CN115646950A - H型钢结构清洗方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及激光清洗领域，尤其涉及一种H型钢结构清洗方法、装置、设备及存储介质，该方法包括：对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；对点云数据进行建模，得到待清洗H型钢结构的点云数据模型；根据点云数据模型确定待清洗H型钢结构表面的空间坐标；根据点云数据模型和待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；根据待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据待清洗H型钢结构的清洗路径完成清洗，从而获取H型钢结构的三维结构，并根据三维结构规划清洗路径，并根据清洗路径完成清洗。

Description

H型钢结构清洗方法、装置、设备及存储介质

技术领域

本发明涉及激光清洗领域，尤其涉及一种H型钢结构清洗方法、装置、设备及存储介质。

背景技术

H型钢结构是一种新型经济建筑用钢。H型钢结构截面形状经济合理，力学性能好，轧制时截面上各点延伸较均匀、内应力小，与普通工字钢比较，具有截面模数大、重量轻、节省金属的优点。因此，如何精确高效地对H型钢结构进行清洗成为当前亟待解决的技术问题，目前传统的方式主要采用超声波对H型钢进行清理过程中，H型钢表面的铁锈等固态杂物沉淀在储液槽内底部，为便于放置H型钢，储液槽的长度较长，故在清理沉淀在储液槽内底部的沉淀物时，需要沿着储液槽的长度方向逐步清理，清理效率低下，且人员来回走动，增加劳动强度。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种H型钢结构清洗方法、装置、设备及存储介质，旨在解决现有技术中难以实现高效率清洗H型钢结构的技术问题。

为实现上述目的，本发明提供一种H型钢结构清洗方法，所述H型钢结构清洗方法包括以下步骤：

对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；

对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型；

根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；

根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；

根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗。

可选地，所述对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据，包括：

分别获取待清洗H型钢结构的左目视图和右目视图；

分别对所述待清洗H型钢结构的左目视图和右目视图进行相同参数的卷积操作而得到左特征图和右特征图；

将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，根据所述视差特征图得到待清洗H型钢结构的点云数据。

可选地，所述将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，包括：

将所述序列图像进行3D卷积操作；

将进行所述3D卷积操作后的所述视差特征图扁平化为二维向量，将所述二维向量进行全连接操作，并将全连接后的所述二维向量重新排列得到一通道三维特征图像；

再次获取左目视图或所述右目视图，将所述所述获取的左目视图或所述右目视图进行3D卷积操作；

将所述一通道三维特征图像与进行所述3D卷积操作后的所述再次接收的所述左目视图或所述右目视图进行通道组合而得到组合图；

将进行所述3D卷积操作后的所述组合图进行反卷积操作，得到视差特征图。

可选地，所述对所述对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型，包括：

根据所述点云数据的粗粒度性质建立粗粒度模型，并根据所述点云数据的细粒度性质构建与所述粗粒度模型相对应的细粒度模型；

将所述粗粒度模型和细粒度模型结合成，得到所述点云数据模型。

可选地，所述对根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标，包括：

根据所述点云数据模型，在所述待清洗H型钢结构周边设置参考三维坐标系；

获取所述三维坐标系上的若干控制点的三维坐标系坐标点；

将所述三维坐标系上的若干控制点的三维坐标系坐标点作为参考结点，建立待清洗H型钢结构表面的待测点和所述三维坐标系上的若干控制点在所述三维坐标系下的空间位置拓扑关系；

根据所述空间位置拓扑关系，得到待清洗H型钢结构表面的待测点在所述参考三维坐标系下的空间坐标。

可选地，所述根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标，进行三角测量，得到待清洗H型钢结构的三维结构，包括：

根据待清洗H型钢结构的三维结构表面的空间坐标，通过双目视差提取出关键帧；

将所述关键帧分组通过运动恢复结构算法，从每组关键帧中抽取代表帧，并对代表帧进行运动结构恢复；

根据运动恢复结构结果标定每组关键帧，对每组关键帧进行优化，得到待清洗H型钢结构的三维结构。

可选地，所述根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标，进行三角测量，得到待清洗H型钢结构的三维结构，包括：

根据待清洗H型钢结构的三维结构表面的空间坐标，通过双目视差提取出关键帧；

将所述关键帧分组通过运动恢复结构算法，从每组关键帧中抽取代表帧，并对代表帧进行运动结构恢复；

根据运动恢复结构结果标定每组关键帧，对每组关键帧进行优化，得到待清洗H型钢结构的三维结构。

此外，为实现上述目的，本发明还提出一种H型钢结构清洗装置，所述H型钢结构清洗装置包括：

扫描模块，用于对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；

建模模块，用于对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型；

确定模块，用于根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；

三角测量模块，用于根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；

清洗模块，用于根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗。

此外，为实现上述目的，本发明还提出一种H型钢结构清洗设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的H型钢结构清洗程序，所述H型钢结构清洗程序配置为实现如上文所述的H型钢结构清洗方法。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有H型钢结构清洗程序，所述H型钢结构清洗程序被处理器执行时实现如上文所述的H型钢结构清洗方法。

本发明其公开了一种H型钢结构清洗方法、装置、设备及存储介质，该方法包括：对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型；根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗，从而根据待清洗H型钢结构确定待清洗H型钢结构的三维结构，并根据待清洗H型钢结构的三维结构确定待清洗H型钢结构的清洗路径，再根据待清洗H型钢结构的清洗路径通过激光器完成清洗。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的H型钢结构清洗设备结构示意图；

图2为本发明H型钢结构清洗方法第一实施例的流程示意图；

图3为本发明H型钢结构清洗方法第二实施例的流程示意图；

图4为本发明H型钢结构清洗方法第三实施例的流程示意图；

图5为本发明H型钢结构清洗装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的H型钢结构清洗设备结构示意图。

如图1所示，该H型钢结构清洗设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对H型钢结构清洗设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及H型钢结构清洗程序。

在图1所示的H型钢结构清洗设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述H型钢结构清洗设备通过处理器1001调用存储器1005中存储的H型钢结构清洗程序，并执行本发明实施例提供的H型钢结构清洗方法。

基于上述硬件结构，提出本发明H型钢结构清洗方法的实施例。

参照图2，图2为本发明H型钢结构清洗方法第一实施例的流程示意图，提出本发明H型钢结构清洗方法第一实施例。

在第一实施例中，所述H型钢结构清洗方法包括以下步骤：

步骤S10：对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据。

应该理解的是，本实施例的执行主体是为H型钢结构清洗设备，该H型钢结构清洗设备具有数据处理、数据通信及程序运行等功能。

在具体实现中，双目摄像头装配在双目摄像头分别获取待清洗H型钢结构的左目视图和右目视图发送至H型钢结构清洗设备；分别对所述待清洗H型钢结构的左目视图和右目视图进行相同参数的卷积操作而得到左特征图和右特征图；将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，根据所述视差特征图得到待清洗H型钢结构的点云数据，从而通过获取H型钢结构的左目视图和右目视图，并根据左目视图和右目视图得到待清洗H型钢结构的点云数据。

需要说明的是，将左目视图进行卷积操作得到左特征图和将右目视图进行卷积操作得到右特征图，可以理解为将接收到的左目视图和右目视图输入两个孪生分支中，孪生分支意味着对左目视图和右目视图使用完全相同的特征提取方法，孪生分支内对左目视图和右目视图使用的操作参数必须完全相同，并且在网络训练时两分支权重严格共享，即将左目视图和右目视图分别输入该孪生分支后在网络训练中最终学习出的卷积完全相同。

步骤S20：对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型。

在具体实施中，根据所述点云数据的粗粒度性质建立粗粒度模型，并根据所述点云数据的细粒度性质构建与所述粗粒度模型相对应的细粒度模型；将所述粗粒度模型和细粒度模型结合成，得到所述点云数据模型。

应理解的是，粗粒度数据，由于点云数量较少、建立模型、解析模型时间快，可实现快速实时成像，细粒度数据，由于点云数量较大可实现精细化建模，其中，粗粒度数据和相对应的细粒度数据可以是采集模块采集时即分离，也可以是服务器进行处理后分离，得到点云数据模型。

步骤S30：根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标。

在具体实施中，根据所述点云数据模型，在所述待清洗H型钢结构周边设置参考三维坐标系；获取所述三维坐标系上的若干控制点的三维坐标系坐标点；将所述三维坐标系上的若干控制点的三维坐标系坐标点作为参考结点，建立待清洗H型钢结构表面的待测点和所述三维坐标系上的若干控制点在所述三维坐标系下的空间位置拓扑关系；根据所述空间位置拓扑关系，得到待清洗H型钢结构表面的待测点在所述参考三维坐标系下的空间坐标，从而根据清洗H型钢结构周边设置参考三维坐标系，并根据空间位置拓扑关系，得到在坐标系上的空间坐标。

应当理解的是，将待测点在三维坐标系所处的平面上的投影点记为投影点投影点Mp的物理空间坐标为(xp，yp，zp)。设待测点到XOY平面、YOZ平面、ZOX平面的欧式距离分别为第一欧式距离值L1、第二欧式距离值L2、第三欧式距离值L3；第一欧式距离值L1、第二欧式距离值L2、第三欧式距离值L3、垂直距离h通过直接计算得到。又由于物理空间坐标与三维坐标系的转换属于等距变换，因此距离值属于全系不变量，第一欧式距离值L1、第二欧式距离值L2、第三欧式距离值L3垂直距离h在扫描仪坐标系下相对位置关系保持不变，利用该性质能够解出待测点在坐标系上的空间坐标。

步骤S40：根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构。

在具体实施中，根据待清洗H型钢结构的三维结构表面的空间坐标，通过双目视差提取出关键帧；将所述关键帧分组通过运动恢复结构算法，从每组关键帧中抽取代表帧，并对代表帧进行运动结构恢复；根据运动恢复结构结果标定每组关键帧，对每组关键帧进行优化，得到待清洗H型钢结构的三维结构，通过云数据模型和所述待清洗H型钢结构表面的空间坐标反变化得到三维结构。

需要理解的是，将所述关键帧按照序列顺序，将相邻帧划分到同一组；按顺序选择每组关键帧中相同位置的关键帧划分为一组。检测组内每张图像的特征点，对组内所有图像进行特征点匹配，得到二维图像特征点结构信息；根据标定的相机参数和图像特征点匹配三角化得到初始场景三维点结构化信息，初始化相机三维位置，通过多视角几何过滤异常三维数据点；采用运动恢复结构优化过滤后的待清洗H型钢结构场景三维结构。

步骤S50：根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗。

应理解的是，LC内部工作方式一般是采用循环扫描工作方式，在一些大、中型的PLC中增加了中断工作方式。当用户将用户程序调试完成后，通过编程器将其程序写入PLC存储器中，同时将现场的输入信号和被控制的执行元件相应的连接在输入模块的输入端和输出模块的输出端，接着将PLC工作方式选择为运行工作方式，后面的工作就由PLC根据用户程序去完成，概述图是PLC执行过程框图。PLC在工作过程中，主要完成六个模块的处理。

在具体实施中，根据所述待清洗H型钢结构的三维结构，通过人工智能和机器人结合的方法，规划待清洗H型钢结构的清洗路径；通过PLC控制策略对所述清洗路径进行修正，并根据修正后的所述待清洗H型钢结构的清洗路径，通过激光器清洗待清洗H型钢结构。

应当理解的是，由于通过上述方法得到了精确的清洗路径，这里的采用的激光机是将传统的200mm的线宽激光器提升至了6000W激光头300mm线宽的激光头，极大地提高了清洗的效率问题。

在本实施例中，对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型；根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗，从而根据待清洗H型钢结构确定待清洗H型钢结构的三维结构，并根据待清洗H型钢结构的三维结构确定待清洗H型钢结构的清洗路径，再根据待清洗H型钢结构的清洗路径通过激光器完成清洗。

参照图3，图3为本发明H型钢结构清洗方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明H型钢结构清洗方法的第二实施例。

在第二实施例中，所述步骤S10，包括：

步骤S101：分别获取待清洗H型钢结构的左目视图和右目视图。

需要说明的是，这里获取左目视图和右目视图使用的是双目摄像头，该双目摄像头安装在机械手臂上，可以随着机械臂的运动全方位地扫描H型钢结果，并且分别得到左右两个不同的视图。

步骤S102：分别对所述待清洗H型钢结构的左目视图和右目视图进行相同参数的卷积操作而得到左特征图和右特征图。

需要说明的是，卷积操作步长范围为步长大于4，且不包含最大化池化操作，这里不设置最大化池化操作是为了放置特征位置漂移，从而使得下一部分的操作步骤能够学习到有效的视差信息，另外将卷积操作步长范围设置大，利用卷积步长大于二的卷积操作步骤逐步降低接收到的左目视图和右目视图的分辨率，以减小后续操作步骤的训练数据集大小，加快网络训练过程的计算速度。

步骤S103：将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，根据所述视差特征图得到待清洗H型钢结构的点云数据。

在具体实施中，将所述序列图像进行3D卷积操作；将进行所述3D卷积操作后的所述视差特征图扁平化为二维向量，将所述二维向量进行全连接操作，并将全连接后的所述二维向量重新排列得到一通道三维特征图像；再次获取左目视图或所述右目视图，将所述所述获取的左目视图或所述右目视图进行3D卷积操作；将所述一通道三维特征图像与进行所述3D卷积操作后的所述再次接收的所述左目视图或所述右目视图进行通道组合而得到组合图；将进行所述3D卷积操作后的所述组合图进行反卷积操作，得到视差特征图。

需要理解的是，通过3D卷积的操作学习左目视图和右目视图视差信息。其中，将左特征图和右特征图进行组合而得到两帧的序列图像，该操作的具体做法是：将左特征图和右特征图在帧数维度上组合，即增加一维帧数维度，使左特征图和右特征图构成一个两帧的序列图像，上述3D卷积操作的次数大于等于一次，并且包含最大化池化操作，该步骤的目的在于通过多次3D卷积操作继续提取视差特征图中与视差信息有关的特征，包含最大化池化操作可以降低视差特征图的分辨率，使得后续操作步骤的训练数据集大小进一步减小，加快网络训练过程的计算速度。将视差特征图进行多次3D卷积操作后得到3D卷积操作后的视差特征图，3D卷积操作后的视差特征图处的分辨率降至整个网络最低。

在本实施例中，分别获取待清洗H型钢结构的左目视图和右目视图；分别对所述待清洗H型钢结构的左目视图和右目视图进行相同参数的卷积操作而得到左特征图和右特征图；将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，根据所述视差特征图得到待清洗H型钢结构的点云数据；对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型；根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗，从而通过双目摄像头对对待清洗H型钢结构进行三维扫描得到相同参数的卷积操作而得到左特征图和右特征图，并进行处理，得到目标点云数据。

参照图4，图4为本发明H型钢结构清洗方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明H型钢结构清洗方法的第三实施例。

在第三实施例中，所述步骤S20，包括：

步骤S201：根据所述点云数据的粗粒度性质建立粗粒度模型，并根据所述点云数据的细粒度性质构建与所述粗粒度模型相对应的细粒度模型。

在具体实施中，利用粗粒度数据构建粗粒度模型，利用所述细粒度数据构建与所述粗粒度模型相对应的细粒度模型，利用所述粗粒度数据构建粗粒度模型，利用所述细粒度数据构建与所述粗粒度模型相对应的细粒度模型。通过并行的不同任务分别对粗粒度数据、细粒度数据进行建模，相比串行建模，能够缩短建模所需的时间。

步骤S202：将所述粗粒度模型和细粒度模型结合成，得到所述点云数据模型。

需要说明的是，通过利用点云数据中的粗粒度数据和相对应的细粒度数据分别构建粗粒度模型和细粒度模型，由于粗粒度模型数据量小，构建、解析速度较快，因而先在生成粗粒度模型后向终端发送粗粒度模型信息，使所述终端展示粗粒度图像生成细粒度模型，并将得到的粗粒度模型和细粒度模型相结合得到点云数据模型。

在本实施例中，对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；根据所述点云数据的粗粒度性质建立粗粒度模型，并根据所述点云数据的细粒度性质构建与所述粗粒度模型相对应的细粒度模型；将所述粗粒度模型和细粒度模型结合成，得到所述点云数据模型；根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗，从而通过细粒度模型和粗粒度模型相结合的方式得到点云数据模型，并通过点云数据模型来得到三维结构，并进行清洗路径规划。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有H型钢结构清洗程序，所述H型钢结构清洗程序被处理器执行时实现如上文所述的H型钢结构清洗方法的步骤。

由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。

参照图5，图5为本发明H型钢结构清洗装置第一实施例的功能模块示意图。

本发明H型钢结构清洗装置第一实施例中，该H型钢结构清洗装置包括：

扫描模块10，用于对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；

建模模块20，用于对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型。

确定模块30，用于根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标。

三角测量模块40，用于根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构。

清洗模块50，用于根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗。

在本实施例中，对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型；根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗，从而根据待清洗H型钢结构确定待清洗H型钢结构的三维结构，并根据待清洗H型钢结构的三维结构确定待清洗H型钢结构的清洗路径，再根据待清洗H型钢结构的清洗路径通过激光器完成清洗。

在一实施例中，所述扫描模块10，还用于对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据，包括：

分别获取待清洗H型钢结构的左目视图和右目视图；

分别对所述待清洗H型钢结构的左目视图和右目视图进行相同参数的卷积操作而得到左特征图和右特征图；

将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，根据所述视差特征图得到待清洗H型钢结构的点云数据。

在一实施例中，所述扫描模块10，还用于将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，包括：

将所述序列图像进行3D卷积操作；

将进行所述3D卷积操作后的所述视差特征图扁平化为二维向量，将所述二维向量进行全连接操作，并将全连接后的所述二维向量重新排列得到一通道三维特征图像；

再次获取左目视图或所述右目视图，将所述所述获取的左目视图或所述右目视图进行3D卷积操作；

将所述一通道三维特征图像与进行所述3D卷积操作后的所述再次接收的所述左目视图或所述右目视图进行通道组合而得到组合图；

将进行所述3D卷积操作后的所述组合图进行反卷积操作，得到视差特征图。

在一实施例中，所述建模模块20，还用于对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型，包括：

根据所述点云数据的粗粒度性质建立粗粒度模型，并根据所述点云数据的细粒度性质构建与所述粗粒度模型相对应的细粒度模型；

将所述粗粒度模型和细粒度模型结合成，得到所述点云数据模型。

在一实施例中，所述确定模块30，还用于对根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标，包括：

根据所述点云数据模型，在所述待清洗H型钢结构周边设置参考三维坐标系；

获取所述三维坐标系上的若干控制点的三维坐标系坐标点；

将所述三维坐标系上的若干控制点的三维坐标系坐标点作为参考结点，建立待清洗H型钢结构表面的待测点和所述三维坐标系上的若干控制点在所述三维坐标系下的空间位置拓扑关系；

根据所述空间位置拓扑关系，得到待清洗H型钢结构表面的待测点在所述参考三维坐标系下的空间坐标。

在一实施例中，所述三角测量模块40，还用于根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标，进行三角测量，得到待清洗H型钢结构的三维结构，包括：

根据待清洗H型钢结构的三维结构表面的空间坐标，通过双目视差提取出关键帧；

将所述关键帧分组通过运动恢复结构算法，从每组关键帧中抽取代表帧，并对代表帧进行运动结构恢复；

根据运动恢复结构结果标定每组关键帧，对每组关键帧进行优化，得到待清洗H型钢结构的三维结构。

在一实施例中，所述清洗模块50，还用于根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗，包括：

根据所述待清洗H型钢结构的三维结构，通过人工智能和机器人结合的方法，规划待清洗H型钢结构的清洗路径；

通过PLC控制策略对所述清洗路径进行修正，并根据修正后的所述待清洗H型钢结构的清洗路径，通过激光器清洗待清洗H型钢结构。

本发明所述H型钢结构清洗装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种H型钢结构清洗方法，其特征在于，所述方法包括以下步骤：

对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；

对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型；

根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；

根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；

根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗。

2.如权利要求1所述的方法，其特征在于，所述对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据，包括：

分别获取待清洗H型钢结构的左目视图和右目视图；

分别对所述待清洗H型钢结构的左目视图和右目视图进行相同参数的卷积操作而得到左特征图和右特征图；

将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，根据所述视差特征图得到待清洗H型钢结构的点云数据。

3.如权利要求2所述的方法，其特征在于，所述将所述左特征图和所述右特征图进行组合得到两帧的序列图像，并将所述序列图像进行3D卷积操作，得到视差特征图，包括：

将所述序列图像进行3D卷积操作；

将进行所述3D卷积操作后的所述视差特征图扁平化为二维向量，将所述二维向量进行全连接操作，并将全连接后的所述二维向量重新排列得到一通道三维特征图像；

再次获取左目视图或所述右目视图，将所述所述获取的左目视图或所述右目视图进行3D卷积操作；

将所述一通道三维特征图像与进行所述3D卷积操作后的所述再次接收的所述左目视图或所述右目视图进行通道组合而得到组合图；

将进行所述3D卷积操作后的所述组合图进行反卷积操作，得到视差特征图。

4.如权利要求1所述的方法，其特征在于，所述对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型，包括：

根据所述点云数据的粗粒度性质建立粗粒度模型，并根据所述点云数据的细粒度性质构建与所述粗粒度模型相对应的细粒度模型；

将所述粗粒度模型和细粒度模型结合成，得到所述点云数据模型。

5.如权利要求1所述的方法，其特征在于，所述对根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标，包括：

根据所述点云数据模型，在所述待清洗H型钢结构周边设置参考三维坐标系；

获取所述三维坐标系上的若干控制点的三维坐标系坐标点；

将所述三维坐标系上的若干控制点的三维坐标系坐标点作为参考结点，建立待清洗H型钢结构表面的待测点和所述三维坐标系上的若干控制点在所述三维坐标系下的空间位置拓扑关系；

根据所述空间位置拓扑关系，得到待清洗H型钢结构表面的待测点在所述参考三维坐标系下的空间坐标。

6.如权利要求1所述的方法，其特征在于，所述根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标，进行三角测量，得到待清洗H型钢结构的三维结构，包括：

根据待清洗H型钢结构的三维结构表面的空间坐标，通过双目视差提取出关键帧；

将所述关键帧分组通过运动恢复结构算法，从每组关键帧中抽取代表帧，并对代表帧进行运动结构恢复；

根据运动恢复结构结果标定每组关键帧，对每组关键帧进行优化，得到待清洗H型钢结构的三维结构。

7.如权利要求1所述的方法，其特征在于，所述根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗，包括：

根据所述待清洗H型钢结构的三维结构，通过人工智能和机器人结合的方法，规划待清洗H型钢结构的清洗路径；

通过PLC控制策略对所述清洗路径进行修正，并根据修正后的所述待清洗H型钢结构的清洗路径，通过激光器清洗待清洗H型钢结构。

8.一种H型钢结构清洗装置，其特征在于，所述H型钢结构清洗装置包括：

扫描模块，用于对待清洗H型钢结构通过双目摄像头进行三维扫描，得到扫描后的点云数据；

建模模块，用于对所述点云数据进行建模，得到所述待清洗H型钢结构的点云数据模型；

确定模块，用于根据所述点云数据模型确定所述待清洗H型钢结构表面的空间坐标；

三角测量模块，用于根据所述点云数据模型和所述待清洗H型钢结构表面的空间坐标进行三角测量，得到待清洗H型钢结构的三维结构；

清洗模块，用于根据所述待清洗H型钢结构的三维结构，通过PLC控制策略，规划待清洗H型钢结构的清洗路径并根据所述待清洗H型钢结构的清洗路径完成清洗。

9.一种H型钢结构清洗设备，其特征在于，所述H型钢结构清洗设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的H型钢结构清洗程序，所述H型钢结构清洗程序被所述处理器执行时实现如权利要求1至7中任一项所述的H型钢结构清洗方法。

10.一种存储介质，其特征在于，所述存储介质上存储有H型钢结构清洗程序，所述H型钢结构清洗程序被处理器执行时实现如权利要求1至7中任一项所述的H型钢结构清洗方法。

Images