CN114888692B - 一种抛光打磨机械臂控制系统及方法 - Google Patents

一种抛光打磨机械臂控制系统及方法 Download PDF

Info

Publication number
CN114888692B
CN114888692B CN202210669669.4A CN202210669669A CN114888692B CN 114888692 B CN114888692 B CN 114888692B CN 202210669669 A CN202210669669 A CN 202210669669A CN 114888692 B CN114888692 B CN 114888692B
Authority
CN
China
Prior art keywords
template
workpiece
identification
module
polishing
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
Application number
CN202210669669.4A
Other languages
English (en)
Other versions
CN114888692A (zh
Inventor
吴志诚
龙腾发
雷勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Tiantai Robot Co Ltd
Original Assignee
Guangdong Tiantai Robot Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Tiantai Robot Co Ltd filed Critical Guangdong Tiantai Robot Co Ltd
Priority to CN202210669669.4A priority Critical patent/CN114888692B/zh
Publication of CN114888692A publication Critical patent/CN114888692A/zh
Application granted granted Critical
Publication of CN114888692B publication Critical patent/CN114888692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B27/00—Other grinding machines or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/16—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the load
    • 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
    • B25J11/005—Manipulators for mechanical processing tasks
    • B25J11/0065—Polishing or grinding
    • 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
    • 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本申请涉及机器人控制技术的技术领域，尤其是涉及一种抛光打磨机械臂控制系统及方法,包括机械臂，机械臂上设有图像采集模块、模板制作模块、识别模块和执行模块；图像采集模块用于采集目标物的图像信息，提取图像的特征信息；模板制作模块用于以参照物为对象制作全角度模板，提取模板的特征信息；识别模块用于特征信息的匹配识别，以确定待打磨工件和匹配模板；识别模块包括修正模块，用于获取匹配模板和待打磨工件的特征点，计算特征点之间的偏差并修正；执行模块用于对工件进行打磨；执行模块包括力控算法子模块，用于对打磨力进行恒力柔顺控制；本发明具有增加实际打磨的柔顺性，提高加工质量的效果。

Description

一种抛光打磨机械臂控制系统及方法
技术领域
本发明涉及机器人控制技术的技术领域，特别是一种抛光打磨机械臂控制系统及方法。
背景技术
在现有生产过程中，针对不同类型的物体执行抛光打磨的工序时，需要先通过模板对物体的轮廓进行识别，在确认是待打磨目标后，再执行对应的打磨操作；在得到匹配模板后，根据匹配模板的特征点来制定对待打磨工件的打磨轨迹，但在现有技术中，因为匹配模板与实际的待打磨工件之间还存在一定的位置偏差，当机械臂在基于匹配模板的特征点进行操作时，会导致机械臂无法精准对接物体上的实际特征点，会在打磨过程中出现操作失败或操作不稳固的情况；并且在实际打磨过程中，待打磨工件的表面可能会存在瑕疵，比如轮廓出现较小的凹凸部分，由于机械臂自身刚度较大，瑕疵会导致机械臂与工件的接触力过大或过小，造成对工件加工精度的影响。
发明内容
针对上述缺陷，本发明的目的在于提出一种抛光打磨机械臂控制系统及方法，能够感知加工过程中打磨力的变化，做出实时动态响应，具有增加实际打磨的柔顺性，提高加工质量的效果。
为达此目的，本发明采用以下技术方案：
一种抛光打磨机械臂的控制系统，包括机械臂，所述机械臂上设有图像采集模块、模板制作模块、识别模块和执行模块；
所述图像采集模块用于采集目标物的图像信息，并提取图像的特征信息；
所述模板制作模块用于以参照物为对象制作全角度模板，提取每一模板的特征信息，并存储至识别模块；
所述识别模块用于将所述图像信息与全角度模板的特征信息进行匹配识别，以确定待打磨工件和匹配模板；
所述识别模块包括修正模块，所述修正模块用于获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差，并对偏差进行修正，得到修正后的打磨轨迹；
所述识别模块与执行模块信号连接，当识别模块判断当前物体为待打磨工件时，执行模块根据修正后的打磨轨迹对工件进行打磨；
所述执行模块包括力控算法子模块，所述力控算法子模块用于在抛光打磨过程中对打磨机械臂的打磨力进行恒力柔顺控制，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
优选的，所述力控算法子模块包括微分跟踪器TD、比例微分控制器PD、状态观测器ESO及运算子模块，用于执行以下步骤：
步骤1：识别模块将测量的异常轮廓S1前馈到微分跟踪器TD，进行前后区间提前控制的平滑过渡,测量的异常轮廓S1与工件轮廓S进行比较，得到轮廓误差值S2，在微分跟踪器TD中通过调整参数，为比例微分控制器PD提供轮廓误差信号R1及对应的轮廓误差微分信号R2：
S2＝S-S1
R1(k+1)＝R1(k)+hR2(k)
R2(k+1)＝R2(k)+hfh(R1(k)-S2,R2(k),v0,q0)；
其中，异常轮廓S1为实际待打磨工件的表面可能存在的瑕疵，工件轮廓S对应为图像采集装置采集的待打磨工件的图像信息，V0为速度因子，q0为滤波因子；
步骤2：比例微分控制器PD根据微分跟踪器TD得出的轮廓误差信号R1和轮廓误差微分信号R2，与状态观测器ESO观测到的轮廓误差Z1和轮廓误差导数的误差Z2，得到控制量U0，气动恒力装置的总控制量U和实时的工件轮廓S0输入到状态观测器ESO，状态观测器ESO得到观测的气动恒力装置内外扰动的实际值，并在比例微分控制器PD输出信号U0中进行补偿，b为比例微分控制器PD的补偿量；状态观测器ESO观测到的系统总扰动Z3和比例微分控制器PD的输出信号U0进行补偿得到U，总控制量U对气动柔顺装置的数学模型进行提前控制，控制量关系式下式所示：
U0(t)＝Kp[R1-Z1]+Kd[R2-Z2]
Figure GDA0004008435380000031
优选的，所述识别模块还用于执行以下步骤：在每一次打磨操作之后，所述识别模块均对所述待打磨工件进行再识别，提取再识别时的待打磨工件的轮廓特征点，将轮廓特征点与上一次提取的待打磨工件的实际特征点进行比较计算，获取计算的偏差，根据偏差判断待打磨工件是否发生位置偏移。
优选的，所述识别模块包括特征提取子模块和特征匹配子模块；
所述特征提取子模块用于提取模板的特征信息，以及提取由所述图像采集模块采集的目标物的图像的特征信息；
所述特征匹配子模块用于设定阈值，根据模板的特征信息和目标物图像的特征信息，将当前目标物的特征与上述每个模板的特征进行特征匹配，并进行分数计算，当某一模板的分数达到阈值时，则该模板与目标物图像相互匹配。
优选的，所述修正模块包括识别特征关联子模块和旋转平移子模块；
所述识别特征关联子模块用于按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点，根据第一识别点找出所述全角度模板上与所述第一识别点所对应的第二识别点；
获取所有第一识别点和与其对应第二识别点之间的距离，判断所有第一识别点与其对应第二识别点之间的距离是否大于距离阈值，若满足，则获取满足距离阈值第一识别点的数量，并判断数量是否满足第一数量阈值，若不满足，则向所述旋转平移子模块发出修正指令；
所述旋转平移子模块用于接收所述修正指令，并将所述第一识别点与第二识别点代入至变化矩阵中，修正全角度模板的位姿，得到修正后的全角度模板。
一种自动纠偏的抛光打磨机械臂控制方法，应用于如上文所述的一种抛光打磨机械臂控制系统，包括以下步骤：
步骤A0：以参照物为对象制作全角度模板，并提取每一模板的特征信息，所述全角度模板包括360个模板，每个模板对应一个角度；
步骤A1：采集目标物的图像信息，并提取图像的特征信息；
步骤A2：将采集到的图像信息与全角度模板的特征信息进行匹配识别，判断是否存在某一角度的模板的特征信息与所述图像信息相互匹配，若是，则当前物体为待打磨工件，对应该角度的模板为匹配模板；
步骤A3：获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差；
步骤A4：基于ICP算法对匹配模板的偏差进行修正，根据修正后得到的修正模板的特征点形成打磨轨迹；
步骤A5：根据修正后的打磨轨迹，基于力控算法对打磨力进行恒力控制，对待打磨工件进行恒力柔顺控制的抛光打磨。
优选的，所述步骤A5中基于力控算法对打磨力进行恒力控制，具体包括以下步骤：
步骤1：将测量的异常轮廓S1前馈到微分跟踪器TD，进行前后区间提前控制的平滑过渡,测量的异常轮廓S1与工件轮廓S进行比较，得到轮廓误差值S2，在微分跟踪器TD中通过调整参数，为比例微分控制器PD提供轮廓误差信号R1及对应的轮廓误差微分信号R2：
S2＝S-S1
R1(k+1)＝R1(k)+hR2(k)
R2(k+1)＝R2(k)+hfh(R1(k)-S2,R2(k),v0,q0)；
其中，异常轮廓S1为实际待打磨工件的表面可能存在的瑕疵，工件轮廓S对应为图像采集装置采集的待打磨工件的图像信息，V0为速度因子，q0为滤波因子；
步骤2：比例微分控制器PD根据微分跟踪器TD得出的轮廓误差信号R1和轮廓误差微分信号R2，与状态观测器ESO观测到的轮廓误差Z1和轮廓误差导数的误差Z2，得到控制量U0，气动恒力装置的总控制量U和实时的工件轮廓S0输入到状态观测器ESO，状态观测器ESO得到观测的气动恒力装置内外扰动的实际值，并在比例微分控制器PD输出信号U0中进行补偿，b为比例微分控制器PD的补偿量；状态观测器ESO观测到的系统总扰动Z3和比例微分控制器PD的输出信号U0进行补偿得到U，总控制量U对气动柔顺装置的数学模型进行提前控制，控制量关系式下式所示：
U0(t)＝Kp[R1-Z1]+Kd[R2-Z2]
Figure GDA0004008435380000051
优选的，所述步骤A5中还包括以下步骤：在每一次打磨操作之后，对所述待打磨工件进行再识别，提取再识别时的待打磨工件的轮廓特征点，将轮廓特征点与上一次提取的待打磨工件的实际特征点进行比较计算，获取计算的偏差，根据偏差判断待打磨工件是否发生位置偏移。
优选的，所述步骤A2中，将采集到的图像信息与全角度模板的特征信息进行匹配识别，包括以下步骤：设定阈值，根据模板的特征信息和目标物的图像的特征信息，将目标物的图像的特征与上述每个模板的特征进行特征匹配，并进行分数计算，当某一模板的分数达到阈值时，则该模板与当前的目标物相互匹配，该模板为匹配模板，当前的目标物为待打磨工件。
优选的，所述步骤A3中，获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差，包括以下步骤：
步骤A31：以提取亚像素点集的方式将待打磨工件的边缘从待打磨工件的图像信息中进行提取出来，得到目标边框；
步骤A32：按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点，根据第一识别点找出匹配模板上与第一识别点对应的第二识别点；
步骤A33：获取所有第一识别点和对应的第二识别点之间的距离，判断所有第一识别点和其对应的第二识别点之间的距离是否大于距离阈值，若满足，则获取满足距离阈值的第一识别点的数量，并判断数量是否满足第一数量阈值，若不满足，则对偏差进行修正。
上述技术方案包括以下有益效果：
在本实施例中，先提取匹配模板的特征点，以及根据待打磨工件的图像信息提取图像的特征点，再将匹配模板的特征点和待打磨工件的图像特征点进行比对，计算两者特征点的偏差，并对偏差进行修正，得到修正后的模板，根据修正后的模板的特征点组成的轨迹对实际的待打磨工件进行抛光打磨，此时修正后的打磨轨迹可以精确地对准实际需打磨的位置，具有抛光打磨的位置更精确的效果。
进一步的，先将模板按照实际目标物的位置角度进行调整，对模板的位置角度进行修正，获取修正后的模板的特征点轨迹，在得到了已修正模板偏差的轨迹之后，将修正后的轨迹输入至打磨机械臂，打磨机械臂将根据轨迹对待打磨工件进行打磨，但在实际的打磨过程中，实际待打磨工件的表面可能会存在瑕疵，比如轮廓出现较小的凹凸部分，由于打磨机械臂自身刚度较大，瑕疵会导致机械臂与工件的接触力过大或过小，造成对工件加工精度的影响，所以需要添加力控算法子模块实现抛磨的力解耦，控制打磨力，并且感知加工过程中力的变化，做出实时动态响应，增加实际打磨的柔顺性，提高加工质量。
附图说明
图1是本发明的方法示意图；
图2是本发明的系统示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
下面结合图1至图2描述本发明实施例的一种抛光打磨机械臂控制系统及方法：
一种抛光打磨机械臂的控制系统，包括机械臂，所述机械臂上设有图像采集模块、模板制作模块、识别模块和执行模块；
所述图像采集模块用于采集目标物的图像信息，并提取图像的特征信息；
所述模板制作模块用于以参照物为对象制作全角度模板，提取每一模板的特征信息，并存储至识别模块；
所述识别模块用于将所述图像信息与全角度模板的特征信息进行匹配识别，以确定待打磨工件和匹配模板；
所述识别模块包括修正模块，所述修正模块用于获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差，并对偏差进行修正，得到修正后的打磨轨迹；
所述识别模块与执行模块信号连接，当识别模块判断当前物体为待打磨工件时，执行模块根据修正后的打磨轨迹对工件进行打磨；
所述执行模块包括力控算法子模块，所述力控算法子模块用于在抛光打磨过程中对打磨机械臂的打磨力进行恒力柔顺控制，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
具体的，在现有生产过程中，针对不同物体执行抛光打磨的工序时，需先对物体的轮廓进行识别，在确认是待打磨目标后，再执行对应的打磨操作。现有技术中，对多个物体进行识别的方式多采用识别模板进行识别，但只用一两个模板进行识别会出现因待识别对象的角度与识别模板的角度匹配不上的问题，从而导致无法识别目标物或识别出错的情况，使得本应执行打磨操作的对象因识别出错而无法被打磨。因此，在本实施例中，先获取参照物的全角度模板，全角度模板包括360个模板，360个模板分别对应360个角度，即对应参照物的每一个角度采集一个模板，一共具有360个模板，之后再对目标物进行图像采集，获取目标物的图像的特征信息。再提取每一个模板的特征信息，
运用识别模块将每一个模板的特征信息分别与目标物的图像的特征信息进行匹配识别，查找有无可供匹配的模板；若存在某一角度的模板能够与此对象配对，则对该对象识别成功，确定当前物体为待打磨工件，并将此次配对的相应角度的模板作为匹配模板。
进一步的，因为匹配模板与实际的待打磨工件之间还存在一定的位置偏差，当机械臂在基于匹配模板的特征点进行操作时，会导致机械臂无法精准对接物体上的实际特征点，从而导致操作失败或操作不稳固。因此在本实施例中，先提取匹配模板的特征点，以及根据待打磨工件的图像信息提取图像的特征点，再将匹配模板的特征点和待打磨工件的图像特征点进行比对，计算两者特征点的偏差，并对偏差进行修正，得到修正后的模板，根据修正后的模板的特征点组成的轨迹对实际的待打磨工件进行抛光打磨，此时修正后的打磨轨迹可以精确地对准实际需打磨的位置，具有抛光打磨的位置更精确的效果。
进一步的，在上述步骤中先将模板按照实际目标物的位置角度进行调整，对模板的位置角度进行修正，获取修正后的模板的特征点轨迹，在得到了已修正模板偏差的轨迹之后，将修正后的轨迹输入至打磨机械臂，打磨机械臂将根据轨迹对待打磨工件进行打磨，但在实际的打磨过程中，实际待打磨工件的表面可能会存在瑕疵，比如轮廓出现较小的凹凸部分，由于打磨机械臂自身刚度较大，瑕疵会导致机械臂与工件的接触力过大或过小，造成对工件加工精度的影响，所以需要添加力控算法子模块实现抛磨的力解耦，控制打磨力，并且感知加工过程中力的变化，做出实时动态响应，增加实际打磨的柔顺性，提高加工质量。
优选的，所述力控算法子模块包括微分跟踪器TD、比例微分控制器PD、状态观测器ESO及运算子模块，用于执行以下步骤：
步骤1：识别模块将测量的异常轮廓S1前馈到微分跟踪器TD，进行前后区间提前控制的平滑过渡,测量的异常轮廓S1与工件轮廓S进行比较，得到轮廓误差值S2，在微分跟踪器TD中通过调整参数，为比例微分控制器PD提供轮廓误差信号R1及对应的轮廓误差微分信号R2：
