CN111496789B - 一种离线复杂曲面喷涂轨迹规划系统及控制方法 - Google Patents
一种离线复杂曲面喷涂轨迹规划系统及控制方法 Download PDFInfo
- Publication number
- CN111496789B CN111496789B CN202010328547.XA CN202010328547A CN111496789B CN 111496789 B CN111496789 B CN 111496789B CN 202010328547 A CN202010328547 A CN 202010328547A CN 111496789 B CN111496789 B CN 111496789B
- Authority
- CN
- China
- Prior art keywords
- workpiece
- track
- dimensional model
- point cloud
- curved surface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/0075—Manipulators for painting or coating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/02—Sensing devices
- B25J19/021—Optical sensing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本发明提供了一种离线复杂曲面喷涂轨迹规划系统,包括:三维重建模块,用于根据工件的三维点云信息数据构建工件的三维模型;轨迹生成模块,用于根据工件的三维模型生成作业轨迹;坐标转换模块,用于根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息;机器人模块,用于根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业。本发明能够快速生成复杂曲面模型的作业轨迹且生成的作业轨迹效果更佳。相应地,本发明还提供一种离线复杂曲面喷涂轨迹规划系统控制方法。
Description
技术领域
本发明涉及机器人技术领域,具体而言,涉及一种离线复杂曲面喷涂轨迹规划系统及控制方法。
背景技术
现今对作业轨迹的生成方式一般采用都是人工点对点示教,此方法操作复杂且对操作人员需具有丰富经验。因该方法柔性化差,针对不同的工件,需要重新进行示教工作,其生产效率低且操作繁琐。再者,用于生成轨迹的一般方法是通过对点云模型采用切片求交的方法得到各轨迹点,然后进行连接优化处理。然而切片法需要选取好切片角度且模型的各面会存在与切片平行的曲面,故而在选取切片角度时需要考虑的因素较多比较繁琐,对于复杂的曲面来说,切片法获取轨迹效率较低且不完整。
经过大量检索发现一些典型的现有技术,如图6所示,申请号为201910829280.X的专利公开了一种基于大型复杂曲面模型的机器人喷涂轨迹规划方法,其能够提高大型复杂曲面喷涂的效率、降低成本且易于实现工艺参数变更。又如图7所示,申请号201310440196.1的专利公开了一种复杂曲面两遍自动喷涂轨迹优化方法,其能提高产品表面的喷涂质量。又如图8所示,申请号为2018102906170.X的专利公开了一种基于最小厚度约束的复杂曲面喷涂轨迹计算方法,其能够解决外形复杂工件难以进行自动化喷涂的问题,可以提高喷涂质量
综上可知,对于复杂曲面喷涂轨迹规划,其实际应用中的亟待处理的实际问题(如提高轨迹获取效率等)还有很多未提出具体的解决方案。
发明内容
为了克服现有技术的不足提供了一种离线复杂曲面喷涂轨迹规划系统及控制方法,本发明的具体技术方案如下:
一种离线复杂曲面喷涂轨迹规划系统,包括:
三维重建模块,用于根据工件的三维点云信息数据构建工件的三维模型;
轨迹生成模块,用于根据工件的三维模型生成作业轨迹;
坐标转换模块,用于根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息;
机器人模块,用于根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业。
优选的,所述一种离线复杂曲面喷涂轨迹规划系统还包括数据存储模块,所述数据存储模块用于对存储工件的三维模型以及已生成的作业轨迹信息数据。
优选的,所述坐标转换模块根据工件图像的特征信息以及工件的作业轨迹信息获取工件的位置信息。
优选的,所述轨迹生成模块包括自行标定子模块以及系统自动生成子模块,所述自行标定子模块用于在三维模型上标定喷涂作业轨迹的标记点信息并根据标记点信息生成作业轨迹,所述系统自动生成子模块用于对工件的三维模型进行剖析处理并生成作业轨迹。
优选的,所述工件的三维点云信息数据通过激光扫描仪扫描工件获得。
相应地,本发明还提供给一种离线复杂曲面喷涂轨迹规划系统控制方法,其包括如下步骤:
步骤1,获取工件的三维点云信息数据并根据工件的三维点云信息数据构建工件的三维模型;
步骤2,根据工件的三维模型生成作业轨迹;
步骤3,根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息;
步骤4,根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业。
优选的,在步骤1中,所述工件的三维点云信息数据通过激光扫描仪扫描工件获得。
优选的,在步骤2中,根据工件的三维模型生成作业轨迹的具体方法为:在工件的三维模型上标定喷涂作业轨迹的标记点信息,对标记点信息进行拟合处理后生成作业轨迹。
优选的,在步骤2中,根据工件的三维模型生成作业轨迹的具体方法为:
步骤2a,对工件的三维模型进行分割并设定曲率阈值±m;
步骤2b,根据曲率阈值对工件的三维模型的点云信息数据进行分类;
步骤2c,根据分类后的工件的三维模型的点云信息数据,选取k-means均值聚类算法中的K点个数,采用k-means均值聚类算法对工件的三维模型的数据点进行迭代分类,得到不同曲率分类区域Ck={C1,C2…};
步骤2d,获取不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk,以不同曲率分类区域Ck={C1,C2…}中最长边作为边界,并搜寻垂直方向上与边界距离为dk的点,运用最小二乘法拟合得到第一条轨迹;
步骤2e,以步骤2d得到的第一条轨迹作为边界再次搜寻以及拟合,得到不同曲率分类区域Ck={C1,C2…}的轨迹Sk;
步骤2f,对不同曲率分类区域Ck={C1,C2…}的轨迹Sk进行拼接处理,生成作业轨迹。
优选的,步骤2d,不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk的计算公式为d=htanα,其中,h为喷涂选定高度,α为喷枪所打出涂料所形成的扇形的角弧度的一半。
本发明所取得的有益效果包括:
1、基于k-means均值聚类及最小二乘法拟合生产作业轨迹,其能够快速生成复杂曲面模型的作业轨迹且生成的作业轨迹效果更佳,适用于各类型机器人进行数据交互及作业轨迹规划,其柔性化及扩展性强。
2、可与构建的专家工艺云平台进行数据交互,在平台上调用所需的专家经验数据库。
3、采用红外成像追踪技术结合目标检测算法识别和定位工件的最终位置信息,可快速高效获取工件已绑定的轨迹信息。
4、红外成像追踪技术具备夜视功能,其与和激光扫描仪相结合,在黑暗的环境下仍可正常工作。
附图说明
从以下结合附图的描述可以进一步理解本发明,将重点放在示出实施例的原理上。
图1是本发明实施例中一种离线复杂曲面喷涂轨迹规划系统的整体结构示意图;
图2是本发明实施例中一种离线复杂曲面喷涂轨迹规划系统控制方法的流程示意图;
图3是本发明实施例中根据工件的三维模型生成作业轨迹的具体方法的流程示意图;
图4是本发明实施例中喷涂间距与喷枪高度以及打出涂料扇形角弧度之间的关系示意图;
图5是本发明实施例中搜寻垂直方向离边界点距离为喷涂距离的点的示意图;
图6是现有技术中,一种基于大型复杂曲面模型的机器人喷涂轨迹规划方法的流程示意图;
图7是现有技术中,一种复杂曲面两遍自动喷涂轨迹优化方法的流程示意图;
图8是现有技术中,一种基于最小厚度约束的复杂曲面喷涂轨迹计算方法的流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内、包括在本发明的范围内,并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在现今制造行业机器人喷涂作业工序中,轨迹的生成尤为重要且直接影响最终的作业效果。现今对作业轨迹的生成方式一般采用都是人工点对点示教,此方法操作复杂且对操作人员需具有丰富经验。因该方法柔性化差,针对不同的工件,需要重新进行示教工作,其生产效率低且操作繁琐。再者,用于生成轨迹的一般方法是通过对点云模型采用切片求交的方法得到各轨迹点,然后进行连接优化处理。然而切片法需要选取好切片角度且模型的各面会存在与切片平行的曲面,故而在选取切片角度时需要考虑的因素较多比较繁琐,对于复杂的曲面来说,切片法获取轨迹效率较低且不完整。
