与结果可靠性;

18、本发明支持多类型焊缝的自适应精准定位,针对直线型焊缝与t型接头采用母材平面拟合、交线点云提取、主成分分析与最小二乘直线拟合相结合的方案,针对圆弧曲面型焊缝与圆柱面角接接头采用圆柱面建模、投影降维、二维圆拟合与空间圆弧重建相结合的方案,能够覆盖对接接头、角接接头、搭接接头、t型接头等多种常见焊接接头类型,适应性强,应用范围广;

19、本发明输出焊缝中心线或空间交线的空间曲线解析表达式,其中直线型焊缝输出直线参数方程,圆弧曲面型焊缝输出由空间圆心、半径与所在平面构成的空间圆弧曲线表达,可直接用于焊接机器人轨迹规划与实时焊接定位,无需额外的离散点轨迹插值处理,提高了焊接自动化的集成效率;

20、本发明设置定位精度量化评估与回退重拟合机制,通过计算拟合残差均值对定位精度进行量化评估,当残差均值高于预设精度阈值时自动回退调整内点距离阈值并重新拟合,直至定位精度满足要求,有效保证了定位结果的有效性与可靠性。

1.一种融合深度学习与几何拟合的多类型焊缝点云精准定位方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的融合深度学习与几何拟合的多类型焊缝点云精准定位方法,其特征在于:所述多尺度点云神经网络模型为基于pointnet++构建的分层神经网络,包括特征提取模块和特征传递模块;

3.根据权利要求1所述的融合深度学习与几何拟合的多类型焊缝点云精准定位方法,其特征在于:所述多尺度点云神经网络模型的训练过程包括:

4.根据权利要求1所述的融合深度学习与几何拟合的多类型焊缝点云精准定位方法,其特征在于:所述多尺度点云神经网络模型在特征提取过程中采用最远点采样算法对输入的原始三维点云数据进行降采样处理,得到降采样参考点集;

5.根据权利要求1所述的融合深度学习与几何拟合的多类型焊缝点云精准定位方法,其特征在于:当焊缝接头类型先验为直线型焊缝或t型接头时,自适应构建对应的几何约束降维模型并进行空间几何特征拟合的过程包括:

6.根据权利要求1所述的融合深度学习与几何拟合的多类型焊缝点云精准定位方法,其特征在于:当焊缝接头类型先验为圆弧曲面型焊缝或圆柱面角接接头时,自适应构建对应的几何约束降维模型并进行空间几何特征拟合的过程包括:

7.一种融合深度学习与几何拟合的多类型焊缝点云精准定位系统,用于执行所述权利要求1-6中任一项所述的融合深度学习与几何拟合的多类型焊缝点云精准定位方法,其特征在于:所述系统包括: