CN113102882B - 几何误差补偿模型的训练方法和几何误差补偿方法 - Google Patents

Abstract

本申请涉及一种几何误差补偿模型的训练方法、几何误差补偿方法、几何误差补偿模型的训练系统、电子装置和计算机可读存储介质。其中，该方法包括：获取预制工件；利用搭载于数控机床的激光刀，按照预设数控指令对应的加工轨迹在所述预制工件表面绘制激光图案，得到训练工件；通过摄像设备拍摄所述训练工件的图像，并根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正，得到训练图像；根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型。通过本申请，解决了相关技术中数控机床存在几何误差的问题，实现了数控机床的几何误差补偿。

Description

几何误差补偿模型的训练方法和几何误差补偿方法

技术领域

本申请涉及数控机床控制领域，特别是涉及几何误差补偿模型的训练方法、几何误差补偿方法、几何误差补偿模型的训练系统、电子装置和计算机可读存储介质。

背景技术

数控机床因装配精度等原因存在几何误差。几何误差补偿技术可以降低机床加工精度对机床本身制造与装配精度的依赖程度，从而降低生产成本。此外，误差补偿技术还可用于对老设备进行精度升级，充分利用制造资源，延长机床的寿命，从而带来更多经济效益。

发明内容

在本实施例中提供了一种几何误差补偿模型的训练方法、几何误差补偿方法、几何误差补偿模型的训练系统、电子装置和计算机可读存储介质，以解决相关技术中数控机床存在几何误差的问题。

第一个方面，在本实施例中提供了一种几何误差补偿模型的训练方法，包括：

获取预制工件；

利用搭载于数控机床的激光刀，按照预设数控指令对应的加工轨迹在所述预制工件表面绘制激光图案，得到训练工件；

通过摄像设备拍摄所述训练工件的图像，并根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正，得到训练图像；

根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型。

在其中的一些实施例中，根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型包括：

根据数控指令确定所述标准图像的理论加工轨迹，以及根据所述训练图像确定实际加工轨迹，其中，所述理论加工轨迹包括各时刻对应的理论轨迹点在全局坐标系下的坐标，所述实际加工轨迹包括各时刻对应的实际轨迹点在全局坐标系下的坐标；

将各所述实际轨迹点的坐标作为所述深度学习模型的输入数据，将与各所述实际轨迹点具有相同时刻的理论轨迹点的坐标作为金标准，对所述深度学习模型进行训练，得到所述几何误差补偿模型。

在其中的一些实施例中，所述激光刀按照设定频率在所述预制工件表面打点，以在所述预制工件的表面形成所述激光图案，得到所述训练工件。

在其中的一些实施例中，在根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正之后，所述方法还包括：

对空间校正后的训练工件的图像进行图像增强的预处理，得到所述训练图像，其中，所述图像增强的预处理包括但不限于以下至少之一：二值化、图像锐化、去噪、增强对比度。

第二个方面，在本实施例中提供了一种几何误差补偿方法，包括：

生成以数控机床的运动系统分辨率为网格尺寸的网格图像；

将所述网格图像输入到由第一个方面所述的几何误差补偿模型的训练方法训练得到的几何误差补偿模型，得到形变网格图像；

根据所述形变网格图像，获取所述数控机床的补偿指令；

根据所述补偿指令和所述数控机床将要执行的数控指令，生成补偿后的数控指令，并根据补偿后的数控指令控制所述数控机床进行工件加工。

第三个方面，在本实施例中提供了一种几何误差补偿方法，包括：

生成以数控机床的运动系统分辨率为网格尺寸的网格图像；

将所述网格图像输入到由第一个方面所述的几何误差补偿模型的训练方法训练得到的几何误差补偿模型，得到形变网格图像；

根据所述形变网格图像，生成形变场；

根据所述形变场对所述数控机床将要加工的工件的数字模型进行形变补偿，生成补偿后的数字模型；

根据补偿后的数字模型生成数控指令，并根据所述数控指令控制所述数控机床进行工件加工。

第四个方面，在本实施例中提供了一种几何误差补偿模型的训练系统，包括：

上料模块，用于获取预制工件；

刀架上搭载有激光刀的数控机床，用于按照预设数控指令对应的加工轨迹在所述预制工件表面绘制激光图案，得到训练工件；

摄像设备，用于拍摄所述训练工件的图像；

处理设备，用于根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正，得到训练图像，以及根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型；