为解决上述问题,本方提出一种离线复杂曲面喷涂轨迹规划系统及控制方法,其基于均值聚类及最小二乘拟合的轨迹生成方法,通过激光扫描工件获取工件的三维点云模型后,对点云数据进行滤波处理,并对点云模型进行三维重建,然后对复杂曲面模型进行分割,根据设定的曲率阈值对点云数据进行分类,采用k-means聚类算法不断迭代得到各曲率分类区域。再对各曲率分类区域区域进行最小二乘拟合,最后根据喷涂经验库、喷枪高度、喷枪打出涂料扇形的角度并结合目标特征优化,对分类的曲率区域获取最终作业轨迹,其能够快速生成复杂曲面模型的作业轨迹且生成的作业轨迹效果更佳。
如下所示,本发明将根据附图所示讲述以下实施例:
实施例一:
如图1所示,一种离线复杂曲面喷涂轨迹规划系统,包括三维重建模块、轨迹生成模块、坐标转换模块以及机器人模块。
三维重建模块用于根据工件的三维点云信息数据构建工件的三维模型。首先,所述工件的三维点云信息数据通过激光扫描仪扫描工件获得,得到工件的三维点云信息数据后,对三维点云信息数据进行包括消除多余点云数据以及重叠处理等工作,最后构建工件的三维模型。
通过轨迹生成模块用于根据工件的三维模型生成作业轨迹,坐标转换模块用于根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息,机器人模块用于根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业。
作为一种优选的技术方案,所述一种离线复杂曲面喷涂轨迹规划系统还包括数据存储模块,所述数据存储模块用于对存储工件的三维模型以及已生成的作业轨迹信息数据。工件的三维模型信息与已生成的作业最忌信息绑定在一起,当再次识别到同种类型工件时,先搜寻数据存储模块中是否有该类型工件的作业轨迹信息,若有则直接调用已生成的作业轨迹信息,以提高工件喷涂作业的工作效率。
采用红外成像追踪技术获取工件的红外图像,提取工件的红外图像的特征信息,然后结合目标检测算法,对工件图像的特征信息以及工件的作业轨迹信息进行检测匹配,追踪获取工件的最终位置信息。
所述轨迹生成模块包括自行标定子模块以及系统自动生成子模块,所述自行标定子模块用于在三维模型上标定喷涂作业轨迹的标记点信息并根据标记点信息生成作业轨迹,所述系统自动生成子模块用于对工件的三维模型进行剖析处理并生成作业轨迹。
相应地,如图2所示,本发明还提供给一种离线复杂曲面喷涂轨迹规划系统控制方法,其包括如下步骤:
步骤1,获取工件的三维点云信息数据并根据工件的三维点云信息数据构建工件的三维模型。
步骤2,根据工件的三维模型生成作业轨迹。
步骤3,根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息。
步骤4,根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业。
优选的,在步骤1中,所述工件的三维点云信息数据通过激光扫描仪扫描工件获得。
作为一种优选的技术方案,在步骤2中,根据工件的三维模型生成作业轨迹的具体方法为:在工件的三维模型上标定喷涂作业轨迹的标记点信息,对标记点信息进行拟合处理后生成作业轨迹。
作为一种优选的技术方案,如图3所示,在步骤2中,根据工件的三维模型生成作业轨迹的具体方法为:
步骤2a,对工件的三维模型进行分割并设定曲率阈值±m。
步骤2b,根据曲率阈值对工件的三维模型的点云信息数据进行分类。
步骤2c,根据分类后的工件的三维模型的点云信息数据,选取k-means均值聚类算法中的K点个数,采用k-means均值聚类算法对工件的三维模型的数据点进行迭代分类,得到不同曲率分类区域Ck={C1,C2…}。
步骤2d,获取不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk,以不同曲率分类区域Ck={C1,C2…}中最长边作为边界,并搜寻垂直方向上与边界距离为dk的点,运用最小二乘法拟合得到第一条轨迹,如图4所示。
步骤2e,以步骤2d得到的第一条轨迹作为边界再次搜寻以及拟合,得到不同曲率分类区域Ck={C1,C2…}的轨迹Sk。
步骤2f,对不同曲率分类区域Ck={C1,C2…}的轨迹Sk进行拼接处理,生成作业轨迹。
其中,在步骤2d中,如图5所示,不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk的计算公式为d=htanα,其中,h为喷涂选定高度,α为喷枪所打出涂料所形成的扇形的角弧度的一半。
实施例二:
如图1所示,一种离线复杂曲面喷涂轨迹规划系统,包括三维重建模块、轨迹生成模块、坐标转换模块以及机器人模块。
三维重建模块用于根据工件的三维点云信息数据构建工件的三维模型。首先,所述工件的三维点云信息数据通过激光扫描仪扫描工件获得,得到工件的三维点云信息数据后,对三维点云信息数据进行包括消除多余点云数据以及重叠处理等工作,最后构建工件的三维模型。
通过轨迹生成模块用于根据工件的三维模型生成作业轨迹,坐标转换模块用于根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息。
机器人模块具有与各类型机器人连接通信的协议库,其与作业机器人进行信息匹配。根据转换后得到的机器人坐标下的作业轨迹信息进行插值处理,使得机器人能够以平滑恒定的速度进行喷涂作业。对机器人坐标下的作业轨迹信息处理后,对机器人进行参数设定,根据匹配的机器人型号设定参数,并对机器人进行运动学解算,进而得到机器人各关节满足系统需求的电机转动数据,如此可以更好的使机器人能够以平滑恒定的速度进行喷涂作业。
用于根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业。
作为一种优选的技术方案,所述一种离线复杂曲面喷涂轨迹规划系统还包括数据存储模块,所述数据存储模块用于对存储工件的三维模型以及已生成的作业轨迹信息数据。工件的三维模型信息与已生成的作业最忌信息绑定在一起,当再次识别到同种类型工件时,先搜寻数据存储模块中是否有该类型工件的作业轨迹信息,若有则直接调用已生成的作业轨迹信息,以提高工件喷涂作业的工作效率。
采用红外成像追踪技术获取工件的红外图像,提取工件的红外图像的特征信息,然后结合目标检测算法,对工件图像的特征信息以及工件的作业轨迹信息进行检测匹配,追踪获取工件的最终位置信息。
所述轨迹生成模块包括自行标定子模块以及系统自动生成子模块,所述自行标定子模块用于在三维模型上标定喷涂作业轨迹的标记点信息并根据标记点信息生成作业轨迹,所述系统自动生成子模块用于对工件的三维模型进行剖析处理(包括曲面分割以及边缘提取)并自动生成优化作业轨迹。
相应地,如图2所示,本发明还提供给一种离线复杂曲面喷涂轨迹规划系统控制方法,其包括如下步骤:
步骤1,获取工件的三维点云信息数据并根据工件的三维点云信息数据构建工件的三维模型。
步骤2,根据工件的三维模型生成作业轨迹。
步骤3,根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息。
步骤4,根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业。
优选的,在步骤1中,所述工件的三维点云信息数据通过激光扫描仪扫描工件获得。
作为一种优选的技术方案,在步骤2中,根据工件的三维模型生成作业轨迹的具体方法为:在工件的三维模型上标定喷涂作业轨迹的标记点信息,对标记点信息进行拟合处理后生成作业轨迹。
作为一种优选的技术方案,如图3所示,在步骤2中,根据工件的三维模型生成作业轨迹的具体方法为:
步骤2a,对工件的三维模型进行分割并设定曲率阈值±m。
步骤2b,根据曲率阈值对工件的三维模型的点云信息数据进行分类。
步骤2c,根据分类后的工件的三维模型的点云信息数据,选取k-means均值聚类算法中的K点个数,采用k-means均值聚类算法对工件的三维模型的数据点进行迭代分类,得到不同曲率分类区域Ck={C1,C2…}。
步骤2d,获取不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk,以不同曲率分类区域Ck={C1,C2…}中最长边作为边界,并搜寻垂直方向上与边界距离为dk的点,运用最小二乘法拟合得到第一条轨迹,如图4所示。
步骤2e,以步骤2d得到的第一条轨迹作为边界再次搜寻以及拟合,得到不同曲率分类区域Ck={C1,C2…}的轨迹Sk。
步骤2f,对不同曲率分类区域Ck={C1,C2…}的轨迹Sk进行拼接处理,生成作业轨迹。
其中,在步骤2d中,如图5所示,不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk的计算公式为d=htanα,其中,h为喷涂选定高度,α为喷枪所打出涂料所形成的扇形的角弧度的一半。
综上所述,本发明公开的一种离线复杂曲面喷涂轨迹规划系统及控制方法,所产生的有益技术效果包括:
1、基于k-means均值聚类及最小二乘法拟合生产作业轨迹,其能够快速生成复杂曲面模型的作业轨迹且生成的作业轨迹效果更佳,适用于各类型机器人进行数据交互及作业轨迹规划,其柔性化及扩展性强。
2、可与构建的专家工艺云平台进行数据交互,在平台上调用所需的专家经验数据库。
