一种基于激光点云的对焊焊缝高精度识别方法

技术领域

本发明属于计算机视觉和图像处理领域，涉及一种基于激光点云的焊缝识别方法，能实现对工件焊缝焊后边界的精确提取。

背景技术

焊接工艺是大型的/复杂的结构件的主要生产方式之一。近年来，与之相关的焊后打磨，检测技术也在先进制造行业中受到广泛应用，如汽车制造、能源运输、造船、航空航天等。随着加工质量及柔性化生产要求的提升，呆板的编程示教方法已经不能满足智能制造需求。如何像有经验的工人一样，可以根据零件个性化特征进行适应性的加工与检测成为焊后处理技术的发展趋势。高精度焊缝识别为个性化零件柔性加工、检测路径跟踪等提供了决策信息，是实现智能化生产的关键。

焊缝识别即是在点云模型中将焊缝区域与母材区域准确分割开，也就是提取焊缝边界的过程。为说明所涉及的一种基于激光点云的对焊焊缝高精度识别方法的高精度和高鲁棒性，以一类识别难度较大的薄壁筒零件环形焊缝的背部边界提取需求为目标进行说明。薄壁筒零件环形焊缝背部相比于一般厚板材或者厚管上较为规整的外侧焊缝，具有如下难点：首先，背部焊缝是由熔融金属在零件内侧的过盈部分形成，与外侧焊缝相比，表面一致性差，与母材之间的边界特征模糊。其次，由于筒零件壁厚较薄，焊接过程中熔池区域的高温会导致母材产生对接错缝和弯曲变形，这种焊接缺陷很容易导致母材与焊缝轮廓混淆。最后，筒零件内壁不易清理，附着在焊缝周边的碎屑等异物也增加了误识别的风险。这些因素给对焊焊缝高精度识别带来了极大的挑战。

目前，已有学者在焊后识别方面进行了探索。2021年，南京溧航仿生产业研究院有限公司在专利CN112288707A中公开了一种基于特征点识别的机器人焊缝打磨算法，其中将二阶曲率突变作为标志提取出了焊缝特征点。2022年，慧诚自动化技术(宁波)有限公司在专利CN113941919A中将相邻法线夹角差异作为获取焊缝外侧边界的手段，并将这种方法并应用于钢管焊缝的自动打磨系统中。

两种方法都是基于焊缝边界与母材在几何特征上的显著差异进行识别的，算法简便、识别效率高。面对形貌较为规整的厚板外侧焊缝时具有较好的识别效果。但是两种方法的适应性和鲁棒性差，无法适应错缝、变形等焊接缺陷以及碎屑的干扰，导致识别准确度严重下降；同时也不具备对误识别导致的异常数据的修正能力。因此无法满足像薄壁筒零件环形焊缝背部边界一类复杂场景的对焊焊缝高精度识别的要求。

发明内容

本发明为解决当前复杂场景下焊缝边界识别存在的难点，发明了一种基于激光点云的对焊焊缝高精度识别方法，在没有先验形貌特征的情况下，可准确识别焊缝边界。该方法首先获取焊缝三维点云数据，再基于自适应滑动窗模型提取各轮廓线的边界点，最后，基于DBSCAN聚类对异常边界点进行识别与修正。该方法中通过局部模型与分段匹配策略，可有效识别边界特征，大大降低焊缝错缝和变形的影响。利用焊缝整体特征之间的相关性修正由碎屑、变形等产生的误识别数据，进一步增强鲁棒性。

本发明采用的技术方案是一种基于激光点云的对焊焊缝高精度识别方法，该方法首先获取焊缝三维点云数据，再基于自适应滑动窗模型提取各轮廓线的边界点，最后，基于DBSCAN聚类对异常边界点进行识别与修正。通过局部模型与分段匹配策略，有效识别出边界特征，利用焊缝整体特征之间的相关性修正由碎屑、变形产生的误识别数据；

以一类识别难度较大的薄壁筒零件环焊缝的背部边界提取为例，方法的具体步骤如下：

步骤一、焊缝点云的获取

首先，通过线激光扫描仪对包括焊缝和两侧母材在内的筒体焊接区域进行扫描；线激光扫描仪始终将焊缝定位在其测量范围的中心区域，沿圆周方向以等角间距Δθ采集n条轮廓线，Δθ＝360°/n；将得到的n条焊缝轮廓线表示为一个集合C＝{C