S2＝S-S1
R1(k+1)＝R1(k)+hR2(k)
R2(k+1)＝R2(k)+hfh(R1(k)-S2,R2(k),v0,q0)；
其中，异常轮廓S1为实际待打磨工件的表面可能存在的瑕疵，工件轮廓S对应为图像采集装置采集的待打磨工件的图像信息，V0为速度因子，q0为滤波因子；
步骤2：比例微分控制器PD根据微分跟踪器TD得出的轮廓误差信号R1和轮廓误差微分信号R2，与状态观测器ESO观测到的轮廓误差Z1和轮廓误差导数的误差Z2，得到控制量U0，气动恒力装置的总控制量U和实时的工件轮廓S0输入到状态观测器ESO，状态观测器ESO得到观测的气动恒力装置内外扰动的实际值，并在比例微分控制器PD输出信号U0中进行补偿，b为比例微分控制器PD的补偿量；状态观测器ESO观测到的系统总扰动Z3和比例微分控制器PD的输出信号U0进行补偿得到U，总控制量U对气动柔顺装置的数学模型进行提前控制，控制量关系式下式所示：
U0(t)＝Kp[R1-Z1]+Kd[R2-Z2]
Figure GDA0004008435380000101
优选的，所述识别模块还用于执行以下步骤：在每一次打磨操作之后，所述识别模块均对所述待打磨工件进行再识别，提取再识别时的待打磨工件的轮廓特征点，将轮廓特征点与上一次提取的待打磨工件的实际特征点进行比较计算，获取计算的偏差，根据偏差判断待打磨工件是否发生位置偏移。
具体的，因为在实际的抛光打磨操作中机械臂有可能会对工件的实际位置造成影响，所以识别模块在每一次打磨过程结束之后，均对本次打磨的区域进行识别、检查，判断工件在每一次打磨后位置有无发生偏移，如果检测出工件位置发生偏移，则反馈至执行模块，使执行模块暂停执行，并调整工件的位置使其恢复原位，再进行打磨；若检测到工件位置近似没变，则执行模块对下一区域进行下一次的打磨操作，避免因工件每次的位置偏移导致多次偏移量叠加，最后产生较大的位置变化，对工件的抛光打磨精度和质量造成不良影响。
优选的，所述识别模块包括特征提取子模块和特征匹配子模块；
所述特征提取子模块用于提取模板的特征信息，以及提取由所述图像采集模块采集的目标物的图像的特征信息；
所述特征匹配子模块用于设定阈值，根据模板的特征信息和目标物图像的特征信息，将当前目标物的特征与上述每个模板的特征进行特征匹配，并进行分数计算，当某一模板的分数达到阈值时，则该模板与目标物图像相互匹配。
具体的，特征提取子模块提取每一模板的特征信息具体包括以下步骤：
步骤1：对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化，得到对应每一个模板的角度图像矩阵，并将角度图像矩阵转换成梯度幅值图像矩阵；
步骤2：设定梯度幅值阈值，对梯度幅值图像矩阵进行遍历，找出梯度幅值图像矩阵中的最大梯度幅值的像素点，判断最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值，若是，则将该像素点标记为识别特征；
步骤3：设定数量阈值，获取所有识别特征的数量，判断所有识别特征的数量是否大于数量阈值，若是，则将所有识别特征加入到特征点集合中并保存至存储器。
进一步的，特征提取子模块提取目标物图像的特征信息具体包括以下步骤：对当前的目标物的图像信息进行梯度提取和量化，创建两层金字塔，分别对每层金字塔进行梯度扩散，得到对应目标物图像的扩散梯度矩阵图；计算方向响应矩阵图，获取每一层金字塔的线性内存数据容器。
进一步的，特征匹配子模块利用相似度匹配方法对全角度模板像特征与目标物的图像特征进行匹配，具体步骤如下：
根据所述模板的特征点集合信息找到目标物的图像的线性内存访问入口，根据所述识别特征与所述响应矩阵图，通过MIPP累加计算相应位置的相似度，得到匹配相似度矩阵；
迭代计算匹配相似度矩阵，将匹配相似度矩阵转换成100分制，且设置匹配得分阈值，通过对多个模板分别进行迭代处理，找出匹配度分数最高且超出匹配得分阈值的模板，将此模板作为当前目标物图像的匹配模板。
优选的，所述修正模块包括识别特征关联子模块和旋转平移子模块；
所述识别特征关联子模块用于按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点，根据第一识别点找出所述全角度模板上与所述第一识别点所对应的第二识别点；
获取所有第一识别点和与其对应第二识别点之间的距离，判断所有第一识别点与其对应第二识别点之间的距离是否大于距离阈值，若满足，则获取满足距离阈值第一识别点的数量，并判断数量是否满足第一数量阈值，若不满足，则向所述旋转平移子模块发出修正指令；
所述旋转平移子模块用于接收所述修正指令，并将所述第一识别点与第二识别点代入至变化矩阵中，修正全角度模板的位姿，得到修正后的全角度模板。
具体的，以提取亚像素点集的方式将待打磨工件的边缘从待打磨工件的图像信息中进行提取出来，得到目标边框；按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点，根据第一识别点找出匹配模板上与第一识别点对应的第二识别点；获取所有第一识别点和对应的第二识别点之间的距离，判断所有第一识别点和其对应的第二识别点之间的距离是否大于距离阈值，若满足，则获取满足距离阈值的第一识别点的数量，并判断数量是否满足第一数量阈值，若不满足，则对偏差进行修正。
具体的，在一个实施例中，获取目标边框的实施过程如下：
通过Canny算子收集图像信息中目标物的边缘点集，对边缘点集进行二元二次多项式拟合，通过facet模型求解二元二次多项式，得到Hessian矩阵，对Hessian矩阵求解到边缘点集的特征值和特征向量，在通过泰勒展开式对特征值进行求导，得出边缘点集的亚像素，通过目标物的目标边框进行提取。通过Canny算子实现检测目标物的边缘点集，随后拟合二元二次多项式，利用facet模型求解系数，得到Hessian矩阵，由此求解到特征值和特征向量，特征向量即为第二识别点的方向矢量，再有泰勒展开式求导，结合点方向矢量，求得相应亚像素点，如此循环求得相应亚像素点集和方向矢量点集，保存在kdtree数据结构体相应位置。通过构建KDTree算法，将kdtree数据结构中的亚像素点集和方向矢量点集存储顺序与KDTree树的叶子节点建立关联，即改变原先的亚像素和点方向矢量的在数据结构中的存储顺序。另外本申请中提取边缘的亚像素点，对目标物进行提取。亚像素的边缘点更加能提高边缘的清晰度，提取的目标物会更加精准，而目标边框上的边缘点或者特征点也会更加精准。
本发明的一个实施例中以3：7的比例获取目标边框上的识别特征以及其余识别特征组合成第一识别点，其中其余识别特征为非目标边缘上的识别特征，此比例能够减少挑出目标边框的识别特征以及其余识别特征的时间，同时大量的其余识别特征能够保证模板位姿修正的精准度。
获取第一识别点与第二识别点的方式如下：获取第一识别点的切线，对第一识别点的切线做垂线，该垂线连接所述第二识别点，计算所述垂线的长度，所述垂线的长度为所述第一识别点与第二识别点之间的距离。
随后获取关联后一一对应的第一识别点与第二识别点的距离，并判断该距离是否大于距离阈值。只有当大于距离阈值时，才能说明，目标物的位姿与全角度模板的位姿相差大，需要对全角度模板的位姿进行修正。获取完所有满足距离阈值的第一识别点与第二识别点后，统计第一识别点与第二识别点的数量，当该数量是否满足数量阈值后才对模板进行修正。因为第一识别点与第二识别点虽然是相互关联在位姿上是对应的，但是有可能所述第一识别点为目标边框上的旋转边缘点，而相关联第二识别点边缘点在位姿上只是相接近的，不能旋转边缘点是不能和边缘点完全重合的。所以当全角度模板修正位姿接近目标物后，该类的第一识别点与第二识别特征点还是满足距离阈值的要求。如果单纯只采用距离阈值来判断是否需要进行模板位姿修改的话，会全角度模板的位姿会一直进行修正，浪费系统的运行资源。
进一步的，首先将第一识别点的坐标与第二识别点的坐标代入下面的公式(1)中：
Figure GDA0004008435380000141
其中R为旋转矩阵，
Figure GDA0004008435380000142
为平移矩阵，qi和pi分别为相关联的第一识别点与第二识别特征点的坐标，ni为特征向量，i为大于1的自然整数，ε为变化矩阵；
随后获取第一识别点与第二识别点中最小的偏转的角度r，将最小的偏转角度r代入到下面公式(2)中，计算得到旋转矩阵R的最小值，其中公式(2)如下所示：
Figure GDA0004008435380000151
将旋转矩阵R的最小值代回至公式(1)中，得到公式(3)：
Figure GDA0004008435380000152
其中ci＝pi×ni；
对公式(3)求偏导，并转化为线型方程求出最小偏转的角度r、最小的水平偏移量x和最小垂直偏移量y，其过程如下：
偏导公式四如下：
Figure GDA0004008435380000153
Figure GDA0004008435380000154
Figure GDA0004008435380000155
转化为线型方程求出最小偏转的角度r、最小的水平偏移量x和最小垂直偏移量y的过程如下：
Figure GDA0004008435380000156
一种自动纠偏的抛光打磨机械臂控制方法，应用于上文所述的一种抛光打磨机械臂控制系统，包括以下步骤：
步骤A0：以参照物为对象制作全角度模板，并提取每一模板的特征信息，所述全角度模板包括360个模板，每个模板对应一个角度；
步骤A1：采集目标物的图像信息，并提取图像的特征信息；
步骤A2：将采集到的图像信息与全角度模板的特征信息进行匹配识别，判断是否存在某一角度的模板的特征信息与所述图像信息相互匹配，若是，则当前物体为待打磨工件，对应该角度的模板为匹配模板；
步骤A3：获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差；
步骤A4：基于ICP算法对匹配模板的偏差进行修正，根据修正后得到的修正模板的特征点形成打磨轨迹；
步骤A5：根据修正后的打磨轨迹，基于力控算法对打磨力进行恒力控制，对待打磨工件进行恒力柔顺控制的抛光打磨。
具体的，在确认目标物是否为待打磨工件前，通常需要选定一个参照的模板，按照所存储的待打磨工件的特征信息对目标物进行识别，判断目标物是否为待打磨工件，若是，则再对模板进行修正，得到修正后的打磨轨迹，最后根据修正后的打磨轨迹对待打磨工件进行实际打磨操作。
在本实施例中，需要先获得参照物的全角度(即360度)的角度拍摄得到的图像作为模板，提取这360个模板的特征，便于目标物与模板的特征匹配。
具体的，制作360个全角度模板，360个全角度模板分别对应360°中每一个角度，增加了匹配全角度模板的数量，使得所述全角度模板能够覆盖每一个待打磨的目标物的摆放角度，每一个摆放角度均能找到对应的一个全角度模板，使得对于目标物的每一个角度，均能方便地对应模板进行打磨作业。
具体的，对每一个所述模板进行第一层金字塔梯度量化以及第二层金字塔梯度量化的过程如下：
通过sobel计算梯度图像的梯度，若全角度模板为三通道图像，则由X和Y方向的梯度求平方和非最大抑制算法提取出单通道梯度幅值最大值图像矩阵；
由X和Y方向的梯度图像矩阵得到角度图像矩阵；
角度图像矩阵范围从0-360度量化成1-15的整数，再继续对7取余数进行8个方向量化，取幅度图像矩阵中大于阈值的像素，然后取该像素领域3*3对应的量化图像矩阵，构成直方图，取领域多于5个相同方向，并对该方向进行赋值，并对索引进行00000001～10000000的移位编码；
其中所述梯度幅值最大值图像矩阵计算公式如下：
Figure GDA0004008435380000171
Figure GDA0004008435380000172
x代表位置，
Figure GDA0004008435380000173
为x位置梯度值，{R,G,B}为R通道、G通道、B通道。
在梯度量化完毕之后，对梯度幅值最大值图像矩阵进行遍历，找出在梯度幅值最大值图像矩阵中各个领域存在最大梯度幅值的像素点，若在领域中找出最大梯度幅值的像素点，则将领域中除去最大梯度幅值的像素点以外的像素点的梯度幅值设置为零；
判断所有领域中最大梯度幅值的像素点的梯度幅值是否大于梯度幅值阈值，若是，则将该像素点标记为识别特征；
获取所有识别特征的数量，判断所有识别特征的数量是否大于数量阈值，若是，则将所有识别特征加入到特征点集合中并保存至所述存储器；若否，则判断识别特征在距离数量阈值的范围内是否存在至少另一识别特征，若存在，则对该识别特征以及距离数量阈值内的识别特征进行剔除，若不存在，则将该识别特征保存至所述存储器。
进一步的，对采集到的目标物的图像信息进行特征提取，具体步骤如下：对当前的目标物的图像信息进行梯度提取和量化，创建两层金字塔，分别对每层金字塔进行梯度扩散，得到对应目标物图像的扩散梯度矩阵图；计算方向响应矩阵图，获取每一层金字塔的线性内存数据容器。
具体的，对目标物的图像进行梯度提取和量化，过程大致和上述对于模板的梯度量化训练过程一致。创建两层金字塔的线性内存数据容器，遍历两层金字塔，对每一层金字塔的内部处理流程具体为：
获取金字塔的梯度扩散平移数值大小，获取第一层金字塔线性内存数据容器；
对目标物的图像量化梯度进行4*4的范围内按位平移，得到梯度扩散的目标物图像的扩散梯度矩阵图；
创建对应8个方向的8个响应梯度矩阵图，构成一个list数据容器；为了满足MIPP并行计算，将8个方向分为前四个方向和后四个方向，并分别创建梯度方向矩阵；通过与操作，将目标物图像的梯度矩阵图转换为前四个方向和后四个方向的梯度矩阵图；通过事先计算好的8个方向的各种组合的查找表，表元素一共有8*(16+16)个，得到每部分角度与当前角度的最大相似度，然后取前后两部分中的最大值，对每个像素遍历，得到某个方向的一张相似度响应矩阵图，即8个方向，就有8个相似度响应矩阵图。
对于每层金字塔，创建8个相似度矩阵数据容器，将8个相似度矩阵图转成16阶或64阶的方式进行线性化存储在连续的内存中，方便后续匹配的访问速度；即转化成8个16阶或64阶的线性相似度响应图；将采集的目标物图像分为两层金字塔，分别通过梯度扩散，计算方向响应矩阵图，存入线性内存，得到两个8方向的线性内存。
进一步的，根据模板的特征信息和目标物的图像的特征信息，将目标物的图像的特征与多个模板的特征分别进行特征匹配，具体步骤如下：
利用相似度匹配方法对全角度模板像特征与目标物的图像特征进行匹配：
根据所述模板的特征点集合信息找到目标物的图像的线性内存访问入口，根据所述识别特征与所述响应矩阵图，通过MIPP累加计算相应位置的相似度，得到匹配相似度矩阵；
迭代计算匹配相似度矩阵，将匹配相似度矩阵转换成100分制，且设置匹配得分阈值，通过对多个模板分别进行迭代处理，找出匹配度分数最高且超出匹配得分阈值的模板，将此模板作为当前目标物图像的匹配模板。
具体的，取一个模板的两层金字塔对应的特征相关数据，取目标物图像的底层金字塔8个方向的相似度矩阵图，根据模板特征点信息找到对应方向的线性内存访问入口，通过计算得到的模板位置范围信息迭代循环，通过MIPP累加计算相应位置的相似度，得到一个第二层金字塔对应的模板与目标物图像特征点方向的相对应相似度响应矩阵图的匹配相似度矩阵；
通过对模板的所有特征点信息，得到所有该模板的MIPP累加匹配相似度矩阵，即模板第二层金字塔匹配相似度矩阵；
迭代该相似度矩阵，将该相似度矩阵内所有元素转换成100制，根据设置的相似度分数阈值，选取大于相似度分数阈值的点的位置和分数等信息，存入相应数据容器。
根据模板第二层金字塔选取的点位置等信息以及模板第一层模板的特征点信息，选取第一层目标物图像的8个方向的某个方向的线性相似度矩阵图，并找到第一层目标物图像的矩阵图的某个方向的线性内存访问入口，由于受SIMD限制，选16*16，计算相似度矩阵。将该相似度矩阵转换成100分制，并找出分数最高的位置信息，同时更新底层金字塔对应的匹配信息。如此迭代循环，得到优化后的匹配位置和分数等信息。根据设置匹配得分阈值，删选掉一些得分低于阈值的优化后的匹配位置和分数信息结构数据。
按照此流程，完成360个模板的迭代处理，得到一系列的模板匹配信息。最后对一系列的匹配到的一系列模板数据信息按照分数排序，并删除掉重复匹配到的模板位置和分数信息，得到最终的一系列模板位置和分数等信息，此时基本完成了模板的匹配。
离线计算8个相似度梯度方向的查找表公式：
Figure GDA0004008435380000201
其中，i是量化方向的索引，L是各方向的集合，这些方向的集合是出现在梯度方向i的一个邻域内的，以整数表示，以作为查找表的索引。
相似度响应矩阵图计算公式：
Figure GDA0004008435380000202
相似度计算公式：
Figure GDA0004008435380000203
计算c+r位置处的相似度，
Figure GDA0004008435380000204
表示模板；
Figure GDA0004008435380000205
输入图像。
优选的，所述步骤A5中基于力控算法对打磨力进行恒力控制，具体包括以下步骤：
步骤1：将测量的异常轮廓S1前馈到微分跟踪器TD，进行前后区间提前控制的平滑过渡,测量的异常轮廓S1与工件轮廓S进行比较，得到轮廓误差值S2，在微分跟踪器TD中通过调整参数，为比例微分控制器PD提供轮廓误差信号R1及对应的轮廓误差微分信号R2：
S2＝S-S1
R1(k+1)＝R1(k)+hR2(k)
R2(k+1)＝R2(k)+hfh(R1(k)-S2,R2(k),v0,q0)；
其中，异常轮廓S1为实际待打磨工件的表面可能存在的瑕疵，工件轮廓S对应为图像采集装置采集的待打磨工件的图像信息，V0为速度因子，q0为滤波因子；
步骤2：比例微分控制器PD根据微分跟踪器TD得出的轮廓误差信号R1和轮廓误差微分信号R2，与状态观测器ESO观测到的轮廓误差Z1和轮廓误差导数的误差Z2，得到控制量U0，气动恒力装置的总控制量U和实时的工件轮廓S0输入到状态观测器ESO，状态观测器ESO得到观测的气动恒力装置内外扰动的实际值，并在比例微分控制器PD输出信号U0中进行补偿，b为比例微分控制器PD的补偿量；状态观测器ESO观测到的系统总扰动Z3和比例微分控制器PD的输出信号U0进行补偿得到U，总控制量U对气动柔顺装置的数学模型进行提前控制，控制量关系式下式所示：
U0(t)＝Kp[R1-Z1]+Kd[R2-Z2]
Figure GDA0004008435380000211
优选的，所述步骤A5中还包括以下步骤：在每一次打磨操作之后，对所述待打磨工件进行再识别，提取再识别时的待打磨工件的轮廓特征点，将轮廓特征点与上一次提取的待打磨工件的实际特征点进行比较计算，获取计算的偏差，根据偏差判断待打磨工件是否发生位置偏移。
具体的，在实际打磨过程中，工件的位置有可能会在打磨机械臂的作用下发生偏离，识别模块在每一次打磨过程之后对工件的轮廓进行识别，通过特征点对照，检查工件在此次打磨后的实际位置与此次打磨前的位置有无存在区别，设定偏差阈值，若计算出的偏差大于阈值，则判断工件的位置发生改变，对工件的位姿进行调整，若无偏差，则继续进行再一次的打磨。
优选的，所述步骤A2中，将采集到的图像信息与全角度模板的特征信息进行匹配识别，包括以下步骤：设定阈值，根据模板的特征信息和目标物的图像的特征信息，将目标物的图像的特征与上述每个模板的特征进行特征匹配，并进行分数计算，当某一模板的分数达到阈值时，则该模板与当前的目标物相互匹配，该模板为匹配模板，当前的目标物为待打磨工件。
优选的，所述步骤A3中，获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差，包括以下步骤：
步骤A31：以提取亚像素点集的方式将待打磨工件的边缘从待打磨工件的图像信息中进行提取出来，得到目标边框；
步骤A32：按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点，根据第一识别点找出匹配模板上与第一识别点对应的第二识别点；
步骤A33：获取所有第一识别点和对应的第二识别点之间的距离，判断所有第一识别点和其对应的第二识别点之间的距离是否大于距离阈值，若满足，则获取满足距离阈值的第一识别点的数量，并判断数量是否满足第一数量阈值，若不满足，则对偏差进行修正。
根据本发明实施例的一种抛光打磨机械臂控制系统及方法的其他构成等以及操作对于本领域普通技术人员而言都是已知的，这里不再详细描述。
上述一种抛光打磨机械臂控制系统中的各模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备的存储器中，以便于处理器调用执行以上各模块对应的操作。
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，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，本申请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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。

Claims (9)

1.一种抛光打磨机械臂的控制系统，其特征在于：包括机械臂，所述机械臂上设有图像采集模块、模板制作模块、识别模块和执行模块；
所述图像采集模块用于采集目标物的图像信息，并提取图像的特征信息；
所述模板制作模块用于以参照物为对象制作全角度模板，提取每一模板的特征信息，并存储至识别模块，其中全角度模板包括360个模板，360个模板分别对应360个角度，即对应参照物的每一个角度采集一个模板；
所述识别模块用于将所述图像信息与全角度模板的特征信息进行匹配识别，以确定待打磨工件和匹配模板；
所述识别模块包括修正模块，所述修正模块用于获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差，并对偏差进行修正，得到修正后的打磨轨迹；
所述修正模块包括识别特征关联子模块和旋转平移子模块；
所述识别特征关联子模块用于按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点，根据第一识别点找出所述全角度模板上与所述第一识别点所对应的第二识别点；
获取所有第一识别点和与其对应第二识别点之间的距离，判断所有第一识别点与其对应第二识别点之间的距离是否大于距离阈值，若满足，则获取满足距离阈值第一识别点的数量，并判断数量是否满足第一数量阈值，若满足，则向所述旋转平移子模块发出修正指令；
所述旋转平移子模块用于接收所述修正指令，并将所述第一识别点与第二识别点代入至变化矩阵中，修正全角度模板的位姿，得到修正后的全角度模板；
所述识别模块与执行模块信号连接，当识别模块判断当前物体为待打磨工件时，执行模块根据修正后的打磨轨迹对工件进行打磨；
所述执行模块包括力控算法子模块，所述力控算法子模块用于在抛光打磨过程中对打磨机械臂的打磨力进行恒力柔顺控制，以修正打磨机械臂的末端位置，保持恒定的打磨力大小。
2.根据权利要求1所述的一种自动纠偏的抛光打磨机械臂控制系统，其特征在于：所述力控算法子模块包括微分跟踪器TD、比例微分控制器PD、状态观测器ESO及运算子模块，用于执行以下步骤：
步骤1：识别模块将测量的异常轮廓S1前馈到微分跟踪器TD，进行前后区间提前控制的平滑过渡,测量的异常轮廓S1与工件轮廓S进行比较，得到轮廓误差值S2，在微分跟踪器TD中通过调整参数，为比例微分控制器PD提供轮廓误差信号R1及对应的轮廓误差微分信号R2：
S2＝S-S1
R1(k+1)＝R1(k)+hR2(k)
R2(k+1)＝R2(k)+hfh(R1(k)-S2,R2(k),v0,q0)；
其中，异常轮廓S1为实际待打磨工件的表面可能存在的瑕疵，工件轮廓S对应为图像采集装置采集的待打磨工件的图像信息，V0为速度因子，q0为滤波因子；
步骤2：比例微分控制器PD根据微分跟踪器TD得出的轮廓误差信号R1和轮廓误差微分信号R2，与状态观测器ESO观测到的轮廓误差Z1和轮廓误差导数的误差Z2，得到控制量U0，气动恒力装置的总控制量U和实时的工件轮廓S0输入到状态观测器ESO，状态观测器ESO得到观测的气动恒力装置内外扰动的实际值，并在比例微分控制器PD输出信号U0中进行补偿，b为比例微分控制器PD的补偿量；状态观测器ESO观测到的系统总扰动Z3和比例微分控制器PD的输出信号U0进行补偿得到U，总控制量U对气动柔顺装置的数学模型进行提前控制，控制量关系式下式所示：
U0(t)＝Kp[R1-Z1]+Kd[R2-Z2]
Figure FDA0004008435370000031
3.根据权利要求1所述的一种抛光打磨机械臂控制系统，其特征在于：所述识别模块还用于执行以下步骤：在每一次打磨操作之后，所述识别模块均对所述待打磨工件进行再识别，提取再识别时的待打磨工件的轮廓特征点，将轮廓特征点与上一次提取的待打磨工件的实际特征点进行比较计算，获取计算的偏差，根据偏差判断待打磨工件是否发生位置偏移。
4.根据权利要求2所述的一种抛光打磨机械臂控制系统，其特征在于：所述识别模块包括特征提取子模块和特征匹配子模块；
所述特征提取子模块用于提取模板的特征信息，以及提取由所述图像采集模块采集的目标物的图像的特征信息；
所述特征匹配子模块用于设定阈值，根据模板的特征信息和目标物图像的特征信息，将当前目标物的特征与上述每个模板的特征进行特征匹配，并进行分数计算，当某一模板的分数达到阈值时，则该模板与目标物图像相互匹配。
5.一种自动纠偏的抛光打磨机械臂控制方法，应用于权利要求1-4任一所述一种抛光打磨机械臂控制系统，其特征在于，包括以下步骤：
步骤A0：以参照物为对象制作全角度模板，并提取每一模板的特征信息，所述全角度模板包括360个模板，每个模板对应一个角度；
步骤A1：采集目标物的图像信息，并提取图像的特征信息；
步骤A2：将采集到的图像信息与全角度模板的特征信息进行匹配识别，判断是否存在某一角度的模板的特征信息与所述图像信息相互匹配，若是，则当前物体为待打磨工件，对应该角度的模板为匹配模板；
步骤A3：获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差；
步骤A4：基于ICP算法对匹配模板的偏差进行修正，根据修正后得到的修正模板的特征点形成打磨轨迹；
步骤A5：根据修正后的打磨轨迹，基于力控算法对打磨力进行恒力控制，对待打磨工件进行恒力柔顺控制的抛光打磨。
6.根据权利要求5所述的一种自动纠偏的抛光打磨机械臂控制方法，其特征在于：所述步骤A5中基于力控算法对打磨力进行恒力控制，具体包括以下步骤：
步骤1：将测量的异常轮廓S1前馈到微分跟踪器TD，进行前后区间提前控制的平滑过渡,测量的异常轮廓S1与工件轮廓S进行比较，得到轮廓误差值S2，在微分跟踪器TD中通过调整参数，为比例微分控制器PD提供轮廓误差信号R1及对应的轮廓误差微分信号R2：
S2＝S-S1
R1(k+1)＝R1(k)+hR2(k)
R2(k+1)＝R2(k)+hfh(R1(k)-S2,R2(k),v0,q0)；
其中，异常轮廓S1为实际待打磨工件的表面可能存在的瑕疵，工件轮廓S对应为图像采集装置采集的待打磨工件的图像信息，V0为速度因子，q0为滤波因子；
步骤2：比例微分控制器PD根据微分跟踪器TD得出的轮廓误差信号R1和轮廓误差微分信号R2，与状态观测器ESO观测到的轮廓误差Z1和轮廓误差导数的误差Z2，得到控制量U0，气动恒力装置的总控制量U和实时的工件轮廓S0输入到状态观测器ESO，状态观测器ESO得到观测的气动恒力装置内外扰动的实际值，并在比例微分控制器PD输出信号U0中进行补偿，b为比例微分控制器PD的补偿量；状态观测器ESO观测到的系统总扰动Z3和比例微分控制器PD的输出信号U0进行补偿得到U，总控制量U对气动柔顺装置的数学模型进行提前控制，控制量关系式下式所示：
U0(t)＝Kp[R1-Z1]+Kd[R2-Z2]
Figure FDA0004008435370000051
7.根据权利要求5所述的一种自动纠偏的抛光打磨机械臂控制方法，其特征在于：所述步骤A5中还包括以下步骤：在每一次打磨操作之后，对所述待打磨工件进行再识别，提取再识别时的待打磨工件的轮廓特征点，将轮廓特征点与上一次提取的待打磨工件的实际特征点进行比较计算，获取计算的偏差，根据偏差判断待打磨工件是否发生位置偏移。
8.根据权利要求5所述的一种自动纠偏的抛光打磨机械臂控制方法，其特征在于：所述步骤A2中，将采集到的图像信息与全角度模板的特征信息进行匹配识别，包括以下步骤：设定阈值，根据模板的特征信息和目标物的图像的特征信息，将目标物的图像的特征与上述每个模板的特征进行特征匹配，并进行分数计算，当某一模板的分数达到阈值时，则该模板与当前的目标物相互匹配，该模板为匹配模板，当前的目标物为待打磨工件。
9.根据权利要求5所述的一种自动纠偏的抛光打磨机械臂控制方法，其特征在于：所述步骤A3中，获取匹配模板的特征点和待打磨工件的实际特征点，计算匹配模板的特征点与待打磨工件的实际特征点的偏差，包括以下步骤：
步骤A31：以提取亚像素点集的方式将待打磨工件的边缘从待打磨工件的图像信息中进行提取出来，得到目标边框；
步骤A32：按照比例将目标边框上的识别特征以及其余识别特征组合成第一识别点，根据第一识别点找出匹配模板上与第一识别点对应的第二识别点；
步骤A33：获取所有第一识别点和对应的第二识别点之间的距离，判断所有第一识别点和其对应的第二识别点之间的距离是否大于距离阈值，若满足，则获取满足距离阈值的第一识别点的数量，并判断数量是否满足第一数量阈值，若不满足，则对偏差进行修正。
CN202210669669.4A 2022-06-14 2022-06-14 一种抛光打磨机械臂控制系统及方法 Active CN114888692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210669669.4A CN114888692B (zh) 2022-06-14 2022-06-14 一种抛光打磨机械臂控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210669669.4A CN114888692B (zh) 2022-06-14 2022-06-14 一种抛光打磨机械臂控制系统及方法

Publications (2)

Publication Number Publication Date
CN114888692A CN114888692A (zh) 2022-08-12
CN114888692B true CN114888692B (zh) 2023-02-21

Family

ID=82728325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210669669.4A Active CN114888692B (zh) 2022-06-14 2022-06-14 一种抛光打磨机械臂控制系统及方法

Country Status (1)

Country Link
CN (1) CN114888692B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115870815B (zh) * 2022-12-28 2023-06-16 中山超精科技有限公司 镜片抛光检测方法及装置
CN116967846B (zh) * 2023-09-25 2023-12-12 深圳市磐锋精密技术有限公司 一种智能机器人视觉定位系统及方法
CN117253198B (zh) * 2023-11-20 2024-01-26 山东大学 一种智能制造动态管理方法及系统
CN117911732A (zh) * 2024-03-19 2024-04-19 中船黄埔文冲船舶有限公司 一种机器人打磨规则模板匹配方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07205014A (ja) * 1993-12-30 1995-08-08 Hitachi Constr Mach Co Ltd 研削ロボット
CN104972362B (zh) * 2014-04-14 2017-10-31 沈阳远大科技园有限公司 智能力控机器人磨削加工系统和方法
CN104778697B (zh) * 2015-04-13 2017-07-28 清华大学 基于快速定位图像尺度和区域的三维跟踪方法及系统
CN108972573A (zh) * 2018-06-12 2018-12-11 浙江大学 一种基于图像特征识别的工业机器人自动化轮毂打磨系统及方法
CN109955122A (zh) * 2019-04-23 2019-07-02 四川工程职业技术学院 基于机器视觉的全自动打磨系统及全自动打磨方法
CN111823062B (zh) * 2020-06-11 2022-02-11 巨轮（广州）机器人与智能制造有限公司 一种基于plc的自动打磨恒压控制方法及系统
CN114474088A (zh) * 2022-01-19 2022-05-13 佛山科学技术学院 基于前馈自抗扰的机器人打磨方法及系统

Also Published As

Publication number Publication date
CN114888692A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114888692B (zh) 一种抛光打磨机械臂控制系统及方法
CN107369161B (zh) 一种基于改进欧式聚类的散乱工件点云分割方法
CN115049861A (zh) 一种工业机器人的自动修正打磨方法及系统
CN111897349B (zh) 一种基于双目视觉的水下机器人自主避障方法
CN107798326A (zh) 一种轮廓视觉检测算法
CN113538486B (zh) 一种提高汽车钣金工件的识别与定位精度的方法
CN111062940B (zh) 一种基于机器视觉的螺钉定位与识别方法
CN110069041B (zh) 一种基于在机测量的工件加工方法及系统
US11392787B2 (en) Method for grasping texture-less metal parts based on bold image matching
CN113781561B (zh) 基于自适应高斯权快速点特征直方图的目标位姿估计方法
CN115147437B (zh) 机器人智能引导加工方法与系统
CN111311618A (zh) 一种基于高精度几何基元提取的圆弧工件匹配与定位方法
CN114792373A (zh) 一种工业机器人的视觉识别喷涂方法及系统
TW201516969A (zh) 視訊物件追蹤方法
CN114769021B (zh) 一种基于全角度模板识别的机器人喷涂系统及方法
CN105405122A (zh) 一种基于数据平稳性的圆检测方法
CN113421291A (zh) 利用点云配准技术和三维重建技术的工件位置找正方法
CN111402208A (zh) 一种基于增量式的焊缝表面缺陷特征提取与分类识别方法
CN108520533B (zh) 一种面向工件定位的多维度特征配准方法
CN113469195A (zh) 一种基于自适应颜色快速点特征直方图的目标识别方法
CN114986393B (zh) 一种自动纠偏的抛光打磨机械臂控制系统及方法
CN112233178B (zh) 基于机器视觉的复杂环境中动态物料测距方法
CN111444578B (zh) 一种基于弯曲工艺的变模量模型参数的自动标定方法
CN111091086B (zh) 一种利用机器视觉技术提高物流面单特征信息识别率的方法
CN113927606A (zh) 一种机器人3d视觉抓取方法、纠偏方法及系统

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