回收模块，用于回收所述训练工件；

传输模块，用于将所述预制工件依次传输到所述数控机床、所述摄像设备和回收模块。

在其中的一些实施例中，所述系统还包括限位模块，能够将所述训练工件固定在所述摄像设备的拍摄视野下，且保持固定的姿态。

第五个方面，在本实施例中提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行第二个方面或第三个方面所述的几何误差补偿方法。

第六个方面，在本实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第二个方面或第三个方面所述的几何误差补偿方法的步骤。

与相关技术相比，在本实施例中提供的几何误差补偿模型的训练方法、几何误差补偿方法、几何误差补偿模型的训练系统、电子装置和计算机可读存储介质，通过获取预制工件；利用搭载于数控机床的激光刀，按照预设数控指令对应的加工轨迹在所述预制工件表面绘制激光图案，得到训练工件；通过摄像设备拍摄所述训练工件的图像，并根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正，得到训练图像；根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型的方式，解决了相关技术中数控机床存在几何误差的问题，实现了数控机床的几何误差补偿。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的几何误差补偿模型的训练方法的流程图。

图2是根据本申请实施例的几何误差补偿模型的结构示意图。

图3是根据本申请实施例的理论加工轨迹和实际加工轨迹的示意图。

图4是根据本申请实施例的加工轨迹点对的匹配方法的示意图。

图5是根据本申请实施例的一种几何误差补偿方法的流程图。

图6是根据本申请实施例的另一种几何误差补偿方法的流程图。

图7是根据本申请实施例的几何误差补偿模型的训练系统的结构框图。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

数控机床通常由信息输入、信息运算及控制、伺服驱动系统、机床本体和机电接口等部分组成。数控机床的信息输入通常为G代码等形式的数控指令；信息运算及控制用于将G代码翻译成伺服驱动系统的控制指令；伺服驱动系统用于根据控制指令驱动机床本体的X轴、Y轴、Z轴移动或旋转，从而带动驱动机床的刀架及刀具在工作平面运动。由于受机床本体的X轴、Y轴、Z轴的装配精度以及构件的加工精度的影响，导致机床接收到的刀具的加工位置与刀具实际加工的位置存在位置偏差，从而产生几何误差。

考虑刀具在XY平面上的运动过程，记机床接收到的刀具的目标加工位置为（x_g，y_g），而刀具实际运动到的实际加工位置为（x_r，y_r），则由目标加工位置到实际加工位置之间的映射关系可以表示为：

；

那么，对于任意一个数控机床，如果能够采集到足够多的目标加工位置和相应的实际加工位置，构成采样点对，再根据这些采样点对通过解析求解函数

或使用机器学习的方式训练深度学习网络以逼近该函数

，即能够根据用户希望机床运动到的任意指定的目标加工位置，通过函数

推算出应当发给数控机床的加工位置。

函数

与数控机床存在对应的关系，也就是说，不同的数控机床的函数

也是不同的，这是由于不同数控机床的X轴、Y轴、Z轴的装配精度或者构件的加工精度的影响程度不尽相同。那么，对于每个数控机床都需要通过该数控机床对工件进行实际加工，然后通过对加工后的工件进行数字化处理才能够获得采样点对。而且由于诸如深度学习网络的训练通常需要上千个训练样本才能够具备一定泛化能力和预测精度，这也就意味着采用实际加工的方式获取训练样本将会存在训练样本获取困难，以及加工工件浪费的问题。

为了实现数控机床的几何误差补偿，在本实施例中提供了一种几何误差补偿模型的训练方法。图1是根据本申请实施例的几何误差补偿模型的训练方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，获取预制工件。

步骤S102，利用搭载于数控机床的激光刀，按照预设数控指令对应的加工轨迹在预制工件表面绘制激光图案，得到训练工件。

步骤S103，通过摄像设备拍摄训练工件的图像，并根据摄像设备的标定参数对训练工件的图像进行空间校正，得到训练图像。

步骤S104，根据训练图像和与预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型。

在上述实施例中，预制工件可以为相同形状的预制工件，也可以为不同形状的预制工件。例如，该预制工件可以为圆柱体或者长方体。在一些实施例中，为了能够方便对预制工件的姿态进行定位，预制工件还可以具有一些能够帮助定位的结构，例如，在预制工件的侧面设置有限位凹槽，以使得预制工件能够被夹具等限位模块固定且保持固定的姿态。通过保持固定的姿态，能够方便后续对预制工件的图像进行数字化处理时的坐标系对齐。

数控机床的刀架通常用于搭载刀具，而在本实施例中，将数控机床的刀架上搭载的刀具替换为激光刀，以通过激光刀根据预设的数控指令对应的加工轨迹在预制工件表面绘制激光图案。具有激光图案的预制工件在后续实施例中被称为训练工件。

其中，数控指令通常为G代码。各类数控机床的软件系统通常会提供将数字模型转换为数控指令的功能。G代码可以由待成型工件的数字模型（例如CAD图形）转换而来。

在步骤S103中，采用内外参数已被标定的摄像设备拍摄训练工件，得到训练工件的图像。其中的外参数是指全局坐标系（即世界坐标系）中的参数，例如摄像设备在全局坐标系中的坐标、旋转方向等。内参数是指相机自身的参数，例如焦距、像素尺寸、径向和切向畸变等。

在本实施例中的空间校正可以是指将摄像设备的坐标系转换到全局坐标系。根据摄像设备的内外参数，能够获得将摄像设备的坐标系转换到全局坐标系所需的平移矩阵和旋转矩阵，从而得到摄像设备拍摄的图像中的任意一个像素点在全局坐标系中的坐标。

在本实施例中的空间校正也可以是指根据摄像设备拍摄到的训练工件的图像，获得训练工件在数控机床的工作平面上的投影图像。例如，在数控机床的工作平面平行于XY平面的情况下，训练工件在数控机床的工作平面上的投影图像相当于沿Z轴方向俯视训练工件的图像。

为了获得训练工件在三维的全局坐标系中的坐标，上述的摄像设备可以是双目摄像机，该双目摄像机在每个时刻以不同的角度同时拍摄训练工件，再基于极限约束和双目视觉成像原理获得训练工件在三维的坐标系中的坐标，进而根据平移矩阵和旋转矩阵进行坐标系转换，或者获得上述的投影图像。

在步骤S104中，采用端到端学习，基于监督学习的方式来训练深度学习模型，其中，训练图像作为深度学习模型的输入数据，预设数控指令对应的标准图像作为训练的金标准，使得深度学习模型学习到消除几何误差的能力，直至深度学习模型的参数收敛，即得到几何误差补偿模型。

图2是根据本申请实施例的几何误差补偿模型的示意图，如图2所示，该几何误差补偿模型采用卷积神经网络架构，包括输入层（图未示）、卷积层、全连接层和输出层（图未示）。

通过上述的步骤S101至步骤S104，获得的几何误差补偿模型能够实现对数控机床几何误差的补偿，并且，采用上述的方式训练几何误差补偿模型，不需要对工件进行真实的加工。经过数控机床在预制工件表面的模拟加工，得到的训练工件表面仅绘制有激光图案，能够通过打磨等简单工艺去除激光图像从而实现重复利用，大大节约了工件的使用数量，降低了集合误差补偿模型的训练成本。