3、采用红外成像追踪技术结合目标检测算法识别和定位工件的最终位置信息,可快速高效获取工件已绑定的轨迹信息。
4、红外成像追踪技术具备夜视功能,其与和激光扫描仪相结合,在黑暗的环境下仍可正常工作。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法、系统和设备是示例,各种配置可以适当地省略、替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法和/或可以添加、省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本发明公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置,例如已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本发明公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (7)
1.一种离线复杂曲面喷涂轨迹规划系统,其特征在于,包括:
三维重建模块,用于根据工件的三维点云信息数据构建工件的三维模型;
轨迹生成模块,用于根据工件的三维模型生成作业轨迹;
坐标转换模块,用于根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息;
机器人模块,用于根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业;
根据工件的三维模型生成作业轨迹的具体方法为:
步骤2a,对工件的三维模型进行分割并设定曲率阈值±m;
步骤2b,根据曲率阈值对工件的三维模型的点云信息数据进行分类;
步骤2c,根据分类后的工件的三维模型的点云信息数据,选取k-means均值聚类算法中的K点个数,采用k-means均值聚类算法对工件的三维模型的数据点进行迭代分类,得到不同曲率分类区域Ck={C1,C2…};
步骤2d,获取不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk,以不同曲率分类区域Ck={C1,C2…}中最长边作为边界,并搜寻垂直方向上与边界距离为dk的点,运用最小二乘法拟合得到第一条轨迹;
步骤2e,以步骤2d得到的第一条轨迹作为边界再次搜寻以及拟合,得到不同曲率分类区域Ck={C1,C2…}的轨迹Sk;
步骤2f,对不同曲率分类区域Ck={C1,C2…}的轨迹Sk进行拼接处理,生成作业轨迹。
2.如权利要求1所述的一种离线复杂曲面喷涂轨迹规划系统,其特征在于,还包括数据存储模块,所述数据存储模块用于对存储工件的三维模型以及已生成的作业轨迹信息数据。
3.如权利要求2所述的一种离线复杂曲面喷涂轨迹规划系统,其特征在于,所述坐标转换模块根据工件图像的特征信息以及工件的作业轨迹信息获取工件的位置信息。
4.如权利要求3所述的一种离线复杂曲面喷涂轨迹规划系统,其特征在于,所述工件的三维点云信息数据通过激光扫描仪扫描工件获得。
5.一种离线复杂曲面喷涂轨迹规划系统控制方法,其应用于如权利要求1至4中任何一项所述的离线复杂曲面喷涂轨迹规划系统,其特征在于,包括如下步骤:
步骤1,获取工件的三维点云信息数据并根据工件的三维点云信息数据构建工件的三维模型;
步骤2,根据工件的三维模型生成作业轨迹;
步骤3,根据工件的位置信息将工件在点云坐标下的作业轨迹信息转换成在机器人坐标下的作业轨迹信息;
步骤4,根据得到的机器人坐标下的作业轨迹信息控制机器人移动以完成对工件的喷涂作业;
在步骤2中,根据工件的三维模型生成作业轨迹的具体方法为:
步骤2a,对工件的三维模型进行分割并设定曲率阈值±m;
步骤2b,根据曲率阈值对工件的三维模型的点云信息数据进行分类;
步骤2c,根据分类后的工件的三维模型的点云信息数据,选取k-means均值聚类算法中的K点个数,采用k-means均值聚类算法对工件的三维模型的数据点进行迭代分类,得到不同曲率分类区域Ck={C1,C2…};
步骤2d,获取不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk,以不同曲率分类区域Ck={C1,C2…}中最长边作为边界,并搜寻垂直方向上与边界距离为dk的点,运用最小二乘法拟合得到第一条轨迹;
步骤2e,以步骤2d得到的第一条轨迹作为边界再次搜寻以及拟合,得到不同曲率分类区域Ck={C1,C2…}的轨迹Sk;
步骤2f,对不同曲率分类区域Ck={C1,C2…}的轨迹Sk进行拼接处理,生成作业轨迹。
6.如权利要求5所述的一种离线复杂曲面喷涂轨迹规划系统控制方法,其特征在于,在步骤1中,所述工件的三维点云信息数据通过激光扫描仪扫描工件获得。
7.如权利要求6所述的一种离线复杂曲面喷涂轨迹规划系统控制方法,其特征在于,步骤2d,不同曲率分类区域Ck={C1,C2…}对应的喷涂间距dk的计算公式为d=htanα,其中,h为喷涂选定高度,α为喷枪所打出涂料所形成的扇形的角弧度的一半。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010328547.XA CN111496789B (zh) | 2020-04-23 | 2020-04-23 | 一种离线复杂曲面喷涂轨迹规划系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010328547.XA CN111496789B (zh) | 2020-04-23 | 2020-04-23 | 一种离线复杂曲面喷涂轨迹规划系统及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111496789A CN111496789A (zh) | 2020-08-07 |
CN111496789B true CN111496789B (zh) | 2021-09-28 |
Family
ID=71849296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010328547.XA Active CN111496789B (zh) | 2020-04-23 | 2020-04-23 | 一种离线复杂曲面喷涂轨迹规划系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111496789B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112008724B (zh) * | 2020-08-25 | 2022-02-18 | 北京华航唯实机器人科技股份有限公司 | 轨迹工艺结果的展示方法及装置、电子设备 |
CN112415949A (zh) * | 2020-10-29 | 2021-02-26 | 深圳群宾精密工业有限公司 | 一种通过实物三维形貌信息自动调整作业轨迹的方法 |
CN112666890B (zh) * | 2020-12-30 | 2022-09-16 | 西安中科微精光子科技股份有限公司 | 一种曲面工件加工轨迹规划方法 |
CN112766577A (zh) * | 2021-01-22 | 2021-05-07 | 佛山科学技术学院 | 一种基于nurbs曲线的喷涂轨迹过渡段优化系统及方法 |
CN114310890A (zh) * | 2021-12-28 | 2022-04-12 | 中铭谷智能机器人(广东)有限公司 | 一种前后杠钣金喷漆区域智能框选喷漆方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101239346A (zh) * | 2008-03-10 | 2008-08-13 | 江苏大学 | 复杂曲面上的喷涂机器人喷枪轨迹优化方法 |
CN105381912A (zh) * | 2015-10-15 | 2016-03-09 | 东南大学 | 一种基于表面曲率的喷涂机器人自动路径生成方法 |
CN106423656A (zh) * | 2016-08-11 | 2017-02-22 | 重庆大学 | 基于点云与图像匹配的自动喷涂系统及方法 |
DE102016014944A1 (de) * | 2016-12-14 | 2018-06-14 | Dürr Systems Ag | Beschichtungsverfahren und entsprechende Beschichtungseinrichtung |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN110599506A (zh) * | 2019-10-16 | 2019-12-20 | 湖南大学 | 一种复杂异形曲面机器人三维测量的点云分割方法 |
-
2020
- 2020-04-23 CN CN202010328547.XA patent/CN111496789B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101239346A (zh) * | 2008-03-10 | 2008-08-13 | 江苏大学 | 复杂曲面上的喷涂机器人喷枪轨迹优化方法 |
