CN111768435B - 一种应用于零件自动找正的自适应步长点云配正方法 - Google Patents
一种应用于零件自动找正的自适应步长点云配正方法 Download PDFInfo
- Publication number
- CN111768435B CN111768435B CN202010495244.7A CN202010495244A CN111768435B CN 111768435 B CN111768435 B CN 111768435B CN 202010495244 A CN202010495244 A CN 202010495244A CN 111768435 B CN111768435 B CN 111768435B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional
- actual
- pose
- algorithm
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Numerical Control (AREA)
Abstract
一种应用于零件自动找正的自适应步长点云配正方法,对零件CAD三维点云、实际三维点云、目标位姿及实际位姿建立数学模型,通过机器学习算法使零件达到更精准的零件位姿变换;采用学习规则δ,通过对步长ΔW进行自适应调节,避免目标输出陷入局部最优解,使结果稳定,得到全局最优解。本发明的优点:沿负梯度方向修改权系数使误差减小,以当前距离最佳值的大小来控制每一步的修改量,达到实时调整学习速率,加快目标函数求解的收敛的目的。解决了传统机器学习算法速度慢,***鲁棒性差的问题。
Description
技术领域
本发明属于计算机及机械技术领域,涉及一种应用于零件自动找正的自适应步长点云配正方法。
背景技术
目前机械加工领域对于空间结构与表面形状复杂的零件,如航空发动机涡轮叶片加工时,自动找正多采用传统的六点匹配法,这种找正方法效率低下、很难实现自动化零件加工。机器学习算法:传统的机器学习算法存在学习速度慢、容易陷入局部最优解,鲁棒性不强等缺点,从而达不到零件自动找正的精度要求。
发明内容
本发明解决现有技术所存在的技术问题,从而提供一种应用于零件自动找正的自适应步长点云配正方法。
现有技术问题通过以下技术方案得以解决:
一种应用于零件自动找正的自适应步长点云配正方法,含有以下步骤;对零件CAD三维点云、实际三维点云、目标位姿及实际位姿建立数学模型,通过机器学习算法使零件达到更精准的零件位姿变换;采用学习规则δ,通过对步长ΔW进行自适应调节,避免目标输出陷入局部最优解,使结果稳定,得到全局最优解。
本发明的优点:沿负梯度方向修改权系数使误差减小,以当前距离最佳值的大小来控制每一步的修改量,达到实时调整学习速率,加快目标函数求解的收敛的目的。解决了传统机器学习算法速度慢,***鲁棒性差的问题。
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一些实施例,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,还可以根据这些附图获得其他的附图。如图其中:
图1为本发明的流程示意图。
下面结合附图和实施例对本发明进一步说明。
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。
实施例1:如图1所示,一种应用于零件自动找正的自适应步长点云配正方法,零件自动找正更精准快速稳定。
一种应用于零件自动找正的自适应步长点云配正方法,含有步骤如下:
所述BP=ATB AP,
其中:
ATB描述了一个向量的齐次坐标从一个坐标系到另一个坐标系的变换映射;
AP为零件实际三维重建后的点云数据集合。
所述齐次变换矩阵,既包含了代表姿态的旋转矩阵ARB,也包含了代表平移位置的位置向量AtOB。
步骤2、初始化旋转矩阵ARB与位置向量AtOB。
步骤3、读取三维重建所得点云数据BP和计算机CAD三维模型的点云数据CP,计算配准目标函数E(R,t)。
η称为学习速率,η的取值越大,权系数的变化就越大,但η值过大会引起振荡,η值太小学习速度则非常慢。
这样可以选择合适的η值和α值,使学习速度得以提高,又能抑制E的振荡。但问题是如何选择,由于参数的增加,显然选择变得更复杂,因为两个参数之间必然有一定的联系。
考虑到以上问题,有必要探索新的学习算法,δ学习规则的基本思想含义是权系数的修改应当使E减小,即应沿负梯度方向修改权系数,但修改量取多大未知。
在一般的优化问题中,由于不知道E的目标为何值,而只知道各偏导数为零是E取最佳值的必要条件,因而只能以此为依据,即以偏导数的大小来控制每一步的修改量。
显然,更合理的做法应以当前距离最佳值的大小来控制每一步的修改量,可惜的是,一般的优化问题做不到。
但零件自动找正问题却恰好能做到,因为本发明算法有训练目标,即E的最佳值,也就是零。
K1与K2为比例系数,是两个常数,K1与K2的数值大小需要根据待找正的具体零件确定。
参照图1,自适应步长机器学习算法的具体步骤如下:
步骤1)、对旋转矩阵ARB和平移位置的位置向量AtOB进行初始化,旋转矩阵ARB采用欧拉角表示法,使用三个参数Rx(α)、Ry(β)、Rz(γ)来描述空间姿态,这三个参数分别表示物体绕着固定坐标系的x轴、y轴、z轴进行旋转。所以旋转矩阵ARB可通过左乘这三个基本旋转矩阵得到。
α为绕坐标系x轴转动的角度,β为绕坐标系y轴转动的角度,γ为绕坐标系z轴转动的角度,
读取三维重建所得点云数据AP和计算机CAD三维模型的点云数据CP。
步骤2)、对零件CAD三维点云、实际三维点云、目标位姿、实际位姿建立数学模型,像模型中导入旋转矩阵ARB和平移向量AtOB。
步骤4)、判断目标函数E是否小于ε1、ε2,如果小于ε1、ε2算法结束,输出计算结果;否则进行迭代学习。其中ε1表示期望误差值,ε2表示增量步长。
K1、K2的具体数值,要根据实际加工过程中零件的CAD三维点云数据与实际三维重构所得三维点云数据进行调整。
根据训练所求得的数据对旋转矩阵ARB和平移向量AtOB进行更新,进行下一步迭代学习训练,在训练函数E大于等于ε1、ε2时,本机器学习算法结束。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种应用于零件自动找正的自适应步长点云配正方法,其特征在于对零件CAD三维点云、实际三维点云、目标位姿及实际位姿建立数学模型,通过机器学习算法使零件达到更精准的零件位姿变换;采用学习规则δ,通过对步长ΔW进行自适应调节,避免目标输出陷入局部最优解,使结果稳定,得到全局最优解;
零件CAD三维点云的数学模型为:根据已知的零件CAD三维设计图,在零件设计时建立的空间直角坐标系下,零件表面上点的三维坐标的集合,点的点云模型根据零件的复杂程度调整,若零件表面形状不规则且十分复杂,则使用稠密点云,若零件表面形状是规则的就使用稀疏点云;
实际三维点云的数学模型为:将零件装夹到机床上,以零件三维中心为原点建立空间直角坐标系,利用机床探针或其他方法采集零件表面上各点的三维坐标,点的点云模型根据零件的复杂程度调整,若零件表面形状不规则且复杂,则使用稠密点云,若零件表面规则则使用稀疏点云;
目标位姿的数学模型为:零件三维造型图中标定的零件表面各点三维坐标,
实际位姿的数学模型为:零件在机床上实际测量得到的零件表面各点三维坐标;
机器学习算法包括自动调节算法的步长;具体步骤如下:
步骤1)、对旋转矩阵ARB和平移位置的位置向量AtOB进行初始化,旋转矩阵ARB采用欧拉角表示法,使用三个参数Rx(α)、Ry(β)、Rz(γ)来描述空间姿态,这三个参数分别表示物体绕着固定坐标系的x轴、y轴、z轴进行旋转;所以旋转矩阵ARB可通过乘这三个基本旋转矩阵得到;
α为绕坐标系x轴转动的角度,β为绕坐标系y轴转动的角度,γ为绕坐标系z轴转动的角度;
步骤2)、对零件CAD三维点云、实际三维点云、目标位姿、实际位姿建立数学模型,并确定模型中导入旋转矩阵ARB和平移向量AtOB的初始值;
步骤4)、判断目标函数E是否小于ε1、ε2,如果小于ε1、ε2算法结束,输出计算结果;否则进行迭代学习;其中ε1表示期望误差值,ε2表示增量步长;
K1、K2的具体数值,需要根据实际加工过程中零件的CAD三维点云数据与实际三维重构所得三维点云数据进行调整;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495244.7A CN111768435B (zh) | 2020-06-03 | 2020-06-03 | 一种应用于零件自动找正的自适应步长点云配正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495244.7A CN111768435B (zh) | 2020-06-03 | 2020-06-03 | 一种应用于零件自动找正的自适应步长点云配正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768435A CN111768435A (zh) | 2020-10-13 |
CN111768435B true CN111768435B (zh) | 2022-06-17 |
Family
ID=72719904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010495244.7A Active CN111768435B (zh) | 2020-06-03 | 2020-06-03 | 一种应用于零件自动找正的自适应步长点云配正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768435B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693879B (zh) * | 2022-03-16 | 2023-06-13 | 哈尔滨理工大学 | 基于三维重建技术的大型锻造零件辅助找正方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097599A (zh) * | 2019-04-19 | 2019-08-06 | 电子科技大学 | 一种基于部件模型表达的工件位姿估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10861250B2 (en) * | 2017-11-29 | 2020-12-08 | Sdc U.S. Smilepay Spv | Technologies for merging three-dimensional models of dental impressions |
-
2020
- 2020-06-03 CN CN202010495244.7A patent/CN111768435B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097599A (zh) * | 2019-04-19 | 2019-08-06 | 电子科技大学 | 一种基于部件模型表达的工件位姿估计方法 |
Non-Patent Citations (1)
Title |
---|
面向机器人抓取的零件识别与定位方法研究;童磊;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190115;第25-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111768435A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111964575B (zh) | 一种面向移动机器人铣削加工的数字孪生建模方法 | |
CN112396690B (zh) | 基于改进型向心参数化法的曲面高精重构方法 | |
CN111754464B (zh) | 一种类pd算法结合icp算法的零件精确找正方法 | |
CN110103071B (zh) | 一种变形复杂零件的数字化寻位加工方法 | |
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 | |
CN111553034B (zh) | 一种基于插值方法的自由变形参数化方法 | |
CN113536488B (zh) | 基于配准算法的毛坯质量包容性分析和余量优化方法 | |
CN109726437B (zh) | 一种舱门气动载荷等效节点力处理方法 | |
CN109766597B (zh) | 一种考虑几何误差的装配位姿高精度线性化求解方法 | |
CN109961517B (zh) | 一种用于参数曲面拟合的三角网格重参数化方法 | |
CN114722686B (zh) | 一种基于有限元分析的大型设备吊耳设计及优化方法 | |
CN114444216B (zh) | 基于数值模拟的高空条件下飞行器姿态控制方法及*** | |
CN111768435B (zh) | 一种应用于零件自动找正的自适应步长点云配正方法 | |
Li et al. | Section curve reconstruction and mean-camber curve extraction of a point-sampled blade surface | |
CN110340738B (zh) | 一种基于pca的机器人拉丝高铁白车身工件精确标定方法 | |
CN116560301A (zh) | 一种基于梯度优化的机床进给***数理模型参数辨识方法 | |
CN116595758A (zh) | 一种机器人研发应用的参数化设计***及方法 | |
Duffie et al. | CAD-directed inspection, error analysis and manufacturing process compensation using tricubic solid databases | |
CN114019911B (zh) | 一种基于速度规划的曲线拟合方法 | |
JP2007156604A (ja) | 曲面作成方法及び曲面作成プログラム並びに3次元形状処理装置 | |
CN115130340A (zh) | 基于分数布朗运动的管道建模方法 | |
CN109631813A (zh) | 一种大尺寸关节臂式坐标测量机的标定方法 | |
CN115618516A (zh) | 薄壁零件加工余量优化方法及*** | |
CN113792359B (zh) | 一种航空发动机叶片准散乱点云数据曲面重构方法 | |
CN112731545B (zh) | 一种海洋不规则测网数据平差方法 |
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 |