CN111476152B - 一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统 - Google Patents

Abstract

本发明公开了一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统，所述方法包括：建立标准轮毂的三维模型，基于三维模型提取标准轮毂的矢量轮廓数据；对待打磨轮毂的轮廓进行视觉识别，读取待打磨轮毂的当前轮廓数据；将矢量轮廓数据与待打磨轮毂的当前轮廓数据进行比对融合，基于五次样条曲线插值获取待打磨轮毂的初步打磨轨迹数据；选取N个合格轮毂，通过视觉识别的方式获取N个合格轮毂的当前轮廓数据后进行柔顺参数学习，获取N个合格轮毂的样条曲线柔顺参数范围；基于样条曲线柔顺参数范围，对待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化，输出待打磨轮毂的最终打磨轨迹。本发明实施例有助于实现轮毂柔顺打磨，大幅提升打磨合格率。

Description

一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统

技术领域

本发明涉及轮毂打磨领域，具体而言，涉及一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统。

背景技术

铝合金轮毂按照传统方式加工出来后，会在相应的部位产生飞边、毛刺等表面缺陷，这些表面缺陷的存在降低了轮毂的使用寿命，破坏了轮毂漆膜的平整性进而腐蚀轮毂造成安全事故。由于采用人工的方法来去除这些残留毛刺所存在的耗时耗力、无法保证质量的问题，在工业生产中已提出利用工业机器人来完成高强度的接触作业，诸如装配、抛光、打磨、去毛刺等。目前已有提出一种机器人自动打磨方法，通过利用MATLAB软件建立机器人三维模型，在关节空间与笛卡尔空间进行轨迹规划，根据轨迹仿真得出机器人处于平稳连续运动状态时，对机器人从初始位置运动到打磨初始点时进行关节空间的轨迹规划，从打磨初始点运动到打磨终止点时进行笛卡尔空间的轨迹规划，以此实现对铝合金轮毂表面缺陷的精准打磨。但是，通过上述方法对轮毂的打磨处理并没有一个标准的参考依据，无法判断打磨的合格率。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统，以多个合格轮毂的轮廓数据作为打磨的参考依据，对待打磨轮毂的当前轮廓数据进行优化校正，将大幅度地提升打磨合格率。

为了解决上述技术问题，本发明实施例提供了一种基于柔顺规则的轮毂打磨轨迹输出的方法，所述方法包括：

建立标准轮毂的三维模型，并基于所述三维模型提取所述标准轮毂的矢量轮廓数据；

对待打磨轮毂的轮廓进行视觉识别，读取所述待打磨轮毂的当前轮廓数据；

将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据进行比对融合，基于五次样条曲线插值获取所述待打磨轮毂的初步打磨轨迹数据；

选取N个合格轮毂，通过视觉识别的方式获取所述N个合格轮毂的当前轮廓数据后进行柔顺参数学习，以获取所述N个合格轮毂的样条曲线柔顺参数范围；

基于所述样条曲线柔顺参数范围，对所述待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化，以输出所述待打磨轮毂的最终打磨轨迹。

可选的实施方式，所述建立标准轮毂的三维模型包括：

利用三维扫描仪对所述标准轮毂进行扫描，获取所述标准轮毂表面的点云数据；

将所述点云数据进行封装并生成STL文件，将所述STL文件导入设定的建模软件中进行建模处理，获取所述标准轮毂的三维模型。

可选的实施方式，所述基于所述三维模型提取所述标准轮毂的矢量轮廓数据包括：

基于所述三维模型，分离出所述标准轮毂的打磨区域并获取所述打磨区域的目标尺寸大小。

可选的实施方式，所述对待打磨轮毂的轮廓进行视觉识别，读取所述待打磨轮毂的当前轮廓数据包括：

采集所述待打磨轮毂的图像数据，并对所述图像数据进行预处理；

基于双边滤波算法对预处理后的图像数据进行去噪处理；

对所述预处理后的图像数据进行图像分割，将所述待打磨轮毂的真实图像与背景分离，获取所述待打磨轮毂的二值图像数据；

对所述二值图像数据进行边缘检测与轮廓特征提取，获取所述待打磨轮毂的当前轮廓数据。

可选的实施方式，所述基于五次样条曲线插值获取所述待打磨轮毂的初步打磨轨迹数据包括：

利用所述待打磨轮毂的当前轮廓数据构建成未细分曲线，对所述未细分曲线进行融合逼近和插值的五次样条细分处理，获取曲线细分模式；

对所述曲线细分模式的参数进行修改，使得所述曲线细分模式下的曲线二阶导连续；

将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据相减，并将相减结果与所述未细分曲线在细分前后所允许的轮廓误差值进行比较；