CN105381912A (zh) * | 2015-10-15 | 2016-03-09 | 东南大学 | 一种基于表面曲率的喷涂机器人自动路径生成方法 |
CN106423656A (zh) * | 2016-08-11 | 2017-02-22 | 重庆大学 | 基于点云与图像匹配的自动喷涂系统及方法 |
DE102016014944A1 (de) * | 2016-12-14 | 2018-06-14 | Dürr Systems Ag | Beschichtungsverfahren und entsprechende Beschichtungseinrichtung |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN110599506A (zh) * | 2019-10-16 | 2019-12-20 | 湖南大学 | 一种复杂异形曲面机器人三维测量的点云分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111496789A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111496789B (zh) | 一种离线复杂曲面喷涂轨迹规划系统及控制方法 | |
CN110227876B (zh) | 基于3d点云数据的机器人焊接路径自主规划方法 | |
CN107914272B (zh) | 一种七自由度机械臂组件抓取目标物体的方法 | |
CN109202885B (zh) | 一种物料搬运移动复合机器人 | |
CA2135528A1 (en) | 3-d pose refinement | |
CN109933096B (zh) | 一种云台伺服控制方法及系统 | |
CN111192307A (zh) | 基于激光切割三维零部件的自适应纠偏方法 | |
US20240075629A1 (en) | Autonomous welding robots | |
CN112883984B (zh) | 一种基于特征匹配的机械臂抓取系统与方法 | |
CN111993422B (zh) | 基于无标定视觉的机器人轴孔对准控制方法 | |
CN114972968A (zh) | 基于多重神经网络的托盘识别和位姿估计方法 | |
CN114299039B (zh) | 一种机器人及其碰撞检测装置和方法 | |
CN115810133A (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN113319859B (zh) | 一种机器人示教方法、系统、装置及电子设备 | |
CN111275758B (zh) | 混合型3d视觉定位方法、装置、计算机设备及存储介质 | |
Huo et al. | A sensor-based robotic line scan system with adaptive ROI for inspection of defects over convex free-form specular surfaces | |
CN111947647A (zh) | 一种视觉与激光雷达融合的机器人精准定位方法 | |
CN116188540A (zh) | 一种基于点云信息的目标识别和位姿估计方法 | |
CN116188470A (zh) | 一种基于无人机航拍识别的故障定位方法和系统 | |
CN115719343A (zh) | 一种基于层次分析法的厚板t型接头多道焊焊接位置自主决策方法 | |
Lanser et al. | MORAL—A vision-based object recognition system for autonomous mobile systems | |
CN111413684A (zh) | 一种基于多激光雷达数据融合的方法 | |
CN116394235B (zh) | 一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统及方法 | |
Biegelbauer et al. | The inverse approach of flexpaint [robotic spray painting] | |
CN115129049B (zh) | 一种具有社交意识的移动式服务机器人路径规划系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |