CN117548824B - 一种光学精密测定机器人激光远程焊接方法 - Google Patents

Abstract

本发明涉及激光焊接领域，更具体地，本发明涉及一种光学精密测定机器人激光远程焊接方法，方法包括：获取激光时的历史焊接图像并对特征区域进行标记，从而建立不同的高斯模型，获取待焊接图像，计算待焊接图像的隶属度以进行聚类，得到目标焊接区域的图像并进行边缘检测，得到目标焊接区域的边缘；计算所述边缘的像素点的曲率方向和曲率大小以及目标焊接区域的宽度，确定焊接路径；根据已焊接区域对应所述焊接完成区域的高斯模型，实时检测焊接的状态。本发明通过控制在激光焊接时，更准确的确定出待焊接区域，并根据待焊接区域边缘像素点的曲率方向和曲率大小以及待焊接区域的宽度，选择出一条最优的焊接路径。

Description

一种光学精密测定机器人激光远程焊接方法

技术领域

本发明一般地涉及激光焊接领域。更具体地，本发明涉及一种光学精密测定机器人激光远程焊接方法。

背景技术

光学精密测定机器人是一种具有高精度、高灵活性和自动化特点的机器人系统，主要用于进行精密测量和检测工作。这样的机器人系统通常结合了光学传感器、计算机视觉系统和先进的控制算法，以实现对目标物体的高精度测定。

激光远程焊接是一种高级的焊接技术，利用激光光束进行焊接而无需直接接触工件表面，其广泛应用于汽车制造、航空航天、电子制造、医疗器械等领域。它可以用于焊接薄壁结构、复杂形状的零部件以及需要高精度和高效率的应用场景。

在远程焊接过程中，由于光路较长，且复杂的工件形状、表面反射性、烟雾、灰尘等因素，会受到周围环境等因素的影响，这可能导致焊缝检测和焊接路径规划的困难，从而影响焊接质量，降低远程焊接效率。

发明内容

为解决上述一个或多个技术问题，本发明对激光焊接图像中灰尘、烟雾、待焊接区域和焊接完成区域分别建立高斯模型，计算焊接区域边缘像素点的曲率方向和曲率大小以及待焊接区域的宽度，计算交叉路径中不同路径的焊接差异，根据焊接差异确定最优焊接路径，为此，本发明在如下的多个方面中提供方案。

一种光学精密测定机器人激光远程焊接方法，包括：获取激光时的历史焊接图像，对所述历史焊接图像中特征区域进行标记，根据所述特征区域建立不同的高斯模型，其中特征区域分别为：灰尘区域、烟雾区域、焊接区域和焊接完成区域；实时获取待焊接图像，计算所述待焊接图像中每个像素值属于不同高斯模型的概率和8邻域内像素值的平均值的大小，得到待焊接图像的隶属度；对所述待焊接图像根据隶属度进行模糊均值聚类，得到目标焊接区域的图像；对所述目标焊接区域进行边缘检测，得到目标焊接区域的边缘；计算所述边缘的像素点的曲率方向和曲率大小以及目标焊接区域的宽度，确定焊接路径；根据所述目标焊接区域中已焊接区域对应所述焊接完成区域的高斯模型，实时检测焊接的状态。

在一个实施例中，所述隶属度的计算公式如下：

其中，表示第/>个像素对第/>个类的隶属度，/>表示第/>个像素属于第/>个类高斯模型的概率，/>表示第/>个像素的8邻域范围内像素属于第/>个类高斯模型的概率的均值，/>表示第/>个像素的8邻域范围内像素属于第/>个类高斯模型的概率的标准差；

对隶属度进行归一化处理。

在一个实施例中，对所述待焊接图像根据隶属度进行模糊均值聚类，得到目标焊接区域的图像，包括：

根据每个聚类簇的像素点属于焊接区域高斯模型的概率，得到目标焊接区域，将目标焊接区域的像素值设置为1，其他区域的像素值设置为0，得到目标焊接区域0/1图，将所述目标焊接区域0/1图和待焊接图像相乘得到目标焊接区域的图像。

在一个实施例中，计算所述边缘的像素点的曲率方向和曲率大小以及待焊接区域的宽度，包括：

计算所述边缘每个像素点的海森矩阵，计算所述海森矩阵的特征值和特征向量，其中，一个特征值对应一个特征向量，所述特征值有两个，分别为第一特征值和第二特征值，所述第一特征值大于第二特征值，所述第一特征值表示像素点曲率的大小，且第一特征值对应的特征向量表示像素点曲率的方向，所述第二特征值的特征向量的方向与曲率方向垂直；

计算所述第二特征值的像素点的个数，得到目标焊接区域的宽度。

在一个实施例中，根据所述边缘的像素点的曲率方向和曲率大小以及目标焊接区域的宽度确定焊接路径，包括：

响应于目标焊接区域只有一条路径，使用激光进行焊接；

响应于目标焊接区域有多条路径时，根据所述曲率方向和曲率大小以及目标焊接区域的宽度，选择最优的焊接路径。

在一个实施例中，所述选择最优的焊接路径，包括：

计算目标焊接区域的多条焊接路径中路径交叉点的不同路径的曲率方向和曲率大小以及目标焊接区域的宽度的差异，选择差异小的为焊接路径；

所述焊接差异的计算公式如下：

其中，表示当前路径和第/>个岔口的差异，/>表示当前焊接路径边缘的像素点的曲率大小，/>表示第/>个岔口对应的焊接路径边缘的像素点的曲率大小，/>表示当前焊接路径边缘的像素点曲率方向和第/>个岔口对应的焊接路径边缘的像素点曲率方向的夹角，/>表示当前焊接路径焊接区域的宽度，/>表示第/>个岔口对应的焊接路径焊接区域的宽度。

在一个实施例中，根据所述焊接路径，包括：

计算焊接路径中焊接边缘的像素点和未焊接区域的焊接边缘的像素点的焊接差异选择新的焊接路径；

响应于新的焊接路径包含图像中所有待焊接位置，则依据新的焊接路径对目标焊接区域进行焊接。

在一个实施例中，所述焊接完成区域的高斯模型，实时检测焊接的状态，包括：

将已焊接区域的像素值输入焊接完成区域高斯模型中，根据所述概率，检测焊接状态。

本发明具有以下效果：

1.本发明通过控制在激光焊接时，更准确的确定出待焊接区域，并根据待焊接区域边缘像素点的曲率方向和曲率大小以及待焊接区域的宽度，计算交叉路径中不同路径的焊接差异，根据焊接差异确定最优焊接路径，同时在焊接过程中，对已经完成焊接区域利用高斯函数概率，检验焊接效果，从而提高焊接质量。

2.本发明通过计算焊接区域边缘像素点的曲率方向和曲率大小以及待焊接区域的宽度，由于激光焊接的功率等和焊接宽度有直接关系，根据焊接宽度可以调整焊接功率，且先后路径中焊接宽度变化较大时，会影响焊接的效果，根据曲率大小和方向以及焊接区域的宽度计算每条焊接路径的焊接差异，从而进行焊接路径规划，确保焊接质量。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是本发明实施例一种光学精密测定机器人激光远程焊接方法中步骤S1-S6的方法流程图。

图2是本发明实施例一种光学精密测定机器人激光远程焊接方法中步骤S50-S54的方法流程图。

图3是本发明实施例一种光学精密测定机器人激光远程焊接方法中目标焊接区域的焊接路径示意图。

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做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。

下面结合附图来详细描述本发明的具体实施方式。

参照图1，一种光学精密测定机器人激光远程焊接方法包括步骤S1-S6，具体如下：

S1：获取激光时的历史焊接图像，对历史焊接图像中特征区域进行标记，根据特征区域建立不同的高斯模型。

其中特征区域分别为：灰尘区域、烟雾区域、焊接区域和焊接完成区域。

示例性的，通过CCD相机拍摄零件、材料等激光焊接时的图像，因为激光焊接时会出现一些雾气、灰尘等影响确定焊接区域位置的因素，因此根据实际焊接情况，将拍摄的图像中的灰尘区域、烟雾区域、焊接区域和焊接完成区域等标记出来，并根据不同区域的像素值分布建立不同的高斯模型。

S2：实时获取待焊接图像，计算待焊接图像中每个像素值属于不同高斯模型的概率和8邻域内像素值的平均值的大小，得到待焊接图像的隶属度。

隶属度的计算公式如下：

其中，表示第/>个像素对第/>个类的隶属度，/>表示第/>个像素属于第/>个类高斯模型的概率，/>表示第/>个像素的8邻域范围内像素属于第/>个类高斯模型的概率的均值，/>表示第/>个像素的8邻域范围内像素属于第/>个类高斯模型的概率的标准差；

对隶属度进行归一化处理。

示例性的，计算待焊接图像中每个像素点和8邻域像素点的像素值均值的差异，得到像素点和其周围像素点属于同一聚类簇的可能性，将像素点的像素值输入到高斯模型中，得到像素点属于不同区域的概率；

像素点属于某个类别高斯模型的概率越大，其隶属于该类的隶属度更大，像素点与其周围的像素点属于同一类别高斯模型的差异越小，则像素点属于该类别高斯模型的概率越大，其隶属于该类别的隶属度越大。计算完隶属度后，将其归一化，即某一像素点属于不同类别的隶属度相加为1。

S3：对待焊接图像根据隶属度进行模糊均值聚类，得到目标焊接区域的图像。

根据每个聚类簇的像素点属于焊接区域高斯模型的概率，得到目标焊接区域，将目标焊接区域的像素值设置为1，其他区域的像素值设置为0，得到目标焊接区域0/1图，将目标焊接区域0/1图和待焊接图像相乘得到目标焊接区域的图像。

示例性的，本实施例中根据隶属度对待焊接图像进行K均值（K-Means）聚类，聚类完成后根据每个类的像素点属于焊接区域高斯模型的概率得到目标焊接区域。

S4：对目标焊接区域进行边缘检测，得到目标焊接区域的边缘。

示例性的，本实施例中对待焊接图像采用canny边缘检测得到待焊接区域的边缘，Canny边缘检测是一种经典的图像处理算法，用于检测图像中的边缘，具有高效、准确和低错误率的特点。

S5：计算边缘的像素点的曲率方向和曲率大小以及目标焊接区域的宽度，确定焊接路径，包括步骤S50-S54：

S50：计算边缘每个像素点的海森矩阵，计算海森矩阵的特征值和特征向量，一个特征值对应一个特征向量，其中，特征值有两个，分别为第一特征值和第二特征值，第一特征值大于第二特征值，第一特征值表示像素点曲率的大小，且第一特征值对应的特征向量表示像素点曲率的方向，第二特征值的特征向量的方向与曲率方向垂直；

示例性的，对于图像处理中的像素点，图像中的像素点通常由两个坐标表示，如(x, y)，像素点的坐标是二维空间，因此海森矩阵的维度是2*2，因此得到两个特征值，其中特征值大的为曲率的方向。

S51：计算第二特征值的像素点的个数，得到目标焊接区域的宽度；

S52：响应于目标焊接区域只有一条路径，使用激光进行焊接；响应于目标焊接区域有多条路径时，根据曲率方向和曲率大小以及目标焊接区域的宽度，选择最优的焊接路径。

S53：计算目标焊接区域的多条焊接路径中路径交叉点的不同路径的曲率方向和曲率大小以及目标焊接区域的宽度的差异，选择差异小的为焊接路径；

示例性的，参照图3，在激光焊接时，当路径只有1条时，沿着路径进行焊接，当有多条路径时，沿着路径1到达路径交叉点A的位置的时候，出现路径2、路径3以及路径4，通过计算不同路径的曲率方向和曲率大小以及目标焊接区域的宽度的差异，当差异最小时，为下一个焊接路径，焊接时，出现焊接岔路口时的选择，应该选择前后焊接方向变化较小的路口，同时也应该选择前后需要焊接宽度变化较小的路径，应该激光焊接时，激光焊接的功率等和焊接宽度有直接关系，当先后路径中要焊接宽度变化较大时，要想达到较为理想的焊接效果需要控制焊接的功率发生相应的变化，所以我们应该选择前后焊接路径曲率和焊接宽度变化较小的。

焊接差异的计算公式如下：

其中，表示当前路径和第/>个岔口的差异，/>表示当前焊接路径边缘的像素点的曲率大小，/>表示第/>个岔口对应的焊接路径边缘的像素点的曲率大小，/>表示当前焊接路径边缘的像素点曲率方向和第/>个岔口对应的焊接路径边缘的像素点曲率方向的夹角，/>表示当前焊接路径焊接区域的宽度，/>表示第/>个岔口对应的焊接路径焊接区域的宽度；

S54：计算焊接路径中焊接边缘的像素点和未焊接区域的焊接边缘的像素点的焊接差异选择新的焊接路径；响应于新的焊接路径包含图像中所有待焊接位置，则依据新的焊接路径对目标焊接区域进行焊接；

示例性的，根据上述方法选出一条合适的焊接路径后，再计算该路径中最后焊接边缘像素点的和未焊接区域的焊接边缘像素点的焊接差异，选择新的焊接路径，直至包含所有焊接位置。

S6：根据目标焊接区域中已焊接区域对应焊接完成区域的高斯模型，实时检测焊接的状态。

将已焊接区域的像素值输入焊接完成区域高斯模型中，根据概率，检测焊接状态。

示例性的，在焊接过程中，对已经焊接完成区域进行检测，从而判断是否要继续进行焊接。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (7)

1.一种光学精密测定机器人激光远程焊接方法，其特征在于，包括：

获取激光时的历史焊接图像，对所述历史焊接图像中特征区域进行标记，根据所述特征区域建立不同的高斯模型，其中特征区域分别为：灰尘区域、烟雾区域、焊接区域和焊接完成区域；

实时获取待焊接图像，计算所述待焊接图像中每个像素值属于不同高斯模型的概率和8邻域内像素值的平均值的大小，得到待焊接图像的隶属度；

对所述待焊接图像根据隶属度进行模糊均值聚类，得到目标焊接区域的图像；

对所述目标焊接区域进行边缘检测，得到目标焊接区域的边缘；

计算所述边缘的像素点的曲率方向和曲率大小以及目标焊接区域的宽度，确定焊接路径；

根据所述目标焊接区域中已焊接区域对应所述焊接完成区域的高斯模型，实时检测焊接的状态；

计算所述边缘的像素点的曲率方向和曲率大小以及待焊接区域的宽度，包括：

计算所述边缘每个像素点的海森矩阵，计算所述海森矩阵的特征值和特征向量，其中，一个特征值对应一个特征向量，所述特征值有两个，分别为第一特征值和第二特征值，所述第一特征值大于第二特征值，所述第一特征值表示像素点曲率的大小，且第一特征值对应的特征向量表示像素点曲率的方向，所述第二特征值的特征向量的方向与曲率方向垂直；

计算所述第二特征值的像素点的个数，得到目标焊接区域的宽度。

2.根据权利要求1所述的一种光学精密测定机器人激光远程焊接方法，其特征在于，所述隶属度的计算公式如下：

其中，表示第/>个像素对第/>个类的隶属度，/>表示第/>个像素属于第/>个类高斯模型的概率，/>表示第/>个像素的8邻域范围内像素属于第/>个类高斯模型的概率的均值，/>表示第/>个像素的8邻域范围内像素属于第/>个类高斯模型的概率的标准差；

对隶属度进行归一化处理。

3.根据权利要求1所述的一种光学精密测定机器人激光远程焊接方法，其特征在于，对所述待焊接图像根据隶属度进行模糊均值聚类，得到目标焊接区域的图像，包括：

根据每个聚类簇的像素点属于焊接区域高斯模型的概率，得到目标焊接区域，将目标焊接区域的像素值设置为1，其他区域的像素值设置为0，得到目标焊接区域0/1图，将所述目标焊接区域0/1图和待焊接图像相乘得到目标焊接区域的图像。

4.根据权利要求1所述的一种光学精密测定机器人激光远程焊接方法，其特征在于，根据所述边缘的像素点的曲率方向和曲率大小以及目标焊接区域的宽度确定焊接路径，包括：

响应于目标焊接区域只有一条路径，使用激光进行焊接；

响应于目标焊接区域有多条路径时，根据所述曲率方向和曲率大小以及目标焊接区域的宽度，选择最优的焊接路径。

5.根据权利要求4所述的一种光学精密测定机器人激光远程焊接方法，其特征在于，所述选择最优的焊接路径，包括：

计算目标焊接区域的多条焊接路径中路径交叉点的不同路径的曲率方向和曲率大小以及目标焊接区域的宽度的差异，选择差异小的为焊接路径；

所述焊接差异的计算公式如下：

其中，表示当前路径和第/>个岔口的差异，/>表示当前焊接路径边缘的像素点的曲率大小，/>表示第/>个岔口对应的焊接路径边缘的像素点的曲率大小，/>表示当前焊接路径边缘的像素点曲率方向和第/>个岔口对应的焊接路径边缘的像素点曲率方向的夹角，/>表示当前焊接路径焊接区域的宽度，/>表示第/>个岔口对应的焊接路径焊接区域的宽度。

6.根据权利要求5所述的一种光学精密测定机器人激光远程焊接方法，其特征在于，根据所述焊接路径，包括：

计算焊接路径中焊接边缘的像素点和未焊接区域的焊接边缘的像素点的焊接差异选择新的焊接路径；

响应于新的焊接路径包含图像中所有待焊接位置，则依据新的焊接路径对目标焊接区域进行焊接。

7.根据权利要求1所述的一种光学精密测定机器人激光远程焊接方法，其特征在于，所述焊接完成区域的高斯模型，实时检测焊接的状态，包括：

将已焊接区域的像素值输入焊接完成区域高斯模型中，根据所述概率，检测焊接状态。