基于三維點云數據的焊縫識別方法研究

唐國寅,溫秀蘭,趙 嵐,李國成,陸大為

(1. 南京工程學院自動化學院, 江蘇 南京 211167;2. 南京矽景自動化技術有限公司, 江蘇 南京 210012)

隨著計算機視覺和人工智能技術的快速發展,焊接過程中的焊縫識別已經逐漸實現了自動化[1-3].點云技術作為一種新興且重要的三維數據獲取與處理方式,正被越來越多地應用于焊縫識別領域.點云技術可以將復雜的物體表面轉換為由大量點構成的點云模型,為焊縫識別提供了更加全面、精確的三維信息[4-6].在不斷探索點云技術在焊縫識別中應用的同時,如何有效地對點云進行處理和分析以達到高效、準確的焊縫識別也是當前研究的重要方向之一[7-8].文獻[9]基于圖像法自主研發了一款焊縫檢測系統,該系統精度高、性價比高、抗干擾能力強,適用于V型、U型焊縫.但實際應用中對光源要求高,有一定局限性.文獻[10]提出了一種基于紋理特征差異的方法,該方法能準確定位焊縫區域并獲取中心點信息,但是在焊接位置的確定過程中,強烈的弧光和電弧噪聲會對結果產生負面影響,使得準確快速定位焊縫區域變得困難,直接影響焊接的質量和效率.為了解決工業機器人焊接不穩定、工作效率不高、質量低和易受弧光影響的問題,本文提出一種基于三維點云數據的焊縫識別方法.

1 焊接機器人系統設計

為實現高效、穩定的焊縫識別,本文搭建一個基于3D視覺的焊接機器人系統,如圖1所示.系統由機器人控制箱、UR5e、焊槍、Zivid相機、相機支架和上位機組成.焊槍固定安裝在UR5e機械臂的末端,相機與機械臂采取眼在手外的方式安裝.通過對機器人進行工具坐標系的標定和機器人手眼標定,可以分別獲取機器人基坐標系與焊槍坐標系之間的轉換關系以及機器人基坐標系與相機坐標系之間的轉換關系.系統的整體實現流程為:1) 由Zivid相機獲取整個目標表面的點云數據;2) 在上位機中對原始點云進行處理,獲得焊縫軌跡并發送給機器人控制箱;3) 由機器人控制箱控制機器人本體及焊槍實現焊接.

圖1 焊接機器人系統組成圖

2 點云處理算法

2.1 點云濾波

通過Zivid相機獲得的原始點云數據包含焊縫以及周圍環境的深度信息,且每次拍攝的點云都包含2 234 000個點,數量級較大.因此,需要通過點云濾波處理去除原始數據中的噪聲,并在不丟失焊縫特征信息的情況下完成下采樣,以提高焊縫識別精度、加快焊縫識別速度.

半徑濾波可以快速剔除離群點,并且能保留點云的基本形態結構,使點云的整體形態不會發生大的變化.對于半徑濾波處理后的點云,其點的數量依然較多,還需進行點云下采樣.體素濾波的優勢在于簡單快速,能夠有效地對點云進行平滑和下采樣,同時保留了點云數據的整體特征.體素濾波公式為:

(1)

2.2 點云平面擬合

常用的平面擬合方法有隨機抽樣一致(random sample consensus,RANSAC)算法、最小二乘法、主成分分析法等.其中RANSAC算法具有魯棒性高、不易受離群點干擾等優點,但耗時較長.為減少RANSAC算法的運行時間,本文提出一種改進RANSAC算法,具體步驟為:

1) 從點云數據集θ中任意選擇幾點組成最小樣本子集Φ,本文選擇最小樣本子集Φ包含3個點;

2) 采用最小二乘法獲得選定子集Φ對應的平面模型參數;

3) 計算剩余的數據集中每個點到擬合平面的歐式距離d,如果點到擬合平面的距離d小于預定義的距離閾值D,則將其視為內點,否則將其視為外點;

4) 統計內點的數量,作為平面模型的質量度量,采用k最近領域搜索找到最小樣本子集Φ中每個點周圍的g個點,判斷g個點中滿足內點條件的數量,并求出最小樣本子集Φ周圍滿足內點條件數量的總和,如果總和小于預定義的數量閾值U,則直接進入下一次循環;

5) 重復步驟1)—4)R次,從所有迭代中選擇具有最大內點數量的平面模型Ax+By+Cz+D=0作為最優平面模型,并利用該平面模型重新擬合整個點云數據集,以得到更精確的參數估計.

改進RANSAC算法通過迭代次數R和樣本污染率ε來影響算法的魯棒性和準確性.迭代次數計算式為:

R=lg(1-P)/lg(1-(1-ε)h)

(2)

式中:ε為樣本污染率,表示數據集中可能存在的異常值比例;P為置信概率,表示期望以一定置信度找到符合模型的內點;h為初始化模型參數的數量.

