CN117943256B - 一种自适应涂胶工艺控制方法及系统 - Google Patents
一种自适应涂胶工艺控制方法及系统 Download PDFInfo
- Publication number
- CN117943256B CN117943256B CN202410353671.XA CN202410353671A CN117943256B CN 117943256 B CN117943256 B CN 117943256B CN 202410353671 A CN202410353671 A CN 202410353671A CN 117943256 B CN117943256 B CN 117943256B
- Authority
- CN
- China
- Prior art keywords
- gluing
- welding
- vehicle body
- fitting
- image
- 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
Links
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 487
- 238000000034 method Methods 0.000 title claims abstract description 216
- 238000004886 process control Methods 0.000 title claims abstract description 18
- 238000003466 welding Methods 0.000 claims abstract description 295
- 230000008569 process Effects 0.000 claims abstract description 182
- 238000004458 analytical method Methods 0.000 claims abstract description 160
- 230000000694 effects Effects 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 239000003292 glue Substances 0.000 claims description 76
- 238000005457 optimization Methods 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 39
- 238000000576 coating method Methods 0.000 claims description 26
- 238000004519 manufacturing process Methods 0.000 claims description 23
- 239000011248 coating agent Substances 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 239000000565 sealant Substances 0.000 claims description 8
- 230000013011 mating Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 230000007480 spreading Effects 0.000 description 24
- 238000003892 spreading Methods 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003872 anastomosis Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)
Abstract
本发明公开了一种自适应涂胶工艺控制方法及系统，属于图像处理领域，其中方法包括：对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像；进行点云拟合，获取车身拟合图像和焊接拟合图像；进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果；对配准分析结果进行划分，获得多个分段配准分析结果；进行焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶。本发明解决了现有技术中车身部件和焊接部件涂胶工艺控制精度不足，导致涂胶质量差的技术问题，达到了通过处理车身部件和焊接部件的点云图像，自适应优化车身部件和焊接部件涂胶工艺参数，提升涂胶质量的技术效果。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种自适应涂胶工艺控制方法及系统。
背景技术
在汽车制造过程中，车身部件和焊接部件在配合焊接前，需对车身部件和焊接部件进行涂胶处理，该涂胶质量的优劣直接影响整车的安全性、可靠性和使用寿命等。然而，现有技术中车身部件和焊接部件的涂胶工艺控制通常采用固定的工艺参数，难以适应不同车型、不同批次产品的个体差异，造成涂胶厚度不均、涂覆偏差大等问题，从而导致涂胶质量差。
发明内容
本申请通过提供了一种自适应涂胶工艺控制方法及系统，旨在解决现有技术中车身部件和焊接部件涂胶工艺控制精度不足，导致涂胶质量差的技术问题。
鉴于上述问题，本申请提供了一种自适应涂胶工艺控制方法及系统。
本申请公开的第一个方面，提供了一种自适应涂胶工艺控制方法，该方法包括：对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，其中，车身部件和焊接部件在涂胶后进行配合焊接；根据车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在车身点云图像和焊接点云图像内进行点云拟合，获取车身拟合图像和焊接拟合图像；采用车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果；在焊接配合面上，对配准分析结果进行划分，获得多个分段配准分析结果；根据多个分段配准分析结果，进行焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶，其中，以提升多个涂胶段的涂胶效果和降低涂胶工艺参数调整幅度，进行涂胶工艺参数优化。
本申请公开的另一个方面，提供了一种自适应涂胶工艺控制系统，该系统包括：点云图像获取模块，用于对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，其中，车身部件和焊接部件在涂胶后进行配合焊接；拟合图像获取模块，用于根据车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在车身点云图像和焊接点云图像内进行点云拟合，获取车身拟合图像和焊接拟合图像；配准分析模块，用于采用车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果；分析结果划分模块，用于在焊接配合面上，对配准分析结果进行划分，获得多个分段配准分析结果；工艺参数优化模块，用于根据多个分段配准分析结果，进行焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶，其中，以提升多个涂胶段的涂胶效果和降低涂胶工艺参数调整幅度，进行涂胶工艺参数优化。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，为后续的图像处理和分析提供原始数据；根据车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在车身点云图像和焊接点云图像内进行点云拟合，获取车身拟合图像和焊接拟合图像，为后续的配准分析做好准备；采用车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果，在车身部件和焊接部件的焊接配合面上建立起几何对应关系，为优化涂胶工艺参数提供依据；在焊接配合面上，对配准分析结果进行划分，获得多个分段配准分析结果，以实现对配准分析结果进行分段处理，细化涂胶工艺参数的优化粒度，有助于提高涂胶质量；根据多个分段配准分析结果，进行焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶，从而改善涂胶质量、提高涂胶效率的技术方案，解决了现有技术中车身部件和焊接部件涂胶工艺控制精度不足，导致涂胶质量差的技术问题，达到了通过处理车身部件和焊接部件的点云图像，自适应优化车身部件和焊接部件涂胶工艺参数，提升涂胶质量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种自适应涂胶工艺控制方法的一种流程示意图；
图2为本申请实施例提供了一种自适应涂胶工艺控制方法中获得配准分析结果的一种流程示意图；
图3为本申请实施例提供了一种自适应涂胶工艺控制系统的一种结构示意图。
附图标记说明：点云图像获取模块11，拟合图像获取模块12，配准分析模块13，分析结果划分模块14，工艺参数优化模块15。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了一种自适应涂胶工艺控制方法及系统，通过点云扫描和图像处理技术，精确感知待涂胶车身部件和焊接部件的实际几何特征，并结合生产数据中的标准模型，在焊接配合面上开展配准分析和分段优化，自适应调整各涂胶段的工艺参数，从而达到提升涂胶质量的目的。
具体而言，首先，对车身部件和焊接部件进行扫描检测，获取点云图像数据。然后，根据生产数据引入多个标准模型，对点云图像进行拟合处理，得到更准确、更具参考价值的拟合图像。接着，利用拟合图像，在焊接配合面上进行配准分析，建立起几何对应关系。进而，对配准结果实施分段处理，细化涂胶工艺参数的优化粒度。随后，以提升涂胶效果和降低参数调整幅度为优化目标，优化各涂胶段的最优工艺参数，形成多个自适应的涂胶工艺参数，进行涂胶，从而提高涂胶质量。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种自适应涂胶工艺控制方法，该方法包括：
S1：对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，其中，所述车身部件和焊接部件在涂胶后进行配合焊接；
在本申请实施例中，在车身部件和焊接部件焊接前，需在车身部件和焊接部件的结合处涂覆一层密封胶，然后再进行焊接。其中，密封胶的作用是在焊接完成后填充车身部件与焊接部件之间的缝隙，起到密封、减振、降噪等作用。
为了获取待进行涂胶的车身部件和焊接部件的实际形貌信息，以便后续进行精确的涂胶工艺控制，需要先对待进行涂胶的车身部件和焊接部件进行扫描检测，从而得到车身点云图像和焊接点云图像，精确刻画待进行涂胶的车身部件和焊接部件的实际形貌。扫描检测采用三维扫描设备，如激光雷达、结构光三维扫描仪等。其中，车身部件是指组成车身骨架的各个部分，如车顶、车门、立柱等；焊接部件是指需要焊接到车身部件上的零部件，如加强筋、支架等。
通过对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，为后续的配准分析和涂胶参数优化提供了基础。
S2：根据所述车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，获取车身拟合图像和焊接拟合图像；
在本申请实施例中，在已获取的车身点云图像和焊接点云图像的基础上，结合车身部件和焊接部件的生产数据，获得车身拟合图像和焊接拟合图像，以形成匹配实际车身部件和焊接部件形貌的二维模型。
首先，从生产数据库中调取与当前车身部件和焊接部件相对应的多个历史模型，获取多个车身模型和多个焊接模型，这些模型来自之前已加工完成的同类型车身部件和焊接部件的测量数据。然后，将获取到的多个车身模型和多个焊接模型分别与车身点云图像和焊接点云图像进行比对，找出最佳匹配的模型。例如，采用RANSAC（随机抽样一致性）算法进行点云拟合，通过随机抽取点云中的部分点，估计出模型参数，然后根据内点数目评判模型是否合适，经过多次迭代，找到对当前点云描述最优的模型。拟合得到的二维模型，记作车身拟合图像和焊接拟合图像。这两个图像反映车身部件和焊接部件在垂直于焊接面方向上的轮廓特征，为后续的焊接配合面分析以及涂胶参数计算奠定了模型基础。
S3：采用所述车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果；
在本申请实施例中，在获取车身拟合图像和焊接拟合图像后，基于车身拟合图像和焊接拟合图像分析车身部件和焊接部件在焊接配合面上的契合程度，为后续的涂胶工艺优化提供依据。所谓焊接配合面，是指车身部件和焊接部件相互接触并形成焊接连接的表面。
首先，通过考虑车身拟合图像和焊接拟合图像在平移、旋转等方面的相对位置关系，将车身拟合图像和焊接拟合图像在空间中进行配准对齐，以使它们能够最大程度地重合。配准方式包括ICP（迭代最近点）算法、基于特征点的配准算法等。配准完成后，将焊接配合面沿焊缝方向进行离散化，计算每一个离散点处两图像轮廓线的距离，生成间隙分布曲线，作为配准分析结果。
通过得到车身拟合图像和焊接拟合图像之间的配准分析结果，可以获知焊接配合面上不同位置的间隙分布情况，用于针对性指导后续的涂胶参数设置，提高涂胶质量。例如，间隙较大的区域需要增加涂胶量，而间隙较小的区域则可以适当减少涂胶量等。此外，如果间隙分布出现明显的波动或突变，可能意味着车身部件或焊接部件存在形状缺陷，需要进行调整或返工。
S4：在所述焊接配合面上，对所述配准分析结果进行划分，获得多个分段配准分析结果；
在本申请实施例中，在涂胶工艺中，由于车身部件和焊接部件的形状复杂，焊接配合面上的间隙分布往往呈现出非均匀性，如果对整个焊接配合面采用统一的涂胶参数，会难以同时满足不同区域的涂胶要求。因此，在确定配准分析结果后，按照间隙分布特征对配准分析结果进行划分，为后续的分段涂胶参数优化做准备。
其中，按照间隙分布特征对配准分析结果进行划分依据有两个方面：一是间隙大小，二是间隙变化趋势。
对间隙大小而言，将间隙分布曲线按照间隙大小划分为几个涂胶段，每个涂胶段内的间隙大小相对接近。其中，各涂胶段的边界根据间隙大小的阈值来确定，例如0-0.2mm、0.2-0.5mm、0.5-1.0mm等。
对间隙变化趋势而言，将间隙分布曲线按照间隙变化趋势划分为几个涂胶段，每个涂胶段内的间隙变化趋势相对一致。例如，将间隙逐渐增大的区域划为一个涂胶段，将间隙逐渐减小的区域划为另一个涂胶段。
在实际操作中，综合考虑间隙大小和间隙变化趋势，并结合具体的生产工艺要求，灵活地进行涂胶段划分，从而将整个焊接配合面分为若干个涂胶段，每个涂胶段将对应一组独立的涂胶工艺参数。
划分完成后，将配准分析结果按照若干个涂胶段进行划分，得到各涂胶段的配准分析结果，将各个涂胶段的配准分析结果记录下来，形成多个分段配准分析结果，作为分段进行涂胶工艺参数优化的直接依据。
S5：根据所述多个分段配准分析结果，进行所述焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶，其中，以提升多个涂胶段的涂胶效果和降低涂胶工艺参数调整幅度，进行涂胶工艺参数优化。
在本申请实施例中，在分段配准分析结果的基础上，对每个涂胶段的涂胶工艺参数进行优化求解，得到适用于当前车身部件和焊接部件的多个涂胶工艺参数，作为优选涂胶方案。其中，涂胶工艺参数包括涂胶量、涂胶位置、涂胶速度等。
其中，对多个涂胶段的涂胶工艺参数优化是多目标决策的过程。一方面，需要确保每个涂胶段内的胶缝都能够得到有效的填充和密封，避免出现漏胶或裂缝等质量缺陷；另一方面，尽可能地降低涂胶工艺参数的调整幅度，以减少涂胶过程中的时间损耗和设备磨损。
具体的优化过程如下：
首先，针对每个涂胶段，根据其间隙分布特征，在涂胶工艺参数库中选取一组初始参数作为优化的起点，这组初始参数来源于之前成功的涂胶案例或专家经验。然后，以初始参数为基础，在一定范围内对涂胶工艺参数进行微调，模拟涂胶效果。例如，使用涂胶仿真软件，如有限元分析软件，对不同参数组合下的涂胶效果进行预测和评估。接着，将模拟得到的涂胶效果与目标涂胶要求进行比对，计算评价指标。其中，评价指标包括胶缝填充率、胶缝厚度均匀性、涂胶面积覆盖率等。同时，考虑涂胶工艺参数的调整幅度，尽量选择与相邻区间参数接近的组合。之后，根据评价指标的优劣，对涂胶工艺参数进行迭代优化，如使用梯度下降法、遗传算法、粒子群算法等优化算法。通过多次迭代，不断更新涂胶工艺参数，直到找到满足要求的多个涂胶工艺参数。
在获取多个涂胶工艺参数后，将优化得到的多个涂胶工艺参数下发给涂胶设备，进行实际的涂胶操作。在涂胶过程中，对涂胶效果进行实时监测和反馈，必要时可以对参数进行微调。
通过为每个涂胶段求解出一组最佳的涂胶工艺参数，在保证涂胶效果的同时，最大限度地降低涂胶工艺参数调整幅度，使涂胶设备在涂胶过程中切换参数时更加平稳，减少了设备的冲击和磨损，提升了涂胶工艺的柔性和适应性，从而提高涂胶质量。
进一步的，本申请实施例还包括：
根据所述车身部件和焊接部件的生产记录数据，获取历史车身部件数据集合和历史焊接部件数据集合；
根据所述历史车身部件数据集合和历史焊接部件数据集合，构建不同的车身部件和焊接部件的二维模型，获得所述多个车身模型和多个焊接模型；
采用所述多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，获得多个车身拟合相似度和多个基础车身拟合图像，以及多个焊接拟合相似度和多个基础焊接拟合图像；
输出车身拟合相似度最大的基础车身拟合图像，以及焊接拟合相似度最大的基础焊接拟合图像，获得所述车身拟合图像和焊接拟合图像。
在一种可行的实施方式中，在实际生产中，会对车身部件和焊接部件进行测量和记录，形成大量的历史数据，包含了车身部件和焊接部件的尺寸、形状、公差等信息，反映了产品的实际生产状态。通过对车身部件和焊接部件的生产记录数据进行收集和整理，得到两个数据集合：历史车身部件数据集合和历史焊接部件数据集合，为构建二维模型提供数据基础。然后，利用历史车身部件数据集合和历史焊接部件数据集合，通过数学建模的方法，构建出车身部件和焊接部件的二维模型。这些二维模型是指在特定剖面上，对车身部件和焊接部件的轮廓形状进行描述的数学模型。由于历史数据来自不同批次、不同时间的车身部件和焊接部件，因此可以构建出多个不同的二维模型，分别记录为多个车身模型和多个焊接模型，反映车身部件和焊接部件在实际生产中的形状特点和变化规律。
随后，将多个车身模型分别与车身点云图像进行点云拟合，将多个焊接模型分别和焊接点云图像进行点云拟合，利用最小二乘法、RANSAC、ICP等方式，将二维模型与点云图像相匹配，通过调整位置和姿态参数，使二维模型在点云中的投影与点云的分布实现最佳吻合，从而得到一个基础拟合图像。对于每一个车身模型，将其拟合到车身点云图像中，得到一个基础车身拟合图像；对于每一个焊接模型，将其拟合到焊接点云图像中，得到一个基础焊接拟合图像。通过多个车身模型分别与车身点云图像点云拟合完成后，即可得到多个基础车身拟合图像；通过多个焊接模型分别和焊接点云图像点云拟合完成后，即可得到多个基础焊接拟合图像。这些拟合图像直观展示二维模型与实际车身部件和焊接部件之间的契合情况，为后续的配准分析提供参考。同时，在每一二维模型与点云图像进行拟合的过程中，利用欧氏距离指标，评估每一个二维模型与点云图像之间的相似度，欧氏距离越小，相似越大，表示二维模型与点云图像越接近，拟合效果越好。对于每一个基础车身拟合图像，计算其中车身模型与车身点云图像的拟合相似度，从而得到多个车身拟合相似度；对于每一个基础焊接拟合图像，计算其中焊接模型与焊接点云图像的拟合相似度，得到多个焊接拟合相似度。
接着，在所有基础车身拟合图像中，根据车身拟合相似度的大小进行排序和筛选。车身拟合相似度越大，表示对应的车身模型与车身点云图像的匹配程度越高，拟合效果越好。因此，将车身拟合相似度最大的那一组拟合结果确定为最优结果，将其对应的基础车身拟合图像输出，作为车身拟合图像。同时，在所有基础焊接拟合图像中，根据焊接拟合相似度的大小进行排序和筛选。焊接拟合相似度越大，表示对应的焊接模型与焊接点云图像的匹配程度越高，拟合效果越好。因此，将焊接拟合相似度最大的那一组拟合结果确定为最优结果，将其对应的基础焊接拟合图像输出，作为焊接拟合图像。
通过以上过程确定车身拟合图像和焊接拟合图像，分别对应了车身部件和焊接部件的二维轮廓的最佳拟合图像，为后续的配准分析和涂胶参数优化提供支持。
进一步的，本申请实施例还包括：
采用所述多个车身模型内的第一车身模型，在所述车身点云图像内进行随机拟合，获取落入所述第一车身模型的数据点比例，获得第一拟合相似度；
