CN112809130B - 一种智能焊缝检测和轨迹规划方法及系统 - Google Patents

Abstract

本发明公开了一种智能焊缝检测和轨迹规划方法及系统，所述方法包括：获取目标焊件的第一3D点云数据；将第一3D点云数据输入预先训练的焊缝检测模型中，获得目标焊件对应的目标焊缝位置；控制焊枪根据目标焊缝位置和预设焊接步长对目标焊件进行单步焊接后，继续执行获取目标焊件的第一3D点云数据，根据第一3D点云数据确定目标焊缝位置的步骤，直至目标焊件焊接完成；其中，焊接步长由目标焊件焊接过程中的焊缝变形尺寸确定。本发明可同时实现焊缝和焊接熔池的拍摄和跟踪，检测效率高，成本低，且不受焊接过程中焊接火花等光线的影响，焊缝跟踪检测质量高，应用场景更加通用广泛。

Description

一种智能焊缝检测和轨迹规划方法及系统

技术领域

本发明涉及焊接技术领域，尤其涉及的是一种智能焊缝检测和轨迹规划方法及系统。

背景技术

现有焊接生产过程中，为了提高焊接效率，一般都采用焊接自动化设备(或焊接机器人)进行批量焊接，而对于不同的焊接工件，通常需要特定的焊接设备及工装夹具，设计不同的焊接轨迹。同时由于工件在加工过程中存在加工误差，会导致实际焊接的工件与设计图样存在差异，工件一致性较差，对于机器人焊接来说会存在较大的误差。同时，在焊接过程中的热形变也会引起误差，造成焊接缺陷。

以上问题在一般工业生产中普遍存在，这就需要焊接自动化设备具有精确定位工件和纠正偏差的能力，同时在焊接过程中能够对焊缝实时检测，纠正焊接的偏差，保证焊接的质量。为了解决上述问题，目前实际应用比较广泛的是非接触式的电弧跟踪方法和激光结构光跟踪方法，电弧跟踪方法在实际应用中具有较大的局限性，而激光结构光跟踪方法容易受焊接过程中火花等光线影响而导致焊缝检测不准或焊接精度下降，焊接质量差。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种智能焊缝检测和轨迹规划方法及系统，旨在解决现有焊缝跟踪方法局限性较大，容易受焊接火花等光线影响而导致焊接质量差的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种智能焊缝检测和轨迹规划方法，其中，所述方法包括：

获取目标焊件的第一3D点云数据；

将所述第一3D点云数据输入预先训练的焊缝检测模型中，获得所述目标焊件对应的目标焊缝位置；其中，所述焊缝检测模型基于3D点云数据和焊缝位置的对应关系训练而成；

控制焊枪根据所述目标焊缝和预设焊接步长对所述目标焊件进行单步焊接后，继续执行获取目标焊件的第一3D点云数据，根据所述第一3D点云数据确定所述目标焊缝位置的步骤，直至所述目标焊件焊接完成；其中，所述焊接步长由所述目标焊件焊接过程中的焊缝变形尺寸确定。

所述的智能焊缝检测和轨迹规划方法，其中，当所述目标焊件为规则形状的焊件时，所述焊接步长的确定方法包括：

通过预设热变形模型对所述目标焊件进行仿真，确定所述目标焊件在不同焊接步长下的焊缝变形尺寸；

根据所述焊缝变形尺寸以及所述目标焊件的焊接尺寸精度需求，确定所述目标焊件的焊接步长。

所述的智能焊缝检测和轨迹规划方法，其中，当所述目标焊件为不规则形状的焊件时，所述焊接步长的确定方法包括：

获取所述目标焊件焊接前后的3D点云数据，根据所述目标焊件焊接前后的3D点云数据确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸；

根据所述焊缝变形尺寸以及所述目标焊件的焊接尺寸精度需求，确定所述目标焊件的焊接步长。

所述的智能焊缝检测和轨迹规划方法，其中，所述目标焊件的焊缝周围设置有标识，所述获取所述目标焊件焊接前后的3D点云数据，根据所述目标焊件焊接前后的3D点云数据确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸的步骤包括：

获取所述目标焊件焊接前的3D点云数据，根据所述目标焊件焊接前的3D点云数据确定所述标识对应的第一位置信息；

获取所述目标焊件焊接后的3D点云数据，根据所述目标焊件焊接后的3D点云数据确定所述标识对应的第二位置信息；

根据所述第一位置信息和所述第二位置信息，确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸。

所述的基于脉冲焊接的焊缝检测方法，其中，所述焊缝检测模型的训练方法包括：

获取训练样本集，所述训练样本集包括多组训练样本，每组训练样本包括第二3D点云数据和焊缝位置标签；

将所述训练样本集输入预设网络模型中，获取所述预设网络模型输出的预测焊缝位置；

根据所述焊缝位置标签和所述预测焊缝位置对所述预设网络模型的模型参数进行修正，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述预设网络模型的训练情况满足预设条件，以得到所述焊缝检测模型。

所述的智能焊缝检测和轨迹规划方法，其中，所述获取训练样本集的步骤包括：

获取若干待焊接焊件和若干已焊接焊件的第二3D点云数据，并对所述第二3D点云数据中的焊缝位置进行标注，得到训练样本集。

所述的智能焊缝检测和轨迹规划方法，其中，所述根据所述焊缝位置标签和所述预测焊缝位置对所述预设网络模型的模型参数进行修正，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述预设网络模型的训练情况满足预设条件的步骤包括：

根据所述焊缝位置标签和所述预测焊缝位置确定损失值，并判断所述损失值是否小于预设阈值；

若否，则根据预设的参数学习率对所述预设网络模型的模型参数进行更新，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述损失值小于预设阈值。

所述的智能焊缝检测和轨迹规划方法，其中，所述控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，还包括：

控制所述焊枪回退预设距离。

第二方面，本发明实施还提供一种智能焊缝检测和轨迹规划系统，其中，包括：视觉传感器及智能终端；其中，所述智能终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述所述的智能焊缝检测和轨迹规划方法的步骤。

所述的智能焊缝检测和轨迹规划系统，其中，所述视觉传感器为3D结构光视觉传感器或双目视觉传感器。

本发明的有益效果：本发明实施例首先获取目标焊件的第一3D点云数据，然后，将所述第一3D点云数据输入预先训练的焊缝检测模型中，获得所述目标焊件对应的目标焊缝位置；其中，所述焊缝检测模型基于3D点云数据和焊缝位置的对应关系训练而成，最后，控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，继续执行获取目标焊件的第一3D点云数据，根据所述第一3D点云数据确定所述目标焊缝位置的步骤，直至所述目标焊件焊接完成；其中，所述焊接步长由所述目标焊件焊接过程中的焊缝变形尺寸确定。本实施例根据焊件焊接过程中的焊缝变形尺寸测算最优焊接步长，并在每个焊接步长后重复对焊缝位置进行检测跟踪，可同时实现焊缝和焊接熔池的拍摄和跟踪，检测效率高，成本低，且不受焊接过程中焊接火花等光线的影响，焊缝跟踪检测质量高，应用场景更加通用广泛。

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，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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他的附图。

图1是本发明实施例提供的一种智能焊缝检测和轨迹规划方法的流程示意图；

图2是本发明实施例提供的目标焊件上设置长度不同的直线标识的结构示意图；

图3是本发明实施例提供的目标焊件上设置长短相间的直线标识的结构示意图；

图4是图2中的目标焊件焊接后的结构示意图；

图5是本发明实施例提供的一种智能终端的功能原理图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

目前实际应用比较广泛的是非接触式的电弧跟踪及基于结构光传感器的跟踪方法。电弧跟踪方法的基本原理是检测焊接电流和焊接电压的变化，根据焊接电流和焊接电压的变化得到电弧长度的变化，从而推算焊枪与焊缝的相对高度及与焊接坡口的相对位置关系，通过焊接执行机构的实时调节，实现焊接过程中的实时电弧跟踪。基于三角测距原理的激光结构光跟踪方法，采用光学传播与成像原理，得到激光扫描区域各个点的位置信息，通过复杂的程序算法完成对常见焊缝的在线实时检测。

但电弧跟踪方法中电弧长度与焊接电流、电弧电压之间的精准数学模型难以确定，特别是在熔化极电弧焊接过程中，焊接坡口的精确尺寸难以在线实时检测，以及电弧跟踪需要角接焊缝、摆动焊接等限制条件，因此电弧跟踪方法具有较大的局限性。激光结构光跟踪方法存在因焊接过程中弧光导致焊缝检测不准或精度下降，从而导致焊接质量问题。

为了解决现有技术的问题，本实施例提供了一种智能焊缝检测和轨迹规划方法，通过所述方法可同时实现焊缝与熔池的拍摄和跟踪，焊接检测效率高，成本低，且焊缝跟踪过程中不受焊接弧光等光线的影响，焊缝跟踪检测质量高，应用场景更通用广泛。具体实施时，首先获取目标焊件的第一3D点云数据，然后，将所述第一3D点云数据输入预先训练的焊缝检测模型中，获得所述目标焊件对应的目标焊缝位置；其中，所述焊缝检测模型基于3D点云数据和焊缝位置的对应关系训练而成，最后，控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，继续执行获取目标焊件的第一3D点云数据，根据所述第一3D点云数据确定所述目标焊缝位置的步骤，直至所述目标焊件焊接完成；其中，所述焊接步长由所述目标焊件焊接过程中的焊缝变形尺寸确定，因此，将目标焊件的3D点云数据输入预先训练的焊缝检测模型中获取目标焊缝位置，并通过焊件变形尺寸测算最优的焊接步长，实现焊缝的检测和轨迹规划，可以同时实现焊缝与熔池的拍摄和跟踪，检测效率高，成本低，且焊缝跟踪过程中不受焊接弧光等光线的影响，焊缝跟踪检测质量高，应用场景更通用广泛。

示例性方法

本实施例提供一种智能焊缝检测和轨迹规划方法，具体如图1所示，所述方法包括：

步骤S100、获取目标焊件的第一3D点云数据。

具体地，所述目标焊件为需要进行焊接的焊件，所述第一3D点云数据为通过3D结构光视觉传感器对所述目标焊件进行扫描获得的3D点云数据，本实施例中通过3D结构光视觉传感器获取目标焊件的第一3D点云数据，可以不受焊接过程中焊接弧光等光线的影响，焊缝跟踪检测质量高，应用场景更通用广泛。

步骤S200、将所述第一3D点云数据输入预先训练的焊缝检测模型中，获得所述目标焊件对应的目标焊缝位置；其中，所述焊缝检测模型基于3D点云数据和焊缝位置的对应关系训练而成。

具体地，为了获取焊缝位置，本实施例中基于3D点云数据和焊缝位置的对应关系对预设网络模型进行训练，得到预先训练的焊缝检测模型，其中，所述预设网络模型可以采用LaneNet等深度学习网络模型。在获取目标焊件的第一3D点云数据后，将所述第一3D点云数据输入预先训练的焊缝检测模型中，获得所述目标焊件对应的目标焊缝位置。

在一具体实施方式中，步骤S200中所述焊缝检测模型的训练方法包括：

步骤S210、获取训练样本集，所述训练样本集包括多组训练样本，每组训练样本包括第二3D点云数据和焊缝位置标签；

步骤S220、将所述训练样本集输入预设网络模型中，获取所述预设网络模型输出的预测焊缝位置；

步骤S230、根据所述焊缝位置标签和所述预测焊缝位置对所述预设网络模型的模型参数进行修正，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述预设网络模型的训练情况满足预设条件，以得到所述焊缝检测模型。

具体地，为了获得预先训练的焊缝检测模型，本实施例中首先获取训练样本集，所述训练样品集中包括多组训练样本，每组训练样本均包括第二3D点云数据和焊缝位置标签，然后将所述训练样本集输入预设网络模型中，并获取所述预设网络模型输出的预测焊缝位置，随后根据所述焊缝位置标签和所述预测焊缝位置对所述预设网络模型的模型参数进行修正，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述预设网络模型的训练情况满足预设条件，从而得到预先训练的所述焊缝检测模型。

在一具体实施方式中，步骤S230具体包括：

步骤S231、根据所述焊缝位置标签和所述预测焊缝位置确定损失值，并判断所述损失值是否小于预设阈值；

步骤S232、若否，则根据预设的参数学习率对所述预设网络模型的模型参数进行更新，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述损失值小于预设阈值。

具体地，本实施例中将训练样本集输入预设网络模型中，获得预测焊缝位置后，根据焊缝位置标签和所述预测焊缝位置确定损失值。一般损失值越小，则表明网络模型的性能越优，获取损失值后，进一步判断损失值是否小于预设阈值；若是，则表明预设网络模型的训练情况满足预设条件；若否，则说明预设网络模型的训练情况不满足预设条件，根据预设的参数学习率对所述预设网络模型的模型参数进行更新，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述损失值小于预设阈值。

在一具体实施方式中，步骤S210中所述获取训练样本集的步骤包括：

步骤S211、获取若干待焊接焊件和若干已焊接焊件的第二3D点云数据，并对所述第二3D点云数据中的焊缝位置进行标注，得到训练样本集。

具体地，为了对预设网络模型进行训练，本实施例中通过3D结构光视觉传感器静态扫描拍摄各种待焊接焊件和各种完成部分焊接焊件，获得第二3D点云数据，并对所述第二3D点云数据中的焊缝位置进行标注，获得用于训练预设网络模型的训练样本集。

步骤S300、控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，继续执行获取目标焊件的第一3D点云数据，根据所述第一3D点云数据确定所述目标焊缝位置的步骤，直至所述目标焊件焊接完成；其中，所述焊接步长由所述目标焊件焊接过程中的焊缝变形尺寸确定。

考虑到焊件在焊接过程中会因为热变形等原因导致焊缝变形，造成焊接缺陷。本实施例中预先根据目标焊件焊接过程中的焊缝变形尺寸测算最优的焊接步长，在获得目标焊件对应的目标焊缝位置后，控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，控制焊枪停止焊接，并继续执行通过3D结构光视觉传感器获取目标焊件的第一3D点云数据，根据第一3D点云数据获得目标焊缝位置的步骤，直至目标焊件焊接完成。本实施例中根据焊件焊接过程中的焊缝变形尺寸测算最优焊接步长，并在每个焊接步长后重复对焊缝位置进行检测跟踪，可同时实现焊缝和焊接熔池的拍摄和跟踪，检测效率高，成本低，且不受焊接过程中焊接火花等光线的影响，焊缝跟踪检测质量高，应用场景更加通用广泛。

在一具体实施方式中，当所述目标焊件为规则形状的焊件时，所述焊接步长的确定方法包括：

步骤S331、通过预设热变形模型对所述目标焊件进行仿真，确定所述目标焊件在不同焊接步长下的焊缝变形尺寸；

步骤S332、根据所述焊缝变形尺寸以及所述目标焊件的焊接尺寸精度需求，确定所述目标焊件的焊接步长。

具体地，对于规则形状的焊件(如圆柱形、长条形等)，可以采用通用的热变形模型对所述目标焊件进行仿真，确定所述目标焊件在不同焊接步长下的焊缝变形尺寸。然后根据所述焊缝变形尺寸以及所述目标焊件的焊接尺寸精度需求，确定所述目标焊件的焊接步长，即当所述目标焊件焊接尺寸精度要求高时，则选择目标焊件焊接步长适当短些，以提高目标焊件焊接尺寸精度，当所述目标焊件焊接尺寸精度要求低时，则选择目标焊件焊接步长适当长些，以提高焊接效率。

在一具体实施方式中，当所述目标焊件为不规则形状的焊件时，所述焊接步长的确定方法包括：

步骤S333、获取所述目标焊件焊接前后的3D点云数据，根据所述目标焊件焊接前后的3D点云数据确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸；

步骤S334、根据所述焊缝变形尺寸以及所述目标焊件的焊接尺寸精度需求，确定所述目标焊件的焊接步长。

具体地，对于不规则形状的焊件，获取目标焊件焊接前后的3D点云数据，根据所述目标焊件焊接前后的3D点云数据确定所述目标焊件每个位置或每个预设距离的焊缝变形尺寸，然后根据所述焊缝变形尺寸以及所述目标焊件的焊接尺寸精度需求，确定所述目标焊件的焊接步长。

在一具体实施例中，所述目标焊件的焊缝周围设置有标识，所述步骤S333具体包括：

步骤S3331、获取所述目标焊件焊接前的3D点云数据，根据所述目标焊件焊接前的3D点云数据确定所述标识对应的第一位置信息；

步骤S3332、获取所述目标焊件焊接后的3D点云数据，根据所述目标焊件焊接后的3D点云数据确定所述标识对应的第二位置信息；

步骤S3333、根据所述第一位置信息和所述第二位置信息，确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸。

具体地，所述目标焊件的焊缝周围设置有标识，如图2～4所示，所述标识可以为在焊缝周围设置的直线，该直线为长度不同的直线，或长短相间的直线。为了避免焊接时标识被遮挡，标识距离焊缝有一定距离，但不能距离太远。在带有标识的目标焊件焊接前，通过3D结构光视觉传感器获取目标焊件的3D点云数据，通过分析目标焊件焊接前的3D点云数据可以确定所述标识对应的第一位置信息，对带有标识的目标焊件焊接后，再通过3D结构光视觉传感器获取目标焊件的3D点云数据，通过分析目标焊件焊接后的3D点云数据可以确定所述标识对应的第二位置信息，根据所述第一位置信息和所述第二位置信息，即可确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸。例如，如图2和图4所示，假设目标焊件焊接前，其上的多个标识点对应的第一位置信息分别为(x1，y1，z1),(x2，y2，z2),(x3，y3，z3)等，目标焊件焊接后，多个标识点的位置发生变化，假设多个标识点对应的第二位置信息分别为(x1’，y1’，z1’),(x2’，y2’，z2’),(x3’，y3’，z3’)等，根据这些标识点的位置信息变化，确定模板焊件焊接过程中的一系列焊接步长(d1，d2，d3，d4，d5，....)。

在一具体实施方式中，步骤S300中所述控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，还包括：

步骤S335、控制所述焊枪回退预设距离。

为了保障焊接质量，本实施例中在单步焊接结束后，控制焊枪回退预设距离，在下次识别到目标焊缝位置后，控制焊枪从回退预设距离后的位置开始继续对目标焊件焊接预设焊接步长，直至目标焊件焊接完成。其中，所述预设距离为单步焊接对应的焊接步长的1/5或1/10。

示例性设备

基于上述实施例，本发明还提供了一种智能焊缝检测和轨迹规划系统，包括：视觉传感器及智能终端。所述视觉传感器可以为3D结构光视觉传感器，也可以为双目视觉传感器，当采用双目视觉传感器时，对焊缝进行拍摄并计算焊缝的三维位置，完成轨迹规划。所述智能终端的原理框图可以如图5所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能焊缝检测和轨迹规划方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。

本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取目标焊件的第一3D点云数据；

将所述第一3D点云数据输入预先训练的焊缝检测模型中，获得所述目标焊件对应的目标焊缝位置；其中，所述焊缝检测模型基于3D点云数据和焊缝位置的对应关系训练而成；

控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，继续执行获取目标焊件的第一3D点云数据，根据所述第一3D点云数据确定所述目标焊缝位置的步骤，直至所述目标焊件焊接完成；其中，所述焊接步长由所述目标焊件焊接过程中的焊缝变形尺寸确定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

综上所述，本发明公开了一种智能焊缝检测和轨迹规划方法及系统，所述方法包括：获取目标焊件的第一3D点云数据；将所述第一3D点云数据输入预先训练的焊缝检测模型中，获得所述目标焊件对应的目标焊缝位置；其中，所述焊缝检测模型基于3D点云数据和焊缝位置的对应关系训练而成；控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件焊接后，继续执行获取目标焊件的第一3D点云数据，根据所述第一3D点云数据确定所述目标焊缝位置的步骤，直至所述目标焊件焊接完成；其中，所述焊接步长由所述目标焊件焊接过程中的焊缝变形尺寸确定。本发明根据焊件焊接过程中的焊缝变形尺寸测算最优焊接步长，并在每个焊接步长后重复对焊缝位置进行检测跟踪，可同时实现焊缝和焊接熔池的拍摄和跟踪，检测效率高，成本低，且不受焊接过程中焊接火花等光线的影响，焊缝跟踪检测质量高，应用场景更加通用广泛。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种智能焊缝检测和轨迹规划方法，其特征在于，所述方法包括：

获取目标焊件的第一3D点云数据；

将所述第一3D点云数据输入预先训练的焊缝检测模型中，获得所述目标焊件对应的目标焊缝位置；其中，所述焊缝检测模型基于3D点云数据和焊缝位置的对应关系训练而成；

控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，继续执行获取目标焊件的第一3D点云数据，根据所述第一3D点云数据确定所述目标焊缝位置的步骤，直至所述目标焊件焊接完成；其中，所述焊接步长由所述目标焊件焊接过程中的焊缝变形尺寸确定。

2.根据权利要求1所述的智能焊缝检测和轨迹规划方法，其特征在于，当所述目标焊件为规则形状的焊件时，所述焊接步长的确定方法包括：

通过预设热变形模型对所述目标焊件进行仿真，确定所述目标焊件在不同焊接步长下的焊缝变形尺寸；

根据所述焊缝变形尺寸以及所述目标焊件的焊接尺寸精度需求，确定所述目标焊件的焊接步长。

3.根据权利要求1所述的智能焊缝检测和轨迹规划方法，其特征在于，当所述目标焊件为不规则形状的焊件时，所述焊接步长的确定方法包括：

获取所述目标焊件焊接前后的3D点云数据，根据所述目标焊件焊接前后的3D点云数据确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸；

根据所述焊缝变形尺寸以及所述目标焊件的焊接尺寸精度需求，确定所述目标焊件的焊接步长。

4.根据权利要求3所述的智能焊缝检测和轨迹规划方法，其特征在于，所述目标焊件的焊缝周围设置有标识，所述获取所述目标焊件焊接前后的3D点云数据，根据所述目标焊件焊接前后的3D点云数据确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸的步骤包括：

获取所述目标焊件焊接前的3D点云数据，根据所述目标焊件焊接前的3D点云数据确定所述标识对应的第一位置信息；

获取所述目标焊件焊接后的3D点云数据，根据所述目标焊件焊接后的3D点云数据确定所述标识对应的第二位置信息；

根据所述第一位置信息和所述第二位置信息，确定所述目标焊件每个位置或者每隔预设距离的焊缝变形尺寸。

5.根据权利要求1所述的智能焊缝检测和轨迹规划方法，其特征在于，所述焊缝检测模型的训练方法包括：

获取训练样本集，所述训练样本集包括多组训练样本，每组训练样本包括第二3D点云数据和焊缝位置标签；

将所述训练样本集输入预设网络模型中，获取所述预设网络模型输出的预测焊缝位置；

根据所述焊缝位置标签和所述预测焊缝位置对所述预设网络模型的模型参数进行修正，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述预设网络模型的训练情况满足预设条件，以得到所述焊缝检测模型。

6.根据权利要求5所述的智能焊缝检测和轨迹规划方法，其特征在于，所述获取训练样本集的步骤包括：

获取若干待焊接焊件和若干已焊接焊件的第二3D点云数据，并对所述第二3D点云数据中的焊缝位置进行标注，得到训练样本集。

7.根据权利要求5所述的智能焊缝检测和轨迹规划方法，其特征在于，所述根据所述焊缝位置标签和所述预测焊缝位置对所述预设网络模型的模型参数进行修正，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述预设网络模型的训练情况满足预设条件的步骤包括：

根据所述焊缝位置标签和所述预测焊缝位置确定损失值，并判断所述损失值是否小于预设阈值；

若否，则根据预设的参数学习率对所述预设网络模型的模型参数进行更新，并继续执行根据所述训练样本集获取所述预测焊缝位置的步骤，直至所述损失值小于预设阈值。

8.根据权利要求1所述的智能焊缝检测和轨迹规划方法，其特征在于，所述控制焊枪根据所述目标焊缝位置和预设焊接步长对所述目标焊件进行单步焊接后，还包括：

控制所述焊枪回退预设距离。

9.一种智能焊缝检测和轨迹规划系统，其特征在于，包括：视觉传感器及智能终端；其中，所述智能终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-8任一项所述的智能焊缝检测和轨迹规划方法的步骤。

10.根据权利要求9所述的智能焊缝检测和轨迹规划系统，其特征在于，所述视觉传感器为3D结构光视觉传感器或双目视觉传感器。

Images