2.3 焊縫特征提取算法

為了提取焊縫特征點,需要進行以下步驟:

1) 設定一個距離閾值系數T,該系數將有助于確定異常點;

2) 去除擬合平面上的所有內點,從而得到凹槽點云;

3) 計算凹槽點云中每個點到擬合平面之間的歐式距離αi(i=1,2,3,…,e,e為凹槽點云中點的數量),公式為:

(3)

4) 從αi中找到最大值αmax,其代表凹槽點云中與擬合平面相距最遠的點的距離;

5) 利用αmax和設定的閾值系數T來確定焊縫特征點,具體而言就是篩選出αi大于αmaxT的點,并將它們確定為焊縫的特征點.

通過這種方法能夠自動識別出與最佳擬合平面相距較遠的點,從而找到可能存在的焊縫特征點,提高數據分析的效率,準確地定位和識別出具有重要結構意義的特征點.需要注意的是,選擇適當的閾值系數T非常重要,它將直接影響到最終所識別的焊縫特征點數量和質量.因此,在實際應用中需要根據具體情況進行調整和優化,以獲得最佳結果.

2.4 路徑規劃

通過焊縫特征提取算法獲得的特征點數量通常非常龐大,且分布密度不均勻,需要對焊縫特征點進行一系列處理和轉換.

本文采用二次多項式擬合方法對焊縫特征點集進行空間曲線擬合,以獲得平滑而連續的焊縫路徑.曲線擬合后還需均勻地從曲線上取點,沿曲線等距選取焊接點,獲得一個規范化的路徑,使機器人能夠順利地按照該路徑進行焊接操作.

設曲線的參數化形式為:

(4)

式中:t為參數;β(t)、χ(t)、γ(t)分別為x、y、z關于參數t的二次多項式函數.

設代價函數為:

(5)

式中:n為焊縫特征點的數量;(xs,ys,zs)為第s個焊縫特征點的坐標;ts為s點對應的參數值.

采用最小二乘法求代價函數J最小時對應的a、b、c、f、j、k、u、v、w,便可得到擬合的二次多項式參數化曲線.

3 試驗結果

本試驗選擇鋁合金材質的V型直線焊縫,焊件長100 mm,寬80 mm,厚8 mm,坡口為60°,坡深為4 mm,焊縫寬8 mm.圖2為焊件原始點云圖,共2 234 000個點.根據實驗室Zivid相機獲得的點云質量,設定樣本污染率ε為0.1,置信概率P=0.99,平面模型參數h=3.

圖2 直線V型焊件原始點云圖

圖3為原始點云經過半徑濾波、體素濾波后的點云.圖3(b)共8 947個點,能夠清晰看到噪聲基本被剔除,在保留點云整體特征的情況下降低了點云的密度和數量.

(a) 半徑濾波

圖4為改進RANSAC算法平面擬合效果圖.為充分驗證本文改進RANSAC算法的優越性,利用傳統RANSAC算法與本文改進RANSAC算法對點云進行平面擬合,繪制兩種算法對應的點到平面距離分布圖,結果見圖5.由圖5可見,改進RANSAC算法點到平面的距離的平均值為0.615 mm,而傳統RANSAC算法點到平面的距離的平均值為0.697 mm,改進RANSAC算法相較于傳統RANSAC算法平面擬合精度提高了11.8%.進一步計算改進RANSAC算法點到平面距離的標準差為0.421 mm,運行時間為0.014 s,而傳統RANSAC算法點到平面距離的標準差為0.701 mm,運行時間為0.322 s,改進RANSAC算法相較于傳統RANSAC算法點到平面距離的標準差減小了0.280 mm,運行時間縮短了0.308 s.試驗結果表明本文改進RANSAC算法相較于傳統RANSAC算法具有更好的穩定性和更快的擬合速度.

圖4 改進RANSAC算法平面擬合效果圖

圖5 點到平面距離分布圖

本文的焊縫特征提取算法設定閾值系數T=0.95,共提取到181個焊縫特征點,具體結果如圖6所示.由圖6的焊縫特征點可見,較為完整地提取出了整個焊縫,且焊縫特征點分布均勻,無大范圍空隙,驗證了本文焊縫特征提取算法的有效性.

圖6 焊縫特征點提取示意圖

焊縫特征點曲線擬合如圖7所示.由圖7可見,181個特征點到擬合曲線距離的平均差為0.219 mm,標準差為0.146 mm,運行時間為0.008 s,能夠滿足焊接的精度和速度要求.

圖7 焊縫特征點曲線擬合圖

4 結語

針對工業機器人焊接不穩定、工作效率不高、質量低和易受弧光影響的問題,本文搭建基于3D視覺的焊接機器人系統,并提出一種改進RANSAC算法.試驗結果表明,本文改進的RANSAC算法相較于傳統RANSAC算法點到平面距離的標準差減小了0.280 mm,運行時間縮短了0.308 s,具有較好的識別精度和運行速度,能夠在實際焊接中推廣和應用,但對于多平面相交的焊縫識別精度還有待提升.