CN111400830A - 一种三维毛坯工件的加工校准方法及装置 - Google Patents

Abstract

本发明提供了一种三维毛坯工件的加工校准方法及装置，通过在三维毛坯工件的表面确定预设数量的第一采样区域；获取第一采样区域对应的第一云数据集；获取三维模型，三维模型包括安装有工件模型的机床模型；通过第一云数据集与工件模型中第一目标区域的模型数据集的匹配，得到工件模型的第一坐标系；获取机床模型的第二坐标系；根据第一坐标系、第二坐标系以及工件模型生成加工路径，然后对安装在机床上的三维毛坯工件进行加工。本发明通过实体工件的局部区域对应的点云数据集，对理论三维模型的对应局部区域的模型数据集进行配准，在保证了配准精度的基础上，降低了数据处理量，提高了处理效率。

Description

一种三维毛坯工件的加工校准方法及装置

技术领域

本发明属于数字化加工技术领域，特别是涉及一种三维毛坯工件的加工校准方法及装置。

背景技术

随着计算机辅助设计技术的快速发展，使得其在工件加工领域得到了广泛应用，当需要进行工件的加工时，通过计算机加工软件与工件、机床三维理论模型的配合，通过数字化控制机床，实现对实体毛坯工件的加工，得到成品工件。

在目前，工件的三维型面结构通常较为复杂，在进行数字化工件加工的过程中，为了保证加工精度，需要将加工软件中的三维理论模型与实体机床、实体工件进行三维型面结构的配准，目前的配准方案有两种。方案一，采用三维扫描技术，对实体机床、实体工件进行整体扫描，通过扫描得到的点云数据集重建模型，并通过重建模型与三维理论模型进行匹配计算，调整三维理论模型与实体机床、实体工件之间的误差。方案二，可以制作一个与实体工件的型面吻合的模具，根据该模具上的典型特征，调整三维理论模型与实体机床、实体工件之间的误差。

但是，目前的方案一中，对实体机床、实体工件进行整体扫描会产生较大的点云数据集量，在后期进行重建模型和模型配准的过程中会存在数据计算量巨大，配准操作时间长的问题，方案二中存在开发模具的时间成本和经济成本较高的问题。

发明内容

本发明提供一种三维毛坯工件的加工校准方法及装置，以便解决现有技术中数据计算量巨大，配准操作时间长，时间成本和经济成本较高的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种三维毛坯工件的加工校准方法，该方法可以包括：

在三维毛坯工件的表面确定预设数量的第一采样区域；

获取所述第一采样区域对应的第一云数据集；

获取三维模型，所述三维模型包括安装有工件模型的机床模型；

获取所述机床模型的第二坐标系；

通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集的匹配，得到所述工件模型的第一坐标系，所述第一目标区域的定位信息包括所述工件模型中对应所述第一采样区域的位置和方向信息；

根据所述第二坐标系、所述第一坐标系以及所述工件模型，生成加工路径，然后对安装在所述机床上的三维毛坯工件进行加工。

第二方面，本发明实施例提供了一种三维毛坯工件的加工校准装置，该三维毛坯工件的加工校准装置可以包括：

第一确定模块，用于在三维毛坯工件的表面确定所述预设数量的第一采样区域；

第一获取模块，用于获取所述第一采样区域对应的第一云数据集；

第二获取模块，用于获取三维模型，所述三维模型包括安装有工件模型的机床模型；

第三获取模块，用于获取所述机床模型的第二坐标系；

配准模块，用于通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集的匹配，得到所述工件模型的第一坐标系，所述第一目标区域的定位信息包括所述工件模型中对应所述第一采样区域的位置和方向信息；

加工模块，用于根据所述第二坐标系、所述第一坐标系以及所述工件模型，生成加工路径，然后对安装在所述机床上的三维毛坯工件进行加工。

在本发明实施例中，通过在三维毛坯工件的表面确定预设数量的第一采样区域；获取第一采样区域对应的第一云数据集；获取三维模型，三维模型包括安装有工件模型的机床模型；通过第一云数据集与工件模型中第一目标区域的模型数据集的匹配，得到工件模型的第一坐标系，第一目标区域的定位信息包括工件模型中对应第一采样区域的位置和方向信息；获取机床模型的第二坐标系；根据第一坐标系、第二坐标系以及工件模型，生成加工路径，然后对安装在机床上的三维毛坯工件进行加工。本发明通过实体工件的局部区域对应的点云数据集，对理论三维模型的对应局部区域的模型数据集进行配准，在保证了配准精度的基础上，降低了数据处理量，提高了处理效率。

附图说明

图1是本发明实施例提供的一种三维毛坯工件的加工校准方法的步骤流程图；

图2是本发明实施例提供的一种三维毛坯工件和机床的装配结构图；

图3是本发明实施例提供的一种三维毛坯工件和机床的局部装配结构图；

图4是本发明实施例提供的一种三维毛坯工件的加工校准方法的具体步骤流程图；

图5是本发明实施例提供的一种三维模型的离散结构图；

图6是本发明实施例提供的一种三维模型的点云采样示意图；

图7是本发明实施例提供的一种三维模型的点云位置示意图；

图8是本发明实施例提供的一种三维模型的点云配准示意图；

图9是本发明实施例提供的一种三维毛坯工件的加工校准装置的框图；

图10是本发明实施例提供的一种三维毛坯工件的加工校准装置的具体框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例提供的一种三维毛坯工件的加工校准方法的步骤流程图，该方法可以应用于三维毛坯工件的加工校准装置，如图1所示，该方法可以包括：

步骤101、在三维毛坯工件的表面确定预设数量的第一采样区域。

在本发明实施例中，参照图2，示出了本发明实施例提供的一种三维毛坯工件和机床的装配结构图，其中，机床10可以支持数字化机械加工，即可以通过计算机加工软件中存储的机床、工件的理论三维模型，确定加工时的机床坐标和工件坐标，并规划相应的加工路径，通过切割头12对安装在机床10上的三维毛坯工件20进行加工处理，得到最终的成品工件。可以将加工软件中的理论三维模型与机床10、三维毛坯工件20进行三维型面结构的配准，使得得到精确的机床坐标和工件坐标，保证了较高的加工精度。

在该步骤中，为了修正工件模型，可以在三维毛坯工件20的表面确定相同预设数量的第一采样区域21，具体的，参照图3，示出了本发明实施例提供的一种三维毛坯工件和机床的局部装配结构图，其中，在三维毛坯工件20上设置了三个第一采样区域21。

需要说明的是，为了确保理论三维模型与机床10、三维毛坯工件20的三维型面结构的精确配准，第一采样区域21可以是三维毛坯工件20中具有三维特征的局部表面，以便准确表述三维毛坯工件20的三维型面结构，比如第一采样区域21可以是三个垂直平面相交形成的凸角或凹角部位，再比如第一采样区域21可以是拐角、球面等部位。

进一步的，第一采样区域21的数量可以根据实际需求进行设定，采样区域的数量越多，处理数据量相应的越大，配准精度也更高，优选的，第一采样区域21的数量可以为3个，另外，第一采样区域21可以为利用贴标记点或喷涂的方法选取的区域。

步骤102、获取所述第一采样区域对应的第一云数据集。

在本发明实施例中，可以利用三维扫描技术，采样三维扫描仪获取第一采样区域对应的第一云数据集，三维扫描仪可以用来侦测并分析现实世界中物体或环境的形状与外观的数据，该数据可以为物体表面的各个点的数据，搜集到的点的数据常被用来进行三维重建计算，在虚拟世界中创建实际物体的数字模型。

具体的，搜集到的点数据可以是创建在物体几何表面的点云(point cloud)数据，这些点云数据集可用来插补成物体的表面形状，越密集的点云数据集可以创建更精确的模型，这个过程称为三维重建。三维扫描仪可以为三维激光扫描仪，也可以为三维照相式扫描仪，本发明实施例对此不作限定。

在本发明实施例中，第一云数据集可以精确的表示实体三维毛坯工件中第一采样区域的三维型面结构，进一步的，相较于现有技术中通过完整的机床模型与工件模型与理论模型进行配准，本发明实施例采用第一采样区域对应的第一云数据集进行理论三维模型的配准，在保证了配准精度的基础上，降低了数据处理量，提高了处理效率。

步骤103，获取三维模型，所述三维模型包括安装有工件模型的机床模型。

在本发明实施例中，三维模型可以为机床和成品工件的理论模型，通常可以储存在计算机设备中，并在加工软件的处理下规划相应的加工路径，实现控制实体的机床对三维毛坯工件进行加工。

具体的，三维模型中的工件模型可以在该工件的设计过程中创建完成，也可以利用三维扫描仪对实体的成品工件全面扫描，并通过扫描得到的点云数据集重构得到。需要说明的是，实体工件安装在机床中的位置需和三维模型中工件模型安装在机床模型中的位置一致。

步骤104，通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集的匹配，得到所述工件模型的第一坐标系，所述第一目标区域的定位信息包括所述工件模型中对应所述第一采样区域的位置和方向信息。

在该步骤中，可以利用第一云数据集对理论工件模型进行配准，得到准确的工件模型的第一坐标系。具体的，当确定工件模型中的第一目标区域后，可以提取该区域的模型数据集，并将第一云数据集于提取的模型数据集进行配准操作。

具体的，假设在工件中选取了三个第一采样区域，分别提取了点云数据集A，B，C，在理论工件模型中确定了三个对应的第一目标区域，分别提取了模型数据集A’，B’，C’则可以将点云数据集A与模型数据集A’进行配准计算，将点云数据集B与模型数据集B’进行配准计算，将点云数据集C与模型数据集C’进行配准计算，使得模型数据集A’尽可能的接近点云数据集A，模型数据集B’尽可能的接近点云数据集B，模型数据集C’尽可能的接近点云数据集C。通过配准计算可以得到理论工件模型与实体毛坯工件误差最小的位置及姿态，根据该位置及姿态调整理论工件模型的位置和姿态与实体毛坯工件相吻合，以此可以进一步确定校准过的工件模型的第一坐标系。

同样的，采样区域A/B/C以及对应的目标区域A’/B’/C’可以通过人工选取，也可以通过其他自动化方式选取，本发明实施例对此不作限定。需要说明的是，第一目标区域的确定，可以为在工件模型上选一个点，然后以该点为球心，用一个指定半径的球面与模型的表面相交来圈定局部的目标区域。

步骤105，获取所述机床模型的第二坐标系。

在本发明实施例中，由于机床10的结构固定且具有明显边界能够提供定位，因此，机床10对应的机床坐标的确定方式较为简单，可以利用传统坐标校准手段实现，而且机床坐标确定之后不需要因为工件的改变而重新确定。

例如，可以采用光学定位器对机床10进行扫描，光学定位器能够测量机床10上的特征尺寸，如测交角、测长度、测直径，能够找圆心、寻边，从而确定机床10的第二坐标系。

步骤106，根据所述第一坐标系、所述第二坐标系以及所述工件模型，生成加工路径，然后对安装在所述机床上的三维毛坯工件进行加工。

在确定了第二坐标系、第一坐标系之后，可以通过加工软件在三维模型上设计或加载相应的加工路径，如图2中示出的三维毛坯工件20需要切除毛边，得到成品工件，则可以在三维毛坯工件20的三维型面结构上规划出相应的切割路径，控制切割头12将切割路径之外的毛边切除，由于在规划切割路径和进行切割操作时利用了配准后的第二坐标系和第一坐标系，因此保证了切割精度。

在本发明实施例中，切割头12可以采用高能束切割头，如水切割、激光切割等，切割头12在加工软件的控制下，按照第二坐标系、第一坐标系进行与切割路径吻合的切割操作，最终得到成品工件。

综上，本发明实施例提供的一种三维毛坯工件的加工校准方法，通过在三维毛坯工件的表面确定预设数量的第一采样区域；获取第一采样区域对应的第一云数据集；获取三维模型，三维模型包括安装有工件模型的机床模型；通过第一云数据集与工件模型中第一目标区域的模型数据集的匹配，得到工件模型的第一坐标系，第一目标区域的定位信息包括工件模型中对应第一采样区域的位置和方向信息；获取机床模型的第二坐标系；根据第一坐标系、第二坐标系以及工件模型，生成加工路径，然后对安装在机床上的三维毛坯工件进行加工。本发明通过实体工件的局部区域对应的点云数据集，对理论三维模型的对应局部区域的模型数据集进行配准，在保证了配准精度的基础上，降低了数据处理量，提高了处理效率。

图4是本发明实施例提供的一种三维毛坯工件的加工校准方法的具体步骤流程图，如图4所示，该方法可以包括：

步骤201、在三维毛坯工件的表面确定预设数量的第一采样区域。

该步骤具体可以参照上述步骤101，此处不再赘述。

步骤202、获取所述第一采样区域对应的第一云数据集。

该步骤具体可以参照上述步骤102，此处不再赘述。

步骤203、获取三维模型，所述三维模型包括安装有工件模型的机床模型。

该步骤具体可以参照上述步骤103，此处不再赘述。

步骤204、根据所述第一云数据集和所述第二云数据集，确定所述工件模型中的第一目标区域的定位信息和所述机床模型中的第二目标区域的定位信息。

在本发明实施例中，根据第一云数据集和第二云数据集，确定机床模型中的第二目标区域和工件模型中的第一目标区域，其目的在于将实体机床表面的第二采样区域映射到理论三维机床模型中的第二目标区域，将实体三维毛坯工件表面的第一采样区域映射到理论三维工件模型中的第一目标区域。

例如，假设实体三维毛坯工件为汽车，并在汽车的两个前大灯位置处选取了第一采样区域，提取了第一采样区域的第一云数据集，则在计算机设备中储存的理论三维汽车模型中，同样确定汽车模型的两个前大灯位置处为第一目标区域，并提取了第一目标区域的模型数据集。

在本发明实施例的一种实现方式中，步骤204可以包括：

子步骤2041，根据所述第一云数据集，建立包括所述第一采样区域的第一云场景模型。

在该步骤中，为了达到将实体物体上的区域映射到三维物体模型上的对应区域的目的，可以根据扫描该实体三维毛坯工件的局部区域得到的第一云数据集建立第一云场景模型，第一云场景模型包括了各个第一云数据集所对应的第一采样区域，与整体毛坯工件的位置和方位关系。

子步骤2041，根据所述第二云数据集，建立包括所述第二采样区域的第二云场景模型。

同样的，在该步骤中，为了达到将实体物体上的区域映射到三维物体模型上的对应区域的目的，可以根据扫描实体机床的局部区域得到的第二云数据集建立第二云场景模型，第二云场景模型包括了各个第二云数据集所对应的第二采样区域，与整体机床的位置和方位关系。

子步骤2043，将所述工件模型与所述第一云场景模型进行匹配，确定所述工件模型中对应所述第一采样区域的第一目标区域的定位信息。

在该步骤中，通过包括了各个第一采样区域与整体毛坯工件的位置和方位关系的第一云场景模型与理论工件模型的匹配，即可在该理论工件模型中确定对应所述第一采样区域的第一目标区域的定位信息。

子步骤2044，将所述机床模型与所述第二云场景模型进行匹配，确定所述机床模型中对应所述第二采样区域的第二目标区域的定位信息。

在该步骤中，通过包括了各个第二采样区域与整体机床的位置和方位关系的第二云场景模型与理论机床模型的匹配，即可在该理论机床模型中确定对应所述第二采样区域的第二目标区域的定位信息。

步骤205、获取所述机床模型的第二坐标系。

具体的，在本发明实施例中，也可以采用点云配准的方式进行机床坐标的获取，具体可以包括：参照图3，在机床10的表面确定预设数量的第二采样区域11；获取第二采样区域11对应的第二云数据集。通过第二云数据集与机床模型中第二目标区域的模型数据集的匹配，得到机床模型的第二坐标系。

例如，第二采样区域11可以为机床10的边界选取的局部区域，所选取的第二采样区域11需便于建立直角坐标系，因此，在图3中，两个第二采样区域11可以分布于机床的两个相连侧边上，另一个第二采样区域11可以分布于这两个侧边的交点处。

在该步骤中，在进行机床坐标获取操作时，可以利用第二云数据集对理论机床模型进行配准，得到准确的机床模型的第二坐标系，具体的，参照图3示出的装配图，可以首先根据在机床表面设定的3个第二采样区域，对应映射到机床模型中，确定机床模型的3个第二目标区域。例如，参照图3，在机床中，两个第二采样区域11可以分布于机床的两个相连侧边上，另一个第二采样区域11可以分布于这两个侧边的交点处，则在理论机床模型中，两个第二目标区域可以分布于机床模型的两个相连侧边上，另一个第二目标区域可以分布于这两个侧边的交点处。

进一步的，当确定机床模型中的第二目标区域后，可以提取该区域的模型数据集，并将第二云数据集于提取的模型数据集进行配准操作，具体的，假设在机床中选取了三个第二采样区域，分别提取了点云数据集A，B，C，在理论机床模型中确定了三个对应的第二目标区域，分别提取了模型数据集A’，B’，C’则可以将点云数据集A与模型数据集A’进行配准计算，将点云数据集B与模型数据集B’进行配准计算，将点云数据集C与模型数据集C’进行配准计算，使得模型数据集A’尽可能的接近点云数据集A，模型数据集B’尽可能的接近点云数据集B，模型数据集C’尽可能的接近点云数据集C。通过配准计算可以得到理论机床模型与实体机床误差最小的位置及姿态，根据该位置及姿态调整理论机床模型的位置和姿态与实体机床相吻合，以此可以进一步确定校准过的机床模型的第二坐标系。

采样区域A/B/C以及对应的目标区域A’/B’/C’可以通过人工选取，也可以通过其他自动化方式选取，本发明实施例对此不作限定。

在本发明实施例的一种实现方式中，步骤205可以包括：

子步骤2051，在安装有所述三维毛坯工件的机床表面确定所述预设数量的第二采样区域。

子步骤2052，获取所述第二采样区域对应的第二云数据集。

子步骤2053，通过所述第二云数据集与所述机床模型中第二目标区域的模型数据集的匹配，得到所述机床模型的第二坐标系，所述第二目标区域的定位信息包括所述机床模型中对应所述第二采样区域的位置和方向信息。

在本发明实施例中，若采用点云配准的方式校准三维模型中的机床模型，以获取校准后的机床模型的第一坐标，可以采用的方式包括：1、选取采样区域；2、提取云数据集；3、与理论模型中对应区域的模型数据集进行匹配；4、得到校准后的理论模型；5、通过校准后的理论模型获取坐标系。

在本发明实施例的一种实现方式中，子步骤2053可以包括：

子步骤A1，确定所述第二云数据集中的第一关键点，以及所述第二目标区域的模型数据集中的第二关键点。

在本发明实施例中，通过第二云数据集修正机床模型中第二目标区域的模型数据集，整个修正过程具体可以称作点云配准，点云配准就是求两个点云之间的旋转平移矩阵和平移向量，并将源点云(source cloud)变换到目标点云(target cloud)相同的坐标系下的一种方法，其中，源点云可以为理论机床模型中第二目标区域的模型数据集，目标点云可以为实体机床的第二采样区域对应的第二云数据集。

在配准过程中，首先需要确定源点云和目标点云具体为哪些点，具体的，我们在有初值的情况下，假设用初始的旋转平移矩阵对源点云进行变换，得到的一个变换后的点云，然后将这个变换后的点云与目标点云进行比较，只要两个点云中存在距离小于一定阈值，我们就认为这两个点为邻近点，也就是对应点。

在该步骤中，参照图5，示出本发明实施例提供的一种三维模型的离散结构图，可以首先对第二目标区域的模型数据集进行离散处理，形成简单的三角面片30，离散成的简单的三角面片30的三角形顶点就可作为最初的模型源点云，为了离散的快速进行，该步骤离散出的三角面片个数可以较少。

但是，三角面片的个数不能满足之后配准的要求，此时需要在该三角面片进行上采样，使得上采样后的三角面片顶点个数和第二云数据集的点云个数大致相同。具体为，首先计算所有的三角面片面积和S_总，之后根据第二云数据集的点云个数N_点云求得点云密度ρ＝N_点云/S_总，随后分别计算每个三角面片的面积S₁，即可求得该三角面片中包含的点个数N₁＝S₁×ρ，之后将点均匀分布在该三角面片中即可，对所有的三角面片都进行该处理后即可得到最终的如图6所示的源点云P，源点云P进行采样后，采集到的点云个数可以为大约50000个。

之后，分别对源点云P(理论)和目标点云Q(实体)计算中心，即分别计算第二云数据集中的第一关键点Q_中心，以及第二目标区域的模型数据集中的第二关键点P_中心，

如图7所示为源点云P和目标点云Q的初始位置。

子步骤A2，获取所述第一关键点的第一特征向量，以及所述第二关键点的第二特征向量。

当确定第一关键点Q_中心和第二关键点P_中心的初始位置后，分别对源点云P和目标点云Q进行主成分分析，得到相应的特征向量第二特征向量U_P和第一特征向量U_Q，结合得到的第一关键点Q_中心和第二关键点P_中心，即可以得到两点云进行粗略配准需要的第一旋转矩阵R₀和第一平移向量T₀。

子步骤A3，将所述第一特征向量和所述第二特征向量进行配准计算，得到第一旋转矩阵和第一平移向量。

其中，在该步骤中，进行第一旋转矩阵R₀和第一平移向量T₀具体可以为按照公式

T₀＝P_中心-R₀×Q_中心进行实现。

子步骤A4，根据所述第一旋转矩阵和所述第一平移向量修正所述第二目标区域的模型数据集，得到第一模型数据集。

通过子步骤A3计算得到的第一旋转矩阵R₀和第一平移向量T₀作用于源点云P后，即完成了初步的粗配准，如图8所示，经过粗配准后源点云P和目标点云Q之间的配准结果较为一般，之后还可以采用改进的迭代最近点(ICP，Iterative Closest Point)算法对两个点云进行精配准，具体可以包括：

首先通过Kd-Tree(k-dimensional树)近邻搜索方法，搜索源点云P中点Pi在目标点云Q中对应的点云集M，分别计算Pi与点云集M包含元素Mi之间的距离Di、法线夹角αi和曲率差Ki。

进一步的，可以根据法线夹角αi和曲率差Ki来去除点云集M中这两个参数值较大的一些点，随后取点云集M中距离Di最小的点位Pi的对应点，通过这种取对应点方法，可以有效避免经典ICP算法中单纯采用距离为标准导致的局部优化问题。

当根据对应点查找方法查找出源点云P和目标点云Q所有的对应点之后，计算相应的精配准旋转矩阵R1和精配准平移向量T1，R1和T1的计算方法可参考经典ICP算法，此处不再赘述。

将精配准旋转矩阵R1和精配准平移向量T1作用于目标点云Q后，计算对应点之间的均方差

当均方差满足要求时终止迭代，当均方差不满足要求时继续重复迭代，直至均方差满足要求，当精配准完成后，源点云P可以与目标点云Q精确配准，重合效果大大提升。

子步骤A5，根据所述第一模型数据集，确定所述机床模型的第二坐标系。

在本发明实施例中，通过粗配准以及精配准计算，可以得到理论机床模型与实体机床误差最小的位置及姿态，根据该位置及姿态调整理论机床模型的位置和姿态与实体机床相吻合，以此可以进一步确定校准过的机床模型的第二坐标系。

步骤206、通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集的匹配，得到所述工件模型的第一坐标系。

该步骤具体可以参照上述步骤105，此处不再赘述。

在本发明实施例的一种实现方式中，步骤206可以包括：

子步骤2061，确定所述第一云数据集中的第三关键点，以及所述第一目标区域的模型数据集中的第四关键点。

子步骤2062，获取所述第三关键点的第三特征向量，以及所述第四关键点的第四特征向量。

子步骤2063，将所述第三特征向量和所述第四特征向量进行配准计算，得到第二旋转矩阵和第二平移向量。

子步骤2064，根据所述第二旋转矩阵和所述第二平移向量修正所述第一目标区域的模型数据集，得到第二模型数据集。

子步骤2065，根据所述第二模型数据集，确定所述工件模型的第一坐标系。

子步骤2061至子步骤2065的具体实现过程可以参照上述子步骤A1至子步骤A5，此处不再赘述。

子步骤2061至子步骤2065实现的具体效果为通过粗配准以及精配准计算，可以得到理论工件模型与实体三维毛坯工件误差最小的位置及姿态，根据该位置及姿态调整理论工件模型的位置和姿态与实体三维毛坯工件相吻合，以此可以进一步确定校准过的工件模型的第一坐标系。

步骤207，根据所述第一坐标系、所述第二坐标系以及所述工件模型，生成加工路径，然后对安装在所述机床上的三维毛坯工件进行加工。

该步骤具体可以参照上述步骤106，此处不再赘述。

综上所述，本发明实施例提供的三维毛坯工件的加工校准方法，通过在三维毛坯工件的表面确定预设数量的第一采样区域；获取第一采样区域对应的第一云数据集；获取三维模型，三维模型包括安装有工件模型的机床模型；通过第一云数据集与工件模型中第一目标区域的模型数据集的匹配，得到工件模型的第一坐标系，第一目标区域的定位信息包括工件模型中对应第一采样区域的位置和方向信息；获取机床模型的第二坐标系；根据第一坐标系、第二坐标系以及工件模型，生成加工路径，然后对安装在机床上的三维毛坯工件进行加工。本发明通过实体机床和工件的局部区域对应的点云数据集，对理论三维模型的对应局部区域的模型数据集进行配准，在保证了配准精度的基础上，降低了数据处理量，提高了处理效率。

图9是本发明实施例提供的一种三维毛坯工件的加工校准装置的框图，如图9所示，该三维毛坯工件的加工校准装置可以包括：

第一确定模块301，用于在三维毛坯工件的表面确定所述预设数量的第一采样区域；

第一获取模块302，用于获取所述第一采样区域对应的第一云数据集；

第二获取模块303，用于获取三维模型，所述三维模型包括安装有工件模型的机床模型；

配准模块304，用于通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集的匹配，得到所述工件模型的第一坐标系，所述第一目标区域的定位信息包括所述工件模型中对应所述第一采样区域的位置和方向信息；

第三获取模块305，用于获取所述机床模型的第二坐标系；

加工模块306，用于根据所述第一坐标系、所述第二坐标系以及所述工件模型，生成加工路径，然后对安装在所述机床上的三维毛坯工件进行加工。

综上，本发明实施例提供的三维毛坯工件的加工校准装置，通过在三维毛坯工件的表面确定预设数量的第一采样区域；获取第一采样区域对应的第一云数据集；获取三维模型，三维模型包括安装有工件模型的机床模型；通过第一云数据集与工件模型中第一目标区域的模型数据集的匹配，得到工件模型的第一坐标系，第一目标区域的定位信息包括工件模型中对应第一采样区域的位置和方向信息；获取机床模型的第二坐标系；根据第一坐标系、第二坐标系以及工件模型，生成加工路径，然后对安装在机床上的三维毛坯工件进行加工。本发明通过实体工件的局部区域对应的点云数据集，对理论三维模型的对应局部区域的模型数据集进行配准，在保证了配准精度的基础上，降低了数据处理量，提高了处理效率。

图10是本发明实施例提供的一种三维毛坯工件的加工校准装置的框图，如图10所示，该三维毛坯工件的加工校准装置可以包括：

第一确定模块401，用于在三维毛坯工件的表面确定所述预设数量的第一采样区域；

第二确定模块402，用于根据所述第二云数据集和所述第一云数据集，确定所述机床模型中的第二目标区域和所述工件模型中的第一目标区域。

可选的，第二确定模块，包括：

第一建立子模块，用于根据所述第二云数据集，建立包括所述第二采样区域的第二云场景模型；

第二建立子模块，用于根据所述第一云数据集，建立包括所述第一采样区域的第一云场景模型；

第一匹配子模块，用于将所述机床模型与所述第二云场景模型进行匹配，确定所述机床模型中对应所述第二采样区域的第二目标区域的定位信息；

第二匹配子模块，用于将所述工件模型与所述第一云场景模型进行匹配，确定所述工件模型中对应所述第一采样区域的第一目标区域的定位信息。

第一获取模块403，用于获取所述第一采样区域对应的第一云数据集；

第二获取模块404，用于获取三维模型，所述三维模型包括安装有工件模型的机床模型；

配准模块405，用于通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集的匹配，得到所述工件模型的第一坐标系，所述第一目标区域的定位信息包括所述工件模型中对应所述第一采样区域的位置和方向信息；

可选的，配准模块，包括：

关键点确定子模块，用于确定所述第一云数据集中的第三关键点，以及所述第一目标区域的模型数据集中的第四关键点；

向量获取子模块，用于获取所述第三关键点的第三特征向量，以及所述第四关键点的第四特征向量；

计算子模块，用于将所述第三特征向量和所述第四特征向量进行配准计算，得到第二旋转矩阵和第二平移向量；

修正子模块，用于根据所述第二旋转矩阵和所述第二平移向量修正所述第一目标区域的模型数据集，得到第二模型数据集；

坐标子模块，用于根据所述第二模型数据集，确定所述工件模型的第一坐标系。

第三获取模块406，用于获取所述机床模型的第二坐标系；

可选的，第三获取模块，包括：

区域确定子模块，用于在安装有所述三维毛坯工件的机床表面确定所述预设数量的第二采样区域；

数据集获取子模块，用于获取所述第二采样区域对应的第二云数据集；

配准子模块，用于通过所述第二云数据集与所述机床模型中第二目标区域的模型数据集的匹配，得到所述机床模型的第二坐标系，所述第二目标区域的定位信息包括所述机床模型中对应所述第二采样区域的位置和方向信息。

可选的，配准子模块，包括：

确定单元，用于确定所述第二云数据集中的第一关键点，以及所述第二目标区域的模型数据集中的第二关键点；

获取单元，用于获取所述第一关键点的第一特征向量，以及所述第二关键点的第二特征向量；

计算单元，用于将所述第一特征向量和所述第二特征向量进行配准计算，得到第一旋转矩阵和第一平移向量；

修正单元，用于根据所述第一旋转矩阵和所述第一平移向量修正所述第二目标区域的模型数据集，得到第一模型数据集；

坐标单元，用于根据所述第一模型数据集，确定所述机床模型的第二坐标系。

加工模块407，用于根据所述第一坐标系、所述第二坐标系以及所述工件模型，生成加工路径，然后对安装在所述机床上的三维毛坯工件进行加工。

综上所述，本发明实施例提供的三维毛坯工件的加工校准装置，通过在三维毛坯工件的表面确定预设数量的第一采样区域；获取第一采样区域对应的第一云数据集；获取三维模型，三维模型包括安装有工件模型的机床模型；通过第一云数据集与工件模型中第一目标区域的模型数据集的匹配，得到工件模型的第一坐标系，第一目标区域的定位信息包括工件模型中对应第一采样区域的位置和方向信息；获取机床模型的第二坐标系；根据第一坐标系、第二坐标系以及工件模型，生成加工路径，然后对安装在机床上的三维毛坯工件进行加工。本发明通过实体机床和工件的局部区域对应的点云数据集，对理论三维模型的对应局部区域的模型数据集进行配准，在保证了配准精度的基础上，降低了数据处理量，提高了处理效率。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种三维毛坯工件的加工校准方法，其特征在于，所述方法包括：

在三维毛坯工件的表面确定预设数量的第一采样区域；

获取所述第一采样区域对应的第一云数据集；

获取三维模型，所述三维模型包括安装有工件模型的机床模型；

通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集的匹配，得到所述工件模型的第一坐标系，所述第一目标区域的定位信息包括所述工件模型中对应所述第一采样区域的位置和方向信息；

获取所述机床模型的第二坐标系；

根据所述第一坐标系、所述第二坐标系以及所述工件模型，生成加工路径，然后对安装在所述机床上的三维毛坯工件进行加工。

2.根据权利要求1所述的方法，其特征在于，所述获取所述机床模型的第二坐标系，包括：

在安装有所述三维毛坯工件的机床表面确定所述预设数量的第二采样区域；

获取所述第二采样区域对应的第二云数据集；

通过所述第二云数据集与所述机床模型中第二目标区域的模型数据集的匹配，得到所述机床模型的第二坐标系，所述第二目标区域的定位信息包括所述机床模型中对应所述第二采样区域的位置和方向信息。

3.根据权利要求2所述的方法，其特征在于，在所述获取三维模型的步骤之后，还包括：

根据所述第一云数据集和所述第二云数据集，确定所述工件模型中的第一目标区域的定位信息和所述机床模型中的第二目标区域的定位信息。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一云数据集和所述第二云数据集，确定所述工件模型中的第一目标区域的定位信息和所述机床模型中的第二目标区域的定位信息的步骤，包括：

根据所述第一云数据集，建立包括所述第一采样区域的第一云场景模型；

根据所述第二云数据集，建立包括所述第二采样区域的第二云场景模型；

将所述工件模型与所述第一云场景模型进行匹配，确定所述工件模型中对应所述第一采样区域的第一目标区域的定位信息；

将所述机床模型与所述第二云场景模型进行匹配，确定所述机床模型中对应所述第二采样区域的第二目标区域的定位信息。

5.根据权利要求2所述的方法，其特征在于，所述通过所述第二云数据集与所述机床模型中第二目标区域的模型数据集进行匹配，得到所述机床模型的第二坐标系的步骤，包括：

确定所述第二云数据集中的第一关键点，以及所述第二目标区域的模型数据集中的第二关键点；

获取所述第一关键点的第一特征向量，以及所述第二关键点的第二特征向量；

将所述第一特征向量和所述第二特征向量进行配准计算，得到第一旋转矩阵和第一平移向量；

根据所述第一旋转矩阵和所述第一平移向量修正所述第二目标区域的模型数据集，得到第一模型数据集；

根据所述第一模型数据集，确定所述机床模型的第二坐标系。

6.根据权利要求1所述的方法，其特征在于，所述通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集进行匹配，得到所述工件模型的第一坐标系的步骤，包括：

确定所述第一云数据集中的第三关键点，以及所述第一目标区域的模型数据集中的第四关键点；

获取所述第三关键点的第三特征向量，以及所述第四关键点的第四特征向量；

将所述第三特征向量和所述第四特征向量进行配准计算，得到第二旋转矩阵和第二平移向量；

根据所述第二旋转矩阵和所述第二平移向量修正所述第一目标区域的模型数据集，得到第二模型数据集；

根据所述第二模型数据集，确定所述工件模型的第一坐标系。

7.一种三维毛坯工件的加工校准装置，其特征在于，所述三维毛坯工件的加工校准装置包括：

第一确定模块，用于在三维毛坯工件的表面确定所述预设数量的第一采样区域；

第一获取模块，用于获取所述第一采样区域对应的第一云数据集；

第二获取模块，用于获取三维模型，所述三维模型包括安装有工件模型的机床模型；

配准模块，用于通过所述第一云数据集与所述工件模型中第一目标区域的模型数据集的匹配，得到所述工件模型的第一坐标系，所述第一目标区域的定位信息包括所述工件模型中对应所述第一采样区域的位置和方向信息；

第三获取模块，用于获取所述机床模型的第二坐标系；

加工模块，用于根据所述第二坐标系、所述第一坐标系以及所述工件模型，生成加工路径，然后对安装在所述机床上的三维毛坯工件进行加工。

8.根据权利要求6所述的三维毛坯工件的加工校准装置，其特征在于，所述第三获取模块，包括：

区域确定子模块，用于在安装有所述三维毛坯工件的机床表面确定所述预设数量的第二采样区域；

数据集获取子模块，用于获取所述第二采样区域对应的第二云数据集；

配准子模块，用于通过所述第二云数据集与所述机床模型中第二目标区域的模型数据集的匹配，得到所述机床模型的第二坐标系，所述第二目标区域的定位信息包括所述机床模型中对应所述第二采样区域的位置和方向信息。

9.根据权利要求8所述的三维毛坯工件的加工校准装置，其特征在于，所述三维毛坯工件的加工校准装置还包括：

第二确定模块，用于根据所述第一云数据集和所述第二云数据集，确定所述工件模型中的第一目标区域的定位信息和所述机床模型中的第二目标区域的定位信息。

10.根据权利要求9所述的三维毛坯工件的加工校准装置，其特征在于，所述第二确定模块，包括：

第一建立子模块，用于根据所述第一云数据集，建立包括所述第一采样区域的第一云场景模型；

第二建立子模块，用于根据所述第二云数据集，建立包括所述第二采样区域的第二云场景模型；

第一匹配子模块，用于将所述工件模型与所述第一云场景模型进行匹配，确定所述工件模型中对应所述第一采样区域的第一目标区域的定位信息；

第二匹配子模块，用于将所述机床模型与所述第二云场景模型进行匹配，确定所述机床模型中对应所述第二采样区域的第二目标区域的定位信息。

11.根据权利要求8所述的三维毛坯工件的加工校准装置，其特征在于，所述配准子模块，包括：

确定单元，用于确定所述第二云数据集中的第一关键点，以及所述第二目标区域的模型数据集中的第二关键点；

获取单元，用于获取所述第一关键点的第一特征向量，以及所述第二关键点的第二特征向量；

计算单元，用于将所述第一特征向量和所述第二特征向量进行配准计算，得到第一旋转矩阵和第一平移向量；

修正单元，用于根据所述第一旋转矩阵和所述第一平移向量修正所述第二目标区域的模型数据集，得到第一模型数据集；

坐标单元，用于根据所述第一模型数据集，确定所述机床模型的第二坐标系。

12.根据权利要求7所述的三维毛坯工件的加工校准装置，其特征在于，所述配准模块，包括：

关键点确定子模块，用于确定所述第一云数据集中的第三关键点，以及所述第一目标区域的模型数据集中的第四关键点；

向量获取子模块，用于获取所述第三关键点的第三特征向量，以及所述第四关键点的第四特征向量；

计算子模块，用于将所述第三特征向量和所述第四特征向量进行配准计算，得到第二旋转矩阵和第二平移向量；

修正子模块，用于根据所述第二旋转矩阵和所述第二平移向量修正所述第一目标区域的模型数据集，得到第二模型数据集；

坐标子模块，用于根据所述第二模型数据集，确定所述工件模型的第一坐标系。

Images