CN118081767A - 一种铸件机器人后处理加工自主编程系统及方法 - Google Patents
一种铸件机器人后处理加工自主编程系统及方法 Download PDFInfo
- Publication number
- CN118081767A CN118081767A CN202410407248.3A CN202410407248A CN118081767A CN 118081767 A CN118081767 A CN 118081767A CN 202410407248 A CN202410407248 A CN 202410407248A CN 118081767 A CN118081767 A CN 118081767A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- dimensional
- robot
- processing
- point cloud
- 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
Links
- 238000005266 casting Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012805 post-processing Methods 0.000 title claims abstract description 26
- 238000003754 machining Methods 0.000 title claims description 43
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 23
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000013136 deep learning model Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 6
- 238000004512 die casting Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明公开了一种铸件机器人后处理加工自主编程系统及方法，应用于机器人自动化技术领域。包括：视觉采集模块、深度学习模块、三维点云处理模块、机器人离线编程模块。本发明无需人工示教编程，人工操作简单，可以极大地提高编程效率，缩短机器人加工的示教编程和调试时间，并且可以避免人工示教的安全性问题，比如在示教过程中由于失误对人员和设备造成损害。
Description
技术领域
本发明涉及机器人自动化技术领域，更具体的说是涉及一种铸件机器人后处理加工自主编程系统及方法。
背景技术
铸件的后处理传统都是人工配合电动工具完成相关加工工作，但是存在着铸造车间作业环境恶劣(高粉尘、高噪音和高风险)，严重影响工人的健康和安全，此外，人工作业存在着效率低、打磨一致性差，质量难以有效保证等问题。目前，在一部分铸造厂机器人被应用于铸件的后处理加工，但是存在以下问题：
(1)铸件品种多，换型频繁，机器人加工程序编程时间长；机器人加工之前通常需要人工进行大量示教，对复杂工件示教编程时间长、示教精度差。
(2)机器人程序的适应性差。对于一些复杂工件，还有基于铸件三维数模的离线编程，该方法不需要在实际工件上示教大量点，编程时间短，但是存在基于铸件三维数模的离线程序与实际工件加工程序之间存在不一致的问题。
(3)对大型薄壁铸件的变形量大且不一致的问题无法解决，其采用标准的离线编程或示教编程都无法实现对铸件变形导致的程序的适应性差，无法满足生产质量要求。
本发明是开发一套专门针对铸件成型后的机器人后处理加工自主编程系统及方法，主要可以完成的后处理加工工艺包括切割、打磨、去毛刺等，尤其适用于大型薄壁铸件和压铸件。本发明可以解决上述目前机器人示教编程和离线编程的三个问题。
因此，提出一种铸件机器人后处理加工自主编程系统及方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种铸件机器人后处理加工自主编程系统及方法，用于解决现有技术中存在的技术问题。
为了实现上述目的，本发明提供如下技术方案：
一种铸件机器人后处理加工自主编程系统，包括：视觉采集模块、深度学习模块、三维点云处理模块、机器人离线编程模块；其中，
视觉采集模块，用于采集工件的二维图像信息以及工件的三维点云数据；
深度学习模块，与视觉采集模块的第一输出端连接，用于通过工件的二维图像信息得到工件的加工轮廓信息；
三维点云处理模块，与视觉采集模块的第二输出端、深度学习模块的输出端连接，用于通过采集工件的三维点云数据与工件的加工轮廓信息在修正的三维数模中进行匹配得到工件在三维数模中的加工轮廓信息；
机器人离线编程模块，与三维点云处理模块的输出端连接，用于根据工件在三维数模中的加工轮廓信息生成机器人的实际运动轨迹和运动控制程序。
可选的，还包括：与机器人离线编程模块连接的机器人加工系统，机器人加工系统包括：工业机器人系统模块、快换模块和末端加工工具模块；其中，
工业机器人系统模块，与快换模块的输入端连接，用于执行机器人的运动轨迹；
快换模块，与末端加工工具模块的输入端和视觉采集模块的输入端连接，用于视觉采集模块和末端加工工具模块的快换操作；
末端加工工具模块，用于工件的加工操作。
可选的，视觉采集模块采集工件的三维点云数据具体为：
第一步：使用视觉传感器采集工件的三维点云数据；
第二步：以工件的三维数模作为参考模型；
第三步：使用ICP算法将采集的工件三维点云数据与参考模型进行配准；
第四步：初始化变换参数，将采集的工件三维点云数据与参考模型进行初步对齐；
第五步：通过迭代的方式，不断优化变换参数，使得采集的工件三维点云数据与参考模型对齐；
第六步：对于采集的每个三维点云数据，在参考模型上找到最近的点，建立点对应关系；
第七步：使用最小二乘法计算最佳的变换参数，通过最小化点对应关系之间的距离进行计算变换；
第八步：判断ICP算法是否收敛，即工件三维点云数据是否已经接近参考模型，若未达到则返回第五步，若达到，则停止迭代；
第九步：通过不断的迭代优化，获取优化后的变换参数，将其应用于采集的工件三维点云数据，将采集的工件三维点云数据与参考模型对齐，以得到优化后的工件三维点云数据。
可选的，视觉传感器包括但不限于：激光雷达、3D视觉相机、深度相机、结构光传感器、3D扫描仪。
一种铸件机器人后处理加工自主编程方法，应用上述任一项所述的一种铸件机器人后处理加工自主编程系统，包括以下步骤：
S1、通过3D扫描仪采集工件的三维点云数据，同时采集工件的二维图像信息，并对采集的二维图像信息进行预处理与标注；
S2、将训练好的深度学习模型部署到机器人加工系统中，并对采集工件的二维图像信息进行学习，生成工件的加工轮廓信息；
S3、通过梯度下降优化算法实时修正工件的三维模型，得到修正后的工件的三维数模；
S4、将工件的加工轮廓信息与修正后的工件的三维数模进行匹配，得到工件在修正后三维数模的加工轮廓信息；
S5、根据修正后的三维数模的加工轮廓信息设计机器人的加工路径，通过采用插值算法生成机器人的运动轨迹点，将机器人运动轨迹转换成相应的机器人的运动控制程序；
S6、将机器人的运动轨迹点导入仿真环境中，验证机器人的运动路径规划；若仿真正常，则机器人可执行运动轨迹点生成的控制程序去完成相关作业任务，若仿真出现问题，则返回S5根据仿真反馈的结果重新生成机器人运动轨迹。
可选的，S1中对采集的二维图像信息进行预处理与标注的内容具体为：
基于视觉采集模块对加工后标准工件以及加工前的毛坯件进行拍照，收集包含工件加工轮廓信息的图像数据；
对收集到的图像数据进行预处理，包括去噪、裁剪、调整大小的操作；
使用标注工具或者标注软件对图像数据中的加工轮廓信息进行人工标注；
对标注后的图像数据进行质量控制和审核；
将审核通过的标注后的图像数据换为统一的数据格式，得到标注好的图像数据；
将标注好的图像数据与标注信息关联并保存到相应的文件或数据库中。
可选的，S3具体为：
假设工件的三维模型表示为参数点集合θ，以及工件的三维点云数据集合D，定义一个代表工件三维模型和三维点云数据之间距离的误差函数E(θ)，它表示工件三维点云数据中的点到使用参数点集合表示的工件三维模型最近表面的距离，其公式为：
其中，pi是工件三维点云数据中的一个点，M(θ)是使用参数点集合表示的工件模型表面的点，f是工件三维点云数据中的点与工件模型表面的点之间最近距离的函数；
梯度计算：计算误差函数E(θ)对工件三维模型参数点集合θ的梯度；
梯度更新：使用梯度信息，以学习率α更新参数集合θ，减少误差函数E(θ)，其公式为：
其中，θ(t+1)是第t+1次的工件三维模型参数，θ(t)是第t次的工件三维模型参数，α是学习率，是误差函数E(θ)在当前第t次参数点处的梯度向量；
迭代优化：重复梯度计算和梯度更新的步骤，迭代地更新参数集合θ，直到误差函数收敛或达到设定的迭代次数，从而得到修正后的工件的三维数模。
可选的，S4具体为：
特征提取：对工件的加工轮廓信息和三维数模分别进行特征提取，获取工件的加工轮廓信息和三维数模的特征点和描述子；
特征匹配：进行特征点匹配；
坐标转换与映射：根据匹配得到的特征点对，进行坐标转换和映射；
透视变换：若工件的二维图像信息与三维数模不在同一坐标系下，则进行透视变换将它们映射到相同的坐标系下；
拟合或配准：使用ICP配准算法对二维图像信息和三维数模进行进一步的拟合和对齐，得到匹配结果。
可选的，特征点匹配具体为：
生成描述子：在特征提取后，生成基于特征点的描述子；
最近邻匹配：对每个特征点的描述子，采用最邻近匹配算法计算其在另一组描述子中的最相似邻居，即找到最近的特征点；
距离度量：采用欧式距离度量来衡量两个描述子之间的差异性；
匹配筛选：对于每个特征点，通过比较与其他特征点之间的距离，选取最接近的一个特征点作为匹配点，通过设置阈值或采用更高级的筛选算法来排除错误匹配。
可选的，还包括：
S7、通过标定工具标定机器人的工具坐标系，然后标定工件坐标系，计算出工件坐标系与工具坐标系之间的转换关系，并记录标定好机器人的工具坐标系与工件坐标系；
S8、通过将标定好的工件坐标系赋值到机器人控制程序中，并通过视觉引导定位确定工件坐标系与工具坐标系的转换关系，引导机器人找到工件坐标系，以工件坐标系作为参考确定机器人执行的加工轨迹；
S9、视觉校准后的工件坐标系应用到机器人加工操作中，通过测试和验证确保机器人进行定位和执行任务。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种铸件机器人后处理加工自主编程系统及方法，其有益效果为：
1)本发明无需人工示教编程，人工操作简单，可以极大地提高编程效率，缩短机器人加工的示教编程和调试时间，并且可以避免人工示教的安全性问题，在示教过程中由于失误对人员和设备造成损害；
2)对待打磨工件的装夹定位要求降低，工件装夹有一定的偏差，靠视觉引导定位不需要重新修改机器人程序，也不影响机器人加工精度；
3)可以解决铸件或压铸件变形问题，尤其是大型铸件或压铸件的变形问题，不会因为工件本身变形而导致加工质量问题或程序无法使用；
4)适用范围广，产品换型设备改动比较少，缩短换型时间短，提高企业的生产效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种铸件机器人后处理加工自主编程系统的结构图；
图2为本发明提供的一种铸件机器人后处理加工自主编程方法的流程图。
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，所描述的实施例仅仅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，本领域普通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。
参见图1所示，本发明公开了一种铸件机器人后处理加工自主编程系统，包括：视觉采集模块、深度学习模块、三维点云处理模块、机器人离线编程模块；其中，
视觉采集模块，用于采集工件的二维图像信息以及工件的三维点云数据；
深度学习模块，与视觉采集模块的第一输出端连接，用于通过工件的二维图像信息得到工件的加工轮廓信息；
具体的，通过深度学习得到的加工轮廓信息最终转换到三维数模上，根据加工轮廓信息可以实现机器人的自主轨迹规划和运动程序的生成，可以解决传统机器人采用人工示教编程的一系列问题和困难。
三维点云处理模块，与视觉采集模块的第二输出端、深度学习模块的输出端连接，用于通过采集工件的三维点云数据与工件的加工轮廓信息在修正的三维数模中进行匹配得到工件在三维数模中的加工轮廓信息；
通过视觉采集模块采集的三维点云数据和工件的三维数模进行匹配和修正，得到工件更加精确的三维数模，可以解决铸件或压铸件变形导致加工定位精度的问题。
机器人离线编程模块，与三维点云处理模块的输出端连接，用于根据工件在三维数模中的加工轮廓信息生成机器人的实际运动轨迹和运动控制程序。
进一步的，还包括：与机器人离线编程模块连接的机器人加工系统，机器人加工系统包括：工业机器人系统模块、快换模块和末端加工工具模块；其中，
工业机器人系统模块，与快换模块的输入端连接，用于执行机器人的运动轨迹；
快换模块，与末端加工工具模块的输入端和视觉采集模块的输入端连接，用于视觉采集模块和末端加工工具模块的快换操作；
末端加工工具模块，用于工件的加工操作。
进一步的，视觉采集模块采集工件的三维点云数据具体为：
第一步：使用视觉传感器采集工件的三维点云数据；
第二步：以工件的三维数模作为参考模型；
第三步：使用ICP算法将采集的工件三维点云数据与参考模型进行配准；
第四步：初始化变换参数，将采集的工件三维点云数据与参考模型进行初步对齐；
第五步：通过迭代的方式，不断优化变换参数，使得采集的工件三维点云数据与参考模型对齐；
第六步：对于采集的每个三维点云数据，在参考模型上找到最近的点，建立点对应关系；
具体的，对于采集的工件三维点云数据集P中的一个点pi，找到其在参考模型点云Q中的最近邻点qj，其公式为：
其中，qk为参考模型点云Q中的任意邻点，argmin为函数取得最小值的参数的取值，pi为采集到的工件三维点云数据集P中的一个点，qj为最近邻点。
第七步：使用最小二乘法计算最佳的变换参数，通过最小化点对应关系之间的距离进行计算变换；
假设T是变换矩阵(包括平移和旋转)，损失函数L定义如下，通过使用最小二乘法求解计算出最佳的变换矩阵T：
其中，L是损失函数，表示采集的工件三维点云数据的变换后的点与参考模型点云之间最小距离的平方和，pi和qi表示第i对点云对应的点，其中pi是实际工件点云数据中的点，qi是参考模型点云数据中的点。
第八步：判断ICP算法是否收敛，即工件三维点云数据是否已经接近参考模型，若未达到则返回第五步，若达到，则停止迭代；
第九步：通过不断的迭代优化，获取优化后的变换参数，将其应用于采集的工件三维点云数据，将采集的工件三维点云数据与参考模型对齐，以得到优化后的工件三维点云数据。
进一步的，视觉传感器包括但不限于：激光雷达、3D视觉相机、深度相机、结构光传感器、3D扫描仪。
与图1所述的系统相对应，本发明还提供了一种铸件机器人后处理加工自主编程方法，用于对图1中系统的具体实现，其方法流程图参见图2所示，包括以下步骤：
S1、通过3D扫描仪采集工件的三维点云数据，同时采集工件的二维图像信息，并对采集的二维图像信息进行预处理与标注；
S2、将训练好的深度学习模型部署到机器人加工系统中，并对采集工件的二维图像信息进行学习，生成工件的加工轮廓信息；
进一步，对训练好的深度学习模型采用本地部署或边缘部署的方式；
将训练好的深度学习模型转换为适合部署环境的格式，包括模型优化、量化(减少模型参数精度)、剪枝(减少模型大小)等技术，以确保深度学习模型在部署环境中的高效性能；
根据部署需求选择合适的平台，如TensorFlow Serving、PyTorch Serving、Docker容器、服务器、移动设备等；
在选择好的平台上部署转换和优化后的深度学习模型；根据平台提供的接口和方法，将深度学习模型加载到可用的运行环境中；
将部署的深度学习模型集成到机器人加工系统中，确保深度学习模型能够与其他组件无缝协作；
对部署的深度学习模型进行性能测试，包括推理速度、准确度的指标；
监测深度学习模型在机器人加工系统中实际应用的运行情况，及时发现和解决问题，并根据需要对深度学习模型进行更新和维护。
具体的，训练深度学习模型用于识别和理解包含工件的加工轮廓信息的数据集，得到工件加工轮廓图像数据的深度学习模型并进行优化，以提高图像数据处理速度和准确性，确保可以快速生成准确的工件的加工轮廓信息。
具体实现方法如下：
准备好带有工件加工轮廓信息标注的数据集，确保数据集包含图像数据以及相应的加工轮廓信息签标；
对图像数据进行预处理，包括去噪、调整大小、归一化的操作，提高模型训练的稳定性和准确性；
使用TensorFlow、PyTorch、Keras流行的深度学习框架来构建和训练模型；
使用准备好的数据集对选择的模型进行训练，将数据集分为训练集、验证集和测试集，并在训练过程中监控模型的性能；
选择合适的损失函数和优化器来训练模型，其中损失函数可以选择交叉熵损失或均方误差，优化器选择Adam、SGD；
通过调整学习率、批次大小、网络层数和节点数超参数来优化模型性能；
使用测试集评估训练后模型的性能，包括精确度、召回率、F1分数指标；
根据评估结果对模型进行优化，通过改变模型结构、增加数据集多样性等方式提升模型性能；
定期使用新的图像数据重新训练模型，以保持模型的准确性和适应性。
S3、通过梯度下降优化算法实时修正工件的三维模型，得到修正后的工件的三维数模；
通过修正三维模型可以解决铸件生产制造过程中变形问题导致的实际工件与三维数模不完全一致的问题；该方法通过定义一个误差函数，通过梯度下降算法来最小化这个误差函数，以调整模型参数以适应新的点云。
具体的，根据设计规格和要求创建包含工件(铸件)几何形状、尺寸和结构信息的数字化三维模型，利用三维建模软件设计工件(铸件)的精确三维模型(三维数模)或通过精密的3D扫描仪和摄影测量获取工件的三维数模，并保存为STEP、STL等数模格式。
S4、将工件的加工轮廓信息与修正后的工件的三维数模进行匹配，得到工件在修正后三维数模的加工轮廓信息；
S5、根据修正后的三维数模的加工轮廓信息设计机器人的加工路径，通过采用插值算法生成机器人的运动轨迹点，将机器人运动轨迹转换成相应的机器人的运动控制程序；
具体的，插值算法为样条插值或Bezier曲线。
S6、将机器人的运动轨迹点导入仿真环境中，验证机器人的运动路径规划；若仿真正常，则机器人可执行运动轨迹点生成的控制程序去完成相关作业任务，若仿真出现问题，则返回S5根据仿真反馈的结果重新生成机器人运动轨迹。
进一步的，S1中对采集的二维图像信息进行预处理与标注的内容具体为：
基于视觉采集模块对加工后标准工件以及加工前的毛坯件进行拍照，收集包含工件加工轮廓信息的图像数据；
对收集到的图像数据进行预处理，包括去噪、裁剪、调整大小的操作；
具体的，确保图像数据的质量和一致性。
使用标注工具或者标注软件对图像数据中的加工轮廓信息进行人工标注；
此外，标注人员需要根据预先定义的标注规则，在图像中详细勾勒出轮廓或标注轨迹的位置和形状。
对标注后的图像数据进行质量控制和审核；
此外，通过多个人员的标注来进行交叉验证，或者使用专门的质量控制工具和指标。
将审核通过的标注后的图像数据换为统一的数据格式，得到标注好的图像数据；
将标注好的图像数据与标注信息关联并保存到相应的文件或数据库中。
进一步方便后续的机器学习或算法训练使用。
进一步的，S3具体为：
假设工件的三维模型表示为参数点集合θ，以及工件的三维点云数据集合D，定义一个代表工件三维模型和三维点云数据之间距离的误差函数E(θ)，它表示工件三维点云数据中的点到使用参数点集合表示的工件三维模型最近表面的距离，其公式为：
其中，pi是工件三维点云数据中的一个点，M(θ)是使用参数点集合表示的工件模型表面的点，f是工件三维点云数据中的点与工件模型表面的点之间最近距离的函数；
梯度计算：计算误差函数E(θ)对工件三维模型参数点集合θ的梯度；
梯度更新：使用梯度信息，以学习率α更新参数集合θ，减少误差函数E(θ)，其公式为：
其中，θ(t+1)是第t+1次的工件三维模型参数，θ(t)是第t次的工件三维模型参数，α是学习率，是误差函数E(θ)在当前第t次参数点处的梯度向量；
迭代优化：重复梯度计算和梯度更新的步骤，迭代地更新参数集合θ，直到误差函数收敛或达到设定的迭代次数，从而得到修正后的工件的三维数模。
进一步的，S4具体为：
特征提取：对工件的加工轮廓信息和三维数模分别进行特征提取，获取工件的加工轮廓信息和三维数模的特征点和描述子；
特征匹配：进行特征点匹配；
坐标转换与映射：根据匹配得到的特征点对，进行坐标转换和映射；
透视变换：若工件的二维图像信息与三维数模不在同一坐标系下，则进行透视变换将它们映射到相同的坐标系下；
拟合或配准：使用ICP配准算法对二维图像信息和三维数模进行进一步的拟合和对齐，得到匹配结果。
进一步的，特征点匹配具体为：
生成描述子：在特征提取后，生成基于特征点的描述子；
最近邻匹配：对每个特征点的描述子，采用最邻近匹配算法计算其在另一组描述子中的最相似邻居，即找到最近的特征点；
距离度量：采用欧式距离度量来衡量两个描述子之间的差异性；
匹配筛选：对于每个特征点，通过比较与其他特征点之间的距离，选取最接近的一个特征点作为匹配点，通过设置阈值或采用更高级的筛选算法来排除错误匹配。
进一步的，还包括：
S7、通过标定工具标定机器人的工具坐标系，然后标定工件坐标系，计算出工件坐标系与工具坐标系之间的转换关系，并记录标定好机器人的工具坐标系与工件坐标系；
S8、通过将标定好的工件坐标系赋值到机器人控制程序中，并通过视觉引导定位确定工件坐标系与工具坐标系的转换关系，引导机器人找到工件坐标系，以工件坐标系作为参考确定机器人执行的加工轨迹；
S9、视觉校准后的工件坐标系应用到机器人加工操作中，通过测试和验证确保机器人进行定位和执行任务。
具体的，视觉引导定位功能可以在工件任意摆放的情况下精确识别工件坐标系，从而引导机器人按照正确的加工轨迹完成加工作业，可以解决传统工件定位不准确的问题。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种铸件机器人后处理加工自主编程系统，其特征在于，包括：视觉采集模块、深度学习模块、三维点云处理模块、机器人离线编程模块；其中，
视觉采集模块，用于采集工件的二维图像信息以及工件的三维点云数据；
深度学习模块，与视觉采集模块的第一输出端连接，用于通过工件的二维图像信息得到工件的加工轮廓信息；
三维点云处理模块，与视觉采集模块的第二输出端、深度学习模块的输出端连接，用于通过采集工件的三维点云数据与工件的加工轮廓信息在修正的三维数模中进行匹配得到工件在三维数模中的加工轮廓信息；
机器人离线编程模块，与三维点云处理模块的输出端连接，用于根据工件在三维数模中的加工轮廓信息生成机器人的实际运动轨迹和运动控制程序。
2.根据权利要求1所述的一种铸件机器人后处理加工自主编程系统，其特征在于，还包括：与机器人离线编程模块连接的机器人加工系统，机器人加工系统包括：工业机器人系统模块、快换模块和末端加工工具模块；其中，
工业机器人系统模块，与快换模块的输入端连接，用于执行机器人的运动轨迹；
快换模块，与末端加工工具模块的输入端和视觉采集模块的输入端连接，用于视觉采集模块和末端加工工具模块的快换操作；
末端加工工具模块，用于工件的加工操作。
3.根据权利要求1所述的一种铸件机器人后处理加工自主编程系统，其特征在于，视觉采集模块采集工件的三维点云数据具体为：
第一步：使用视觉传感器采集工件的三维点云数据；
第二步：以工件的三维数模作为参考模型；
第三步：使用ICP算法将采集的工件三维点云数据与参考模型进行配准；
第四步：初始化变换参数，将采集的工件三维点云数据与参考模型进行初步对齐；
第五步：通过迭代的方式，不断优化变换参数，使得采集的工件三维点云数据与参考模型对齐；
第六步：对于采集的每个三维点云数据，在参考模型上找到最近的点，建立点对应关系；
第七步：使用最小二乘法计算最佳的变换参数，通过最小化点对应关系之间的距离进行计算变换；
第八步：判断ICP算法是否收敛，即工件三维点云数据是否已经接近参考模型，若未达到则返回第五步，若达到则停止迭代；
第九步：通过不断的迭代优化，获取优化后的变换参数，将其应用于采集的工件三维点云数据，将采集的工件三维点云数据与参考模型对齐，以得到优化后的工件三维点云数据。
4.根据权利要求3所述的一种铸件机器人后处理加工自主编程系统，其特征在于，视觉传感器包括但不限于：激光雷达、3D视觉相机、深度相机、结构光传感器、3D扫描仪。
5.一种铸件机器人后处理加工自主编程方法，其特征在于应用于权利要求1-4任一项所述的一种铸件机器人后处理加工自主编程系统，包括以下步骤：
S1、通过3D扫描仪采集工件的三维点云数据，同时采集工件的二维图像信息，并对采集的二维图像信息进行预处理与标注；
S2、将训练好的深度学习模型部署到机器人加工系统中，并对采集工件的二维图像信息进行学习，生成工件的加工轮廓信息；
S3、通过梯度下降优化算法实时修正工件的三维模型，得到修正后的工件的三维数模；
S4、将工件的加工轮廓信息与修正后的工件的三维数模进行匹配，得到工件在修正后三维数模的加工轮廓信息；
S5、根据修正后的三维数模的加工轮廓信息设计机器人的加工路径，通过采用插值算法生成机器人的运动轨迹点，将机器人运动轨迹转换成相应的机器人的运动控制程序；
S6、将机器人的运动轨迹点导入仿真环境中，验证机器人的运动路径规划；若仿真正常，则机器人可执行运动轨迹点生成的控制程序去完成相关作业任务，若仿真出现问题，则返回S5根据仿真反馈的结果重新生成机器人运动轨迹。
6.根据权利要求5所述的一种铸件机器人后处理加工自主编程方法，其特征在于，S1中对采集的二维图像信息进行预处理与标注的内容具体为：
基于视觉采集模块对加工后标准工件以及加工前的毛坯件进行拍照，收集包含工件加工轮廓信息的图像数据；
对收集到的图像数据进行预处理，包括去噪、裁剪、调整大小的操作；
使用标注工具或者标注软件对图像数据中的加工轮廓信息进行人工标注；
对标注后的图像数据进行质量控制和审核；
将审核通过的标注后的图像数据换为统一的数据格式，得到标注好的图像数据；
将标注好的图像数据与标注信息关联并保存到相应的文件或数据库中。
7.根据权利要求5所述的一种铸件机器人后处理加工自主编程方法，其特征在于，S3具体为：
假设工件的三维模型表示为参数点集合θ，以及工件的三维点云数据集合D，定义一个代表工件三维模型和三维点云数据之间距离的误差函数E(θ)，它表示工件三维点云数据中的点到使用参数点集合表示的工件三维模型最近表面的距离，其公式为：
其中，pi是工件三维点云数据中的一个点，M(θ)是使用参数点集合表示的工件模型表面的点，f是工件三维点云数据中的点与工件模型表面的点之间最近距离的函数；
梯度计算：计算误差函数E(θ)对工件三维模型参数点集合θ的梯度；
梯度更新：使用梯度信息，以学习率α更新参数集合θ，减少误差函数E(θ)，其公式为：
其中，θ(t+1)是第t+1次的工件三维模型参数，θ(t)是第t次的工件三维模型参数，α是学习率，是误差函数E(θ)在当前第t次参数点处的梯度向量；
迭代优化：重复梯度计算和梯度更新的步骤，迭代地更新参数集合θ，直到误差函数收敛或达到设定的迭代次数，从而得到修正后的工件的三维数模。
8.根据权利要求5所述的一种铸件机器人后处理加工自主编程方法，其特征在于，S4具体为：
特征提取：对工件的加工轮廓信息和三维数模分别进行特征提取，获取工件的加工轮廓信息和三维数模的特征点和描述子；
特征匹配：进行特征点匹配；
坐标转换与映射：根据匹配得到的特征点对，进行坐标转换和映射；
透视变换：若工件的二维图像信息与三维数模不在同一坐标系下，则进行透视变换将它们映射到相同的坐标系下；
拟合或配准：使用ICP配准算法对二维图像信息和三维数模进行进一步的拟合和对齐，得到匹配结果。
9.根据权利要求8所述的一种铸件机器人后处理加工自主编程方法，其特征在于，特征点匹配具体为：
生成描述子：在特征提取后，生成基于特征点的描述子；
最近邻匹配：对每个特征点的描述子，采用最邻近匹配算法计算其在另一组描述子中的最相似邻居，即找到最近的特征点；
距离度量：采用欧式距离度量来衡量两个描述子之间的差异性；
匹配筛选：对于每个特征点，通过比较与其他特征点之间的距离，选取最接近的一个特征点作为匹配点，通过设置阈值或采用更高级的筛选算法来排除错误匹配。
10.根据权利要求5所述的一种铸件机器人后处理加工自主编程方法，其特征在于，还包括：
S7、通过标定工具标定机器人的工具坐标系，然后标定工件坐标系，计算出工件坐标系与工具坐标系之间的转换关系，并记录标定好机器人的工具坐标系与工件坐标系；
S8、通过将标定好的工件坐标系赋值到机器人控制程序中，并通过视觉引导定位确定工件坐标系与工具坐标系的转换关系，引导机器人找到工件坐标系，以工件坐标系作为参考确定机器人执行的加工轨迹；
S9、视觉校准后的工件坐标系应用到机器人加工操作中，通过测试和验证确保机器人进行定位和执行任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410407248.3A CN118081767A (zh) | 2024-04-03 | 2024-04-03 | 一种铸件机器人后处理加工自主编程系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410407248.3A CN118081767A (zh) | 2024-04-03 | 2024-04-03 | 一种铸件机器人后处理加工自主编程系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118081767A true CN118081767A (zh) | 2024-05-28 |
Family
ID=91161680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410407248.3A Pending CN118081767A (zh) | 2024-04-03 | 2024-04-03 | 一种铸件机器人后处理加工自主编程系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118081767A (zh) |
-
2024
- 2024-04-03 CN CN202410407248.3A patent/CN118081767A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN107127755B (zh) | 一种三维点云的实时采集装置及机器人打磨轨迹规划方法 | |
| CN110434671B (zh) | 一种基于特征测量的铸造件表面机加工轨迹校准方法 | |
| CN110014426B (zh) | 一种利用低精度深度相机高精度抓取形状对称工件的方法 | |
| CN110069041B (zh) | 一种基于在机测量的工件加工方法及系统 | |
| CN111077844B (zh) | 一种基于实测数据特征引导的零件精确加工方法 | |
| CN110866934B (zh) | 基于规范性编码的复杂点云分割方法及系统 | |
| CN108089544B (zh) | 一种鞋底喷胶机械人的轨迹生成方法及控制系统 | |
| CN113538486B (zh) | 一种提高汽车钣金工件的识别与定位精度的方法 | |
| CN110728667A (zh) | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 | |
| CN109732450B (zh) | 一种基于神经网络的叶片抛磨加工方法 | |
| CN112613097A (zh) | 一种基于计算机视觉的bim快速化建模方法 | |
| CN109683552B (zh) | 一种基面曲线导向的复杂点云模型上的数控加工路径生成方法 | |
| CN110103071B (zh) | 一种变形复杂零件的数字化寻位加工方法 | |
| CN109101741B (zh) | 一种基于三角网格简化的复杂曲面检测自适应采样方法 | |
| CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及系统 | |
| CN112729112B (zh) | 基于机器人视觉的发动机缸体孔径与孔位检测方法 | |
| CN116402792A (zh) | 一种基于三维点云的空间孔位对接方法 | |
| CN116909208B (zh) | 基于人工智能的壳体加工路径优化方法及系统 | |
| CN117103266A (zh) | 一种基于语义分割的飞机蒙皮特征识别与铣边路径规划方法 | |
| CN118081767A (zh) | 一种铸件机器人后处理加工自主编程系统及方法 | |
| CN115157272B (zh) | 一种基于视觉扫描的自动化编程系统 | |
| CN115641418A (zh) | 一种基于点云信息的雷达罩分区域自适应修型方法 | |
| CN115056213A (zh) | 一种面向大型复杂构件的机器人轨迹自适应修正方法 | |
| CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |