CN112405123A - 基于聚类算法的鞋底打粗轨迹规划方法及装置 - Google Patents

Abstract

本发明通过提供一种基于聚类算法的鞋底打粗轨迹规划方法，包括如下步骤：获取鞋底的点云数据；将中心点坐标对应的法向量作为基准法向量v₁；对于每个点云，通过其K个近邻点云计算其法向量v₂，并计算该法向量v₂与基准法向量v₁的夹角θ＝arccos((V₁·V₂)/(|V₁||V₂|))，将小于阈值的θ所对应的点云组成点集A，并将点集A作为鞋底底部的点云数据；获取鞋底侧边的点云数据；获取鞋底打粗的轨迹坐标；获取工具姿态欧拉角；根据轨迹坐标和工具姿态欧拉角得到鞋底打粗的轨迹规划路径。本发明还提供基于聚类算法的鞋底打粗轨迹规划装置。本发明能够实时生成打粗轨迹，无需人工干预，减少人力成本，且打粗轨迹的计算精度不受鞋底变形的影响，适用范围广。

Description

基于聚类算法的鞋底打粗轨迹规划方法及装置

技术领域

本发明涉及基于聚类算法的鞋底打粗轨迹规划方法及装置。

背景技术

现有的鞋底打磨是制鞋成型工序前重要的鞋材加工工序，目前主要依靠人工完成，人工打磨效果受工人技术熟练程度影响较大，且打磨产生的粉尘严重危害工人身体健康。设备简陋、存在安全隐患；劳动力不足，劳动强度大；受人为因素影响，鞋底打磨质量不稳定；鞋底种类繁多且制造精度低，打磨专用夹具的精度再高也难以适应低精度的鞋底的形状、尺寸变化，导致专用夹具通用性低，增加了打磨的难度。

为了解决上述问题，专利号为201910340546.4的专利提出了一种鞋底打磨方法，该方法采用平面拟合的方式进行鞋底打磨轨迹的提取，但该方式仍然存在缺陷：鞋底在制备过程中，会先通过高温成型后再冷却，而这一工序会导致鞋底变形，如鞋底边缘往上翘等，而上述专利仅能在鞋底未变形或者变形程度极小的情况下才能得到较为准确的打磨轨迹，从而导致其适用场合受到极大限制。

发明内容

本发明的目的是针对现有技术的不足，提出一种基于聚类算法的鞋底打粗轨迹规划方法及装置，能够实时生成打粗轨迹，无需人工干预，减少人力成本，且打粗轨迹的计算精度不受鞋底变形的影响，适用范围广。

本发明通过以下技术方案实现：

基于聚类算法的鞋底打粗轨迹规划方法，包括如下步骤：

A、获取鞋底的点云数据，并对该点云数据进行预处理；

B、根据经步骤A处理后的点云数据计算鞋底的中心点坐标，将该中心点坐标对应的法向量作为基准法向量v₁；

C、指定K的值，对于每个点云，通过其K个近邻点云计算其法向量v₂，并计算该法向量v₂与基准法向量v₁的夹角θ＝arccos((V₁·V₂)/(|V₁||V₂|))，将小于阈值的θ所对应的点云组成点集A，并将点集A作为鞋底底部的点云数据；

D、将经步骤A处理后的点云数据剔除步骤C所得的鞋底底部的点云数据后，即为鞋底侧边的点云数据；

E、以L间距对鞋底侧边的点云数据进行等分分割得到多个子数据，分别计算各子数据的最高点坐标和最低点坐标，最低点坐标组成的点集B形成鞋底打粗的轨迹坐标；

F、分别取各子数据的最高点坐标和最低点坐标的平均值，并将各平均值坐标组成点集C，计算点集C的面法矢，将面法矢的方向作为工具的Z向矢量，Cn到Cn+1的方向作为对应于点集C内第n个点的工具的X向矢量，通过Z向矢量和X向矢量求出第n个点对应的Y向矢量，并根据X、Y和Z向矢量求出第n个点对应的工具姿态欧拉角；

G、根据轨迹坐标和工具姿态欧拉角得到鞋底打粗的轨迹规划路径。

进一步的，所述步骤C具体包括：

C1、标记所有点云数据为unvisited；

C2、随机选择一个unvisited的点云P，利用点云P的K个近邻点计算点云P的法向量v₂，并计算法向量v₂和基准法向量v₁的夹角θ，当θ小于设定的夹角阀值时，将该点云标记为visited，并且将标记为visited的点云组合成点集A；

C3、按照步骤C2遍历所有的点云数据，当遇到已被标记为visited的点云数据则跳过，最终得到的点集A就是鞋底底部的点云数据。

进一步的，所述夹角θ的阈值为：25°≤θ≤35°。

进一步的，所述K的取值范围为：75≤K≤85。

进一步的，所述L的取值范围为：0.5mm≤L≤1.5mm。

进一步的，所述步骤F中计算工具姿态欧拉角具体为：

设X向矢量为(n_x,n_y,n_z)、Y向矢量为(o_x,o_y,o_z)和Z向矢量为(a_x,a_y,a_z)，通过下述公式计算工具姿态欧拉角

进一步的，所述步骤G具体为：遍历每个轨迹坐标，计算每一个轨迹坐标与点集C中各点之间的距离，取最小距离的点所对应的工具姿态欧拉角作为该轨迹坐标对应的工具姿态，遍历完所有的轨迹坐标后，即形成鞋底打粗的轨迹规划路径，轨迹规划路径包括各轨迹坐标及其对应的工具姿态。

进一步的，所述步骤A中对点云数据进行预处理包括：

A1、对获取的点云数据进行直通滤波，以滤除鞋底支撑平台的点云数据；

A2、对经步骤A1处理后的数据进行半径滤波和欧式分割，以滤除毛刺和杂点。

进一步的，所述法向量v₂通过NormalEstimation算法计算。

本发明还通过以下技术方案实现：

基于聚类算法的鞋底打粗轨迹规划装置，包括：

数据获取模块：用于获取鞋底的点云数据，并对该点云数据进行预处理；

鞋底点云数据获取模块：用于根据经步骤A处理后的点云数据计算鞋底的中心点坐标，将该中心点坐标对应的法向量作为基准法向量v₁；指定K的值，对于每个点云，通过其K个近邻点云计算其法向量v₂，并计算该法向量v₂与基准法向量v₁的夹角θ＝arccos((V₁·V₂)/(|V₁||V₂|))，将小于阈值的θ所对应的点云组成点集A，并将点集A作为鞋底底部的点云数据；

轨迹坐标获取模块：用于将经步骤A处理后的点云数据剔除步骤C所得的鞋底底部的点云数据后，即为鞋底侧边的点云数据；以L间距对鞋底侧边的点云数据进行等分分割得到多个子数据，分别计算各子数据的最高点坐标和最低点坐标，最低点坐标组成的点集B形成鞋底打粗的轨迹坐标；

工具姿态欧拉角获取模块：分别取各子数据的最高点坐标和最低点坐标的平均值，并将各平均值坐标组成点集C，计算点集C的面法矢，将面法矢的方向作为工具Z向矢量，Cn到Cn+1的方向作为对应于点集C内第n个点的工具X向矢量，通过Z向矢量和X向矢量求出第n个点对应的Y向矢量，并根据X、Y和Z向矢量求出第n个点对应的工具姿态欧拉角；

规划路径获取模块：用于根据轨迹坐标和工具姿态欧拉角得到鞋底打粗的轨迹规划路径。

本发明具有如下有益效果：

本发明基于聚类算法计算鞋底打粗轨迹规划，首先设定合适的K值和夹角的阈值，对每个点云，通过其K个近邻点云计算其法向量v₂并计算该法向量v₂与基准法向量v₁的夹角，并根据夹角与阈值的比较结果，得到鞋底底部的点云数据，从而得到鞋底侧边的点云数据，对该侧边的点云数据进行等分分割，并计算轨迹坐标以及工具姿态欧拉角，最终得到轨迹规划路径，该轨迹规划路径包括打粗轨迹坐标以及各坐标对应的工具姿态，计算方法简单，无需针对不通过尺码、不同款式、不同形变的鞋底进行编程，打粗轨迹是根据鞋底的表面实时生成的，无需人工干预，减少了人力成本，而打粗轨迹的计算精度不受鞋底变形的影响，适用范围广，且对于变形严重的鞋底优势更大。

