CN116038728A - 一种敞车侧墙、端墙截换检修的切割设备及切割方法 - Google Patents

Abstract

本发明涉及铁路敞车车体检修技术领域，具体涉及了一种敞车侧墙、端墙截换检修的切割设备。包括有机器人、控制系统，所示机器人上设有切割执行机构和激光扫描装置；激光扫描装置用于对敞车侧墙的进行激光扫描，获取敞车侧墙点云数据生成点云图像，发送给控制系统，所述点云数据包括各个像素点的坐标信息、深度信息以及扫描时机器人的位姿数据；控制系统包括识别模块；识别模块，用于识别点云图像，根据点云信息对点云图像进行处理后点云重建三维模型，识别焊缝位置，并生成切割路径；指令发送模块，用于根据切割路线和切割路径上的点云数据生成切割指令，将切割指令发送给切割执行机构；切割执行机构，用于按照切割指令对敞车侧墙进行切割。

Description

一种敞车侧墙、端墙截换检修的切割设备及切割方法

技术领域

本发明涉及铁路敞车车体检修技术领域，具体涉及了一种敞车侧墙、端墙截换检修的切割设备及切割方法。

背景技术

在我国的交通运输行业中，铁路运输由于其载货量大、运费低廉等优势，在交通运输中占据了很大的比重。敞车是铁路货车的车种之一，车体为全钢焊接结构，由底架、侧墙、端墙、车门等部件组成，该车型主要用途为运煤或道渣等不畏风雨的散装物品。由于敞车运输货物所造成的车体腐蚀以及长久使用带来的车体磨损、氧化、腐蚀等问题，都会给敞车造成严重的风险隐患，需要对车体侧墙进行钢板切割替换。

目前对于铁路货车检修普遍采用火焰切割的方式，但是在对敞车车体进行检修时，对需挖补或截换的区域采用传统的人工火焰切割的模式，会存在人工切割结果难以保证、焊缝定位精度低的问题，同时传统火焰切割存在效率低、劳动强度大、动能消耗大、质量差的问题。目前虽然有工业机器人对焊缝位置进行定位切割的方式，但是由于采集图像的工业相机安装在机器人手臂上，工业相机扫描的点云图像与机器人的位姿直接相关，在扫描过程中，机器人的位姿变化带来的误差，对点云配准最终的精度会带来一定的影响，使最终的切割结果具有一定的误差。

发明内容

本发明意在提供一种敞车侧墙、端墙截换检修的切割设备及切割方法，以替代传统人工切割方式，并保证切割精度。

本发明提供的基础方案：一种敞车侧墙、端墙截换检修的切割设备，包括有机器人、控制系统，所述机器人上设有切割执行机构和激光扫描装置；

激光扫描装置用于对敞车侧墙进行激光扫描，获取敞车侧墙点云数据生成点云图像并发送给控制系统，所述点云数据包括各个像素点的坐标信息、深度信息以及扫描时机器人的位姿数据；

控制系统包括识别模块；

识别模块，用于识别点云图像，根据点云信息对点云图像进行处理后点云重建三维模型，识别焊缝位置，并生成切割路径；

指令发送模块，用于根据切割路线和切割路径上的点云数据生成切割指令，将切割指令发送给切割执行机构；

切割执行机构，用于按照切割指令对敞车侧墙进行切割。

本发明的原理在于：在对敞车侧壁进行切割时，通过激光扫描装置获取到敞车侧墙点云数据，点云数据包含有各个像素点的坐标信息、深度信息以及扫描采集时机器人的位姿数据。将扫描到的点云数据发送给控制系统，控制系统接收到点云数据后，对点云图像进行处理后重建三维模型，从而识别出焊缝位置，根据识别出的焊缝位置生成切割路径，控制切割执行机构按照所生成的切割路径对敞车侧墙进行切割。

相比于现有技术，采用机器人切割的方式，提高切割的效率，切割的精度更高，切割效果更好。同时通过对点云数据进行采集后对扫描的点云数据进行二次处理，提高点云重建的精度，降低定位过程的积累误差，提高机器识别的精度。

进一步，所述识别模块包括边缘提取模块以及数据处理模块；

边缘提取模块，用于将激光扫描装置采集到的点云图像标记为图像A，根据图像A的深度信息进行边缘提取，获取到疑似焊缝位置，并提取疑似焊缝位置与附近的像素点制作掩码，生成掩码图像；

数据处理模块，用于将图像A与掩码图像的反码进行与运算并进行降采样，得到图像B，将图像A与掩码图像进行与运算，得到图像C，将图像C与图像B进行或运算得到图像D，将图像D作为建模图像。

对图像A进行边缘提取，以图像A的深度信息为特征，提取到疑似焊缝位置，确定出焊缝的粗略位置。对疑似焊缝位置的像素点综合利用，提取疑似焊缝位置附近的像素点制作掩码图像，将图像A与掩码图像的反码进行与运算，得到非边缘区域，此区域不包含焊缝信息，对非边缘区域进行降采样降低点云数据，得到图像B。将图像A与掩码图像进行与运算，得到图像C，图像C包含所有疑似焊缝位置的像素点，将图像C与图像B进行或运算，相比于图像A，图像D在保留焊缝位置点云信息的基础上降低了点云数据量与后期进行点云重建的计算量，提高了点云重建的速度。

进一步，所述识别模块还包括图像分组模块、分组建模模块、回环检测模块、融合建模模块以及矫正模块；

图像分组模块，用于识别建模图像中的图像特征，根据图像特征将建模图像分为三类，所述图像特征包括含有斜撑的图像、含有立柱的图像以及不含斜撑和立柱的图像，并分别对各类建模图像根据位姿数据进行分组，使每组建模图像的图像特征和位姿数据相同；

分组建模模块，根据每组中每帧建模图像以及对应的位姿数据，建立每组融合重建的稠密点云模型；

回环检测模块，用于将一组中的每帧建模图像与重建后的稠密点云模型的深度信息进行比对，判断各帧建模图像与稠密点云模型之间的深度信息差是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对组内各帧建模图像的深度信息与位姿数据进行修正；

融合建模模块，根据各组的图像特征与重建的稠密点云模型，进行融合重建，得到整体稠密点云模型；

所述回环检测模块，还用于将各组的稠密点云模型与整体稠密点云模型的深度信息进行比对，判断深度信息是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对各组重建点云与位置数据进行修正；

矫正模块，根据回环检测结果，建立最终的车体侧墙稠密点云模型和矫正机器人基准位置位姿数据。

通过提取到到建模图像中的图像特征，将建模图像分类为含有斜撑的图像、含有立柱的图像以及不含有立柱和斜撑图像三类，再分别对三类图像根据位姿数据进行分组，从而使得每组图像中的图像特征与位姿数据相似，减少计算量。在通过回环检测的方式降低累积误差，回环检测时通过检测当前位置与历史数据的相似性以此来矫正相机位姿，本发明中，采用每帧图像当前位置与建立后的稠密点云的位置的相似性以此矫正位姿，降低扫描过程中机器人手眼系统移动过程带来的相机位姿累积误差，根据分组后每帧图像的图像特征与位姿的相似性，对一组的图像坐标转化与融合重建。在每组中根据稠密几何一致性与光度一致性，对一组中的每帧图像与重建后的稠密点云进行位置信息的对比，以每帧图像各数据点与重建后稠密点云位置之间的差距作为反馈，对每帧图像的深度图进行优化细节修正，不断迭代，直至最后重建后稠密点云与每帧图片的位置差距在一定阈值之内。之后，利用各组之间词袋模型的相似度，对每组建立的稠密点云进行融合，重复之前步骤，最后建立最终的车体侧墙稠密点云和矫正机器人基准位置位姿数据。

进一步，所述识别模块还包括深度分组模块、平面拟合模块以及焊缝确定模块；

深度分组模块，用于根据深度信息对车体侧墙稠密点云模型的点云数据进行分组，将深度信息相同的点云数据分为一组，将相邻且深度信息变化大于预设阈值的点云数据分为一组；

平面拟合模块，用于对分组后的点云数据进行平面拟合，拟合后的平面包括钢板平面，斜撑立面平面、斜撑翼面平面、斜撑翼面焊缝平面、侧墙立柱平面、侧墙立柱翼面焊缝平面以及侧墙立柱翼面平面；

焊缝确定模块，用于根据各平面的交线，确定焊缝的坐标信息。

在重建后的车体侧墙稠密点云模型中，首选需要确定焊缝位置的像素坐标。根据建立的车体侧墙稠密点云模型，将深度相同的点云数据分为一类，深度信息变化明显的点云数据分为一类，对分组后的点云数据进行平面拟合，将拟合后的平面分为钢板平面，斜撑立面平面，斜撑翼面平面，斜撑翼面焊缝平面，侧墙立柱平面，侧墙立柱翼面焊缝平面，侧墙立柱翼面平面六种平面。根据各个平面的交线，确定最终的焊缝位置。侧墙上的焊缝主要存在于斜撑附近与立柱附近，其焊缝边缘位置的像素存在一定程度的高度差，在点云图像中，可以得到各个像素的三维位置信息，对焊缝附近的三维数据进行平面拟合，得到两平面交线即使焊缝位置，并根据图像的深度信息确定切割时的高度，规划最终的切割路径。

进一步，所述识别模块还包括路径规划模块，位姿确定模块；

路径规划模块，用于根据焊缝的坐标信息和车体侧墙稠密点云模型，确定焊缝位置上每个像素点的深度信息；

位姿确定模块，用于根据矫正机器人基准位置位姿数据，确定机器人在每个焊缝位置时的位姿数据。

确定切割路径后，根据切割路径上各个像素点的深度信息，确定切割时的深度，根据矫正的机器人基准位置数据，确定机器人在每个焊缝位置切割时的位姿，从而实现对敞车侧墙的精准切割。

本发明还公开了一种敞车侧墙、端墙截换检修的切割方法，该方法使用了上述的一种敞车侧墙、端墙截换检修的切割设备，该方法包括以下步骤：

数据获取步骤：通过激光扫描装置对敞车侧墙进行激光扫描获取点云数据，生成点云图像，所述点云数据包括各个像素点的坐标信息、深度信息以及扫描时机器人的位姿数据；

识别步骤：识别点云图像，根据点云信息对点云图像进行处理后点云重建三维模型，识别焊缝位置，并生成切割路径；

切割执行步骤：向切割执行机构发送指令，使切割执行机构按照切割路径对敞车侧墙进行切割。

进一步，边缘提取步骤：将激光扫描装置采集到的点云图像标记为图像A，根据图像A的深度信息进行边缘提取，获取到疑似焊缝位置，并提取疑似焊缝位置与附近的像素点制作掩码，生成掩码图像；

数据处理步骤：将图像A与掩码图像的反码进行与运算并进行降采样，得到图像B，将图像A与掩码图像进行与运算，得到图像C，将图像C与图像B进行或运算得到图像D，将图像D作为建模图像。

进一步，所述识别步骤还包括以下步骤：

图像分组步骤：识别建模图像中的图像特征，根据图像特征将建模图像分为三类，所述图像特征包括含有斜撑的图像、含有立柱的图像以及不含斜撑和立柱的图像，并分别对各类建模图像根据位姿数据进行分组，使每组建模图像的图像特征和位姿数据相同；

分组建模步骤：根据每组中每帧建模图像以及对应的位姿数据，建立每组融合重建的稠密点云模型；

分组回环检测步骤：将一组中的每帧建模图像与重建后的稠密点云模型的深度信息进行比对，判断各帧建模图像与稠密点云模型之间的深度信息差是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对组内各帧建模图像的深度信息与位姿数据进行修正；

融合建模步骤，根据各组的图像特征与重建的稠密点云模型，进行融合重建，得到整体稠密点云模型；

整体回环检测步骤：将各组的稠密点云模型与整体稠密点云模型的深度信息进行比对，判断深度信息是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对各组重建点云与位置数据进行修正；

矫正步骤，根据回环检测结果，建立最终的车体侧墙稠密点云模型和矫正机器人基准位置位姿数据。

进一步，所述识别步骤还包括以下步骤：

深度分组步骤：根据深度信息对整体稠密点云模型的点云数据进行分组，将深度信息相同的点云数据分为一组，将相邻且深度信息变化大于预设阈值的点云数据分为一组；

平面拟合步骤：对分组后的点云数据进行平面拟合，拟合后的平面包括钢板平面，斜撑立面平面、斜撑翼面平面、斜撑翼面焊缝平面、侧墙立柱平面、侧墙立柱翼面焊缝平面以及侧墙立柱翼面平面；

焊缝确定步骤：根据各平面的交线，确定焊缝的坐标信息。

进一步，所述识别步骤还包括以下步骤：

路径规划步骤，根据焊缝的坐标信息和车体侧墙稠密点云模型，确定焊缝位置上每个像素点的深度信息；

位姿确定步骤，根据矫正机器人基准位置位姿数据，确定机器人在每个焊缝位置时的位姿数据。

附图说明

图1为本发明一种敞车侧墙、端墙截换检修的切割设备实施例的结构示意图；

图2为本发明一种敞车侧墙、端墙截换检修的切割设备实施例的逻辑框图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例基本如附图1和附图2所示：

一种敞车侧墙截换检修的切割设备，包括机器人和控制系统，机器人上设有切割执行结构和激光扫描装置。具体的，本实施例中机器人为六节关机器人1，搭载在AGV车载平台5上，激光扫描装置2为精度为0.1mm的工业激光相机，切割执行机构包括等离子切割锯3，工业激光相机和等离子切割锯3均设置在机器人臂上。AGV车载平台5上还设有控制柜4，控制柜4具体为PLC可编程逻辑控制器，控制系统搭建在控制柜4中。

激光扫描装置用于对敞车侧墙进行激光扫描，获取敞车侧墙点云数据生成点云图像，发送给控制系统。点云数据具体包括为各个像素点的坐标信息、深度信息以及扫描时机器人的位姿数据。坐标信息指各个像素点在全局坐标系中的坐标位置，深度信息指各个像素点相较于同一平面的深度，位姿数据指机器人扫描时的姿态、角度等位姿。在激光扫描时，首先在敞车侧墙中心放置二维码，提供扫描时的中心点，确定三维模型的全局坐标的基准位置。扫描前，对车体进行防锈和涂漆等防反光处理，并且在扫描时，在不同光照强度下进行扫描，本实施例中选取30％、50％以及80％的光照强度，在此三种光照强度下进行激光扫描，在最大程度上减少光照、锈迹、反光等外部因素对激光扫描成像效果的影响。

控制系统包括有识别模块，用于识别点云图像，根据点云信息对点云图像进行处理后点云重建三维模型，识别焊缝位置，并生成切割路径。

具体的，识别模块包括边缘提取模块、数据处理模块、图像分组模块、分组建模模块、回环检测模块、融合建模模块、矫正模块、深度分组模块、矫正模块、平面拟合模块以及焊缝确定模块。

边缘提取模块，用于将激光扫描装置采集到的点云图像标记为图像A，根据图像A的深度信息进行边缘提取，获取到疑似焊缝位置，并提取疑似焊缝位置与附近的像素点制作掩码生成掩码图像。

具体的，首先通过使用合适的边缘提取算子，计算深度信息的梯度，将图像A的深度信息视为二维曲面，提取出深度突变部分，即相邻像素点深度信息差超过某一阈值时，认为是深度突变部分，将深度突变部分作为疑似焊缝位置，之后提取疑似焊缝位置及附近的像素点制作掩码图像。图像的掩码操作是指通过掩码核算子重新计算图像中各个像素的值，掩码核子刻画领域像素点对新像素值的影响程度，同时根据掩码算子中权重因子对原像素点进行加权平均。本实施例中，通过基于像素领域遍历的方式制作掩码图像，基于图像的领域遍历，通过对源数据矩阵进行操作，以当前像素点位计算中心目标点，逐像素移动掩码核算子模板，对原图像数据进行遍历，进而更新新图像对应的每个像素点值。

数据处理模块用于将图像A与掩码图像的反码进行与运算并进行降采样，得到图像B，将图像A与掩码图像进行与运算得到图像C，将图像C与图像B进行或运算得到图像D，将图像D作为建模图像。与运算的运算逻辑为有0为0，全1为1，或运算的运算逻辑有有1为1全0为0。因此图像B为非边缘区域，对图像B进行降采样，降低非边缘区域的点云数据量。图像C为包含所有疑似焊缝位置的像素点，对所有疑似焊缝位置的像素点进行保留。将图像B与图像C进行或运算，得到图像D，图像D相较于图像A，在保留焊缝位置点云数据的基础上，降低了点云数据量与后期点云重建的计算量，提高点云重建速度。

图像分组模块，用于识别建模图像中的图像特征，根据图像特征将建模图像分为三类，图像特征包括含有斜撑的图像、含有立柱的图像以及不含斜撑和立柱的图像。并分别对各类建模图像根据位姿数据进行分组，使每组建模图像的图像特征和位姿数据相同。具体的，通过聚类法将建模图像进行分为三类，在三类的基础上根据各帧图像对应的相依位姿将k帧图像分为一组，并根据每组的图像特征建立视觉词袋模型，此时每组数据含有的图像特征和位姿数据相似。

分组建模模块，根据每组中每帧建模图像以及对应的位姿数据，建立每组融合重建的稠密点云模型。

回环检测模块，用于将一组中的每帧建模图像与重建后的稠密点云模型的深度信息进行比对，判断各帧建模图像与稠密点云模型之间的深度信息差是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对组内各帧建模图像的深度信息与位姿数据进行修正。

由于通过基准位置和扫描过程中机器人的位姿数据，对扫描车体的点云数据进行坐标转换，将不同时间、角度、照度获取的多帧图像叠加匹配到统一的坐标系中，工业相机安装于机器人手臂上，工业相机扫描的点云图像与机器人的位姿数据直接相关，在扫描过程中，机器人位姿变化与进行图像拼接时会逐渐积累误差，对点云配准最终的精度带来一定影响，因此采用回环检测降低累计误差，回环检测通过检测当前位置和历史位置的相似性以此来矫正相机位姿，在本实施例中，采用每帧建模图像当前位置与建立后的稠密点云的位置的相似性以此矫正位姿，降低扫描过程中机器人手眼系统移动过程带来的相机位姿积累误差。根据分组后的每帧图像的图像特征与位姿的相似性，对一组图像坐标转化与融合重建，在每组中根据稠密几何一致性与光度一致性，对一组中的每帧图像与重建后的稠密点云进行位置信息的对比，以每帧图像各数据点与重建后稠密点云位置之间的差距作为反馈，对每帧图像的深度图进行优化细节修正，不断迭代，直至最后重建后稠密点云与每帧图片的位置差距在一定阈值之内。

融合建模模块，根据各组的图像特征与重建的稠密点云模型，进行融合重建，得到整体稠密点云模型。

所述回环检测模块，还用于将各组的稠密点云模型与整体稠密点云模型的深度信息进行比对，判断深度信息是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对各组重建点云与位置数据进行修正。

矫正模块，根据回环检测结果，建立最终的车体侧墙稠密点云模型和矫正机器人基准位置位姿数据。

利用各组之间词袋模型的相似度，对每组建立的稠密点云进行融合，重复之前步骤，最后建立最终的车体侧墙稠密点云和矫正机器人基准位置位姿数据。

深度分组模块，用于根据深度信息对车体侧墙稠密点云模型的点云数据进行分组，将深度信息相同的点云数据分为一组，将相邻且深度信息变化大于预设阈值的点云数据分为一组；

平面拟合模块，用于对分组后的点云数据进行平面拟合，拟合后的平面包括钢板平面，斜撑立面平面、斜撑翼面平面、斜撑翼面焊缝平面、侧墙立柱平面、侧墙立柱翼面焊缝平面以及侧墙立柱翼面平面；

在重建后的车体侧墙稠密点云模型中，首先需要确定焊缝位置的像素坐标。由于数据处理模块对于点云数据进行筛选，最后侧墙稠密点云模型焊缝位置的点云数据保留完整，根据建立的侧墙稠密点云模型，将深度相同的点云数据分为一类，将深度信息变化明显的点云数据分为一类，因对点云配准和数据融合使得此步骤造成误差小，对分组后的数据点进行平面拟合，将拟合后的平面分为钢板平面，斜撑立面平面，斜撑翼面平面，斜撑翼面焊缝平面，侧墙立柱平面，侧墙立柱翼面焊缝平面，侧墙立柱翼面平面六种平面。根据钢板平面与斜撑立面平面的交线和斜撑翼面平面与斜撑翼面焊缝平面的交线确定斜撑立面一侧的焊缝和斜撑翼面一侧的焊缝像素坐标，根据钢板平面与立柱立面平面的交线和立柱翼面平面与立柱翼面焊缝平面的交线确定斜撑立面一侧的焊缝和斜撑翼面一侧的焊缝像素坐标。

焊缝确定模块，用于根据各平面的交线，确定焊缝的坐标信息。

指令发送模块，用于根据切割路线和切割路径上的点云数据生成切割指令，将切割指令发送给切割执行机构。

切割执行机构，用于按照切割指令对敞车侧墙进行切割。

根据确定的焊缝边缘像素坐标和侧墙稠密点云模型，确定焊缝位置上每个像素点的深度信息，稠密点云与机器人基准位置位姿之间的转移矩阵确定机器人在得到的每个焊缝坐标时的位姿数据，指令发送模块将切割时的切割路径，深度以及位姿发送给切割执行机构，使机器人带动割刀进行切割，使得机器人可以在处理车体撕裂、鼓包以及变形的情况，同时保证切割后的钢板不至于过大的变形，切割后轨迹平滑，方便之后的焊接钢板维修。

本实施例还公开了一种敞车侧墙截换区域切割方法，该方法使用了上述的一种敞车侧墙截换检修切割设备，该方法包括以下步骤：

数据获取步骤：通过激光扫描装置对敞车侧墙进行激光扫描获取点云数据，生成点云图像，所述点云数据包括各个像素点的坐标信息、深度信息以及扫描时机器人的位姿数据；

识别步骤：识别点云图像，根据点云信息对点云图像进行处理后点云重建三维模型，识别焊缝位置，并生成切割路径；

切割执行步骤：向切割执行机构发送指令，使切割执行机构按照切割路径对敞车侧墙进行切割。

进一步，边缘提取步骤：将激光扫描装置采集到的点云图像标记为图像A，根据图像A的深度信息进行边缘提取，获取到疑似焊缝位置，并提取疑似焊缝位置与附近的像素点制作掩码，生成掩码图像；

数据处理步骤：将图像A与掩码图像的反码进行与运算并进行降采样，得到图像B，将图像A与掩码图像进行与运算，得到图像C，将图像C与与图像B进行或运算得到图像D，将图像D作为建模图像。

所述识别步骤还包括以下步骤：

图像分组步骤：识别建模图像中的图像特征，根据图像特征将建模图像分为三类，所述图像特征包括含有斜撑的图像、含有立柱的图像以及不含斜撑和立柱的图像，并分别对各类建模图像根据位姿数据进行分组，使每组建模图像的图像特征和位姿数据相同；

分组建模步骤：根据每组中每帧建模图像以及对应的位姿数据，建立每组融合重建的稠密点云模型；

分组回环检测步骤：将一组中的每帧建模图像与重建后的稠密点云模型的深度信息进行比对，判断各帧建模图像与稠密点云模型之间的深度信息差是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对组内各帧建模图像的深度信息与位姿数据进行修正；

融合建模步骤，根据各组的图像特征与重建的稠密点云模型，进行融合重建，得到整体稠密点云模型；

整体回环检测步骤：将各组的稠密点云模型与整体稠密点云模型的深度信息进行比对，判断深度信息是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对各组重建点云与位置数据进行修正；

矫正步骤，根据回环检测结果，建立最终的车体侧墙稠密点云模型和矫正机器人基准位置位姿数据。

所述识别步骤还包括以下步骤：

深度分组步骤：根据深度信息对整体稠密点云模型的点云数据进行分组，将深度信息相同的点云数据分为一组，将相邻且深度信息变化大于预设阈值的点云数据分为一组；

平面拟合步骤：对分组后的点云数据进行平面拟合，拟合后的平面包括钢板平面，斜撑立面平面、斜撑翼面平面、斜撑翼面焊缝平面、侧墙立柱平面、侧墙立柱翼面焊缝平面以及侧墙立柱翼面平面；

焊缝确定步骤：根据各平面的交线，确定焊缝的坐标信息。

所述识别步骤还包括以下步骤：

路径规划步骤，根据焊缝的坐标信息和车体侧墙稠密点云模型，确定焊缝位置上每个像素点的深度信息；

位姿确定步骤，根据矫正机器人基准位置位姿数据，确定机器人在每个焊缝位置时的位姿数据。

以上仅是本发明的实施例，需要说明的是上述实施例的技术方案中除可以应用于敞车侧墙的截换检修，其也可以运用到敞车端墙的截换检修。方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.一种敞车侧墙、端墙截换检修的切割设备，其特征在于：包括有机器人、控制系统，所述机器人上设有切割执行机构和激光扫描装置；

激光扫描装置用于对敞车侧墙进行激光扫描，获取敞车侧墙点云数据生成点云图像，发送给控制系统，所述点云数据包括各个像素点的坐标信息、深度信息以及扫描时机器人的位姿数据；

控制系统包括识别模块；

识别模块，用于识别点云图像，根据点云信息对点云图像进行处理后点云重建三维模型，识别焊缝位置，并生成切割路径；

指令发送模块，用于根据切割路线和切割路径上的点云数据生成切割指令，将切割指令发送给切割执行机构；

切割执行机构，用于按照切割指令对敞车侧墙进行切割。

2.根据权利要求1所述的一种敞车侧墙、端墙截换检修的切割设备，其特征在于：所述识别模块包括边缘提取模块以及数据处理模块；

边缘提取模块，用于将激光扫描装置采集到的点云图像标记为图像A，根据图像A的深度信息进行边缘提取，获取到疑似焊缝位置，并提取疑似焊缝位置与附近的像素点制作掩码，生成掩码图像；

数据处理模块，用于将图像A与掩码图像的反码进行与运算并进行降采样，得到图像B，将图像A与掩码图像进行与运算，得到图像C，将图像C与图像B进行或运算得到图像D，将图像D作为建模图像。

3.根据权利要求2所述的一种敞车侧墙、端墙截换检修的切割设备，其特征在于：所述识别模块还包括图像分组模块、分组建模模块、回环检测模块、融合建模模块以及矫正模块；

图像分组模块，用于识别建模图像中的图像特征，根据图像特征将建模图像分为三类，所述图像特征包括含有斜撑的图像、含有立柱的图像以及不含斜撑和立柱的图像，并分别对各类建模图像根据位姿数据进行分组，使每组建模图像的图像特征和位姿数据相同；

分组建模模块，根据每组中每帧建模图像以及对应的位姿数据，建立每组融合重建的稠密点云模型；

回环检测模块，用于将一组中的每帧建模图像与重建后的稠密点云模型的深度信息进行比对，判断各帧建模图像与稠密点云模型之间的深度信息差是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对组内各帧建模图像的深度信息与位姿数据进行修正；

融合建模模块，根据各组的图像特征与重建的稠密点云模型，进行融合重建，得到整体稠密点云模型；

所述回环检测模块，还用于将各组的稠密点云模型与整体稠密点云模型的深度信息进行比对，判断深度信息是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对各组重建点云与位置数据进行修正；

矫正模块，根据回环检测结果，建立最终的车体侧墙稠密点云模型和矫正机器人基准位置位姿数据。

4.根据权利要求3所述的一种敞车侧墙、端墙截换检修的切割设备，其特征在于：所述识别模块还包括深度分组模块、平面拟合模块以及焊缝确定模块；

深度分组模块，用于根据深度信息对车体侧墙稠密点云模型的点云数据进行分组，将深度信息相同的点云数据分为一组，将相邻且深度信息变化大于预设阈值的点云数据分为一组；

平面拟合模块，用于对分组后的点云数据进行平面拟合，拟合后的平面包括钢板平面，斜撑立面平面、斜撑翼面平面、斜撑翼面焊缝平面、侧墙立柱平面、侧墙立柱翼面焊缝平面以及侧墙立柱翼面平面；

焊缝确定模块，用于根据各平面的交线，确定焊缝的坐标信息。

5.根据权利要求4所述的一种敞车侧墙、端墙截换检修的切割设备，其特征在于：所述识别模块还包括路径规划模块，位姿确定模块；

路径规划模块，用于根据焊缝的坐标信息和车体侧墙稠密点云模型，确定焊缝位置上每个像素点的深度信息；

位姿确定模块，用于根据矫正机器人基准位置位姿数据，确定机器人在每个焊缝位置时的位姿数据。

6.一种敞车侧墙、端墙截换检修的切割方法，使用了权利要求1-5任一项所述的一种敞车侧墙、端墙截换检修的切割设备，其特征在于：包括以下步骤：

数据获取步骤：通过激光扫描装置对敞车侧墙进行激光扫描获取点云数据，生成点云图像，所述点云数据包括各个像素点的坐标信息、深度信息以及扫描时机器人的位姿数据；

识别步骤：识别点云图像，根据点云信息对点云图像进行处理后点云重建三维模型，识别焊缝位置，并生成切割路径；

切割执行步骤：向切割执行机构发送指令，使切割执行机构按照切割路径对敞车侧墙进行切割。

7.根据权利要求6所述的一种敞车侧墙、端墙截换检修的切割方法，其特征在于，所述识别步骤包括以下步骤：

边缘提取步骤：将激光扫描装置采集到的点云图像标记为图像A，根据图像A的深度信息进行边缘提取，获取到疑似焊缝位置，并提取疑似焊缝位置与附近的像素点制作掩码，生成掩码图像；

数据处理步骤：将图像A与掩码图像的反码进行与运算并进行降采样，得到图像B，将图像A与掩码图像进行与运算，得到图像C，将图像C与与图像B进行或运算得到图像D，将图像D作为建模图像。

8.根据权利要求7所述的一种敞车侧墙、端墙截换检修的切割方法，其特征在于：所述识别步骤还包括以下步骤：

图像分组步骤：识别建模图像中的图像特征，根据图像特征将建模图像分为三类，所述图像特征包括含有斜撑的图像、含有立柱的图像以及不含斜撑和立柱的图像，并分别对各类建模图像根据位姿数据进行分组，使每组建模图像的图像特征和位姿数据相同；

分组建模步骤：根据每组中每帧建模图像以及对应的位姿数据，建立每组融合重建的稠密点云模型；

分组回环检测步骤：将一组中的每帧建模图像与重建后的稠密点云模型的深度信息进行比对，判断各帧建模图像与稠密点云模型之间的深度信息差是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对组内各帧建模图像的深度信息与位姿数据进行修正；

融合建模步骤，根据各组的图像特征与重建的稠密点云模型，进行融合重建，得到整体稠密点云模型；

整体回环检测步骤：将各组的稠密点云模型与整体稠密点云模型的深度信息进行比对，判断深度信息是否在设定阈值内，若否则根据稠密几何一致性与光度一致性，对各组重建点云与位置数据进行修正；

矫正步骤，根据回环检测结果，建立最终的车体侧墙稠密点云模型和矫正机器人基准位置位姿数据。

9.根据权利要求8所述的一种敞车侧墙、端墙截换检修的切割方法，其特征在于：所述识别步骤还包括以下步骤：

深度分组步骤：根据深度信息对整体稠密点云模型的点云数据进行分组，将深度信息相同的点云数据分为一组，将相邻且深度信息变化大于预设阈值的点云数据分为一组；

平面拟合步骤：对分组后的点云数据进行平面拟合，拟合后的平面包括钢板平面，斜撑立面平面、斜撑翼面平面、斜撑翼面焊缝平面、侧墙立柱平面、侧墙立柱翼面焊缝平面以及侧墙立柱翼面平面；

焊缝确定步骤：根据各平面的交线，确定焊缝的坐标信息。

10.根据权利要求9所述的一种敞车侧墙、端墙截换检修的切割方法，其特征在于：所述识别步骤还包括以下步骤：

路径规划步骤，根据焊缝的坐标信息和车体侧墙稠密点云模型，确定焊缝位置上每个像素点的深度信息；

位姿确定步骤，根据矫正机器人基准位置位姿数据，确定机器人在每个焊缝位置时的位姿数据。

Images