步骤2、采用局部模型与分段匹配策略进行基于自适应滑动窗的轮廓线边界点的提取；

以轮廓线左侧边界点P

2.1、构造滑动窗口W

W

其中，s

2.2、局部参考线L

2.3、边界查询点P

2.4、滑动窗W

W

P

2.5、滑动窗W

其中，MSE为滑动窗W

2.6、点集W

W

计算W

D

2.7、获得边界点P

对于轮廓线C

步骤3、基于DBSCAN聚类的异常边界点识别与修正；

3.1、拟合焊缝中心平面S

P

在计算出所有轮廓线的焊缝中心点P

3.2构建特征向量F

F

其中，d

α

3.3建立特征向量集U

辅助向量集由特征向量集U

F

F

总向量集U由公式(13)得到：

U＝U

其中，辅助向量集U

3.4、DBSCAN聚类算法识别离群向量：在建立总向量集U后，设置聚类算法相关参数：邻域半径R

3.5异常边界修正：异常向量记为F

将异常边界点修正完成后，基于每条轮廓线C

本发明的有益效果是提出的一种基于激光点云的对焊焊缝高精度识别方法，在缺乏先验形态信息的情况下，可精确识别具有不同形貌特征，如错边、变形和碎片的焊缝边界。方法中设计的一种基于自适应滑动窗的焊缝边界点提取方法，通过局部模型与分段匹配降低了焊缝的错缝与弯曲变形的影响，可有效识别边界特征。一种基于DBSCAN聚类的异常边界点识别与修正方法，通过构造描述整个焊缝分布特征的特征向量，并采用DBSCAN聚类方法减少了碎屑或变形引起的边界点偏差。

附图说明

图1为基于激光点云的对焊焊缝高精度识别流程图。

图2为基于自适应滑动窗的焊缝边界点提取方法示意图。图中展示某一θ下的轮廓线，其中横坐标Z—轮廓线宽度，纵坐标ρ—轮廓线的相对高度，1—由轮廓点云组成的轮廓线，2—自适应滑动窗，3—识别到焊缝标志点处。

图3为附图2在识别到焊缝标志点处3的局部放大图。4—轮廓点，5—窗口点集W

图4a)为构建特征向量，图4b)为DBSCAN聚类的异常边界点识别示意图，图4c)为DBSCAN聚类的异常边界点修正示意图。

图5a)为薄壁筒零件环形焊缝背部三维点云，5b)为薄壁筒零件环形焊缝背部边界识别效果图。

具体实施方式

本发明以直径约400mm，壁厚约2.5mm的薄壁筒零件对装焊接后形成的环焊缝的背部边界识别为例进行具体实施方式的说明。

方法的流程如附图1所示：首先，获取工件焊缝三维点云数据，见附图5a)。其次，基于自适应滑动窗模型提取各轮廓线的边界点，示意图见附图2、3。最后，基于DBSCAN聚类对异常边界点进行识别与修正，示意图参见附图4a)、b)、c)。方法的具体步骤如下：

步骤1、焊缝点云的获取

首先，通过线激光扫描仪对包括焊缝和两侧母材在内的筒体焊接区域进行扫描。线激光扫描仪始终将焊缝定位在其测量范围的中心区域，沿圆周方向以等角间距Δθ＝0.3°采集n＝1200条轮廓线，采集结果如附图4所示。将得到的1200条焊缝轮廓线表示为一个集合C＝{C

步骤2、采用局部模型与分段匹配策略进行基于自适应滑动窗的轮廓线边界点的提取。

以附图2中的轮廓线左侧边界点P

2.1构造滑动窗口W

2.2、局部参考线L

2.3、边界查询点P

2.4、滑动窗W

2.5、滑动窗W

2.6、点集W

2.7、获得边界点P

步骤3、基于DBSCAN聚类的异常边界点识别与修正；

3.1拟合焊缝中心平面S

3.2、构建特征向量F

3.3、建立特征向量集U

3.4、DBSCAN聚类算法识别离群向量：在建立总向量集U后，设置聚类算法相关参数：邻域半径R

3.5、异常边界修正：异常向量记为F

将异常边界点修正完成后，基于每条轮廓线C

本发明提出的一种基于激光点云的对焊焊缝高精度识别方法，克服了不清晰边界、焊接缺陷以及碎屑等干扰物带来的挑战，实现了复杂场景下焊缝边界的准确提取，为焊接件智能化焊后处理研究奠定了基础。