附图说明

下面结合附图对本发明做进一步详细说明。

图1为本发明的流程图。

图2为本发明的原始的点云数据示意图。

图3为本发明的经过预处理后的点云数据示意图。

图4为本发明的鞋底底部的点云数据示意图。

图5为本发明的鞋底侧边的点云数据示意图。

图6为本发明的鞋底侧边中心点数据示意图。

图7为本发明的鞋底打粗轨迹点示意图。

图8为通过现有技术得出的鞋底侧边的点云数据示意图。

具体实施方式

如图1所示，基于聚类算法的鞋底打粗轨迹规划方法包括如下步骤：

A、如图2所示，利用线结构光扫描仪获取鞋底原始的三维点云数据，并对该点云数据进行预处理，预处理后的结果如图3所示；预处理具体包括：

A1、对获取的点云数据进行直通滤波，以滤除鞋底支撑平台的点云数据；

A2、对经步骤A1处理后的数据进行半径滤波和欧式分割，以滤除毛刺和杂点；

B、根据经步骤A处理后的点云数据计算鞋底的中心点坐标，将该中心点坐标对应的法向量作为基准法向量v₁；

C、指定K的值，对于每个点云，利用其K个近邻点云，通过NormalEstimation算法计算该点云的法向量v₂，并计算该法向量v₂与基准法向量v₁的夹角θ＝arccos((V₁·V₂)/(|V₁||V₂|))，将小于阈值的θ所对应的点云组成点集A，并将该点集A作为鞋底底部的点云数据，如图4所示；具体包括如下步骤：

C1、标记所有点云数据为unvisited；

C2、随机选择一个unvisited的点云P，利用点云P的K个近邻点计算点云P的法向量v₂，并计算法向量v₂和基准法向量v₁的夹角θ，当θ小于设定的夹角阀值时，将该点云标记为visited，并且将标记为visited的点云组合成点集A；

C3、按照步骤C2遍历所有的点云数据，当遇到已被标记为visited的点云数据则跳过，最终得到的点集A就是鞋底底部的点云数据；

夹角θ的阈值范围为25°≤θ≤35°，K的取值范围为：75≤K≤85，在本实施例中，采用θ＝30°，K＝80，得到如图4所示的结果，是较优的方案；

D、将经步骤A处理后的点云数据剔除步骤C所得的鞋底底部的点云数据后，即为鞋底侧边的点云数据，如图5所示；

E、以L间距对鞋底侧边的点云数据进行等分分割得到多个子数据，分别计算各子数据的最高点坐标和最低点坐标，最低点坐标组成的点集B形成鞋底打粗的轨迹坐标；L的取值范围为：0.5mm≤L≤1.5mm，在本实施例中，采用L＝1mm；

F、分别取各子数据的最高点坐标和最低点坐标的平均值，估算出侧边中心点的坐标，如图6所示，并将各中心点的坐标组成点集C，通过NormalEstimation算法计算点集C的面法矢，将面法矢的方向作为工具的Z向矢量(a_x,a_y,a_z)，点集C内各点的Z向矢量均相同，Cn到Cn+1的方向作为对应于点集C内第n个点的工具的X向矢量(n_x,n_y,n_z)，通过Z向矢量(a_x,a_y,a_z)和X向矢量(n_x,n_y,n_z)求出Y向矢量(o_x,o_y,o_z)，并根据X、Y和Z向矢量求出第n个点对应的工具姿态欧拉角

其中，“c”指余弦函数，“s”指正弦函数；根据X向矢量和Z向矢量求出对应的Y向矢量，为现有技术；工具即为机器人工具；

G、根据轨迹坐标和工具姿态欧拉角得到鞋底打粗的轨迹规划路径，如图7所示，具体过程为：

遍历每个轨迹坐标，计算每一个轨迹坐标与点集C中各点之间的距离(该距离通过轨迹坐标与点集C中各点的坐标进行计算)，取最小距离的点所对应的工具姿态欧拉角作为该轨迹坐标对应的工具姿态，遍历完所有的轨迹坐标后，即形成鞋底打粗的轨迹规划路径，轨迹规划路径包括各轨迹坐标及其对应的工具姿态。

图8为通过现有技术得出的鞋底侧边的点云数据示意图，与图5形成对比图，图5得出的鞋底侧边点云数据是完整的，且不存在错误数据，在此基础上得出的轨迹规划路径准确性也很高，而图8得出的鞋底侧边的点云数据并不完整，鞋底前端缺失了部分，而且如图8中A部分所示，还存在错误数据，在此基础上得出的轨迹路径准确性必然受到影响，因此，依据本发明得出的轨迹路径具有明显的优势。

基于聚类算法的鞋底打粗轨迹规划装置包括：

数据获取模块：用于获取鞋底的点云数据，并对该点云数据进行预处理；

鞋底点云数据获取模块：用于根据经步骤A处理后的点云数据计算鞋底的中心点坐标，将该中心点坐标对应的法向量作为基准法向量v₁；指定K的值，对于每个点云，通过其K个近邻点云计算其法向量v₂，并计算该法向量v₂与基准法向量v₁的夹角θ＝arccos((V₁·V₂)/(|V₁||V₂|))，将小于阈值的θ所对应的点云组成点集A，并将点集A作为鞋底底部的点云数据；

轨迹坐标获取模块：用于将经步骤A处理后的点云数据剔除步骤C所得的鞋底底部的点云数据后，即为鞋底侧边的点云数据；以L间距对鞋底侧边的点云数据进行等分分割得到多个子数据，分别计算各子数据的最高点坐标和最低点坐标，最低点坐标组成的点集B形成鞋底打粗的轨迹坐标；

工具姿态欧拉角获取模块：用于分别取各子数据的最高点坐标和最低点坐标的平均值，并将各平均值坐标组成点集C，计算点集C的面法矢，将面法矢的方向作为工具的Z向矢量，Cn到Cn+1的方向作为工具的X向矢量，通过Z向矢量和X向矢量求出Y向矢量，并根据X、Y和Z向矢量求出机器人工具姿态欧拉角；

规划路径获取模块：用于根据轨迹坐标和工具姿态欧拉角得到鞋底打粗的轨迹规划路径。

以上所述，仅为本发明的较佳实施例而已，故不能以此限定本发明实施的范围，即依本发明申请专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明专利涵盖的范围内。

Claims (10)

1.基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：包括如下步骤：

A、获取鞋底的点云数据，并对该点云数据进行预处理；

B、根据经步骤A处理后的点云数据计算鞋底的中心点坐标，将该中心点坐标对应的法向量作为基准法向量v₁；

C、指定K的值，对于每个点云，通过其K个近邻点云计算其法向量v₂，并计算该法向量v₂与基准法向量v₁的夹角θ＝arccos((V₁·V₂)/(|V₁||V₂|))，将小于阈值的θ所对应的点云组成点集A，并将点集A作为鞋底底部的点云数据；

D、将经步骤A处理后的点云数据剔除步骤C所得的鞋底底部的点云数据后，即为鞋底侧边的点云数据；

E、以L间距对鞋底侧边的点云数据进行等分分割得到多个子数据，分别计算各子数据的最高点坐标和最低点坐标，最低点坐标组成的点集B形成鞋底打粗的轨迹坐标；

F、分别取各子数据的最高点坐标和最低点坐标的平均值，并将各平均值坐标组成点集C，计算点集C的面法矢，将面法矢的方向作为工具的Z向矢量，Cn到Cn+1的方向作为对应于点集C内第n个点的工具的X向矢量，通过Z向矢量和X向矢量求出第n个点对应的Y向矢量，并根据X、Y和Z向矢量求出第n个点对应的工具姿态欧拉角；

G、根据轨迹坐标和工具姿态欧拉角得到鞋底打粗的轨迹规划路径。

2.根据权利要求1所述的基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：所述步骤C具体包括：

C1、标记所有点云数据为unvisited；

C2、随机选择一个unvisited的点云P，利用点云P的K个近邻点计算点云P的法向量v₂，并计算法向量v₂和基准法向量v₁的夹角θ，当θ小于设定的夹角阀值时，将该点云标记为visited，并且将标记为visited的点云组合成点集A；

C3、按照步骤C2遍历所有的点云数据，当遇到已被标记为visited的点云数据则跳过，最终得到的点集A就是鞋底底部的点云数据。

3.根据权利要求1所述的基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：所述夹角θ的阈值为：25°≤θ≤35°。

4.根据权利要求1或2或3所述的基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：所述K的取值范围为：75≤K≤85。

5.根据权利要求1或2或3所述的基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：所述L的取值范围为：0.5mm≤L≤1.5mm。

6.根据权利要求1或2或3所述的基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：所述步骤F中计算工具姿态欧拉角具体为：

设X向矢量为(n_x,n_y,n_z)、Y向矢量为(o_x,o_y,o_z)和Z向矢量为(a_x,a_y,a_z)，通过下述公式计算工具姿态欧拉角

7.根据权利要求1或2或3所述的基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：所述步骤G具体为：遍历每个轨迹坐标，计算每一个轨迹坐标与点集C中各点之间的距离，取最小距离的点所对应的工具姿态欧拉角作为该轨迹坐标对应的工具姿态，遍历完所有的轨迹坐标后，即形成鞋底打粗的轨迹规划路径，轨迹规划路径包括各轨迹坐标及其对应的工具姿态。

8.根据权利要求1或2或3所述的基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：所述步骤A中对点云数据进行预处理包括：

A1、对获取的点云数据进行直通滤波，以滤除鞋底支撑平台的点云数据；

A2、对经步骤A1处理后的数据进行半径滤波和欧式分割，以滤除毛刺和杂点。

9.根据权利要求1或2或3所述的基于聚类算法的鞋底打粗轨迹规划方法，其特征在于：所述法向量v₂通过NormalEstimation算法计算。

10.基于聚类算法的鞋底打粗轨迹规划装置，其特征在于：包括：

数据获取模块：用于获取鞋底的点云数据，并对该点云数据进行预处理；

鞋底点云数据获取模块：用于根据经步骤A处理后的点云数据计算鞋底的中心点坐标，将该中心点坐标对应的法向量作为基准法向量v₁；指定K的值，对于每个点云，通过其K个近邻点云计算其法向量v₂，并计算该法向量v₂与基准法向量v₁的夹角θ＝arccos((V₁·V₂)/(V₁|||V₂|))，将小于阈值的θ所对应的点云组成点集A，并将点集A作为鞋底底部的点云数据；

轨迹坐标获取模块：用于将经步骤A处理后的点云数据剔除步骤C所得的鞋底底部的点云数据后，即为鞋底侧边的点云数据；以L间距对鞋底侧边的点云数据进行等分分割得到多个子数据，分别计算各子数据的最高点坐标和最低点坐标，最低点坐标组成的点集B形成鞋底打粗的轨迹坐标；

工具姿态欧拉角获取模块：分别取各子数据的最高点坐标和最低点坐标的平均值，并将各平均值坐标组成点集C，计算点集C的面法矢，将面法矢的方向作为工具Z向矢量，Cn到Cn+1的方向作为对应于点集C内第n个点的工具X向矢量，通过Z向矢量和X向矢量求出第n个点对应的Y向矢量，并根据X、Y和Z向矢量求出第n个点对应的工具姿态欧拉角；

规划路径获取模块：用于根据轨迹坐标和工具姿态欧拉角得到鞋底打粗的轨迹规划路径。

Images