继续采用所述第一车身模型，在所述车身点云图像内进行随机拟合，并获得第二拟合相似度；
继续进行预设迭代次数的迭代拟合，获取拟合相似度最大的拟合结果，获得第一车身拟合相似度和第一基础车身拟合图像；
继续采用其他的多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行迭代拟合，获得所述多个车身拟合相似度和多个基础车身拟合图像，以及多个焊接拟合相似度和多个基础焊接拟合图像。
在一种可行的实施方式中，对点云拟合的具体过程，采用RANSAC（随机抽样一致性）算法，通过多次迭代拟合，获得最优的拟合结果。
首先，遍历多个车身模型中的所有车身模型，获取一个车身模型，记为第一车身模型。然后，在车身点云图像中随机选取一定数量的点，将这些点代入第一车身模型的方程，计算模型与点云的拟合程度。具体而言，统计落入第一车身模型的数据点数量，计算其占总点数的比例，将这个比例作为第一拟合相似度，反映了第一车身模型与当前车身点云图像的匹配程度，相似度越高，说明该车身模型与实际车身部件的吻合度越好。
为了提高拟合结果的可靠性，需要进行多次随机拟合。因此，继续采用第一车身模型，在车身点云图像中重新随机选取一组数据点，计算模型与点云的拟合程度，得到第二拟合相似度。这个过程与计算第一拟合相似度的拟合过程类似，只是使用了不同的随机点集。通过多次拟合，可以减少随机误差的影响，获得更加稳定和准确的拟合相似度结果。重复进行多次迭代拟合，迭代次数根据实际需求和计算资源进行设置。在每一次迭代中，都会得到一个拟合相似度，在完成所有迭代后，比较各次拟合相似度的大小，选取相似度最大的那一次拟合结果，将其相似度作为第一车身拟合相似度，并将其对应的拟合图像作为第一基础车身拟合图像。
对其他车身模型和焊接模型，重复上述拟合过程，分别在车身点云图像和焊接点云图像中进行随机采样和迭代拟合。对于每一个模型，都会得到一个最大拟合相似度和对应的最佳拟合图像。这样，就得到了多个车身拟合相似度和多个基础车身拟合图像，以及多个焊接拟合相似度和多个基础焊接拟合图像。
通过随机采样和迭代拟合，有效应对点云数据中的噪声和离群点，提高拟合结果的鲁棒性。同时，通过多模型、多次迭代的策略，全面评估不同模型的拟合优度，选出最佳的拟合图像。
进一步的，如图2所示，本申请实施例还包括：
获取样本车身拟合图像集合和样本焊接拟合图像集合，并采用样本车身拟合图像和样本焊接拟合图像进行焊接配合面的配准识别和标记，获取样本配准分析结果集合，其中，样本配准分析结果包括样本车身拟合图像和样本焊接拟合图像在焊接配合面的配合偏差距离；
采用所述样本车身拟合图像集合、样本焊接拟合图像集合和样本配准分析结果集合，构建配准分析通道；
基于所述配准分析通道，对所述车身拟合图像和焊接拟合图像进行配准分析，获得所述配准分析结果。
在一种可行的实施方式中，首先，收集一系列的车身拟合图像和焊接拟合图像，分别组成样本车身拟合图像集合和样本焊接拟合图像集合，这些样本图像覆盖各种车身部件和焊接部件的零件形状和装配工况，以确保训练数据的多样性和全面性。然后，对每一对样本车身拟合图像和样本焊接拟合图像，进行人工的配准识别和标记，在焊接配合面上，比较两个图像的轮廓差异，识别出存在偏差的区域，并测量配合偏差距离，作为样本配准分析结果。该偏差距离用毫米单位表示，描述车身部件与焊接部件在焊接配合面上的几何匹配程度。其中，偏差距离越大，说明车身部件和焊接部件的贴合质量越差，需要的涂胶量也越多。通过对所有样本车身拟合图像和样本焊接拟合图像进行配准识别和标记，即可样本配准分析结果集合。
接着，利用样本车身拟合图像集合、样本焊接拟合图像集合和样本配准分析结果集合，构建一个机器学习模型，用于自动进行配准分析，作为配准分析通道。例如，基于深度学习、支持向量机等机器学习算法来实现。该配准分析通道以成对的车身拟合图像和焊接拟合图像为输入，输出它们在焊接配合面上的配合偏差距离。在训练阶段，使用样本车身拟合图像集合和样本焊接拟合图像集合作为训练数据，使用样本配准分析结果集合作为训练标签，通过监督学习的方式优化模型参数，训练目标是使配准分析通道的预测结果与人工标记的配准分析结果尽可能接近。经过充分的训练和验证，使配准分析通道学习到车身部件与焊接部件在焊接配合面上的几何匹配规律，具备自动进行配准分析的能力。相比人工分析，该配准分析通道可以快速、准确地处理大量的拟合图像对，并给出定量的偏差距离估计，提高配准分析的效率和一致性。
随后，利用训练好的配准分析通道，对当前车身部件和焊接部件的车身拟合图像和焊接拟合图像进行配准分析。将车身拟合图像和焊接拟合图像输入到配准分析通道中，配准分析通道自动比较车身拟合图像和焊接拟合图像在焊接配合面上的轮廓差异，计算出配合偏差距离，生成配准分析结果，定量描述当前车身部件与焊接部件之间的几何匹配质量，为后续的涂胶参数优化提供了决策依据。
进一步的，本申请实施例还包括：
根据点焊密封胶的涂胶量、涂胶位置、涂胶速度的参数区间，构建涂胶优化空间；
构建对多个涂胶段进行涂胶工艺参数优化的涂胶函数，所述多个涂胶段和多个分段配准分析结果一一对应；
采用所述涂胶函数，在所述涂胶优化空间内，对所述多个涂胶段的涂胶工艺参数进行优化，获得所述多个涂胶工艺参数。
在一种可行的实施方式中，在涂胶过程中，点焊密封胶的涂胶效果受到多个工艺参数的影响，包括涂胶量、涂胶位置、涂胶速度等。
为了高效地获得最佳的涂胶工艺参数，需要在合理的参数区间内进行优化搜索。首先，根据点焊密封胶的材料特性和工艺要求，确定每个参数的取值范围。例如，对某点焊密封胶，将涂胶量设定在0.1-1.0ml/cm之间，涂胶位置设定在焊缝中心线左右5mm之内，涂胶速度设定在10-100mm/s之间。这些参数区间构成了一个多维的参数空间，即涂胶优化空间，定义了所有可行的涂胶工艺参数组合，是后续优化搜索的基础。
在确定了涂胶优化空间后，构建一个数学模型来描述涂胶工艺参数与涂胶效果之间的关系，指导优化搜索的方向。这个数学模型即为涂胶函数，它以涂胶工艺参数为自变量，以涂胶效果评价指标为因变量，定量刻画参数选择对涂胶质量的影响。该涂胶函数根据实际工艺特点和优化目标来设计，例如，将涂胶效果评价指标定义为涂胶段内的平均间隙尺寸，涂胶函数则表示为涂胶工艺参数到平均间隙尺寸的映射关系。
随后，利用构建好的涂胶函数，在涂胶优化空间内搜索最优的涂胶工艺参数组合。具体而言，对每个涂胶段，将其分段配准分析结果代入对应的涂胶函数中，得到以涂胶工艺参数为自变量的目标函数，表征不同参数选择下的涂胶效果优劣。接着，以找到多个涂胶工艺参数，使所有涂胶段的目标函数值最小，即涂胶效果最佳为目的，以满足涂胶工艺参数在涂胶优化空间内为约束条件，构成一个多目标、多参数的优化问题。此后，采用多种优化算法，如梯度下降法、遗传算法、粒子群算法等，针对上述优化问题，通过不断迭代搜索，在涂胶优化空间内探索最优解，直至满足终止条件，得到对应多个涂胶段的多个涂胶工艺参数，从而实现涂胶工艺参数的自适应调整，与传统的人工试错方式相比，能够充分挖掘数据价值，自动学习和优化涂胶策略，提升涂胶工艺的智能化水平和优化效率。
进一步的，本申请实施例还包括：
构建对多个涂胶段进行涂胶工艺参数优化的涂胶函数，如下式：
；
其中，FG为涂胶适应度，为涂胶权重，为调整权重，fit为当前涂胶段的涂胶
工艺参数和分段配准分析结果的涂胶匹配值，为上一涂胶段的涂胶工艺参数到当前涂
胶段的涂胶工艺参数进行调整的调整幅度。
在一种可行的实施方式中，提供对多个涂胶段进行涂胶工艺参数优化的涂胶函数，如下：
；
其中，FG为涂胶适应度，为涂胶权重，为调整权重，fit为当前涂胶段的涂胶
工艺参数和分段配准分析结果的涂胶匹配值，为上一涂胶段的涂胶工艺参数到当前涂
胶段的涂胶工艺参数进行调整的调整幅度。
该涂胶函数综合考虑了涂胶效果和参数调整幅度两个因素，通过加权求和的方式将它们集成到一个标量指标中，作为涂胶适应度。涂胶适应度越大，表示当前涂胶段的涂胶工艺参数选择越优，既能实现良好的涂胶质量，又能与相邻涂胶段实现平稳过渡。
该涂胶函数中包含两项：第一项fit表示当前涂胶段的涂胶工艺参数与分段配准
分析结果之间的涂胶匹配值，为当前涂胶工艺参数组合下的预期涂胶质量。第二项中
表示上一涂胶段到当前涂胶段的涂胶工艺参数调整幅度，值越大，说明参数变化越剧
烈，会导致涂胶过程中的不稳定。为了抑制过大的调整幅度，采用对数函数对值进行了压缩和平滑。
和/>是两个权重系数，用于平衡涂胶质量和参数调整幅度的相对重要性。/>越大，说明更看重当前涂胶段的涂胶效果；/>越大，说明更看重相邻涂胶段之间的平稳过渡。权重系数的取值需要根据实际工艺要求和生产条件进行调试和优化，通过试验和专家经验来确定。
通过该涂胶函数，将涂胶质量和调整幅度两个目标集成起来，简化优化问题的表达和求解，在优化过程中，只需要将涂胶适应度作为单一的目标函数，通过最大化涂胶适应度来同时兼顾涂胶效果和参数调整，避免多目标优化中的权衡和折中，提高优化效率。
进一步的，本申请实施例还包括：
在所述涂胶优化空间内，随机生成第一涂胶段的第一涂胶工艺参数；
采用所述第一涂胶工艺参数结合第一涂胶段的第一分段配准分析结果，通过涂胶匹配分析通道，进行涂胶匹配分析，获得第一涂胶匹配值，其中，涂胶匹配分析通道包括多个涂胶段对应的多个涂胶匹配分析分支，每个涂胶匹配分析分支由样本涂胶工艺参数、样本分段配准分析结果和样本涂胶匹配值构建；
基于所述第一涂胶匹配值，结合所述涂胶函数，计算获得第一涂胶适应度；
继续在所述涂胶优化空间内进行第一涂胶段的涂胶工艺参数的优化，获得涂胶适应度最大的涂胶工艺参数，作为第一涂胶段的涂胶工艺参数；
在所述涂胶优化空间内，采用所述涂胶函数，进行第二涂胶段的涂胶工艺参数优化，获得第二涂胶段的涂胶工艺参数，其中，基于所述第一涂胶段的涂胶工艺参数计算第二涂胶段的涂胶工艺参数的调整幅度，通过所述涂胶函数计算涂胶适应度；
继续对多个涂胶段的涂胶工艺参数进行优化，获得所述多个涂胶工艺参数。
在一种可行的实施方式中，为了获取多个涂胶工艺参数，首先，对多个涂胶段进行编号，分别为第一涂胶段、第二涂胶段、第三涂胶段等，以此类推。同时，将多个涂胶段与每个涂胶段的分段配准分析结果一一映射。依次遍历所确定的编号，确定一个涂胶段，作为第一涂胶段，并提取对应的分段配准分析结果，作为第一分段配准分析结果。其次，为第一涂胶段随机选择一组初始的涂胶工艺参数，作为第一涂胶工艺参数，这组参数满足涂胶优化空间的约束条件，即在规定的涂胶量、涂胶位置、涂胶速度等参数区间内随机取值。通过随机生成第一涂胶工艺参数，为后续的优化搜索提供多样化的起点，避免局部最优解的影响。
然后，将第一涂胶段的对应的第一涂胶工艺参数和第一分段配准分析结果输入到涂胶匹配分析通道中，评估第一涂胶工艺参数下的预期涂胶质量，得到第一涂胶匹配值。该涂胶匹配分析通道是基于机器学习的预测模型，其通过大量历史样本数据的训练，学习到了涂胶工艺参数、配准分析结果与涂胶质量之间的内在关联。具体而言，该涂胶匹配分析通道由多个涂胶匹配分析分支组成，每个涂胶匹配分析分支对应一个涂胶段，每个涂胶匹配分析分支都是一个独立的预测模型，输入为该涂胶段的涂胶工艺参数和分段配准分析结果，输出为一个涂胶匹配值，表示在给定条件下的预期涂胶质量。每个涂胶匹配分析分支的训练样本包括三个部分：样本涂胶工艺参数、样本分段配准分析结果和样本涂胶匹配值。其中，样本涂胶匹配值是通过仿真试验和专家评估得到的，反映了不同参数组合下的实际涂胶效果。
接着，将获取第一涂胶匹配值代入涂胶函数，计算得到第一涂胶段的涂胶适应度，得到第一涂胶适应度。该第一涂胶适应度综合考虑了涂胶质量和参数调整幅度两个因素，通过加权求和的方式将它们集成到一个标量指标中。由于第一涂胶段没有前序段，因此将调整幅度ran设置为0，第一涂胶适应度完全由第一涂胶匹配值决定。接着，继续以使第一涂胶适应度更大为优化目标，在涂胶优化空间内搜索最优的工艺参数组合，通过迭代搜索和更新，不断改进涂胶工艺参数，每一轮迭代都重复评估新的参数组合的涂胶匹配值和涂胶适应度，直到达到预设的终止条件（如迭代次数、适应度阈值等），得到针对第一涂胶段涂胶适应度最大的一组涂胶工艺参数，作为第一涂胶段的涂胶工艺参数。
在确定第一涂胶段的涂胶工艺参数后，开始对第二涂胶段进行参数优化。与第一涂胶段不同的是，第二涂胶段的涂胶适应度不仅取决于第二涂胶匹配值，还与上一段（即第一涂胶段）的参数调整幅度有关，即第二涂胶段的工艺参数相对于第一涂胶段的变化程度，用欧氏距离等度量来计算。在每一轮迭代中，根据当前的第二涂胶段工艺参数，计算其与第一涂胶段参数的调整幅度，然后结合第二涂胶匹配值，通过涂胶函数计算第二涂胶适应度。通过不断更新和改进第二涂胶段的参数选择，最终得到一组针对第一涂胶段而言，涂胶适应度最大的涂胶段工艺参数。
接着，依次对其余涂胶段进行参数优化，每一个涂胶段的优化都以前一段的最优涂胶段工艺参数为基础，综合考虑涂胶质量和参数调整幅度，通过涂胶函数寻找涂胶适应度最大的参数组合。所有涂胶段优化完成后，得到完整的多段涂胶工艺参数方案，即多个涂胶工艺参数。
通过上述涂胶工艺参数优化，采用逐段优化的策略，每一涂胶段的优化都以前一涂胶段的结果为约束，同时兼顾涂胶质量和参数调整幅度，结合涂胶匹配分析通道和涂胶函数，实现涂胶工艺参数的自适应优化。与传统的人工试错或固定参数方法相比，充分挖掘数据价值，自动学习和调整涂胶策略，大幅提升涂胶效率和质量。
综上所述，本申请实施例所提供的一种自适应涂胶工艺控制方法具有如下技术效果：
对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，为后续图像分析和工艺优化提供原始数据基础。根据车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在车身点云图像和焊接点云图像内进行点云拟合，获取车身拟合图像和焊接拟合图像，获得更加准确、更具参考价值的拟合图像，为后续的配准分析奠定基础。采用车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果，量化配合间隙和偏差，为优化涂胶工艺参数提供直接依据。在焊接配合面上，对配准分析结果进行划分，获得多个分段配准分析结果，细化涂胶工艺参数的调整粒度，有针对性地进行参数优化，有助于提高涂胶精度，改善不同涂胶区域的涂覆效果。根据多个分段配准分析结果，进行焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶，实现对工艺参数的动态优化和自适应调整，形成可直接指导涂胶作业的涂胶工艺参数，全面提升涂胶质量。
实施例二
基于与前述实施例中一种自适应涂胶工艺控制方法相同的发明构思，如图3所示，本申请实施例提供了一种自适应涂胶工艺控制系统，该系统包括：
点云图像获取模块11，用于对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，其中，所述车身部件和焊接部件在涂胶后进行配合焊接；
拟合图像获取模块12，用于根据所述车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，获取车身拟合图像和焊接拟合图像；
配准分析模块13，用于采用所述车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果；
分析结果划分模块14，用于在所述焊接配合面上，对所述配准分析结果进行划分，获得多个分段配准分析结果；
工艺参数优化模块15，用于根据所述多个分段配准分析结果，进行所述焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶，其中，以提升多个涂胶段的涂胶效果和降低涂胶工艺参数调整幅度，进行涂胶工艺参数优化。
进一步的，拟合图像获取模块12包括以下执行步骤：
根据所述车身部件和焊接部件的生产记录数据，获取历史车身部件数据集合和历史焊接部件数据集合；
根据所述历史车身部件数据集合和历史焊接部件数据集合，构建不同的车身部件和焊接部件的二维模型，获得所述多个车身模型和多个焊接模型；
采用所述多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，获得多个车身拟合相似度和多个基础车身拟合图像，以及多个焊接拟合相似度和多个基础焊接拟合图像；
输出车身拟合相似度最大的基础车身拟合图像，以及焊接拟合相似度最大的基础焊接拟合图像，获得所述车身拟合图像和焊接拟合图像。
进一步的，拟合图像获取模块12还包括以下执行步骤：
采用所述多个车身模型内的第一车身模型，在所述车身点云图像内进行随机拟合，获取落入所述第一车身模型的数据点比例，获得第一拟合相似度；
继续采用所述第一车身模型，在所述车身点云图像内进行随机拟合，并获得第二拟合相似度；
继续进行预设迭代次数的迭代拟合，获取拟合相似度最大的拟合结果，获得第一车身拟合相似度和第一基础车身拟合图像；
继续采用其他的多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行迭代拟合，获得所述多个车身拟合相似度和多个基础车身拟合图像，以及多个焊接拟合相似度和多个基础焊接拟合图像。
进一步的，配准分析模块13包括以下执行步骤：
获取样本车身拟合图像集合和样本焊接拟合图像集合，并采用样本车身拟合图像和样本焊接拟合图像进行焊接配合面的配准识别和标记，获取样本配准分析结果集合，其中，样本配准分析结果包括样本车身拟合图像和样本焊接拟合图像在焊接配合面的配合偏差距离；
采用所述样本车身拟合图像集合、样本焊接拟合图像集合和样本配准分析结果集合，构建配准分析通道；
基于所述配准分析通道，对所述车身拟合图像和焊接拟合图像进行配准分析，获得所述配准分析结果。
进一步的，工艺参数优化模块15包括以下执行步骤：
根据点焊密封胶的涂胶量、涂胶位置、涂胶速度的参数区间，构建涂胶优化空间；
构建对多个涂胶段进行涂胶工艺参数优化的涂胶函数，所述多个涂胶段和多个分段配准分析结果一一对应；
采用所述涂胶函数，在所述涂胶优化空间内，对所述多个涂胶段的涂胶工艺参数进行优化，获得所述多个涂胶工艺参数。
进一步的，工艺参数优化模块15还包括以下执行步骤：
构建对多个涂胶段进行涂胶工艺参数优化的涂胶函数，如下式：
；
其中，FG为涂胶适应度，为涂胶权重，/>为调整权重，fit为当前涂胶段的涂胶工艺参数和分段配准分析结果的涂胶匹配值，/>为上一涂胶段的涂胶工艺参数到当前涂胶段的涂胶工艺参数进行调整的调整幅度。
进一步的，工艺参数优化模块15还包括以下执行步骤：
在所述涂胶优化空间内，随机生成第一涂胶段的第一涂胶工艺参数；
采用所述第一涂胶工艺参数结合第一涂胶段的第一分段配准分析结果，通过涂胶匹配分析通道，进行涂胶匹配分析，获得第一涂胶匹配值，其中，涂胶匹配分析通道包括多个涂胶段对应的多个涂胶匹配分析分支，每个涂胶匹配分析分支由样本涂胶工艺参数、样本分段配准分析结果和样本涂胶匹配值构建；
基于所述第一涂胶匹配值，结合所述涂胶函数，计算获得第一涂胶适应度；
继续在所述涂胶优化空间内进行第一涂胶段的涂胶工艺参数的优化，获得涂胶适应度最大的涂胶工艺参数，作为第一涂胶段的涂胶工艺参数；
在所述涂胶优化空间内，采用所述涂胶函数，进行第二涂胶段的涂胶工艺参数优化，获得第二涂胶段的涂胶工艺参数，其中，基于所述第一涂胶段的涂胶工艺参数计算第二涂胶段的涂胶工艺参数的调整幅度，通过所述涂胶函数计算涂胶适应度；
继续对多个涂胶段的涂胶工艺参数进行优化，获得所述多个涂胶工艺参数。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (5)
1.一种自适应涂胶工艺控制方法，其特征在于，所述方法包括：
对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，其中，所述车身部件和焊接部件在涂胶后进行配合焊接；
根据所述车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，获取车身拟合图像和焊接拟合图像；
采用所述车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果；
在所述焊接配合面上，对所述配准分析结果进行划分，获得多个分段配准分析结果；
根据所述多个分段配准分析结果，进行所述焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶，其中，以提升多个涂胶段的涂胶效果和降低涂胶工艺参数调整幅度，进行涂胶工艺参数优化；
其中，根据所述车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，包括：
根据所述车身部件和焊接部件的生产记录数据，获取历史车身部件数据集合和历史焊接部件数据集合；
根据所述历史车身部件数据集合和历史焊接部件数据集合，构建不同的车身部件和焊接部件的二维模型，获得所述多个车身模型和多个焊接模型；
采用所述多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，获得多个车身拟合相似度和多个基础车身拟合图像，以及多个焊接拟合相似度和多个基础焊接拟合图像；
