CN117324221A - 一种曲面构件腻子喷涂方法 - Google Patents

一种曲面构件腻子喷涂方法 Download PDF

Info

Publication number
CN117324221A
CN117324221A CN202311246477.3A CN202311246477A CN117324221A CN 117324221 A CN117324221 A CN 117324221A CN 202311246477 A CN202311246477 A CN 202311246477A CN 117324221 A CN117324221 A CN 117324221A
Authority
CN
China
Prior art keywords
spraying
point
defect area
sprayed
area
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.)
Pending
Application number
CN202311246477.3A
Other languages
English (en)
Inventor
戴惠新
吴金洋
郑云昊
张梦樵
张湘菊
魏国丽
吴惠惠
孟鹤
金雨楠
耿军
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.)
CRRC Nanjing Puzhen Co Ltd
Original Assignee
CRRC Nanjing Puzhen 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 CRRC Nanjing Puzhen Co Ltd filed Critical CRRC Nanjing Puzhen Co Ltd
Priority to CN202311246477.3A priority Critical patent/CN117324221A/zh
Publication of CN117324221A publication Critical patent/CN117324221A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D—PROCESSES FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D1/00—Processes for applying liquids or other fluent materials
    • B05D1/02—Processes for applying liquids or other fluent materials performed by spraying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30156—Vehicle coating
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开一种曲面构件腻子喷涂方法，涉及腻子喷涂领域，所述方法包括：基于面结构光测量技术和光度立体视觉测量技术测量待喷涂物体，生成待喷涂物体的表面三维形貌数据，并识别出待喷涂物体的背景区域和缺陷区域；基于背景区域、缺陷区域和缺陷深度识别模型，确定缺陷区域待填充深度；基于涂层沉积模型确定喷涂参数，喷涂参数包括单位时间内单次喷涂的最优喷涂厚度、最优喷涂速度、相邻喷涂路径的最优间距；基于所述最优喷涂厚度、缺陷区域待填充深度，采用分层切片划分缺陷区域的各喷涂层，并对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理；基于喷涂参数对缺陷区域的各喷涂层依次进行喷涂；本申请提高了曲面构件的腻子喷涂效果。

Description

一种曲面构件腻子喷涂方法
技术领域
本发明涉及腻子喷涂技术领域，尤其是涉及一种曲面构件腻子喷涂方法。
背景技术
以动车组和普通客车为代表的大型构件，其本体均通过焊接成型，由于平整度的要求，大量使用腻子找平，目前大部分公司腻子涂层施工工艺均采用人工刮涂，施工工艺周期较长，腻子施工自动化程度较低，工人的劳动量很大，且人工刮涂施工时易造成腻子原材料的浪费，而基于工业机器人的腻子喷涂方式通过机器人控制喷枪对构件的缺陷区域喷涂，可以将工作人员从繁重的加工作业和充满烟雾的现场环境中解放出来，并可以显著缩短生产周期，提高生产加工的效率。
为提高曲面类大型构件表面腻子喷涂质量，专利文献CN202310426383.8公开了基于多染色体粒子群的复杂曲面喷涂路径规划方法及系统，首先对自由曲面分别进行粗分割和细分割，然后采用光栅型路径根据特征线的端点对每个缺陷区域的路径内特征线的连接方式进行规划，接着根据不同类型光栅型路径和各缺陷区域的连接顺序，采用多染色体粒子群算法对多条可能的全覆盖路径进行优化，得到最优喷涂路径，从而合理避开复杂自由曲面中大小、形状不一的孔洞从而得到最优喷涂路径，提高喷涂的质量。另外，专利文献CN202310010987.4公开了一种针对车厢的智能腻子喷涂方法及系统，基于采集的数据通过深度卷积网络识别车厢焊缝、凹槽，然后通过点云切片的方式进行喷涂路径规划，实现了智能化的缺陷识别和腻子喷涂。
但是专利文献CN202310426383.8公开的方法，虽然可以对整个喷涂对象生成光栅型路径，并对每个缺陷区域的连接顺序进行优化，但是采用的染色体例子群算法对于离散缺陷区域的优化问题处理不佳，容易陷入局部最优，但每个离散缺陷区域之间的切换时机并不是最优，而且自由曲面的分割要求操作人员对喷涂工艺的专业程度要求较高；专利文献CN202310010987.4公开的方法，通过深度卷积网络识别喷涂的特征区域，然后对特征区域数据切片生成喷涂路径，但卷积网络计算量较大，特别是基于三维点云数据，此外不管是光栅式喷涂路径还是切片方式生成喷涂路径，都不能很好地适应轮廓边缘不规则的特征区域。
发明内容
为了解决现有技术中对曲面构件喷涂时各个缺陷区域之间切换时机不佳、以及无法较好的适应轮廓边缘不规则的问题，本申请提供一种曲面构件腻子喷涂方法。
第一方面，本申请提供一种曲面构件腻子喷涂方法，采用如下的技术方案：所述腻子喷涂方法包括以下步骤：
步骤S100：基于面结构光测量技术和光度立体视觉测量技术测量待喷涂物体，生成所述待喷涂物体的表面三维形貌数据；
步骤S200：基于所述表面三维形貌数据，识别待喷涂物体的背景区域和缺陷区域；
步骤S300：基于所述待喷涂物体的背景区域、缺陷区域和预先构建的缺陷深度识别模型，确定所述缺陷区域的待填充深度；
步骤S400：基于缺陷区域和预先构建的涂层沉积模型确定喷涂参数；所述喷涂参数包括单位时间内单次喷涂的最优喷涂厚度、最优喷涂速度、相邻喷涂路径的最优间距；
步骤S500：基于所述单位时间内单次喷涂的最优喷涂厚度、所述缺陷区域的待填充深度，采用分层切片的方式划分所述缺陷区域的喷涂层，并对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理；基于所述喷涂参数对缺陷区域的各喷涂层依次进行喷涂。
通过采用上述技术方案，针对曲面构件的特性以及缺陷区域凹凸不平的特点，通过融合面结构光测量技术和光度立体视觉测量技术，生成待喷涂物体的表面三维形貌数据，获取待喷涂物体的表面完整信息，可以精确识别待喷涂区域的背景区域、缺陷区域，并精确识别缺陷区域的轮廓和待填充深度，避免了待喷涂物体表面信息采集不全面不准确的问题；通过采用预先构建的缺陷深度识别模型，以代码的形式实现自动识别和处理各个缺陷区域的待填充深度，避免了喷涂时在各个缺陷区域之间切换的问题、以及自由曲面的分割要求操作人员对喷涂工艺的专业程度要求较高的问题；对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理，使得缺陷区域不规则边界的识别结果尽可能逼近实际情况，可以更好的适应缺陷区域边缘不规则的情况，提高了曲面构件的腻子喷涂效果。
在一个具体的可实施方案中，步骤S100，具体包括：
步骤S110：基于面结构光测量技术测量待喷涂物体，得到初始面结构光点云数据；对所述初始面结构光点云数据进行滤波处理，滤除所述初始面结构光点云数据中的高频信息，保留所述初始面结构光点云数据中的低频信息，生成面结构光三维模型；
步骤S120：基于光度立体视觉测量技术测量待喷涂物体，得到初始光度立体点云数据，对所述初始光度立体点云数据进行滤波处理，滤除所述初始光度立体点云数据中的低频信息，保留所述初始光度立体点云数据中的高频信息，生成光度立体三维模型；
步骤S130：基于所述面结构光三维模型和光度立体三维模型，生成所述待喷涂物体的表面三维形貌数据。
通过采用上述技术方案，通过滤除初始面结构光点云数据中的高频信息，可以减少噪声的影响，还可以简化数据处理过程，减少数据量和计算复杂度；通过滤除初始光度立体点云数据中的低频信息，可以使测量结果更加稳定，不受光照条件的影响；通过对初始面结构光点云数据和初始光度立体点云数据的过滤筛选，提高了待喷涂物体的表面三维形貌数据的准确性和可靠性。
在一个具体的可实施方案中，步骤S200，具体包括：
步骤S210：基于所述表面三维形貌数据，确定所述表面三维形貌数据中各点的曲率；
步骤S220：将表面三维形貌数据中曲率最小的点标记为种子点，将所述种子点划分为待喷涂物体的缺陷区域，并计算所述种子点邻域内每个点与种子点之间的夹角α；
步骤S230：基于所述种子点邻域内每个点与种子点之间的夹角α、种子点邻域内每个点的曲率，确定待喷涂物体的缺陷区域和背景区域。
通过采用上述技术方案，根据表面三维形貌数据中各点的曲率，经过判断和分类，精确识别出待喷涂物体的缺陷区域和背景区域。
在一个具体的可实施方案中，步骤S230具体包括：
步骤S231：判断所述夹角α与预设夹角阈值的大小；若该点与种子点之间的夹角α＜预设夹角阈值，则将该点划分为缺陷区域；若该点与种子点之间的夹角α≥预设夹角阈值，则进一步判断该点的曲率与预设曲率阈值的大小，若该点的曲率＜预设曲率阈值，则将该点划分为缺陷区域；若该点的曲率≥预设曲率阈值，则将该点划分为背景区域；
步骤S232：历遍种子点邻域内所有的点，得到待喷涂物体的缺陷区域和背景区域。
通过采用上述技术方案，根据种子点邻域内每个点与种子点之间的夹角α、种子点邻域内每个点的曲率，精确划分待喷涂物体的缺陷区域和背景区域。
在一个具体的可实施方案中，确定所述表面三维形貌数据中各点的曲率之前，还包括：
对所述表面三维形貌数据进行离群点移除处理、下采样处理和重采样处理。
通过采用上述技术方案，对表面三维形貌数据进行离群点移除和下采样的预处理操作，降低噪点对缺陷区域识别精度的影响，并加快后续点云数据的处理速度；对点云数据进行重采样可以平滑无序点云中局部异常的特征。
在一个具体的可实施方案中，步骤S300，具体包括：
步骤S310：基于所述待喷涂物体的背景区域，计算所述背景区域内各个点的法向矢量，基于背景区域内各个点的法向矢量确定背景区域的平均矢量；
步骤S320：计算所述平均矢量与Z轴方向的旋转变换矩阵；
步骤S330：基于所述旋转变换矩阵，将背景区域和缺陷区域的各个点进行变换，并将背景区域和缺陷区域变换后的点沿Z轴正方向投影，生成背景区域的二维点云数据和缺陷区域的二维点云数据；
步骤S340：基于所述背景区域的二维点云数据，采用全局加权最小二乘法进行拟合，生成待喷涂物体的理想基准曲面；基于所述缺陷区域的二维点云数据到理想基准曲面之间的距离确定所述缺陷区域各个点的待填充深度。
通过采用上述技术方案，将背景区域和缺陷区域的三维点云数据转换到二维环境下进行缺陷区域待填充深度的识别，提高整体数据处理的效率。
在一个具体的可实施方案中，步骤S400，具体包括：
步骤S410：构建涂层沉积模型；
所述涂层沉积模型为：
其中，f(x，y)为点(x，y)对应的单位时间内单次喷涂的理想喷涂厚度，k为涂层厚度修正系数，u1、u2分别为所述涂层沉积模型中心点坐标，δ1、δ2分别为所述涂层沉积模型X轴方向和Y轴方向上的有效半轴长度的1/3；
步骤S420：基于缺陷区域的自由曲面构建第一参考平面和第二参考平面；
步骤S430：基于所述涂层沉积模型，计算第一参考平面上的点对应的单位时间内单次喷涂的理想喷涂厚度f1(x1，y1)；基于所述单位时间内单次喷涂的理想喷涂厚度f1(x1，y1)和预先构建的参考平面切换模型，计算缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)；
所述参考平面切换模型为：
其中，h1为喷枪中心点到第一参考平面的垂直距离，h2为喷枪中心点到第二参考平面的垂直距离，θ为第一切线与第二参考平面之间的夹角，所述第一切线为过所述自由曲面的点且与自由曲面相切的切线；
步骤S440：基于预先构建的目标函数minE(v,D)、所述缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)的值，确定单位时间内单次喷涂的最优喷涂厚度、相邻喷涂路径的最优间距；
所述目标函数minE(v,D)为：
其中，q(L,v,D)为实际喷涂厚度函数，所述实际喷涂厚度函数表示在喷涂速度为v、相邻喷涂路径的间距为D、当前喷涂路径到前一条喷涂路径之间的垂线距离为L时，缺陷区域自由曲面上的点对应的单位时间内单次喷涂的实际喷涂厚度；且 a、b为常数；
qd为缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)的值；
步骤S450：设定喷涂速度v固定，对所述目标函数minE(v,D)求二阶导数，所述目标函数minE(v,D)的二阶导数为零时，对应L的值为单位时间内单次喷涂的最优喷涂厚度；所述目标函数minE(v,D)的二阶导数为零时，对应D的值为相邻喷涂路径的最优间距；
步骤S460：基于实际喷涂厚度函数q(L,v,D)、单位时间内单次喷涂的最优喷涂厚度、相邻喷涂路径的最优间距，确定最优喷涂速度。
通过采用上述技术方案，建立动态涂层沉积模型，针对缺陷区域为不规则曲面的特性，建立第二参考平面和第一参考平面，并根据涂层沉积模型确定在缺陷区域自由曲面上单位时间内单次喷涂的最优喷涂厚度、相邻喷涂路径的最优间距，再根据实际喷涂厚度函数q(L,v,D)确定最优喷涂速度，从而得到对缺陷区域进行喷涂的精确的喷涂参数，极大地提高了涂层沉积模型对自由曲面类零件的适应性，并可以准确控制腻子单次喷涂厚度。
第二方面，本申请提供一种曲面构件的腻子喷涂装置，所述装置应用第一方面所述的腻子喷涂方法，所述装置包括三维形貌数据生成单元、区域识别单元、待填充深度计算单元、喷涂参数计算单元、缺陷区域分层划分单元；
三维形貌数据生成单元，用于基于面结构光测量技术和光度立体视觉测量技术测量待喷涂物体，生成所述待喷涂物体的表面三维形貌数据；
区域识别单元，基于所述表面三维形貌数据，识别待喷涂物体的背景区域和缺陷区域；
待填充深度计算单元，基于所述待喷涂物体的背景区域、缺陷区域和预先构建的缺陷深度识别模型，确定所述缺陷区域的待填充深度；
喷涂参数计算单元，基于缺陷区域和预先构建的涂层沉积模型确定喷涂参数；所述喷涂参数包括单位时间内单次喷涂的最优喷涂厚度、最优喷涂速度、相邻喷涂路径的最优间距；
缺陷区域分层划分单元，基于所述单位时间内单次喷涂的最优喷涂厚度、所述缺陷区域的待填充深度，采用分层切片的方式划分所述缺陷区域的喷涂层，并对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理；基于所述喷涂参数对缺陷区域的各喷涂层依次进行喷涂。
第三方面，本申请提供一种终端，所述终端包括：处理器、存储器及通信总线；所述通信总线用于实现处理器和存储器之间的连接通信，所述处理器用于执行存储器中存储的一个或者多个程序，以实现如第一方面或者第一方面的任一项可实施方案中的腻子喷涂方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如第一方面或者第一方面的任一项可实施方案中的腻子喷涂方法的步骤。
综上所述，本申请的技术方案至少包括以下有益技术效果：
1、针对曲面构件的特性以及缺陷区域凹凸不平的特点，通过融合面结构光测量技术和光度立体视觉测量技术，生成待喷涂物体的表面三维形貌数据，获取待喷涂物体的表面完整信息，可以精确识别待喷涂区域的背景区域、缺陷区域，并精确识别缺陷区域的轮廓和待填充深度，避免了待喷涂物体表面信息采集不全面不准确的问题；
2、通过预先构建的缺陷深度识别模型，以代码的形式实现自动识别和处理各个缺陷区域的待填充深度，避免了喷涂时在各个缺陷区域之间切换的问题、以及自由曲面的分割要求操作人员对喷涂工艺的专业程度要求较高的问题；
3、对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理，使得缺陷区域不规则边界的识别结果尽可能逼近实际情况，可以更好的适应缺陷区域边缘不规则的情况，提高了曲面构件的腻子喷涂效果。
附图说明
图1是本申请实施例中曲面构件腻子喷涂方法的整体流程图；
图2是本申请实施例中曲面构件腻子喷涂方法的处理过程框架图；
图3是本申请实施例中生成表面三维形貌数据的处理过程框架图；
图4是本申请实施例中对表面三维形貌数据处理，确定背景区域和缺陷区域的整体框架图；
图5是本申请实施例中根据点A与种子点之间的夹角α、点A的曲率划分背景区域和缺陷区域的判断过程示意图；
图6是本申请实施例中计算缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细说明。
实施例一：
参照图1和图2，本实施例公开一种曲面构件腻子喷涂方法，包括以下步骤：
步骤S100：基于面结构光测量技术和光度立体视觉测量技术测量待喷涂物体，生成所述待喷涂物体的表面三维形貌数据；
步骤S200：基于所述表面三维形貌数据，识别待喷涂物体的背景区域和缺陷区域；
步骤S300：基于所述待喷涂物体的背景区域、缺陷区域和预先构建的缺陷深度识别模型，确定所述缺陷区域的待填充深度；
步骤S400：基于缺陷区域和预先构建的涂层沉积模型确定喷涂参数；所述喷涂参数包括单位时间内单次喷涂的最优喷涂厚度、最优喷涂速度、相邻喷涂路径的最优间距；
步骤S500：基于所述单位时间内单次喷涂的最优喷涂厚度、所述缺陷区域的待填充深度，采用分层切片的方式划分所述缺陷区域的喷涂层，并对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理；基于所述喷涂参数对缺陷区域的各喷涂层依次进行喷涂。
由于大型曲面构件表面大多数具有金属高反光、低纹理的特性，直接使用面结构光进行测量容易造成测量数据失真或者缺失，因此，针对曲面构件的特性以及缺陷区域凹凸不平的特点，通过融合面结构光测量技术和光度立体视觉测量技术，生成待喷涂物体的表面三维形貌数据，获取待喷涂物体的表面完整信息，可以精确识别待喷涂区域的背景区域、缺陷区域，并精确识别缺陷区域的轮廓和待填充深度，避免了待喷涂物体表面信息采集不全面不准确的问题；通过采用预先构建的缺陷深度识别模型，以代码的形式实现自动识别和处理各个缺陷区域的待填充深度，避免了喷涂时在各个缺陷区域之间切换的问题、以及自由曲面的分割要求操作人员对喷涂工艺的专业程度要求较高的问题；对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理，使得缺陷区域不规则边界的识别结果尽可能逼近实际情况，可以更好的适应缺陷区域边缘不规则的情况，提高了曲面构件的腻子喷涂效果。
进一步地，参照图3，步骤S100，具体包括：
步骤S110：基于面结构光测量技术测量待喷涂物体，得到初始面结构光点云数据；对所述初始面结构光点云数据进行滤波处理，滤除所述初始面结构光点云数据中的高频信息，保留所述初始面结构光点云数据中的低频信息，生成面结构光三维模型；
步骤S120：基于光度立体视觉测量技术测量待喷涂物体，得到初始光度立体点云数据，对所述初始光度立体点云数据进行滤波处理，滤除所述初始光度立体点云数据中的低频信息，保留所述初始光度立体点云数据中的高频信息，生成光度立体三维模型；
步骤S130：基于所述面结构光三维模型和光度立体三维模型，生成所述待喷涂物体的表面三维形貌数据。具体地，从所述面结构光三维模型和光度立体三维模型中分别提取有效的点云数据，通过数据互补生成所述待喷涂物体的表面三维形貌数据，实现面结构光三维模型和光度立体三维模型的融合。
具体地，对所述初始面结构光点云数据进行滤波处理时，利用二维小波多尺度分解将初始面结构光点云数据中的低频信息和高频信息分离；同样的，对所述初始光度立体点云数据进行滤波处理时，利用二维小波多尺度分解将初始光度立体点云数据中的低频信息和高频信息分离。
基于面结构光三维模型和光度立体三维模型生成表面三维形貌数据时，选择初始面结构光点云数据经过二维小波多尺度分解重构获得的第六层逼近图、与初始光度立体点云数据经过二维小波多尺度分解重构获得的第五层细节图相加融合，对融合后的特征信息结合面结构光的内参信息进行三维重建即可获得待喷涂物体的表面三维形貌数据。结合面结构光的内参信息可以将像素坐标系下的深度信息转化成相机坐标系下的三维坐标点。
其中，所述第六层逼近图表示对初始面结构光点云数据进行六次二维小波多尺度分解，滤除每次分解得到的点云数据中的高频信息，对六次分解和滤除后得到的点云数据中的低频信息重构获得第六层逼近图；所述第五层细节图表示对所述初始光度立体点云数据进行五次二维小波多尺度分解，滤除每次分解得到的点云数据中的低频信息，最终对五次分解和滤除后得到的点云数据中的高频信息重构获得第五层细节图。
具体地，在生成光度立体三维模型时，通过依次对待喷涂物体每个姿态下获取到的初始面结构光点云数据和初始光度立体点云数据分别进行步骤S110～步骤S130的操作，就可以准确得到待喷涂物体每个姿态下的表面三维形貌数据，每个姿态下的表面三维形貌数据均包括多片点云数据，再依据标定好的喷涂机器人位置依次完成多片点云数据的拼接，即可得到待喷涂物体的光度立体三维模型。其中，所述姿态表示喷涂机器人末端工具相对于基准参考坐标系的位置和朝向的状态。
由于在通过面结构光测量技术测量得到的初始面结构光点云数据后，所述初始面结构光点云数据中的低频信息主要包含待喷涂物体的整体形状和表面的大致几何结构，对应表征待喷涂物体表面较平缓的变化，比如曲面的整体形状和凹凸特征等。所述初始面结构光点云数据中的高频信息主要包含待喷涂物体表面的微小细节和纹理信息，对应于表征待喷涂物体表面较陡峭的变化，比如细微的凹凸特征、纹理、边缘等。即初始面结构光点云数据中的低频信息提供了待喷涂物体的整体形状和大致结构，而初始面结构光点云数据中的高频信息提供了待喷涂物体表面的细节和纹理。但是由于初始面结构光点云数据中的高频信息往往受到噪声的影响更大，通过滤除高频信息可以减少噪声的影响，提高待喷涂物体测量结果的准确性和可靠性，即提高待喷涂物体的表面三维形貌数据的准确性和可靠性；另外，还可以简化数据处理过程，减少数据量和计算复杂度。
由于在通过光度立体视觉测量技术测量得到的初始光度立体点云数据后，由于初始光度立体点云数据中的低频信息对应于待喷涂物体表面的整体亮度变化，如果不进行滤除，可能会导致测量结果受到光照条件的影响，使得不同光照条件下的测量结果不一致，因此，通过滤除初始光度立体点云数据中的低频信息，可以使测量结果更加稳定，不受光照条件的影响，进一步提高待喷涂物体测量结果的准确性和可靠性，即进一步提高待喷涂物体的表面三维形貌数据的准确性和可靠性。
进一步地，参照图4，步骤S200，具体包括：
步骤S210：基于所述表面三维形貌数据，确定所述表面三维形貌数据中各点的曲率；其中，确定所述表面三维形貌数据中各点的曲率可以采用奇异值分解法；
其中，步骤S210中，可以基于所述表面三维形貌数据，求取表面三维形貌数据中每个点的邻域点集构成的协方差矩阵，基于所述协方差矩阵来确定表面三维形貌数据中各点的法线和曲率；
步骤S220：将表面三维形貌数据中曲率最小的点标记为种子点，将所述种子点划分为待喷涂物体的缺陷区域，并计算所述种子点邻域内每个点与种子点之间的夹角α；
步骤S230：基于所述种子点邻域内每个点与种子点之间的夹角α、种子点邻域内每个点的曲率，确定待喷涂物体的缺陷区域和背景区域。
具体地，由于曲率最小的点往往位于平面区域，将曲率最小的点作为种子点，可以使得所述种子点周围的点更有可能属于同一平面，可以更好地保留曲率变化较小的平面结构；另外，曲率最小的点处的曲率变化较小，也可以减少噪声和离群点的影响；因此，通过选取曲率最小的点作为种子点，可以提高点云数据处理的准确性和稳定性，提高缺陷区域的背景区域的识别精度。
在获取种子点邻域内的点时，邻域可以采用一定距离范围内的点数量或者一定半径的空间球来表示。所述种子点邻域的范围本领域技术人员可以根据待喷涂物体的面积大小自行设置。
因此，通过步骤S210～步骤S230，根据表面三维形貌数据中各点的曲率，经过判断和分类，精确识别出待喷涂物体的缺陷区域和背景区域。
进一步地，参照图5，步骤S230具体包括：
步骤S231：判断所述夹角α与预设夹角阈值的大小；若该点与种子点之间的夹角α＜预设夹角阈值，则将该点划分为缺陷区域；若该点与种子点之间的夹角α≥预设夹角阈值，则进一步判断该点的曲率与预设曲率阈值的大小，若该点的曲率＜预设曲率阈值，则将该点划分为缺陷区域；若该点的曲率≥预设曲率阈值，则将该点划分为背景区域；
步骤S232：历遍种子点邻域内所有的点，得到待喷涂物体的缺陷区域和背景区域。
进一步地，得到待喷涂物体的缺陷区域和背景区域后，还包括：针对待喷涂物体的缺陷区域进行主成分分析，确定所述缺陷区域的最小有效边界。
因此，根据种子点邻域内每个点与种子点之间的夹角α、种子点邻域内每个点的曲率，精确划分待喷涂物体的缺陷区域和背景区域。
进一步地，参照图4，步骤S210中，确定所述表面三维形貌数据中各点的曲率之前，还包括：
对所述表面三维形貌数据进行离群点移除处理、下采样处理和重采样处理。
通过对表面三维形貌数据进行离群点移除和下采样的预处理操作，降低噪点对缺陷区域识别精度的影响，并加快后续点云数据的处理速度，由于离群点移除和下采样处理之后的点云数据中仍然存在一些异常的局部特征数据，比如根据领域计算得到的目标点的法矢会出现一些异常情况，因此还需要使用移动最小二乘法对点云数据进行重采样，平滑无序点云中局部异常的特征。
进一步地，步骤S300，具体包括：
步骤S310：基于所述待喷涂物体的背景区域，计算所述背景区域内各个点的法向矢量，基于背景区域内各个点的法向矢量确定背景区域的平均矢量；
步骤S320：计算所述平均矢量与Z轴方向的旋转变换矩阵；
步骤S330：基于所述旋转变换矩阵，将背景区域和缺陷区域的各个点进行变换，并将背景区域和缺陷区域变换后的点沿Z轴正方向投影，生成背景区域的二维点云数据和缺陷区域的二维点云数据；
步骤S340：基于所述背景区域的二维点云数据，采用全局加权最小二乘法进行拟合，生成待喷涂物体的理想基准曲面；基于所述缺陷区域的二维点云数据到理想基准曲面之间的距离确定所述缺陷区域各个点的待填充深度。
具体地，上述步骤中，假设平均矢量为(xa,ya,za)，将平均矢量首先投影到YOZ平面，得到平均矢量与Z轴的夹角为β，再将平均矢量绕X轴旋转-β角度后，平均矢量即可与Z轴方向平行，则旋转变换矩阵为其中/>
因此，通过将背景区域和缺陷区域的三维点云数据转换到二维环境下进行缺陷区域待填充深度的识别，提高整体数据处理的效率。
进一步地，步骤S400，具体包括：
步骤S410：构建涂层沉积模型；构建涂层沉积模型时，可以将喷枪喷涂形状视为椭圆形；则所述涂层沉积模型为：
其中，f(x，y)为点(x，y)对应的单位时间内单次喷涂的理想喷涂厚度，k为涂层厚度修正系数，u1、u2分别为所述涂层沉积模型中心点坐标，δ1、δ2分别为所述涂层沉积模型X轴方向和Y轴方向上的有效半轴长度的1/3；具体地，由于喷涂作业过程中，随着δ1、δ2值的改变，缺陷区域的喷涂总高度不一定满足标准高斯分布，因此通过引入高度修正系数k可以使喷枪喷涂形状满足要求的前提下，喷涂过程更接近实际喷涂作业，k的值可以根据涂层沉积模型的长半轴、短半轴和圆心坐标来进行设置。
步骤S420：基于缺陷区域的自由曲面构建第一参考平面和第二参考平面；参照图6，所述第二参考平面为过自由曲面的水平线；所述第一参考平面与所述第二参考平面平行；步骤S430：基于所述涂层沉积模型，计算第一参考平面上的点对应的单位时间内单次喷涂的理想喷涂厚度f1(x1，y1)；基于所述单位时间内单次喷涂的理想喷涂厚度f1(x1，y1)和预先构建的参考平面切换模型，计算缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)；
所述参考平面切换模型为：
其中，h1为喷枪中心点到第一参考平面的垂直距离，h2为喷枪中心点到第二参考平面的垂直距离，θ为第一切线与第二参考平面之间的夹角，所述第一切线为过所述自由曲面的点且与自由曲面相切的切线；
下面对参考平面切换模型进行具体说明：
参照图6，设定第一参考平面上的点C1对应的喷涂面积为SC1，第二参考平面上的点C2对应的喷涂面积为SC2，自由曲面上的点S对应的喷涂面积为SC3；
由投影关系可知，SC1、SC2、h1和h2之间的关系为：由于喷枪单位时间内单次喷涂的涂料总量不变，可得到第一参考平面上的点C1对应的理想喷涂厚度f1(x1，y1)和第二参考平面上的点C2对应的理想喷涂厚度f2(x2，y2)之间的关系为：/>
则，自由曲面上的点S对应的理想喷涂厚度f3(x3，y3)与第一参考平面上的点C1对应的理想喷涂厚度f1(x1，y1)之间的关系为：
步骤S440：基于预先构建的目标函数minE(v,D)、所述缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)的值，确定单位时间内单次喷涂的最优喷涂厚度、相邻喷涂路径的最优间距；
所述目标函数minE(v,D)为：
其中，q(L,v,D)为实际喷涂厚度函数，所述实际喷涂厚度函数表示在喷涂速度为v、相邻喷涂路径的间距为D、当前喷涂路径到前一条喷涂路径之间的垂线距离为L时，缺陷区域自由曲面上的点对应的单位时间内单次喷涂的实际喷涂厚度；且 a、b为常数；
qd为缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)的值；
步骤S450：设定喷涂速度v固定，对所述目标函数minE(v,D)求二阶导数，所述目标函数minE(v,D)的二阶导数为零时，对应L的值为单位时间内单次喷涂的最优喷涂厚度；所述目标函数minE(v,D)的二阶导数为零时，对应D的值为相邻喷涂路径的最优间距；
步骤S460：基于实际喷涂厚度函数q(L,v,D)、单位时间内单次喷涂的最优喷涂厚度、相邻喷涂路径的最优间距，确定最优喷涂速度。
因此，通过步骤S410～步骤S460，通过建立动态涂层沉积模型，针对缺陷区域为不规则曲面的特性，建立第二参考平面和第一参考平面，并根据涂层沉积模型确定在缺陷区域自由曲面上单位时间内单次喷涂的最优喷涂厚度、相邻喷涂路径的最优间距，再根据实际喷涂厚度函数q(L,v,D)确定最优喷涂速度，从而得到对缺陷区域进行喷涂的精确的喷涂参数，极大地提高了涂层沉积模型对自由曲面类零件的适应性，并可以准确控制腻子单次喷涂厚度。
进一步地，步骤S500，具体包括：
步骤S510：基于所述单位时间内单次喷涂的最优喷涂厚度、所述缺陷区域的待填充深度，采用分层切片的方式划分缺陷区域的喷涂层，并得到喷涂层的层数n；
步骤S520：对各喷涂层的轮廓区域的点云数据通过贝塞尔曲线进行平滑处理；
步骤S530：基于喷涂参数中的相邻喷涂路径的最优间距，从平滑处理后的第一层喷涂层开始喷涂，且针对平滑处理后的每一层喷涂层从内向外依次喷涂，形成螺旋型偏置喷涂路径，直至完成第n层的喷涂。
因此，通过将经典螺旋型路径与轮廓偏置相结合形成改进式螺旋偏置复合路径，保证路径流畅的同时又可以避免喷枪的多次启停，不仅减少了空走行程，提高作业效率，而且可以更好的满足腻子喷涂作业的实际情况。
实施例二：本实施例公开一种曲面构件的腻子喷涂装置，所述装置应用实施例一所述的腻子喷涂方法，所述装置包括三维形貌数据生成单元、区域识别单元、待填充深度计算单元、喷涂参数计算单元、缺陷区域分层划分单元；
三维形貌数据生成单元，用于基于面结构光测量技术和光度立体视觉测量技术测量待喷涂物体，生成所述待喷涂物体的表面三维形貌数据；
区域识别单元，基于所述表面三维形貌数据，识别待喷涂物体的背景区域和缺陷区域；
待填充深度计算单元，基于所述待喷涂物体的背景区域、缺陷区域和预先构建的缺陷深度识别模型，确定所述缺陷区域的待填充深度；
喷涂参数计算单元，基于缺陷区域和预先构建的涂层沉积模型确定喷涂参数；所述喷涂参数包括单位时间内单次喷涂的最优喷涂厚度、最优喷涂速度、相邻喷涂路径的最优间距；
缺陷区域分层划分单元，基于所述单位时间内单次喷涂的最优喷涂厚度、所述缺陷区域的待填充深度，采用分层切片的方式划分所述缺陷区域的喷涂层，并对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理；基于所述喷涂参数对缺陷区域的各喷涂层依次进行喷涂。
实施例三：
本实施例公开一种终端，包括处理器、存储器及通信总线；所述通信总线用于实现处理器和存储器之间的连接通信，所述处理器用于执行存储器中存储的一个或者多个程序，以实现如实施例一所述的腻子喷涂方法的步骤。
实施例四：
本实施例公开一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如实施例一所述的腻子喷涂方法的步骤。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种曲面构件腻子喷涂方法，其特征在于，包括以下步骤：
步骤S100：基于面结构光测量技术和光度立体视觉测量技术测量待喷涂物体，生成所述待喷涂物体的表面三维形貌数据；
步骤S200：基于所述表面三维形貌数据，识别待喷涂物体的背景区域和缺陷区域；
步骤S300：基于所述待喷涂物体的背景区域、缺陷区域和预先构建的缺陷深度识别模型，确定所述缺陷区域的待填充深度；
步骤S400：基于缺陷区域和预先构建的涂层沉积模型确定喷涂参数；所述喷涂参数包括单位时间内单次喷涂的最优喷涂厚度、最优喷涂速度、相邻喷涂路径的最优间距；
步骤S500：基于所述单位时间内单次喷涂的最优喷涂厚度、所述缺陷区域的待填充深度，采用分层切片的方式划分所述缺陷区域的喷涂层，并对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理；基于所述喷涂参数对缺陷区域的各喷涂层依次进行喷涂。
2.根据权利要求1所述的曲面构件腻子喷涂方法，其特征在于，步骤S100，具体包括：
步骤S110：基于面结构光测量技术测量待喷涂物体，得到初始面结构光点云数据；对所述初始面结构光点云数据进行滤波处理，滤除所述初始面结构光点云数据中的高频信息，保留所述初始面结构光点云数据中的低频信息，生成面结构光三维模型；
步骤S120：基于光度立体视觉测量技术测量待喷涂物体，得到初始光度立体点云数据，对所述初始光度立体点云数据进行滤波处理，滤除所述初始光度立体点云数据中的低频信息，保留所述初始光度立体点云数据中的高频信息，生成光度立体三维模型；
步骤S130：基于所述面结构光三维模型和光度立体三维模型，生成所述待喷涂物体的表面三维形貌数据。
3.根据权利要求1所述的曲面构件腻子喷涂方法，其特征在于，步骤S200，具体包括：
步骤S210：基于所述表面三维形貌数据，确定所述表面三维形貌数据中各点的曲率；
步骤S220：将表面三维形貌数据中曲率最小的点标记为种子点，将所述种子点划分为待喷涂物体的缺陷区域，并计算所述种子点邻域内每个点与种子点之间的夹角α；
步骤S230：基于所述种子点邻域内每个点与种子点之间的夹角α、种子点邻域内每个点的曲率，确定待喷涂物体的缺陷区域和背景区域。
4.根据权利要求3所述的曲面构件腻子喷涂方法，其特征在于，步骤S230具体包括：
步骤S231：判断所述夹角α与预设夹角阈值的大小；若该点与种子点之间的夹角α＜预设夹角阈值，则将该点划分为缺陷区域；若该点与种子点之间的夹角α≥预设夹角阈值，则进一步判断该点的曲率与预设曲率阈值的大小，若该点的曲率＜预设曲率阈值，则将该点划分为缺陷区域；若该点的曲率≥预设曲率阈值，则将该点划分为背景区域；
步骤S232：历遍种子点邻域内所有的点，得到待喷涂物体的缺陷区域和背景区域。
5.根据权利要求3所述的曲面构件腻子喷涂方法，其特征在于，确定所述表面三维形貌数据中各点的曲率之前，还包括：
对所述表面三维形貌数据进行离群点移除处理、下采样处理和重采样处理。
6.根据权利要求1所述的曲面构件腻子喷涂方法，其特征在于，步骤S300，具体包括：
步骤S310：基于所述待喷涂物体的背景区域，计算所述背景区域内各个点的法向矢量，基于背景区域内各个点的法向矢量确定背景区域的平均矢量；
步骤S320：计算所述平均矢量与Z轴方向的旋转变换矩阵；
步骤S330：基于所述旋转变换矩阵，将背景区域和缺陷区域的各个点进行变换，并将背景区域和缺陷区域变换后的点沿Z轴正方向投影，生成背景区域的二维点云数据和缺陷区域的二维点云数据；
步骤S340：基于所述背景区域的二维点云数据，采用全局加权最小二乘法进行拟合，生成待喷涂物体的理想基准曲面；基于所述缺陷区域的二维点云数据到理想基准曲面之间的距离确定所述缺陷区域各个点的待填充深度。
7.根据权利要求1所述的曲面构件腻子喷涂方法，其特征在于，步骤S400，具体包括：
步骤S410：构建涂层沉积模型；
所述涂层沉积模型为：
其中，f(x，y)为点(x，y)对应的单位时间内单次喷涂的理想喷涂厚度，k为涂层厚度修正系数，u1、u2分别为所述涂层沉积模型中心点坐标，δ1、δ2分别为所述涂层沉积模型X轴方向和Y轴方向上的有效半轴长度的1/3；
步骤S420：基于缺陷区域的自由曲面构建第一参考平面和第二参考平面；
步骤S430：基于所述涂层沉积模型，计算第一参考平面上的点对应的单位时间内单次喷涂的理想喷涂厚度f1(x1，y1)；基于所述单位时间内单次喷涂的理想喷涂厚度f1(x1，y1)和预先构建的参考平面切换模型，计算缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)；
所述参考平面切换模型为：
其中，h1为喷枪中心点到第一参考平面的垂直距离，h2为喷枪中心点到第二参考平面的垂直距离，θ为第一切线与第二参考平面之间的夹角，所述第一切线为过所述自由曲面的点且与自由曲面相切的切线；
步骤S440：基于预先构建的目标函数minE(v,D)、所述缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)的值，确定单位时间内单次喷涂的最优喷涂厚度、相邻喷涂路径的最优间距；
所述目标函数minE(v,D)为：
其中，q(L,v,D)为实际喷涂厚度函数，所述实际喷涂厚度函数表示在喷涂速度为v、相邻喷涂路径的间距为D、当前喷涂路径到前一条喷涂路径之间的垂线距离为L时，缺陷区域自由曲面上的点对应的单位时间内单次喷涂的实际喷涂厚度；且 a、b为常数；
qd为缺陷区域自由曲面上的点对应的单位时间内单次喷涂的理想喷涂厚度f3(x3，y3)的值；
步骤S450：设定喷涂速度v固定，对所述目标函数minE(v,D)求二阶导数；所述目标函数minE(v,D)的二阶导数为零时，对应L的值为单位时间内单次喷涂的最优喷涂厚度；所述目标函数minE(v,D)的二阶导数为零时，对应D的值为相邻喷涂路径的最优间距；
步骤S460：基于实际喷涂厚度函数q(L,v,D)、单位时间内单次喷涂的最优喷涂厚度、相邻喷涂路径的最优间距，确定最优喷涂速度。
8.一种曲面构件的腻子喷涂装置，其特征在于，包括：三维形貌数据生成单元、区域识别单元、待填充深度计算单元、喷涂参数计算单元、缺陷区域分层划分单元；
三维形貌数据生成单元，用于基于面结构光测量技术和光度立体视觉测量技术测量待喷涂物体，生成所述待喷涂物体的表面三维形貌数据；
区域识别单元，基于所述表面三维形貌数据，识别待喷涂物体的背景区域和缺陷区域；
待填充深度计算单元，基于所述待喷涂物体的背景区域、缺陷区域和预先构建的缺陷深度识别模型，确定所述缺陷区域的待填充深度；
喷涂参数计算单元，基于缺陷区域和预先构建的涂层沉积模型确定喷涂参数；所述喷涂参数包括单位时间内单次喷涂的最优喷涂厚度、最优喷涂速度、相邻喷涂路径的最优间距；缺陷区域分层划分单元，基于所述单位时间内单次喷涂的最优喷涂厚度、所述缺陷区域的待填充深度，采用分层切片的方式划分所述缺陷区域的喷涂层，并对各喷涂层轮廓区域的点云数据通过贝塞尔曲线进行平滑处理；基于所述喷涂参数对缺陷区域的各喷涂层依次进行喷涂。
9.一种终端，其特征在于，包括：处理器、存储器及通信总线；所述通信总线用于实现处理器和存储器之间的连接通信，所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1-7任一项所述的曲面构件腻子喷涂方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-7任一项所述的曲面构件腻子喷涂方法的步骤。
CN202311246477.3A 2023-09-25 2023-09-25 一种曲面构件腻子喷涂方法 Pending CN117324221A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311246477.3A CN117324221A (zh) 2023-09-25 2023-09-25 一种曲面构件腻子喷涂方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311246477.3A CN117324221A (zh) 2023-09-25 2023-09-25 一种曲面构件腻子喷涂方法

Publications (1)

Publication Number Publication Date
CN117324221A true CN117324221A (zh) 2024-01-02

Family

ID=89278286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311246477.3A Pending CN117324221A (zh) 2023-09-25 2023-09-25 一种曲面构件腻子喷涂方法

Country Status (1)

Country Link
CN (1) CN117324221A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649545A (zh) * 2024-01-30 2024-03-05 武汉市双桥科技有限公司 基于人工智能的喷涂轨迹规划方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649545A (zh) * 2024-01-30 2024-03-05 武汉市双桥科技有限公司 基于人工智能的喷涂轨迹规划方法及系统
CN117649545B (zh) * 2024-01-30 2024-04-12 武汉市双桥科技有限公司 基于人工智能的喷涂轨迹规划方法及系统

Similar Documents

Publication Publication Date Title
CN107876970B (zh) 一种机器人多层多道焊接焊缝三维检测及焊缝拐点识别方法
WO2021103154A1 (zh) 一种可用于多车型的智能喷涂的机器人控制方法
CN110091333B (zh) 复杂曲面表面焊缝特征识别和自动磨抛的装置及方法
CN111598916A (zh) 一种基于rgb-d信息的室内占据栅格地图的制备方法
CN103106632B (zh) 一种基于均值漂移的不同精度三维点云数据的融合方法
CN111860501B (zh) 基于形状匹配的高铁高度调整杆脱出故障图像识别方法
CN117324221A (zh) 一种曲面构件腻子喷涂方法
CN110335234A (zh) 一种基于古文物LiDAR点云的三维变化检测方法
CN111035115A (zh) 一种基于3d视觉鞋底涂胶路径规划方法和装置
CN112508895B (zh) 一种基于曲面配准的螺旋桨叶片质量评估方法
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
CN114972377A (zh) 基于移动最小二乘法与超体素的3d点云分割方法和装置
CN110415331B (zh) 一种基于点云数据的轮廓或孔洞快速检测判别和孔洞修补方法
CN108520550B (zh) 基于噪声分类与mls的点云数据泊松曲面重建方法
JP2023539728A (ja) ロボット補修制御システム及び方法
CN116091404A (zh) 一种基于图像-点云信息融合的焊线缺陷检测及模式识别方法
CN117274167A (zh) 一种基于三维信息的成形焊缝外观缺陷提取方法
CN117340900B (zh) 一种热喷涂机器人路径规划方法及系统
CN114066752A (zh) 面向焊缝跟踪的线结构光骨架提取及毛刺去除方法
CN116673597B (zh) 用于双v复合型坡口的激光线图像特征提取系统及方法
CN112016354B (zh) 一种基于视觉识别的运粮车粮箱装载状态检测方法
CN115971004A (zh) 一种针对车厢的智能腻子喷涂方法及系统
CN116841246A (zh) 一种基于三维点云数据的机器人打磨路径自动规划方法
CN116664508A (zh) 一种焊缝表面质量检测方法及计算机可读存储介质
CN114820505A (zh) 一种动态目标的非接触测量方法

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