CN110328674A - 一种激光切割机器人 - Google Patents

Abstract

本发明公开了一种激光切割机器人，通过辅助设备获取切割图像，并对图像进行图像滤波、增强、二值化等技术分析处理后，采用边缘检测处理和Hough变换对图像进行处理得到图像的特征信息，并计算出切割路径特征点的像素坐标，再通过坐标变换将其转化到世界坐标系下，得出切割路径的位置信息，最后对各节点轨迹的起点、终点及该轨迹的行程进行综合计算制定最优的切割轨迹。

Description

一种激光切割机器人

技术领域

本发明涉及工业机器人，尤其涉及一种激光切割机器人。

背景技术

工业机器人夹持激光头进行作业，是目前较为常用的机器人三维激光切割***，使用机器人三维激光切割***切割钣金工件，与传统切割方法相比在质量和周期上具有无可比拟的优势；传统的汽车钣金件加工需要通过模具加工来完成，根据工件的不同，冲压方向的变化，以及同一工件上不同部位的通孔，可能需要多次更换不同的模具，效率较低，采用机器人三维激光切割的方式，仅需改变机器人的路径程序就可以完成对不同工件的快速加工。

随着工业的发展，复杂形状和大尺寸工件的需求日益增加，也对传统三维激光切割***的加工能力提出了新的要求，传统的三维激光切割***常用三轴控制激光头的位置，但是三轴运动的自由度受限，无法保证激光头在切割圆弧形的尺寸的良好形态。

申请号为CN201710103897.4的专利申请公开了一种激光切割机，其采用UG软件生成三维切割轨迹，并通过X轴、Y轴和Z轴的配合对样品进行切割，但是当切割轨迹中包含弧形时，三轴运动会在弧形部分产生运动的不一致和抖动，使得切割的样品轮廓出现锯齿等缺陷。

因此，需要设计一种激光切割机器人能够直接根据所需的切割图像输出机器人的切割轨迹数据。

发明内容

本发明的目的是克服现有技术的不足，提供一种激光切割机器人，通过摄像头采集切割路径的图像，并对图像进行图像滤波、增强、二值化等技术分析处理后，采用边缘检测处理和Hough变换对图像进行处理得到图像的特征信息，并计算出切割路径特征点的像素坐标，再通过坐标变换将其转化到世界坐标系下，得出切割路径的位置信息，最后对各节点轨迹的起点、终点及该轨迹的行程进行综合计算制定最优的切割轨迹。

为实现上述目的，本发明的技术解决方案是：一种激光切割机器人，包括控制组件、移动组件和切割组件；所述控制组件包括PC机、示教盒、第一控制器和第二控制器；所述移动组件包括工作台、伺服电机和机器人，所述切割组件包括外部轴、切割头、激光器和辅助设备；所述机器人末端法兰上安装激光切割头，所述第一控制器通过电缆和机器人手臂主体连接，通过控制机器人的运动轨迹来完成对工件的切割；所述第一控制器通过网线与所述第二控制器连接，所述第二控制器的IO端分别于所述激光器的各个IO端以及辅助设备上的IO端连接，所述激光器通过光纤传导激光束，经切割头聚焦后输出进行切割，并对辅助设备进行控制和实时监测；所述第一控制器通过串口线与伺服电机连接，并控制外部轴电机的运动，经减速机转接，完成对外部轴的同步运动控制。

作为本发明的进一步限定，在机器人开始作业前需要对切割头的中心点进行标定，标定的具体方法如下：

首先输入初始的中心点数值，然后将切割头移动到观测误差的位姿，并记录当前位置下的参考点；确定参考点之后，围绕参考点旋转切割头，观测中心点在各个方向上的误差值；根据观测的误差值判断是否符合预期精度，如判断为精度不够，则以世界坐标系为参考，直接输入误差值进行修正；修正值输入完毕后得出直接计算出新的中心点数值，且机器人自动回到参考点；回到参考点后，重复之前的观测误差操作和修正操作，直至中心点数值精度符合预期；记录并采用最终符合预期的中心点数值。

作为本发明的进一步限定，中心点数值通过以下方法获得：

1)安装参数已知的标准尖点工具，并设定当前工具值；

2)将标准工具与世界坐标对齐，移动末端垂直对准参考点；

3)记录当前法兰位置坐标和尖点位置坐标；

3)卸下准尖点工具，装上需要标定的实际工具；

4)移动切割头末端对准参考点，确保工具姿态为理想垂直地面姿态；

5)再次记录当前法兰位置坐标；

6)求得当前切割头的中心点。

作为本发明的进一步限定，所述辅助设备采集切割路径的图像并回传至PC机，所述PC机对采集到的图像进行图像综合处理得到切割路径特征点的像素坐标，最后将该像素坐标通过坐标转换，转换到机器人所在的世界坐标系下从而得出切割路径的位置信息，最后对各节点轨迹的起点、终点及该轨迹的行程进行综合计算制定最优切割轨迹；PC机将所述最优切割轨迹传送至第一控制器，所述第一控制器根据所述最优切割轨迹控制机器人进行切割操作。

作为本发明的进一步限定，所述图像综合处理具体为：先对图像依次进行图像去噪、图像增强、二值化处理，然后采用边缘检测处理和Hough变换对图像进行处理得到图像的特征信息。

作为本发明的进一步限定，所述综合去噪包括如下步骤：

步骤1：图像裁剪，剪裁图像的边缘，去除不包含图像信息的像素，减少图像的存储容量，节省后续处理的时间；

步骤2：对裁剪后的图像进行均值滤波处理，去除椒盐噪声；

步骤3：把图像分解为多个子图像，在去噪处理后重建裁剪图像；

步骤4：采用线性变换对重构图像进行去噪处理。

作为本发明的进一步限定，所述图像裁剪方法具体为：

步骤11：左侧和右侧进行裁减，固定原始图像的列像素对行像素扫描，若该列像素个数少于5，则认为是对整幅图像特征贡献不大的边界噪声，进行裁剪去除；

步骤12：上侧和下侧进行裁减，固定原始图像的行像素对列像素扫描，若该列像素个数少于5，则认为是对整幅图像特征贡献不大的边界噪声，进行裁剪去除。

作为本发明的进一步限定，所述均值滤波处理具体为：

对待处理的当前像素点(x,y)，选择3×3模板，该模板由其近邻的若干像素组成，求取该模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度g(x,y)，即其中，m为该模板中包含当前像素在内的像素总个数。

作为本发明的进一步限定，所述线性变换具体方法为：

(1)将图像分解成A层图像，并将每层图像分解为多个子图像，总图像为3A+1，将待处理图像进行线性变换到第A层，形成低频部分LL_A以及一系列不同尺度上的高频部分HH_A，LH_A，HL_A；然后，首先在子图HH₁，LH₁，HL₁中查找线性变换模极大值，并记录为S₁(x_1n,y_1n)；

(2)随着A的不断在增大，设置每一层在HH_a，LH_a，HL_a中对应于S_a-1(x_(a-1)n,y_(a-1)n)及附件区域查找线性变换模极大值，记录为S_a-1(x_an,y_an)；

(3)比较S_a(x_an,y_an)与S_a-1(x_an,y_an)，若S_a(x_an,y_an)<<S_a-1(x_an,y_an)或S_a(x_an,y_an)＝0，则将此处的线性变换模极大值置为0，否则返回上一步；

(4)选取阈值，对HH_a，LH_a，HL_a上的线性变换系数进行处理，即进一步对由图像细节信号和噪声共同作用的线性变换系数进行平滑处理，去除噪声点。

作为本发明的进一步限定，所述二值化处理具体为：

设置图像有取值范围为0～L-1的L个灰度值，在这个取值范围内选取灰度值T，T将图像分成G₀和G₁两组；其中，G₀包含的像素灰度值在0～T，G₁包含的像素灰度值在T+1～L-1，N表示图像像素总数，n_i表示灰度值为i的像素个数，每一个灰度值为i的像素出现的频率为p_i＝n_i/N，w₀和w₁分别为G₀和G₁两组像素个数在整个图像中所占的比例，两组平均灰度值为μ₀和μ₁；

其中，

图像的总平均灰度值为：μ＝w₀μ₀+w₁μ₁；

图像的最佳阈值为：T＝argmax(w₀w₁(μ₀-μ₁)²)，T为使得方差达到最大时t的取值。

本发明的有益效果是:

1、本发明通过对切割图像进行图像滤波、增强、二值化等技术分析处理后，并通过边缘检测处理和Hough变换得到图像的特征信息，并计算出切割路径特征点的像素坐标，再通过坐标变换将其转化到世界坐标系下，得出切割路径的位置信息，最后对各节点轨迹的起点、终点及该轨迹的行程进行综合计算制定最优的切割轨迹。

2、本发明在进行激光切割前对切割头进行标定，并在原有中心点坐标的基础上，可再次修正切割头的中心点坐标，使得修正后中心点坐标数值能够保持一致性，保证中心点坐标的离线通用性。

3、本发明的综合去噪方法结合了均值滤波和线性变换去噪的优点，相对于单一均值滤波和单一线性变换去噪，能更有效地去除图像中的随机噪声，取得更好的去噪效果。

4、本发明通过在图像去噪、图像增强、二值化处理后对图像进行特征提取，能够有效获取图像的直线、弧线的特征信息，通过将获取的直线、弧线特征信息作为指令发送给机器人控制***进而控制末端执行器进行后续操作。

5、本发明结合获取的直线、弧线特征信息以及图像中各位置节点的信息通过切割路径规划计算能够得出行程最短的最佳切割轨迹。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定；在附图中：

图1为本发明的激光切割机器人的示意图

图2为本发明的激光切割机器人的切割路径制定的流程示意图

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。

参见图1-2，一种激光切割机器人，包括控制组件、移动组件和切割组件；所述控制组件包括PC机、示教盒、第一控制器和第二控制器；所述移动组件包括工作台、伺服电机和机器人，所述切割组件包括外部轴、切割头、激光器和辅助设备；所述机器人末端法兰上安装激光切割头，所述第一控制器通过电缆和机器人手臂主体连接，通过控制机器人的运动轨迹来完成对工件的切割；所述第一控制器通过网线与所述第二控制器连接，所述第二控制器的IO端分别于所述激光器的各个IO端以及辅助设备上的IO端连接，所述激光器通过光纤传导激光束，经切割头聚焦后输出进行切割，并对辅助设备进行控制和实时监测；所述第一控制器通过串口线与伺服电机连接，并控制外部轴电机的运动，经减速机转接，完成对外部轴的同步运动控制。

机器人由于机械行程的累计误差，长时间工作后累计误差将导致切割头位置发生偏移，进而影响切割的精度，因此，在机器人开始激光切割之前需要对切割头的中心点进行标定，如果出现碰撞等情况，就必须重新标定中心点位置或者进行修正补偿。

因此，本发明的机器人在进行激光切割操作前，先对切割头的中心点进行标定，标定的具体方法如下：

首先输入初始的中心点数值，然后将切割头移动到观测误差的位姿，并记录当前位置下的参考点；确定参考点之后，围绕参考点旋转切割头，观测中心点在各个方向上的误差值；根据观测的误差值判断是否符合预期精度，如判断为精度不够，则以世界坐标系为参考，直接输入误差值进行修正；修正值输入完毕后得出直接计算出新的中心点数值，且机器人自动回到参考点；回到参考点后，重复之前的观测误差操作和修正操作，直至中心点数值精度符合预期；记录并采用最终符合预期的中心点数值。

其中，中心点数值通过以下方法获得：

1)安装参数已知的标准尖点工具，并设定当前工具值；

2)将标准工具与世界坐标对齐，移动末端垂直对准参考点；

3)记录当前法兰位置坐标和尖点位置坐标；

3)卸下准尖点工具，装上需要标定的实际工具；

4)移动切割头末端对准参考点，确保工具姿态为理想垂直地面姿态；

5)再次记录当前法兰位置坐标；

6)求得当前切割头的中心点。

在设定准确的切割头中心点坐标后，即可采用辅助设备获取切割路径的图像，然后对采集到的图像进行图像处理得到切割路径特征点的像素坐标，最后将该像素坐标通过坐标转换，转换到机器人所在的世界坐标系下进而得出加工零件所需的切割路径。

由于图像在采集、传输和数字化过程中会不可避免的受到噪声干扰，图像中的噪声可理解为影响人的视觉器官对其所获取的图像信息进行理解和分析的各种干扰因素，因此，需要对图像进行去噪，尽量在保留图像细节特征的前提下抑制目标图像的噪声。

因此，本发明设置辅助设备采集切割路径的图像并回传至PC机，所述PC机对采集到的图像进行图像综合处理得到切割路径特征点的像素坐标，最后将该像素坐标通过坐标转换，转换到机器人所在的世界坐标系下从而得出切割路径的位置信息，最后对各节点轨迹的起点、终点及该轨迹的行程进行综合计算制定最优切割轨迹；PC机将所述最优切割轨迹传送至第一控制器，所述第一控制器根据所述最优切割轨迹控制机器人进行切割操作。

其中，所述图像综合处理具体为：先对图像依次进行图像去噪、图像增强、二值化处理，然后采用边缘检测处理和Hough变换对图像进行处理得到图像的特征信息。

作为本发明的进一步限定，所述图像去噪包括如下步骤：

步骤1：图像裁剪，剪裁图像的边缘，去除不包含图像信息的像素，减少图像的存储容量，节省后续处理的时间；

步骤2：对裁剪后的图像进行均值滤波处理，去除椒盐噪声；

步骤3：把图像分解为多个子图像，在去噪处理后重建裁剪图像；

步骤4：采用线性变换对重构图像进行去噪处理。

作为本发明的进一步限定，所述图像裁剪方法具体为：

步骤11：左侧和右侧进行裁减，固定原始图像的列像素对行像素扫描，若该列像素个数少于5，则认为是对整幅图像特征贡献不大的边界噪声，进行裁剪去除；

步骤12：上侧和下侧进行裁减，固定原始图像的行像素对列像素扫描，若该列像素个数少于5，则认为是对整幅图像特征贡献不大的边界噪声，进行裁剪去除。

作为本发明的进一步限定，所述均值滤波处理具体为：

对待处理的当前像素点(x,y)，选择3×3模板，该模板由其近邻的若干像素组成，求取该模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度g(x,y)，即其中，m为该模板中包含当前像素在内的像素总个数。

作为本发明的进一步限定，所述线性变换具体方法为：

(1)将图像分解成A层图像，并将每层图像分解为多个子图像，总图像为3A+1，将待处理图像进行线性变换到第A层，形成低频部分LL_A以及一系列不同尺度上的高频部分HH_A，LH_A，HL_A；然后，首先在子图HH₁，LH₁，HL₁中查找线性变换模极大值，并记录为S₁(x_1n,y_1n)；

(2)随着A的不断在增大，设置每一层在HH_a，LH_a，HL_a中对应于S_a-1(x_(a-1)n,y_(a-1)n)及附件区域查找线性变换模极大值，记录为S_a-1(x_an,y_an)；

(3)比较S_a(x_an,y_an)与S_a-1(x_an,y_an)，若S_a(x_an,y_an)<<S_a-1(x_an,y_an)或S_a(x_an,y_an)＝0，则将此处的线性变换模极大值置为0，否则返回上一步；

(4)选取阈值，对HH_a，LH_a，HL_a上的线性变换系数进行处理，即进一步对由图像细节信号和噪声共同作用的线性变换系数进行平滑处理，去除噪声点。

图像的去噪效果可以从两方面来评价:一为信噪比(SNR)，二为均方差；采用单一均值滤波、单一线性变换去噪与本发明的综合去噪算法进行比较，对比结果表1所示：

表1——本发明的综合去噪方法与单一均值滤波、单一线性变换去噪的均

方差和信噪比的比较

评价参数	均值滤波去噪	线性变换去噪	综合去噪
				均方差	70.683	69.107	62.482
信噪比	17.856	18.114	18.392

从表1中可以看出，本发明的综合去噪方法相对于单一均值滤波和单一线性变换去噪，均方差明显降低，说明图像的动态范围有所缩减，而信噪比却增加了，说明本文算法有效地消除了高频噪声。

由于在对图像进行了去噪处理和增强处理之后降低了图像的噪声，一定程度上提升了图像的质量，但为了更好的识别和检测图像边缘，还需对图像进行二值化处理，对图像进行二值化处理可使图像变得简单，且数据量减小提高了图像处理速度，同时能突显出感目标轮廓，为后续的边缘检测提供方便

因此，为了使得图像能够清晰并便于后续边缘检测处理，本发明选定二值化处理具体为：

设置图像有取值范围为0～L-1的L个灰度值，在这个取值范围内选取灰度值T，T将图像分成G₀和G₁两组；其中，G₀包含的像素灰度值在0～T，G₁包含的像素灰度值在T+1～L-1，N表示图像像素总数，n_i表示灰度值为i的像素个数，每一个灰度值为i的像素出现的频率为p_i＝n_i/N，w₀和w₁分别为G₀和G₁两组像素个数在整个图像中所占的比例，两组平均灰度值为μ₀和μ₁；

其中，

图像的总平均灰度值为：μ＝w₀μ₀+w₁μ₁；

图像的最佳阈值为：T＝argmax(w₀w₁(μ₀-μ₁)²)，T为使得方差达到最大时t的取值。

图像边缘检测方法具体为：首先使用高斯滤波器对图像进行平滑处理，然后使用像素点一阶偏导数的灰度差分近似计算梯度幅值的大小和方向，接着采用非极大抑制梯度幅值的方法进行边缘细化，最后设置双阈值处理图像，对边缘进行检测和连接。

经过图像滤波、图像增强、二值化和边缘检测等图像处理后，需要对机器人切割路径的特征点信息进行提取，即提取切割路径图像的特征点坐标以作为指令发送给机器人控制***进而控制末端执行器进行后续操作。

为了能够对检测的边缘信息对应的行程进行计算，需要对提取图像的特征点坐标，本发明通过以下方法提取图像的特征点坐标：

(1)读入边缘检测后的图像并对图像作Hough变换，并将变换结果存入Hough变换累加器；

(2)设定阈值，并根据阈值大小将Hough变换累加器中累加值小于阈值的点清零，即认为这些点并不对应图像域中的一条直线；

(3)查找Hough变换累加器中累加值最大的点，记录该点并将其领域清零，继续查找并记录下一个累加值最大的点，直到累加器中所有的累加值都为零，记录的这些点即对应了检测到的图像中的直线；

(4)根据检测到的点在图像域中绘出直线；

(5)在原始图像中取一基准点(x_b,y_b)并以此点为圆心、R为半径求在参数空间的投影，得到坐标点集合F_b，将所得到的坐标点集合F_b保存；

(6)对图像进行遍历，当遇到第一个边缘点(x₁,y₁)时，将保存在集合F_b中所有元素即所有坐标点的坐标分别加上x、y方向的偏移量x₁-x_b、y₁-y_b，得到新的坐标点集合F₁，然后在参数空间中将集合F₁中所有坐标点元素对应的累加值进行累加；

(7)重复步骤(2)，计算F_n(N≥n≥2)，并将F_n中所有坐标点元素对应的累加值进行累加，直到所有边缘点均被遍历到并计算过；

(8)找出参数空间中累加值的极大值，累加值极大值在参数空间中所对应的坐标便是圆在图像空间中的圆心坐标。

根据上面得出的图像的直线信息和圆心坐标，即可计算得出切割路径特征点坐标，得到切割路径特征点坐标后根据机器人坐标系和世界坐标系的转换，将其转换为控制机器人跟踪路径的位置信息，即可得出机器人的切割路径。

然而，在制定最佳切割轨迹时，需要设置三个参数，即各节点轨迹的起点、终点及该轨迹的行程；对于多边形，其特征点是多边形的角点；对于圆形，其特征点是圆的四象限点；对于任意封闭样条曲线，其特征点是样条曲线的拟合点，为了减少计算量，节点从轮廓的特征点中提取，所以提取的节点就是与原点距离最近的特征点。

最佳切割轨迹的计算步骤如下：

(1)确定模板大小：采用圆形追踪模板，圆形模板的半径小于或等于节点平均距离，设定各节点横坐标点集为{x₀,x₁,x₂,…,x_n-1}，纵坐标点集为{y₀,y₁,y₂,…,y_n-1}，节点横向平均距离节点纵向平均距离则圆形模板的半径r＝min{d_x,d_y}，其中，x_max和x_min分别表示横坐标的最大值和最小值，y_max和y_min分别表示纵坐标的最大值和最小值，n为节点数；

(2)密集节点追踪：以某一节点(x,y)为圆心，绘制追踪圆域，若没有其他节点落入追踪圆域内，则认为该节点为孤单节点；若节点(x_i,y_i)在追踪圆域内，则以节点(x_i,y_i)为新的圆心，绘制追踪圆域进行下一轮追踪，直至以节点(x_m,y_m)为圆心的追踪圆域内没有新的节点落入，则点(x_i,y_i),(x_j,y_j),...,(x_m,y_m)为密集节点；

(3)切割轨迹优化：在局部密集节点中选择离原点最近的节点为起点，追踪与其距离最近的节点作为下一加工节点，并以该节点为起点继续追踪最近节点，并加上切割轨迹的行程数据，直至局部密集节点全部追踪完毕，计算所得行程最小的轨迹即为最优切割轨迹。

本发明通过辅助设备获取切割图像，并对图像进行图像滤波、增强、二值化等技术分析处理后，采用边缘检测处理和Hough变换对图像进行处理得到图像的特征信息，并计算出切割路径特征点的像素坐标，再通过坐标变换将其转化到世界坐标系下，得出切割路径的位置信息，最后对各节点轨迹的起点、终点及该轨迹的行程进行综合计算制定最优的切割轨迹，本发明的机器人能够根据所需切割的图像信息自动计算得出最优的切割轨迹，具备较好的工业应用前景。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种激光切割机器人，其特征在于，所述激光切割机器人包括控制组件、移动组件和切割组件；所述控制组件包括PC机、示教盒、第一控制器和第二控制器；所述移动组件包括工作台、伺服电机和机器人，所述切割组件包括外部轴、切割头、激光器和辅助设备；所述机器人末端法兰上安装激光切割头，所述第一控制器通过电缆和机器人手臂主体连接，通过控制机器人的运动轨迹来完成对工件的切割；所述第一控制器通过网线与所述第二控制器连接，所述第二控制器的IO端分别于所述激光器的各个IO端以及辅助设备上的IO端连接，所述激光器通过光纤传导激光束，经切割头聚焦后输出进行切割，并对辅助设备进行控制和实时监测；所述第一控制器通过串口线与伺服电机连接，并控制外部轴电机的运动，经减速机转接，完成对外部轴的同步运动控制。

2.根据权利要求1所述一种激光切割机器人，其特征在于，在机器人开始作业前需要对切割头的中心点进行标定，标定的具体方法如下：

首先输入初始的中心点数值，然后将切割头移动到观测误差的位姿，并记录当前位置下的参考点；确定参考点之后，围绕参考点旋转切割头，观测中心点在各个方向上的误差值；根据观测的误差值判断是否符合预期精度，如判断为精度不够，则以世界坐标系为参考，直接输入误差值进行修正；修正值输入完毕后得出直接计算出新的中心点数值，且机器人自动回到参考点；回到参考点后，重复之前的观测误差操作和修正操作，直至中心点数值精度符合预期；记录并采用最终符合预期的中心点数值。

3.根据权利要求2所述一种激光切割机器人，其特征在于，中心点数值通过以下方法获得：

1)安装参数已知的标准尖点工具，并设定当前工具值；

2)将标准工具与世界坐标对齐，移动末端垂直对准参考点；

3)记录当前法兰位置坐标和尖点位置坐标；

3)卸下准尖点工具，装上需要标定的实际工具；

4)移动切割头末端对准参考点，确保工具姿态为理想垂直地面姿态；

5)再次记录当前法兰位置坐标；

6)求得当前切割头的中心点。

4.根据权利要求1所述一种激光切割机器人，其特征在于，所述辅助设备采集切割路径的图像并回传至PC机，所述PC机对采集到的图像进行图像综合处理得到切割路径特征点的像素坐标，最后将该像素坐标通过坐标转换，转换到机器人所在的世界坐标系下从而得出切割路径的位置信息，最后对各节点轨迹的起点、终点及该轨迹的行程进行综合计算制定最优切割轨迹；PC机将所述最优切割轨迹传送至第一控制器，所述第一控制器根据所述最优切割轨迹控制机器人进行切割操作。

5.根据权利要求4所述一种激光切割机器人，其特征在于，所述图像综合处理具体为：先对图像依次进行图像去噪、图像增强、二值化处理，然后采用边缘检测处理和Hough变换对图像进行处理得到图像的特征信息。

6.根据权利要求5所述一种激光切割机器人，其特征在于：所述图像去噪包括如下步骤：

步骤1：图像裁剪，剪裁图像的边缘，去除不包含图像信息的像素，减少图像的存储容量，节省后续处理的时间；

步骤2：对裁剪后的图像进行均值滤波处理，去除椒盐噪声；

步骤3：把图像分解为多个子图像，在去噪处理后重建裁剪图像；

步骤4：采用线性变换对重构图像进行去噪处理。

7.根据权利要求6所述一种激光切割机器人，其特征在于：所述图像裁剪方法具体为：

步骤11：左侧和右侧进行裁减，固定原始图像的列像素对行像素扫描，若该列像素个数少于5，则认为是对整幅图像特征贡献不大的边界噪声，进行裁剪去除；

步骤12：上侧和下侧进行裁减，固定原始图像的行像素对列像素扫描，若该列像素个数少于5，则认为是对整幅图像特征贡献不大的边界噪声，进行裁剪去除。

8.根据权利要求7所述一种激光切割机器人，其特征在于：所述均值滤波处理具体为：

对待处理的当前像素点(x,y)，选择3×3模板，该模板由其近邻的若干像素组成，求取该模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度g(x,y)，即其中，m为该模板中包含当前像素在内的像素总个数。

9.根据权利要求8所述一种激光切割机器人，其特征在于：所述线性变换具体方法为：

(1)将图像分解成A层图像，并将每层图像分解为多个子图像，总图像为3A+1，将待处理图像进行线性变换到第A层，形成低频部分LL_A以及一系列不同尺度上的高频部分HH_A，LH_A，HL_A；然后，首先在子图HH₁，LH₁，HL₁中查找线性变换模极大值，并记录为S₁(x_1n,y_1n)；

(2)随着A的不断在增大，设置每一层在HH_a，LH_a，HL_a中对应于S_a-1(x_(a-1)n,y_(a-1)n)及附件区域查找线性变换模极大值，记录为S_a-1(x_an,y_an)；

(3)比较S_a(x_an,y_an)与S_a-1(x_an,y_an)，若S_a(x_an,y_an)<<S_a-1(x_an,y_an)或S_a(x_an,y_an)＝0，则将此处的线性变换模极大值置为0，否则返回上一步；

(4)选取阈值，对HH_a，LH_a，HL_a上的线性变换系数进行处理，即进一步对由图像细节信号和噪声共同作用的线性变换系数进行平滑处理，去除噪声点。

10.根据权利要求9所述一种激光切割机器人，其特征在于，所述二值化处理具体为：

设置图像有取值范围为0～L-1的L个灰度值，在这个取值范围内选取灰度值T，T将图像分成G₀和G₁两组；其中，G₀包含的像素灰度值在0～T，G₁包含的像素灰度值在T+1～L-1，N表示图像像素总数，n_i表示灰度值为i的像素个数，每一个灰度值为i的像素出现的频率为p_i＝n_i/N，w₀和w₁分别为G₀和G₁两组像素个数在整个图像中所占的比例，两组平均灰度值为μ₀和μ₁；

其中，

图像的总平均灰度值为：μ＝w₀μ₀+w₁μ₁；

图像的最佳阈值为：T＝argmax(w₀w₁(μ₀-μ₁)²)，T为使得方差达到最大时t的取值。