输出车身拟合相似度最大的基础车身拟合图像，以及焊接拟合相似度最大的基础焊接拟合图像，获得所述车身拟合图像和焊接拟合图像；
其中，根据所述多个分段配准分析结果，进行所述焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，包括：
根据点焊密封胶的涂胶量、涂胶位置、涂胶速度的参数区间，构建涂胶优化空间；
构建对多个涂胶段进行涂胶工艺参数优化的涂胶函数，所述多个涂胶段和多个分段配准分析结果一一对应；
采用所述涂胶函数，在所述涂胶优化空间内，对所述多个涂胶段的涂胶工艺参数进行优化，获得所述多个涂胶工艺参数；
其中，构建对多个涂胶段进行涂胶工艺参数优化的涂胶函数，如下式：；
其中，FG为涂胶适应度，为涂胶权重，/>为调整权重，fit为当前涂胶段的涂胶工艺参数和分段配准分析结果的涂胶匹配值，/>为上一涂胶段的涂胶工艺参数到当前涂胶段的涂胶工艺参数进行调整的调整幅度。
2.根据权利要求1所述的方法，其特征在于，采用所述多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，包括：
采用所述多个车身模型内的第一车身模型，在所述车身点云图像内进行随机拟合，获取落入所述第一车身模型的数据点比例，获得第一拟合相似度；
继续采用所述第一车身模型，在所述车身点云图像内进行随机拟合，并获得第二拟合相似度；
继续进行预设迭代次数的迭代拟合，获取拟合相似度最大的拟合结果，获得第一车身拟合相似度和第一基础车身拟合图像；
继续采用其他的多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行迭代拟合，获得所述多个车身拟合相似度和多个基础车身拟合图像，以及多个焊接拟合相似度和多个基础焊接拟合图像。
3.根据权利要求1所述的方法，其特征在于，采用所述车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，包括：
获取样本车身拟合图像集合和样本焊接拟合图像集合，并采用样本车身拟合图像和样本焊接拟合图像进行焊接配合面的配准识别和标记，获取样本配准分析结果集合，其中，样本配准分析结果包括样本车身拟合图像和样本焊接拟合图像在焊接配合面的配合偏差距离；
采用所述样本车身拟合图像集合、样本焊接拟合图像集合和样本配准分析结果集合，构建配准分析通道；
基于所述配准分析通道，对所述车身拟合图像和焊接拟合图像进行配准分析，获得所述配准分析结果。
4.根据权利要求1所述的方法，其特征在于，采用所述涂胶函数，在所述涂胶优化空间内，对所述多个涂胶段的涂胶工艺参数进行优化，获得所述多个涂胶工艺参数，包括：
在所述涂胶优化空间内，随机生成第一涂胶段的第一涂胶工艺参数；
采用所述第一涂胶工艺参数结合第一涂胶段的第一分段配准分析结果，通过涂胶匹配分析通道，进行涂胶匹配分析，获得第一涂胶匹配值，其中，涂胶匹配分析通道包括多个涂胶段对应的多个涂胶匹配分析分支，每个涂胶匹配分析分支由样本涂胶工艺参数、样本分段配准分析结果和样本涂胶匹配值构建；
基于所述第一涂胶匹配值，结合所述涂胶函数，计算获得第一涂胶适应度；
继续在所述涂胶优化空间内进行第一涂胶段的涂胶工艺参数的优化，获得涂胶适应度最大的涂胶工艺参数，作为第一涂胶段的涂胶工艺参数；
在所述涂胶优化空间内，采用所述涂胶函数，进行第二涂胶段的涂胶工艺参数优化，获得第二涂胶段的涂胶工艺参数，其中，基于所述第一涂胶段的涂胶工艺参数计算第二涂胶段的涂胶工艺参数的调整幅度，通过所述涂胶函数计算涂胶适应度；
继续对多个涂胶段的涂胶工艺参数进行优化，获得所述多个涂胶工艺参数。
5.一种自适应涂胶工艺控制系统，其特征在于，用于实施权利要求1-4任意一项所述的一种自适应涂胶工艺控制方法，所述系统包括：
点云图像获取模块，所述点云图像获取模块用于对待进行涂胶的车身部件和焊接部件进行扫描检测，获得车身点云图像和焊接点云图像，其中，所述车身部件和焊接部件在涂胶后进行配合焊接；
拟合图像获取模块，所述拟合图像获取模块用于根据所述车身部件和焊接部件的生产数据，获取多个车身模型和多个焊接模型，在所述车身点云图像和焊接点云图像内进行点云拟合，获取车身拟合图像和焊接拟合图像；
配准分析模块，所述配准分析模块用于采用所述车身拟合图像和焊接拟合图像，进行车身部件和焊接部件的焊接配合面的配准分析，获得配准分析结果；
分析结果划分模块，所述分析结果划分模块用于在所述焊接配合面上，对所述配准分析结果进行划分，获得多个分段配准分析结果；
工艺参数优化模块，所述工艺参数优化模块用于根据所述多个分段配准分析结果，进行所述焊接配合面内多个涂胶段的涂胶工艺参数优化，获得多个涂胶工艺参数，进行涂胶，其中，以提升多个涂胶段的涂胶效果和降低涂胶工艺参数调整幅度，进行涂胶工艺参数优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410353671.XA CN117943256B (zh) | 2024-03-27 | 2024-03-27 | 一种自适应涂胶工艺控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410353671.XA CN117943256B (zh) | 2024-03-27 | 2024-03-27 | 一种自适应涂胶工艺控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117943256A CN117943256A (zh) | 2024-04-30 |
| CN117943256B true CN117943256B (zh) | 2024-06-21 |
Family
ID=90798248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410353671.XA Active CN117943256B (zh) | 2024-03-27 | 2024-03-27 | 一种自适应涂胶工艺控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117943256B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228858A (zh) * | 2023-01-18 | 2023-06-06 | 兰州理工大学 | 一种基于机器视觉的坡口自动检测与焊接的方法 |
| CN116777872A (zh) * | 2023-06-20 | 2023-09-19 | 南京卓宇智能科技有限公司 | 一种基于语义分割的涂胶尺寸测量方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5083003A (en) * | 1990-06-15 | 1992-01-21 | Square D Company | Adaptive stepper |
| KR20020035186A (ko) * | 2000-11-04 | 2002-05-11 | 김형벽ㅂ | 용접선 자동추적 및 용접조건 적응제어 방식의 용접캐리지장치 |
| US7797828B2 (en) * | 2006-04-28 | 2010-09-21 | Honeywell International Inc. | Adaptive machining and weld repair process |
| CN207667949U (zh) * | 2017-12-07 | 2018-07-31 | 沈阳理工大学 | 一种汽车配件涂胶量自动控制装置 |
| CN107812674A (zh) * | 2017-12-07 | 2018-03-20 | 沈阳理工大学 | 一种汽车配件涂胶量自动控制装置及控制方法 |
| CN114399624A (zh) * | 2022-01-19 | 2022-04-26 | 华夏星光工业设计江苏有限公司 | 基于孪生网络的双目视觉图像焊缝位置匹配方法 |
| CN114794665B (zh) * | 2022-03-31 | 2023-06-09 | 深圳市如本科技有限公司 | 鞋面涂胶方法、装置、系统以及计算机可读存储介质 |
| CN114840925A (zh) * | 2022-04-26 | 2022-08-02 | 成都信息工程大学 | 一种车身部分测量数据到整体cad模型的配准方法 |
| CN115033987A (zh) * | 2022-05-31 | 2022-09-09 | 东风柳州汽车有限公司 | 一种汽车涂胶方法、装置、移动终端及存储介质 |
| CN116258649B (zh) * | 2023-03-09 | 2023-09-05 | 吉林农业科技学院 | 基于熔池状态分析的焊接参数自适应调整方法 |
| CN116852371A (zh) * | 2023-08-01 | 2023-10-10 | 华中科技大学 | 一种用于钢结构焊接的轨道机器人 |
| CN117115101A (zh) * | 2023-08-18 | 2023-11-24 | 苏州默纳克控制技术有限公司 | 涂胶检测方法、装置、设备及存储介质 |
| CN117358506A (zh) * | 2023-10-12 | 2024-01-09 | 天津七所高科技有限公司 | 一种基于双定量泵的机器人自动涂胶系统 |
| CN117260100B (zh) * | 2023-11-23 | 2024-03-08 | 江苏恒康电力科技有限公司 | 一种变电站电力设备铁附件智能定位焊接系统 |
-
2024
- 2024-03-27 CN CN202410353671.XA patent/CN117943256B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228858A (zh) * | 2023-01-18 | 2023-06-06 | 兰州理工大学 | 一种基于机器视觉的坡口自动检测与焊接的方法 |
| CN116777872A (zh) * | 2023-06-20 | 2023-09-19 | 南京卓宇智能科技有限公司 | 一种基于语义分割的涂胶尺寸测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117943256A (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537808B (zh) | 一种基于机器人示教点信息的涂胶在线检测方法 | |
| JP4681426B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
| CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN114821114B (zh) | 一种基于视觉系统的坡口切割机器人图像处理方法 | |
| KR102228939B1 (ko) | 3차원 자동 스캔 시스템 및 방법 | |
| CN114706358B (zh) | 一种直缝焊管的焊接工艺信息处理方法及系统 | |
| CN113074959B (zh) | 一种自动驾驶系统测试分析方法 | |
| CN116275742A (zh) | 一种基于数字化建模与柔性焊缝识别的焊接方法 | |
| CN115049821A (zh) | 一种基于多传感器融合的三维环境目标检测方法 | |
| JP4653547B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
| Schmitt et al. | Machine vision system for inspecting flank wear on cutting tools | |
| Stork et al. | Ensemble of sparse Gaussian process experts for implicit surface mapping with streaming data | |
| CN116833645A (zh) | 基于移动机器人的焊缝自主识别与焊接方法及系统 | |
| CN117943256B (zh) | 一种自适应涂胶工艺控制方法及系统 | |
| CN114721008A (zh) | 一种障碍物检测方法、装置、计算机设备和存储介质 | |
| García-Moreno | A fast method for monitoring molten pool in infrared image streams using gravitational superpixels. | |
| CN111881748B (zh) | 一种基于vbai平台建模的车道线视觉识别方法和系统 | |
| JP3251840B2 (ja) | 画像認識装置 | |
| CN113642529B (zh) | 基于ga-bp神经网络的障碍物尺寸预测系统及方法 | |
| CN116295065A (zh) | 基于三维激光扫描点云数据的岩体变形量及变形趋势的描述方法 | |
| CN112097673B (zh) | 车身部件虚拟匹配方法和系统 | |
| CN118134062B (zh) | 数控机床铸件质量追踪系统 | |
| CN118023791B (zh) | 一种精密壳体的焊接方法及系统 | |
| CN117745730B (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法及系统 | |
| CN117808324B (zh) | 一种无人机视觉协同的建筑进度评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |