CN115194323A - 一种激光焊接机的定位焊接方法 - Google Patents

一种激光焊接机的定位焊接方法 Download PDF

Info

Publication number
CN115194323A
CN115194323A CN202211026155.3A CN202211026155A CN115194323A CN 115194323 A CN115194323 A CN 115194323A CN 202211026155 A CN202211026155 A CN 202211026155A CN 115194323 A CN115194323 A CN 115194323A
Authority
CN
China
Prior art keywords
welding
image
welded
seams
data
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
Application number
CN202211026155.3A
Other languages
English (en)
Inventor
陈建军
李成龙
王燕梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Top Optics Laser Technology Co ltd
Original Assignee
Wuxi Top Optics Laser Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Top Optics Laser Technology Co ltd filed Critical Wuxi Top Optics Laser Technology Co ltd
Priority to CN202211026155.3A priority Critical patent/CN115194323A/zh
Publication of CN115194323A publication Critical patent/CN115194323A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/02—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to soldering or welding
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Plasma & Fusion (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明提供了一种激光焊接机的定位焊接方法，涉及激光焊接技术领域，包括以下步骤：步骤一：采集多种焊接前焊点和焊缝的数据，构建前资源包，采集多种焊接后焊点和焊缝的数据，构建后资源包；步骤二：利用CCD摄像机阵列拍摄待焊接处的图像，对图像进行降噪和调节分辨率；本发明采集多种焊接前焊点和焊缝的数据，构建前资源包，拍摄待焊接处的图像，通过提取前资源包中焊点和焊缝、以及待焊接处图像的像素特征、纹理特征和形状特征，来进行比对，确定待焊接处图像内部的焊点和焊缝，即可定位激光焊接，通过前资源包收录了多种工件焊点和焊缝的数据，便于定位多种焊点和焊缝，无需人工辅助，自动进行，提高定位效率。

Description

一种激光焊接机的定位焊接方法
技术领域
本发明涉及激光焊接技术领域，尤其涉及一种激光焊接机的定位焊接方法。
背景技术
当前的激光焊接市场中，激光焊接机器人或者自动激光焊接机替代人工批量焊接作业达到了90％的幅度，不论是焊接机器人还是自动化焊接机，都是以其较高的效率、高质量、易于管理等特点受到越来越多中小企业的青睐，但对于一些要求高精度的产品，单靠焊接机器人等是无法解决的，需要人工辅助；
现有的激光焊接机以及焊接技术，主要存在以下缺点：焊接工件品种多，批量小，焊接定位时，对焊接技术人员要求高；激光焊接机器人在焊接生产过程中常遇到工件定位偏差等各种技术情况；激光焊接机器人有时焊接失误，需要在焊接后进行补焊；因此，本发明提出一种激光焊接机的定位焊接方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明提出一种激光焊接机的定位焊接方法，该激光焊接机的定位焊接方法便于定位多种焊点和焊缝，无需人工辅助，自动进行，提高定位效率。
为实现本发明的目的，本发明通过以下技术方案实现：一种激光焊接机的定位焊接方法，包括以下步骤：
步骤一：采集多种焊接前焊点和焊缝的数据，构建前资源包，采集多种焊接后焊点和焊缝的数据，构建后资源包；
步骤二：利用CCD摄像机阵列拍摄待焊接处的图像，对图像进行降噪和调节分辨率；
步骤三：提取前资源包中焊点和焊缝的像素特征、纹理特征和形状特征，采集待焊接处图像的像素特征、纹理特征和形状特征；
步骤四：将待焊接处图像的三类特征与前资源包中的三类特征进行比对，确定待焊接处图像内部的焊点和焊缝；
步骤五：对图像相对应的Path和Row数值矢量化，形成点、线、面模型，获取焊点和焊缝Path和Row数值，按照比例还原为现实的坐标；
步骤六：调整自适应臂的运动轨迹，驱动激光焊接机器手根据坐标对焊点和焊缝焊接，焊接时，CCD摄像机阵列实时拍摄焊接图像；
步骤七：根据激光焊接机器手的焊接工艺，在后资源包中选择相应工艺焊接后的焊点焊缝数据；
步骤八：提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，提取实时拍摄的焊接图像的尺寸数据，进行比对，微调自适应臂的运动轨迹。
进一步改进在于：所述步骤一中，接入互联网，采集多种焊接前焊点和焊缝的数据，包括多种激光焊接设备适配的工件的焊点和焊缝数据，包括焊点、焊缝的影像，且步骤一中，采集多种焊接后焊点和焊缝的数据，包括激光焊接设备采用多种焊接工艺焊接后的焊点和焊缝的影像。
进一步改进在于：所述步骤二中，对图像进行降噪具体为：采用双边滤波的方法，以目标像素周围3×3的邻域为例，将3×3邻域中九个像素灰度值的平均值作为目标像素的灰度值，接着将上述平均值改为高斯加权平均值，邻域中离目标像素越远的像素灰度值权重越小，生成一个高斯模板，然后在权重设计中进一步减去像素灰度梯度的影响，以此获得降噪后的图像。
进一步改进在于：所述步骤二中，调节分辨率具体为：先利用拉普拉斯算子进行图像增强，利用图像的二次微分对图像进行蜕化，利用二次微分对图像进行蜕化即利用邻域像素提高对比度；接着通过超分算法SRCNN，基于卷积神经网络，以原始视频图像为输入，用上采样算法将分辨率提升到设定值，经过卷积运算，增强图像的分辨率。
进一步改进在于：所述步骤三中，利用HOG特征提取算法获得前资源包中焊点和焊缝、待焊接处图像的颜色像素特征，利用滤波和密度分析流程提取前资源包中焊点和焊缝、待焊接处图像的纹理特征，利用拉伸矢量化确定前资源包中焊点和焊缝、待焊接处图像的形状特征。
进一步改进在于：所述步骤四中，利用YOYO神经网络将前资源包中的三类特征作为训练集，与待焊接处图像的三类特征比对，确定待焊接处图像内部的焊点和焊缝。
进一步改进在于：所述步骤五中，利用SVG对图像相对应的Path和Row数值矢量化，形成点、线、面模型，该模型内坐标与实际坐标按照设定比例缩放，Path和Row数值镶嵌入模型中所确定的焊点和焊缝位置处。
进一步改进在于：所述步骤六中，焊接时，CCD摄像机阵列实时拍摄焊接图像，同步总控***记录激光焊接机器手具体的焊接工艺，对实时拍摄的焊接图像打上时间戳。
进一步改进在于：所述步骤七中，根据总控***记录激光焊接机器手具体的焊接工艺，在后资源包中选择相应工艺焊接后的焊点焊缝数据，该数据包括整个工艺流程从焊接开始到焊接结束的所有影像数据，并根据工艺时间标上时间节点。
进一步改进在于：所述步骤八中，利用拉伸矢量化提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，并依据设定比例进行缩放，同步测量实时拍摄的焊接图像的尺寸数据，依据实时的拍摄的时间戳对应后资源包中相应工艺焊接后的时间节点，进行同步比对，确定焊接是否正常，在不正常时，微调自适应臂的运动轨迹。
本发明的有益效果为：
1、本发明采集多种焊接前焊点和焊缝的数据，构建前资源包，拍摄待焊接处的图像，通过提取前资源包中焊点和焊缝、以及待焊接处图像的像素特征、纹理特征和形状特征，来进行比对，确定待焊接处图像内部的焊点和焊缝，即可定位激光焊接，通过前资源包收录了多种工件焊点和焊缝的数据，便于定位多种焊点和焊缝，无需人工辅助，自动进行，提高定位效率。
2、本发明拍摄待焊接处的图像，对图像进行降噪和调节分辨率，使得图像更加精准，对图像相对应的Path和Row数值矢量化，形成点、线、面模型，模型内坐标与实际坐标按照设定比例缩放，获取确定的焊点和焊缝Path和Row数值，即可按照比例还原为现实的坐标，提高定位准确性，避免误差。
3、本发明实时拍摄焊接时的图像并打上时间戳，在后资源包中选择对应工艺下焊接流程的焊点焊缝数据，并标上时间节点，以此，提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，根据时间节点和时间戳，与同步测量的实时拍摄的焊接图像的尺寸数据比对，确定焊接是否正常，从而微调，保证焊接的质量，无需后续补焊。
附图说明
图1为本发明的流程图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
实施例一
根据图1所示，本实施例提出了一种激光焊接机的定位焊接方法，包括以下步骤：
步骤一：采集多种焊接前焊点和焊缝的数据，构建前资源包，采集多种焊接后焊点和焊缝的数据，构建后资源包；
步骤二：利用CCD摄像机阵列拍摄待焊接处的图像，对图像进行降噪和调节分辨率；
步骤三：提取前资源包中焊点和焊缝的像素特征、纹理特征和形状特征，采集待焊接处图像的像素特征、纹理特征和形状特征；
步骤四：将待焊接处图像的三类特征与前资源包中的三类特征进行比对，确定待焊接处图像内部的焊点和焊缝；
步骤五：对图像相对应的Path和Row数值矢量化，形成点、线、面模型，获取焊点和焊缝Path和Row数值，按照比例还原为现实的坐标；
步骤六：调整自适应臂的运动轨迹，驱动激光焊接机器手根据坐标对焊点和焊缝焊接，焊接时，CCD摄像机阵列实时拍摄焊接图像；
步骤七：根据激光焊接机器手的焊接工艺，在后资源包中选择相应工艺焊接后的焊点焊缝数据；
步骤八：提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，提取实时拍摄的焊接图像的尺寸数据，进行比对，微调自适应臂的运动轨迹。
本发明采集多种焊接前焊点和焊缝的数据，构建前资源包，利用CCD摄像机阵列拍摄待焊接处的图像，通过提取前资源包中焊点和焊缝、以及待焊接处图像的像素特征、纹理特征和形状特征，来进行比对，确定待焊接处图像内部的焊点和焊缝，根据图像相对应的Path和Row矢量化数值，按照比例还原为现实的坐标，即可对现实的焊点、焊缝进行定位激光焊接，通过前资源包收录了多种工件焊点和焊缝的数据，便于定位多种焊点和焊缝，无需人工辅助，自动进行，提高定位效率。
实施例二
根据图1所示，本实施例提出了一种激光焊接机的定位焊接方法，包括以下步骤：
接入互联网，采集多种焊接前焊点和焊缝的数据，包括多种激光焊接设备适配的工件的焊点和焊缝数据，包括焊点、焊缝的影像，构建前资源包，采集多种焊接后焊点和焊缝的数据，包括激光焊接设备采用多种焊接工艺焊接后的焊点和焊缝的影像，构建后资源包。
利用CCD摄像机阵列拍摄待焊接处的图像，对图像进行降噪和调节分辨率；对图像进行降噪具体为：采用双边滤波的方法，以目标像素周围3×3的邻域为例，将3×3邻域中九个像素灰度值的平均值作为目标像素的灰度值，接着将上述平均值改为高斯加权平均值，邻域中离目标像素越远的像素灰度值权重越小，生成一个高斯模板，然后在权重设计中进一步减去像素灰度梯度的影响，以此获得降噪后的图像；双边滤波具体为：首先考虑高斯部分权重：
Figure BDA0003815695040000061
然后考虑像素灰度梯度部分权重：
Figure BDA0003815695040000071
其中(i，j)为模板中邻域像素坐标，(k，l)为模板中心像素坐标，f(i，j)为坐标(i，j)处的像素值，σd和σr分别为两个权重的方差，将两部分权重相乘即获得双边滤波的权重：
Figure BDA0003815695040000072
调节分辨率具体为：先利用拉普拉斯算子进行图像增强，利用图像的二次微分对图像进行蜕化，在图像领域中微分是锐化，积分是模糊，利用二次微分对图像进行蜕化即利用邻域像素提高对比度；接着通过超分算法SRCNN，基于卷积神经网络，以原始视频图像为输入，用上采样算法将分辨率提升到设定值，经过3层分别为9＊9＊128，3＊3＊64，5＊5的卷积运算，得到超分输出，增强图像的分辨率。本发明拍摄待焊接处的图像，对图像进行降噪和调节分辨率，使得图像更加精准。
提取前资源包中焊点和焊缝的像素特征、纹理特征和形状特征，采集待焊接处图像的像素特征、纹理特征和形状特征；具体为：利用HOG特征提取算法获得前资源包中焊点和焊缝、待焊接处图像的颜色像素特征，利用滤波和密度分析流程提取前资源包中焊点和焊缝、待焊接处图像的纹理特征，利用拉伸矢量化确定前资源包中焊点和焊缝、待焊接处图像的形状特征。其中，利用HOG特征提取算法，将一个image(要检测的目标或者图片)：灰度化(将图像看做一个x,y,z(灰度)的三维图像)；采用Gamma校正法对输入图像进行颜色空间的标准化(归一化)；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；计算图像每个像素的梯度(包括大小和方向)；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰；将图像划分成小cells(例如6*6像素/cell)；统计每个cell的梯度直方图(不同梯度的个数)，即可形成每个cell的descriptor；将每几个cell组成一个block(例如3*3个cell/block)，一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor；将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image(要检测的目标)的HOG特征descriptor，这个就是最终的可供分类使用的特征向量了，以此获得颜色像素特征；接着，对图像进行滤波，并将其滤波提取的纹理结果置于ARCGIS进行密度分析，确定图像的纹理粗糙度，接着对图像进行光谱二阶导数的求取，在ENVIIDL中编写二阶导数运算算法，增强图像的特征值，二阶导数的算法为：deriv(deriv(reform(float(slice[*,S])))，S代表光谱spectral，在ENVIIDL中输入二阶导数公式y"＝d2y/dx2，并编程完成对图像的二阶导数计算，然后使用overlay的逻辑分析方法，将图像的特征值转换为栅格数据，确定纹理特征；然后，接着将图像进行电、线、面拉伸以及矢量化，确定形状框架特征。
利用YOYO神经网络将前资源包中的三类特征作为训练集，与待焊接处图像的三类特征比对，确定待焊接处图像内部的焊点和焊缝。本发明采集多种焊接前焊点和焊缝的数据，构建前资源包，利用CCD摄像机阵列拍摄待焊接处的图像，通过提取前资源包中焊点和焊缝、以及待焊接处图像的像素特征、纹理特征和形状特征，来进行比对，确定待焊接处图像内部的焊点和焊缝，根据图像相对应的Path和Row矢量化数值，按照比例还原为现实的坐标，即可对现实的焊点、焊缝进行定位激光焊接，通过前资源包收录了多种工件焊点和焊缝的数据，便于定位多种焊点和焊缝，无需人工辅助，自动进行，提高定位效率。
利用SVG对图像相对应的Path和Row数值矢量化，形成点、线、面模型，该模型内坐标与实际坐标按照设定比例缩放，Path和Row数值镶嵌入模型中所确定的焊点和焊缝位置处，获取焊点和焊缝Path和Row数值，按照比例还原为现实的坐标；本发明对图像相对应的Path和Row数值矢量化，形成点、线、面模型，模型内坐标与实际坐标按照设定比例缩放，获取确定的焊点和焊缝Path和Row数值，即可按照比例还原为现实的坐标，提高定位准确性，避免误差。
调整自适应臂的运动轨迹，驱动激光焊接机器手根据坐标对焊点和焊缝焊接，焊接时，CCD摄像机阵列实时拍摄焊接图像，同步总控***记录激光焊接机器手具体的焊接工艺，对实时拍摄的焊接图像打上时间戳。
根据总控***记录激光焊接机器手具体的焊接工艺，在后资源包中选择相应工艺焊接后的焊点焊缝数据，该数据包括整个工艺流程从焊接开始到焊接结束的所有影像数据，并根据工艺时间标上时间节点。
利用拉伸矢量化提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，并依据设定比例进行缩放，同步测量实时拍摄的焊接图像的尺寸数据，依据实时的拍摄的时间戳对应后资源包中相应工艺焊接后的时间节点，进行同步比对，确定焊接是否正常，在不正常时，微调自适应臂的运动轨迹。在焊接时，实时拍摄焊接图像并打上时间戳，记录焊接工艺，在后资源包中选择相应工艺焊接后的焊点焊缝数据，包括整个工艺流程从焊接开始到焊接结束的所有影像数据，并标上时间节点，以此，提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，根据时间节点和时间戳，与同步测量的实时拍摄的焊接图像的尺寸数据比对，确定焊接是否正常，从而微调，保证焊接的质量，无需后续补焊。
本发明采集多种焊接前焊点和焊缝的数据，构建前资源包，利用CCD摄像机阵列拍摄待焊接处的图像，通过提取前资源包中焊点和焊缝、以及待焊接处图像的像素特征、纹理特征和形状特征，来进行比对，确定待焊接处图像内部的焊点和焊缝，根据图像相对应的Path和Row矢量化数值，按照比例还原为现实的坐标，即可对现实的焊点、焊缝进行定位激光焊接，通过前资源包收录了多种工件焊点和焊缝的数据，便于定位多种焊点和焊缝，无需人工辅助，自动进行，提高定位效率，且拍摄待焊接处的图像，对图像进行降噪和调节分辨率，使得图像更加精准，对图像相对应的Path和Row数值矢量化，形成点、线、面模型，模型内坐标与实际坐标按照设定比例缩放，获取确定的焊点和焊缝Path和Row数值，即可按照比例还原为现实的坐标，提高定位准确性，避免误差。同时，本发明在焊接时，实时拍摄焊接图像并打上时间戳，记录焊接工艺，在后资源包中选择相应工艺焊接后的焊点焊缝数据，包括整个工艺流程从焊接开始到焊接结束的所有影像数据，并标上时间节点，以此，提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，根据时间节点和时间戳，与同步测量的实时拍摄的焊接图像的尺寸数据比对，确定焊接是否正常，从而微调，保证焊接的质量，无需后续补焊。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种激光焊接机的定位焊接方法，其特征在于，包括以下步骤：
步骤一：采集多种焊接前焊点和焊缝的数据，构建前资源包，采集多种焊接后焊点和焊缝的数据，构建后资源包；
步骤二：利用CCD摄像机阵列拍摄待焊接处的图像，对图像进行降噪和调节分辨率；
步骤三：提取前资源包中焊点和焊缝的像素特征、纹理特征和形状特征，采集待焊接处图像的像素特征、纹理特征和形状特征；
步骤四：将待焊接处图像的三类特征与前资源包中的三类特征进行比对，确定待焊接处图像内部的焊点和焊缝；
步骤五：对图像相对应的Path和Row数值矢量化，形成点、线、面模型，获取焊点和焊缝Path和Row数值，按照比例还原为现实的坐标；
步骤六：调整自适应臂的运动轨迹，驱动激光焊接机器手根据坐标对焊点和焊缝焊接，焊接时，CCD摄像机阵列实时拍摄焊接图像；
步骤七：根据激光焊接机器手的焊接工艺，在后资源包中选择相应工艺焊接后的焊点焊缝数据；
步骤八：提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，提取实时拍摄的焊接图像的尺寸数据，进行比对，微调自适应臂的运动轨迹。
2.根据权利要求1所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤一中，接入互联网，采集多种焊接前焊点和焊缝的数据，包括多种激光焊接设备适配的工件的焊点和焊缝数据，包括焊点、焊缝的影像，且步骤一中，采集多种焊接后焊点和焊缝的数据，包括激光焊接设备采用多种焊接工艺焊接后的焊点和焊缝的影像。
3.根据权利要求2所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤二中，对图像进行降噪具体为：采用双边滤波的方法，以目标像素周围3×3的邻域为例，将3×3邻域中九个像素灰度值的平均值作为目标像素的灰度值，接着将上述平均值改为高斯加权平均值，邻域中离目标像素越远的像素灰度值权重越小，生成一个高斯模板，然后在权重设计中进一步减去像素灰度梯度的影响，以此获得降噪后的图像。
4.根据权利要求3所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤二中，调节分辨率具体为：先利用拉普拉斯算子进行图像增强，利用图像的二次微分对图像进行蜕化，利用二次微分对图像进行蜕化即利用邻域像素提高对比度；接着通过超分算法SRCNN，基于卷积神经网络，以原始视频图像为输入，用上采样算法将分辨率提升到设定值，经过卷积运算，增强图像的分辨率。
5.根据权利要求4所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤三中，利用HOG特征提取算法获得前资源包中焊点和焊缝、待焊接处图像的颜色像素特征，利用滤波和密度分析流程提取前资源包中焊点和焊缝、待焊接处图像的纹理特征，利用拉伸矢量化确定前资源包中焊点和焊缝、待焊接处图像的形状特征。
6.根据权利要求5所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤四中，利用YOYO神经网络将前资源包中的三类特征作为训练集，与待焊接处图像的三类特征比对，确定待焊接处图像内部的焊点和焊缝。
7.根据权利要求6所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤五中，利用SVG对图像相对应的Path和Row数值矢量化，形成点、线、面模型，该模型内坐标与实际坐标按照设定比例缩放，Path和Row数值镶嵌入模型中所确定的焊点和焊缝位置处。
8.根据权利要求7所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤六中，焊接时，CCD摄像机阵列实时拍摄焊接图像，同步总控***记录激光焊接机器手具体的焊接工艺，对实时拍摄的焊接图像打上时间戳。
9.根据权利要求8所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤七中，根据总控***记录激光焊接机器手具体的焊接工艺，在后资源包中选择相应工艺焊接后的焊点焊缝数据，该数据包括整个工艺流程从焊接开始到焊接结束的所有影像数据，并根据工艺时间标上时间节点。
10.根据权利要求9所述的一种激光焊接机的定位焊接方法，其特征在于：所述步骤八中，利用拉伸矢量化提取后资源包中相应工艺焊接后的焊点焊缝尺寸数据，并依据设定比例进行缩放，同步测量实时拍摄的焊接图像的尺寸数据，依据实时的拍摄的时间戳对应后资源包中相应工艺焊接后的时间节点，进行同步比对，确定焊接是否正常，在不正常时，微调自适应臂的运动轨迹。
CN202211026155.3A 2022-08-25 2022-08-25 一种激光焊接机的定位焊接方法 Pending CN115194323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211026155.3A CN115194323A (zh) 2022-08-25 2022-08-25 一种激光焊接机的定位焊接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211026155.3A CN115194323A (zh) 2022-08-25 2022-08-25 一种激光焊接机的定位焊接方法

Publications (1)

Publication Number Publication Date
CN115194323A true CN115194323A (zh) 2022-10-18

Family

ID=83573121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211026155.3A Pending CN115194323A (zh) 2022-08-25 2022-08-25 一种激光焊接机的定位焊接方法

Country Status (1)

Country Link
CN (1) CN115194323A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116727840A (zh) * 2023-08-08 2023-09-12 深圳市青虹激光科技有限公司 一种激光打孔检测方法及检测装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116727840A (zh) * 2023-08-08 2023-09-12 深圳市青虹激光科技有限公司 一种激光打孔检测方法及检测装置
CN116727840B (zh) * 2023-08-08 2023-11-14 深圳市青虹激光科技有限公司 一种激光打孔检测方法及检测装置

Similar Documents

Publication Publication Date Title
CN111223088B (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN111307818A (zh) 一种锂电池极耳激光焊点视觉在线检测方法
CN113077453A (zh) 一种基于深度学习的电路板元器件缺陷检测方法
CN113324478A (zh) 一种线结构光的中心提取方法及锻件三维测量方法
CN112561807B (zh) 一种基于卷积神经网络的端到端径向畸变校正方法
CN115131268A (zh) 一种基于图像特征提取与三维模型匹配的自动化焊接***
CN115131444A (zh) 一种基于单目视觉点胶平台的标定方法
CN115194323A (zh) 一种激光焊接机的定位焊接方法
CN112488207A (zh) 一种基于仿真图像的高相似度零件视觉识别方法及***
CN117392097A (zh) 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和***
CN115810133A (zh) 基于图像处理和点云处理的焊接控制方法及相关设备
CN114612412A (zh) 三维点云数据的处理方法及其用途、电子设备、存储介质
CN113674218A (zh) 焊缝特征点提取方法、装置、电子设备与存储介质
CN111695560A (zh) 基于卷积神经网络对农作物病虫害主动定位聚焦的方法
CN111627059A (zh) 一种棉花叶片中心点位置定位方法
CN111461230A (zh) 一种基于牙科stl模型和二维图像配准的牙模分类识别方法
CN113670268A (zh) 基于双目视觉的无人机和电力杆塔距离测量方法
CN117314906B (zh) 基于阵列分布信息引导的晶圆晶粒检测方法
CN114851569B (zh) 离子交换膜焊接成型的智能控制方法及***
CN112614182B (zh) 基于深度学习的识别加工位置的方法、存储设备、移动终端
CN112364783B (zh) 一种零件检测方法、装置及计算机可读存储介质
CN118060669B (zh) 一种基于焊接熔池特征识别的自动焊接控制方法
CN113450331B (zh) 一种异形元器件针脚检测方法
CN117115482A (zh) 一种基于多模型融合多线程推理的图像局部特征匹配方法
Wu et al. Image stitching based on attention mechanism

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