在训练图像有限的情况下，在其中的一些实施例中，根据训练图像和与预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型时，可以将由数控质量确定的标准图像和数控机床实际加工预制工件得到的实际图像中每一对对应的轨迹点作为一个训练样本对几何误差补偿模型进行训练，从而能够在每个训练图像内获得大量的训练样本，以满足深度学习模型的训练需求。例如，可以根据数控指令确定标准图像的理论加工轨迹，以及根据训练图像确定实际加工轨迹，其中，理论加工轨迹包括各时刻对应的理论轨迹点在全局坐标系下的坐标，实际加工轨迹包括各时刻对应的实际轨迹点在全局坐标系下的坐标。然后，将各实际轨迹点的坐标作为深度学习模型的输入数据，将与各实际轨迹点具有相同时刻的理论轨迹点的坐标作为金标准，对深度学习模型进行训练，得到几何误差补偿模型。在图3中示出了理论加工轨迹（以粗实线表示）和实际加工轨迹（以粗虚线表示），这两条加工轨迹可以通过一对基准点对进行对齐，例如，分别将这两条轨迹的质心位置O作为基准点，并基于这两个基准点将两条加工轨迹对齐。也可以分别将这两条轨迹的起始加工位置作为基准点，并基于这两个基准点将两条加工轨迹对齐。所谓对齐，是指根据两个基准点之间的坐标差值，将其中一条加工轨迹的每个轨迹点的坐标值都加上或者减去该坐标差值，以使得这两条加工轨迹大致重叠。由于几何误差的存在，这两条加工轨迹不会完全重叠。

为了获得某一时刻的实际轨迹点对应的理论轨迹点，即在理论加工轨迹和实际加工轨迹上找到成对的轨迹点对，在本实施例中，可以通过二分法获得各成对的轨迹点对。例如，在已知两条加工轨迹的基准点为轨迹的质心位置时，对于每条加工轨迹，分别过该质心位置作发散线。如图4所示，首先作通过加工轨迹的初始加工轨迹点A的一条直线L1，该直线将与加工轨迹存在交点；然后作该直线的垂线L2，该垂线将与加工轨迹存在交点。然后继续作这两条相互正交的直线的角平分线，依此类推，直至发散线与加工轨迹的交点数量达到预期的数量。两条加工轨迹中，相对应的发散线与轨迹的交点即构成了一对或者多对轨迹点对，可以用来对深度学习模型进行训练。通过上述的方式，不仅能够获得任意数量的轨迹点对，并且实现了与加工速度、加工时间的解耦，从而降低了获取轨迹点对的复杂度。

在另一些实施例中，可以基于加工速度和加工时间获取轨迹点对。例如，三坐标机构上搭载的激光刀按照设定频率在预制工件表面打点，以在预制工件的表面形成激光图案，得到训练工件。通过按照设定频率打点的方式，获得了实际加工轨迹上各个轨迹点的时间信息，在理论加工轨迹上则可以根据数控指令获得各时间点对应的理论轨迹点，从而实现与实际加工轨迹中各轨迹点的配对。

为了加快深度学习模型的收敛速度，在其中的一些实施例中，在根据摄像设备的标定参数对训练工件的图像进行空间校正之后，还可以对经过空间校正的训练工件的图像进行图像增强的预处理。这些图像增强的预处理包括以下至少之一：二值化、图像锐化、去噪、增强对比度。通过这些图像增强的预处理，可以将训练工件的图像中的背景、噪声点去除，从而使得深度学习模型的收敛速度加快。

在本实施例中的加工轨迹优选为一条或者多条连续轨迹。在进行去噪的预处理时，对于每条连续轨迹，可以通过曲线或者直线进行拟合，然后以拟合的曲线或者直线为中心按照一定宽度生成掩模，掩模之外的区域全部置为空白，从而去除大部分的噪点。

本实施例还提供了一种几何误差补偿方法，图5是根据本申请实施例的一种几何误差补偿方法的流程图，如图5所示，该流程包括如下步骤：

步骤S501，生成以数控机床的运动系统分辨率为网格尺寸的网格图像。

步骤S502，将网格图像输入到几何误差补偿模型，得到形变网格图像。

步骤S503，根据形变网格图像，获取数控机床的补偿指令。

步骤S504，根据补偿指令和数控机床将要执行的数控指令，生成补偿后的数控指令，并根据补偿后的数控指令控制数控机床进行工件加工。

在基于上述的几何误差补偿模型的训练方法训练得到几何误差补偿模型，相当于具备了能够将实际加工轨迹校正为理论加工轨迹的能力，也即获得了用于描述实际加工轨迹与理论加工轨迹的映射关系函数

。那么，在进行数控机床的几何误差补偿时，如果能获得实际加工轨迹和理论加工轨迹的形变场，那么就能够实现误差补偿。为了得到该形变场，在本实施例中根据数控机床的运动系统分辨率生成网格图像，网格图像中每个子网格的长和宽尺寸都等于运动系统分辨率，再将这个网格图像输入到几何误差补偿模型中，就能够将几何误差补偿模型内的映射关系函数

表示为一个形变网格图像并输出。形变网格图像表示了在图像中任意一个理论加工轨迹点与实际加工轨迹点的位置偏差，可见，根据形变网格图像获取数控机床的补偿指令，然后将数控机床的补偿指令和数控机床将要执行的数控指令叠加生成最终执行的数控指令，根据最终执行的数控指令控制数控机床加工就能够获得想要的工件，并实现对该数控机床的几何误差的补偿。

由于形变网格图像在产生形变后，各个网格交点已经不再与数控机床的运动系统分辨率对应的加工轨迹点对齐。为了实现二者的对齐，在本实施例中，可以采取样条插值或者线性插值的方式，获得各个加工轨迹点对应的形变量。

本实施例还提供了另一种几何误差补偿方法，图6是根据本申请实施例的另一种几何误差补偿方法的流程图，如图6所示，该流程包括如下步骤：

步骤S601，生成以数控机床的运动系统分辨率为网格尺寸的网格图像。

步骤S602，将网格图像输入到几何误差补偿模型，得到形变网格图像。

步骤S603，根据形变网格图像，生成形变场。

步骤S604，根据形变场对数控机床将要加工的工件的数字模型进行形变补偿，生成补偿后的数字模型。

步骤S605，根据补偿后的数字模型生成数控指令，并根据数控指令控制数控机床进行工件加工。

与图5所示的几何误差补偿方法不同之处在于，图5所示的方法根据形变网格图像生成补偿指令，并通过指令叠加的方式实现几何误差补偿。而本实施例则直接将形变网格图像表示的形变场叠加到将要加工的工件的数字模型上，使该数字模型预先失真，而基于该预先失真的数字模型生成数控指令，并控制数控机床加工得到的工件时，几何误差与数字模型的预先失真正好相互抵消，从而实现了几何误差补偿。

本实施例还提供了一种几何误差补偿模型的训练系统。图7是根据本申请实施例的几何误差补偿模型的训练系统的结构框图，如图7所示，该系统包括：

上料模块71，用于获取预制工件。

刀架上搭载有激光刀的数控机床72，用于按照预设数控指令对应的加工轨迹在预制工件表面绘制激光图案，得到训练工件。

摄像设备73，用于拍摄训练工件的图像。

处理设备74，分别与数控机床72和摄像设备73电性连接；处理设备74用于根据摄像设备的标定参数对训练工件的图像进行空间校正，得到训练图像，以及根据训练图像和与预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型。

需要说明的是，处理设备74采用的几何误差补偿模型的训练方法在前文已经描述，在此不再赘述。

回收模块75，用于回收训练工件。

传输模块76，分别与上料模块71、数控机床72、摄像设备73和回收模块75连接，用于将预制工件依次传输到数控机床、摄像设备和回收模块。

在其中的一些实施例中，系统还包括限位模块，能够将训练工件固定在摄像设备的拍摄视野下，且保持固定的姿态。

在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。

此外，结合上述实施例中提供的几何误差补偿模型的训练方法和/或几何误差补偿方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种几何误差补偿模型的训练方法和/或几何误差补偿方法。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种几何误差补偿方法，其特征在于包括：

生成以数控机床的运动系统分辨率为网格尺寸的网格图像；

将所述网格图像输入到几何误差补偿模型，得到形变网格图像；

根据所述形变网格图像，获取所述数控机床的补偿指令；

根据所述补偿指令和所述数控机床将要执行的数控指令，生成补偿后的数控指令，并根据补偿后的数控指令控制所述数控机床进行工件加工；

其中，所述几何误差补偿模型通过下列方式训练而成：获取预制工件；利用搭载于数控机床的激光刀，按照预设数控指令对应的加工轨迹在所述预制工件表面绘制激光图案，得到训练工件；通过摄像设备拍摄所述训练工件的图像，并根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正，得到训练图像；根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型。

2.根据权利要求1所述的几何误差补偿方法，其特征在于，根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型包括：

根据数控指令确定所述标准图像的理论加工轨迹，以及根据所述训练图像确定实际加工轨迹，其中，所述理论加工轨迹包括各时刻对应的理论轨迹点在全局坐标系下的坐标，所述实际加工轨迹包括各时刻对应的实际轨迹点在全局坐标系下的坐标；

将各所述实际轨迹点的坐标作为所述深度学习模型的输入数据，将与各所述实际轨迹点具有相同时刻的理论轨迹点的坐标作为金标准，对所述深度学习模型进行训练，得到所述几何误差补偿模型。

3.根据权利要求1所述的几何误差补偿方法，其特征在于，所述激光刀按照设定频率在所述预制工件表面打点，以在所述预制工件的表面形成所述激光图案，得到所述训练工件。

4.根据权利要求1所述的几何误差补偿方法，其特征在于，在根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正之后，所述方法还包括：

对空间校正后的训练工件的图像进行图像增强的预处理，得到所述训练图像，其中，所述图像增强的预处理包括但不限于以下至少之一：二值化、图像锐化、去噪、增强对比度。

5.一种几何误差补偿方法，其特征在于包括：

生成以数控机床的运动系统分辨率为网格尺寸的网格图像；

将所述网格图像输入到几何误差补偿模型，得到形变网格图像；

根据所述形变网格图像，生成形变场；

根据所述形变场对所述数控机床将要加工的工件的数字模型进行形变补偿，生成补偿后的数字模型；

根据补偿后的数字模型生成数控指令，并根据所述数控指令控制所述数控机床进行工件加工；

其中，所述几何误差补偿模型通过下列方式训练而成：获取预制工件；利用搭载于数控机床的激光刀，按照预设数控指令对应的加工轨迹在所述预制工件表面绘制激光图案，得到训练工件；通过摄像设备拍摄所述训练工件的图像，并根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正，得到训练图像；根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型。

6.根据权利要求5所述的几何误差补偿方法，其特征在于，根据所述训练图像和与所述预设数控指令对应的标准图像对深度学习模型进行训练，得到几何误差补偿模型包括：

根据数控指令确定所述标准图像的理论加工轨迹，以及根据所述训练图像确定实际加工轨迹，其中，所述理论加工轨迹包括各时刻对应的理论轨迹点在全局坐标系下的坐标，所述实际加工轨迹包括各时刻对应的实际轨迹点在全局坐标系下的坐标；

将各所述实际轨迹点的坐标作为所述深度学习模型的输入数据，将与各所述实际轨迹点具有相同时刻的理论轨迹点的坐标作为金标准，对所述深度学习模型进行训练，得到所述几何误差补偿模型。

7.根据权利要求5所述的几何误差补偿方法，其特征在于，所述激光刀按照设定频率在所述预制工件表面打点，以在所述预制工件的表面形成所述激光图案，得到所述训练工件。

8.根据权利要求5所述的几何误差补偿方法，其特征在于，在根据所述摄像设备的标定参数对所述训练工件的图像进行空间校正之后，所述方法还包括：

对空间校正后的训练工件的图像进行图像增强的预处理，得到所述训练图像，其中，所述图像增强的预处理包括但不限于以下至少之一：二值化、图像锐化、去噪、增强对比度。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的几何误差补偿方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的几何误差补偿方法的步骤。

Images