基于比较结果对所述二阶导连续的曲线的参数进行调整，并输出所述待打磨轮毂的初步打磨轨迹数据。

可选的实施方式，所述通过视觉识别的方式获取所述N个合格轮毂的当前轮廓数据后进行柔顺参数学习，以获取所述N个合格轮毂的样条曲线柔顺参数范围包括：

对所述N个合格轮毂中每一个轮毂的当前轮廓数据进行五次样条曲线拟合，获取每一个轮毂所对应的轮廓曲线的参数化模型；

基于每一个轮毂所对应的轮廓曲线的参数化模型，对每一个轮毂所对应的轮廓曲线进行多段拆分，以最小曲线径向偏差为目标，利用神经网络算法进行数据学习后获取所述N个合格轮毂所对应的最佳柔顺样条曲线方程和柔顺参数。

可选的实施方式，所述柔顺参数包括最佳曲率、最大法向偏差和最小切向量。

可选的实施方式，所述基于所述样条曲线柔顺参数范围，对所述待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化包括：

引入人工干预的目标打磨质量参数，基于所述样条曲线柔顺参数范围对所述质量参数进行优化计算，以确定所述质量参数的合理性与打磨结果的稳定性。

可选的实施方式，所述质量参数包括轮廓偏差范围、不同打磨区域的最大曲率与打磨效率。

另外，本发明实施例还提供了一种基于柔顺规则的轮毂打磨轨迹输出的系统，所述系统包括：

模型建立模块，用于建立标准轮毂的三维模型，并基于所述三维模型提取所述标准轮毂的矢量轮廓数据；

数据读取模块，用于对待打磨轮毂的轮廓进行视觉识别，读取所述待打磨轮毂的当前轮廓数据；

轨迹拟合模块，用于将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据进行比对融合，基于五次样条曲线插值获取所述待打磨轮毂的初步打磨轨迹数据；

参数学习模块，用于选取N个合格轮毂，通过视觉识别的方式获取所述N个合格轮毂的当前轮廓数据后进行柔顺参数学习，以获取所述N个合格轮毂的样条曲线柔顺参数范围；

轨迹输出模块，用于基于所述样条曲线柔顺参数范围，对所述待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化，以输出所述待打磨轮毂的最终打磨轨迹。

在本发明实施例中，所述方法是针对某一种特定型号的轮毂毛刺进行打磨，通过五次样条曲线插值与神经网络算法进行轮廓数据的训练学习，并配合对合格品打磨轨迹的学习来优化校正待打磨轮毂的当前轮廓，以输出最佳的轮毂打磨轨迹。所述方法有助于实现轮毂的柔顺打磨，将大幅度地提升打磨合格率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例公开的一种基于柔顺规则的轮毂打磨轨迹输出的方法的流程示意图；

图2是本发明实施例公开的一种基于柔顺规则的轮毂打磨轨迹输出的系统的结构组成示意图。

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，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。

图1示出了本发明实施例中的一种基于柔顺规则的轮毂打磨轨迹输出的方法的流程示意图，所述方法包括如下步骤：

S101、建立标准轮毂的三维模型，并基于所述三维模型提取所述标准轮毂的矢量轮廓数据；

具体实施过程为：利用三维扫描仪对所述标准轮毂进行扫描，获取所述标准轮毂表面的点云数据；将所述点云数据进行封装并生成STL文件，将所述STL文件导入设定的建模软件中进行建模处理，获取所述标准轮毂的三维模型；基于所述三维模型，分离出所述标准轮毂的打磨区域并获取所述打磨区域的目标尺寸大小。

需要说明的是，此处的建模过程是以逆向思维进行，根据已有的轮毂实体模型，通过扫描设备配合扫描软件准确快速地获取轮毂表面的点云数据；其中利用Geomagic软件来完成所述点云数据的封装以及STL文件的生成，再利用Rapidform建模软件根据导入的所述STL文件，遵循“点—网格—特征线—曲面”的建模模式来获取所述标准轮毂的三维模型，以所述标准轮毂作为待打磨轮毂的参考标准，使得所述待打磨轮毂的打磨轨迹符合理论设计。另外，所述打磨区域是根据操作者的打磨需求划定的，并通过该建模软件计算所述打磨区域的尺寸，以此作为后续打磨工作的参考。

S102、对待打磨轮毂的轮廓进行视觉识别，读取所述待打磨轮毂的当前轮廓数据；

具体实施过程为：采集所述待打磨轮毂的图像数据，并对所述图像数据进行预处理；基于双边滤波算法对预处理后的图像数据进行去噪处理；对所述预处理后的图像数据进行图像分割，将所述待打磨轮毂的真实图像与背景分离，获取所述待打磨轮毂的二值图像数据；对所述二值图像数据进行边缘检测与轮廓特征提取，获取所述待打磨轮毂的当前轮廓数据。

其中，利用相机对所述待打磨轮毂的图像数据进行采集，而对所述图像数据进行预处理与双边滤波是作为图像分割的基础。本发明实施例中是通过简单的阈值分割法对所述图像数据进行分割处理的，利用所述图像数据中所需要提取出来的所述待打磨轮毂的真实图像和背景在灰度特性上的差异，把所述图像数据视为具有不同灰度级的两类区域的组合，具体表现为：首先确定一个处于所述图像数据的灰度级范围内的灰度阈值，根据所述图像数据中每个像素的灰度值与所述灰度阈值的比较结果，确定所述图像数据中每个像素点是属于所述待打磨轮毂的真实图像(像素灰度值大于所述灰度阈值)还是属于背景(像素灰度值小于所述灰度阈值)，以此达到区域分割的目的。而针对所述待打磨轮毂的二值图像数据的获取以及所述待打磨轮毂的轮廓特征提取，具体包括：对所述待打磨轮毂的真实图像在像素级进行灰度化处理，接着利用计算阈值法选取适当的阈值来对灰度图进行二值化处理，得到所述二值图像数据；然后对所述二值图像数据进行坐标调整和比例缩放，以增强目标识别的鲁棒性；最后采用Robert边缘检测算子对调整后的二值图像数据进行轮廓特征的识别提取，以获取所述待打磨轮毂的当前轮廓数据。

S103、将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据进行比对融合，基于五次样条曲线插值获取所述待打磨轮毂的初步打磨轨迹数据；

具体实施过程为：利用所述待打磨轮毂的当前轮廓数据构建成未细分曲线，对所述未细分曲线进行融合逼近和插值的五次样条细分处理，获取曲线细分模式；对所述曲线细分模式的参数进行修改，使得所述曲线细分模式下的曲线二阶导连续；将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据相减，并将相减结果与所述未细分曲线在细分前后所允许的轮廓误差值进行比较；基于比较结果对所述二阶导连续的曲线的参数进行调整，并输出所述待打磨轮毂的初步打磨轨迹数据。

其中，对所述未细分曲线进行融合逼近和插值处理是以所述未细分曲线的控制顶点作为细分的基础，通过四次细分处理后获取四个新的控制顶点，并对细分后的每一段曲线进行多项式定义，在多项式收敛的情况下采用逼近的方式进行插入控制顶点的位移重置与插值，以此获取所述曲线细分模式；接着对所述曲线细分模式进行二阶导数的求取，利用函数连续的充分必要条件进行参数调整，再利用所述比较结果判断调整后的参数是否符合预先设定的细分参数要求，若是则可获取所述初步打磨轨迹数据，若否则对所述调整后的参数进行二次调整。需要说明的是，本发明实施例在实际应用时可根据轮毂产品的尺寸以及打磨曲线的复杂度扩展打磨轨迹曲线的类别，不仅限于五次样条曲线。

S104、选取N个合格轮毂，通过视觉识别的方式获取所述N个合格轮毂的当前轮廓数据后进行柔顺参数学习，以获取所述N个合格轮毂的样条曲线柔顺参数范围；

具体实施过程为：对所述N个合格轮毂中每一个轮毂的当前轮廓数据进行五次样条曲线拟合，获取每一个轮毂所对应的轮廓曲线的参数化模型；基于每一个轮毂所对应的轮廓曲线的参数化模型，对每一个轮毂所对应的轮廓曲线进行多段拆分，以最小曲线径向偏差为目标，利用神经网络算法进行数据学习后获取所述N个合格轮毂所对应的最佳柔顺样条曲线方程和柔顺参数，其中所述柔顺参数包括最佳曲率、最大法向偏差和最小切向量。

其中，本发明实施例所采用的神经网络算法是以多段轮廓曲线作为训练样本，将所述最小曲线径向偏差作为期望输出目标，对每一段轮廓曲线所包含的数据进行归一化处理；接着对神经网络的每一层所对应的相关参数进行初始化，包括权值、阈值、步长值以及误差范围；然后将归一化处理后的样本数据输入当前的神经网络中进行迭代训练，在每一次迭代中执行权值的修正，以输出最终的最佳柔顺样条曲线方程与柔顺参数。

S105、基于所述样条曲线柔顺参数范围，对所述待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化，以输出所述待打磨轮毂的最终打磨轨迹。

具体实施过程为：引入人工干预的目标打磨质量参数，基于所述样条曲线柔顺参数范围对所述质量参数进行优化计算，以确定所述质量参数的合理性与打磨结果的稳定性，最后输出最逼近合格品的最终打磨曲线，其中所述质量参数包括轮廓偏差范围、不同打磨区域的最大曲率与打磨效率。

需要说明的是，人工干预的目标打磨质量参数是通过从传统打磨方法中总结经验获取的，在本发明实施例中，需要根据所述样条曲线柔顺参数范围对所述质量参数进行适当的修正，所述最终打磨曲线是基于修正后的质量参数对所述初步打磨轨迹数据进行调整来得到的。

图2示出了本发明实施例中的一种基于柔顺规则的轮毂打磨轨迹输出的系统的结构组成示意图，所述系统包括：

模型建立模块201，用于建立标准轮毂的三维模型，并基于所述三维模型提取所述标准轮毂的矢量轮廓数据；

数据读取模块202，用于对待打磨轮毂的轮廓进行视觉识别，读取所述待打磨轮毂的当前轮廓数据；

轨迹拟合模块203，用于将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据进行比对融合，基于五次样条曲线插值获取所述待打磨轮毂的初步打磨轨迹数据；

参数学习模块204，用于选取N个合格轮毂，通过视觉识别的方式获取所述N个合格轮毂的当前轮廓数据后进行柔顺参数学习，以获取所述N个合格轮毂的样条曲线柔顺参数范围；

轨迹输出模块205，用于基于所述样条曲线柔顺参数范围，对所述待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化，以输出所述待打磨轮毂的最终打磨轨迹。

其中，所述系统被配置用于执行上述的基于柔顺规则的轮毂打磨轨迹输出的方法，针对所述系统中的各个模块的具体实施方式请参考上述的实施例，在此不再赘述。

在本发明实施例中，所述方法是针对某一种特定型号的轮毂毛刺进行打磨，通过五次样条曲线插值与神经网络算法进行轮廓数据的训练学习，并配合对合格品打磨轨迹的学习来优化校正待打磨轮毂的当前轮廓，以输出最佳的轮毂打磨轨迹。所述方法有助于实现轮毂的柔顺打磨，将大幅度地提升打磨合格率。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnlyMemory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于柔顺规则的轮毂打磨轨迹输出的方法，其特征在于，所述方法包括：

建立标准轮毂的三维模型，并基于所述三维模型提取所述标准轮毂的矢量轮廓数据；

对待打磨轮毂的轮廓进行视觉识别，读取所述待打磨轮毂的当前轮廓数据；

将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据进行比对融合，基于五次样条曲线插值获取所述待打磨轮毂的初步打磨轨迹数据；

选取N个合格轮毂，通过视觉识别的方式获取所述N个合格轮毂的当前轮廓数据后进行柔顺参数学习，以获取所述N个合格轮毂的样条曲线柔顺参数范围；

基于所述样条曲线柔顺参数范围，对所述待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化，以输出所述待打磨轮毂的最终打磨轨迹。

2.根据权利要求1所述的轮毂打磨轨迹输出的方法，其特征在于，所述建立标准轮毂的三维模型包括：

利用三维扫描仪对所述标准轮毂进行扫描，获取所述标准轮毂表面的点云数据；

将所述点云数据进行封装并生成STL文件，将所述STL文件导入设定的建模软件中进行建模处理，获取所述标准轮毂的三维模型。

3.根据权利要求2所述的轮毂打磨轨迹输出的方法，其特征在于，所述基于所述三维模型提取所述标准轮毂的矢量轮廓数据包括：

基于所述三维模型，分离出所述标准轮毂的打磨区域并获取所述打磨区域的目标尺寸大小。

4.根据权利要求1所述的轮毂打磨轨迹输出的方法，其特征在于，所述对待打磨轮毂的轮廓进行视觉识别，读取所述待打磨轮毂的当前轮廓数据包括：

采集所述待打磨轮毂的图像数据，并对所述图像数据进行预处理；

基于双边滤波算法对预处理后的图像数据进行去噪处理；

对所述预处理后的图像数据进行图像分割，将所述待打磨轮毂的真实图像与背景分离，获取所述待打磨轮毂的二值图像数据；

对所述二值图像数据进行边缘检测与轮廓特征提取，获取所述待打磨轮毂的当前轮廓数据。

5.根据权利要求1所述的轮毂打磨轨迹输出的方法，其特征在于，所述基于五次样条曲线插值获取所述待打磨轮毂的初步打磨轨迹数据包括：

利用所述待打磨轮毂的当前轮廓数据构建成未细分曲线，对所述未细分曲线进行融合逼近和插值的五次样条细分处理，获取曲线细分模式；

对所述曲线细分模式的参数进行修改，使得所述曲线细分模式下的曲线二阶导连续；

将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据相减，并将相减结果与所述未细分曲线在细分前后所允许的轮廓误差值进行比较；

基于比较结果对所述二阶导连续的曲线的参数进行调整，并输出所述待打磨轮毂的初步打磨轨迹数据。

6.根据权利要求1所述的轮毂打磨轨迹输出的方法，其特征在于，所述通过视觉识别的方式获取所述N个合格轮毂的当前轮廓数据后进行柔顺参数学习，以获取所述N个合格轮毂的样条曲线柔顺参数范围包括：

对所述N个合格轮毂中每一个轮毂的当前轮廓数据进行五次样条曲线拟合，获取每一个轮毂所对应的轮廓曲线的参数化模型；

基于每一个轮毂所对应的轮廓曲线的参数化模型，对每一个轮毂所对应的轮廓曲线进行多段拆分，以最小曲线径向偏差为目标，利用神经网络算法进行数据学习后获取所述N个合格轮毂所对应的最佳柔顺样条曲线方程和柔顺参数。

7.根据权利要求6所述的轮毂打磨轨迹输出的方法，其特征在于，所述柔顺参数包括最佳曲率、最大法向偏差和最小切向量。

8.根据权利要求1所述的轮毂打磨轨迹输出的方法，其特征在于，所述基于所述样条曲线柔顺参数范围，对所述待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化包括：

引入人工干预的目标打磨质量参数，基于所述样条曲线柔顺参数范围对所述质量参数进行优化计算，以确定所述质量参数的合理性与打磨结果的稳定性。

9.根据权利要求8所述的轮毂打磨轨迹输出的方法，其特征在于，所述质量参数包括轮廓偏差范围、不同打磨区域的最大曲率与打磨效率。

10.一种基于柔顺规则的轮毂打磨轨迹输出的系统，其特征在于，所述系统包括：

模型建立模块，用于建立标准轮毂的三维模型，并基于所述三维模型提取所述标准轮毂的矢量轮廓数据；

数据读取模块，用于对待打磨轮毂的轮廓进行视觉识别，读取所述待打磨轮毂的当前轮廓数据；

轨迹拟合模块，用于将所述矢量轮廓数据与所述待打磨轮毂的当前轮廓数据进行比对融合，基于五次样条曲线插值获取所述待打磨轮毂的初步打磨轨迹数据；

参数学习模块，用于选取N个合格轮毂，通过视觉识别的方式获取所述N个合格轮毂的当前轮廓数据后进行柔顺参数学习，以获取所述N个合格轮毂的样条曲线柔顺参数范围；

轨迹输出模块，用于基于所述样条曲线柔顺参数范围，对所述待打磨轮毂的初步打磨轨迹数据进行柔顺参数优化，以输出所述待打磨轮毂的最终打磨轨迹。

Images