CN115283905B - 一种焊接机器人的焊枪姿态调整方法 - Google Patents

Abstract

本申请实施例提供了一种焊接机器人的焊枪姿态调整方法，该方法包括：基于焊接坡口图像，确定所述焊接坡口的关键信息；确定焊接机器人对应的姿态关键点信息，其中，所述姿态关键点信息为姿态关键点对应的信息，所述姿态关键点预先标定于所述焊接机器人的机械臂；将所述焊接坡口的关键信息以及所述焊接机器人的焊枪姿态关键点信息的实时展示，以使得工作人员调整所述焊接机器人的焊枪姿态。本申请实施例能够及时调整焊接机器人的焊枪姿态，从而提升焊接质量。

Description

一种焊接机器人的焊枪姿态调整方法

技术领域

本申请实施例涉及焊接设备技术领域，具体涉及一种焊接机器人的焊枪姿态调整方法。

背景技术

焊接机器人是一种在自动控制器的控制下完成焊接操作的机械设备，焊接机器人的焊接质量可靠、精度高、环境适应性好，因此机器人焊接的应用越发广泛和普遍。

目前焊接机器人常常代替人工完成处理设备中的焊接坡口的焊接，但是处理设备内部线路复杂，为此，在实际焊接过程中，焊接机器人只能通过预设算法对焊接坡口进行焊接，但是焊接坡口的多样化以及处理设备内部线路复杂使得焊接机器人关键点不准确，为此，导致单独采用焊机机器人焊接时焊接质量难以保证。

为此，亟需提供一种焊接机器人的焊枪姿态调整方法，能够及时调整焊接机器人的焊枪姿态，尽可能的降低由于姿态不准确而引起的焊缝强度均匀性差、焊缝质量不合格等问题。

发明内容

为解决上述问题，本申请实施例提供一种焊接机器人的焊枪姿态调整方法，能够及时调整焊接机器人的焊枪姿态，从而提升焊接质量。

第一方面，本申请实施例提供一种焊接机器人的焊枪姿态调整方法，包括：

基于焊接坡口图像，确定所述焊接坡口的关键信息；

确定焊接机器人对应的姿态关键点信息，其中，所述姿态关键点信息为姿态关键点对应的信息，所述姿态关键点预先标定于所述焊接机器人的机械臂；

将所述焊接坡口的关键信息以及所述焊接机器人的焊枪姿态关键点信息的实时展示，以使得工作人员调整所述焊接机器人的焊枪姿态。

可选的，所述基于焊接坡口图像，确定所述焊接坡口的关键信息，包括：

对焊接坡口图像进行图像干扰去除，得到初始关键坡口图像；

将所述初始关键坡口图像运算处理，得到关键坡口图像；

基于所述关键坡口图像，确定所述焊接坡口的关键信息。

可选的，所述对焊接坡口图像进行图像噪声去除，得到初始关键坡口图像，包括：

对所述焊接坡口图像进行灰度转换，获取所述焊接坡口图像对应的灰度焊接坡口图像；

对所述灰度焊接坡口图像进行傅里叶变换处理，获取所述焊接坡口图像对应的坡口频率图；

对所述坡口频率图进行导向滤波处理，得到滤波坡口图像，所述导向滤波处理用于去除坡口频率图中的噪音；

将所述滤波坡口图像进行二值化处理，得到初始关键坡口图像，所述二值化处理用于去除滤波坡口图像中的干扰信息，保留滤波坡口图像中的关键信息。

可选的，所述将所述初始关键坡口图像运算处理，得到关键坡口图像，包括：

对所述初始关键坡口图像进行开运算处理，获取第一处理关键坡口图像，其中，所述开运算处理包括膨胀处理与腐蚀处理；

对所述第一处理关键坡口进行图像区域填充处理，确定第二处理关键坡口图像。

可选的，所述基于所述关键坡口图像，确定所述焊接坡口的关键信息，包括：

利用gauss算子将所述第二处理关键坡口图像中的关键区域转化成为初始关键线条；

利用xld算子确定所述初始关键线条中的轮廓线条；

确定所述轮廓线条中线段的断开点为焊接坡口的关键点；

基于所述焊接坡口的关键点确定焊接坡口的关键信息。

可选的，所述基于所述焊接坡口的关键点确定焊接坡口的关键信息，包括：

确定焊接坡口的关键点对应的像素坐标信息以及深度信息；

基于所述像素坐标信息和所述深度信息，确定在世界坐标系中所述焊接坡口的三维坐标信息，所述焊接坡口的三维坐标信息为所述焊接坡口的关键信息。

可选的，所述确定焊接坡口的关键点对应的像素坐标信息以及深度信息之前，包括：

将相机的相机位置进行标定，确定所述相机对应的相机内参矩阵，所述相机内参矩阵包括相机的内参；

基于结构光传感器标定激光平面，获取激光平面对应的激光平面方程；

所述确定焊接坡口的关键点对应的像素坐标信息以及深度信息，包括：

基于所述相机内参矩阵确定焊接坡口的关键点对应的像素坐标信息，以及，基于所述激光平面方程确定焊接坡口的关键点对应的深度信息。

可选的，所述确定焊接机器人对应的姿态关键点信息，包括：

基于焊接机器人的姿态关键点确定焊接机器人对应的姿态关键点信息。

可选的，所述基于焊接机器人的姿态关键点确定焊接机器人对应的姿态关键点信息，包括：

将焊接机器人的至少一个机械臂的末端标定为姿态关键点；

确定所述姿态关键点与相机的相机位置之间的关联关系；

基于所述关联关系结合焊接机器人的姿态关键点确定焊接机器人对应的姿态关键点信息。

可选的，所述确定所述姿态关键点与相机的相机位置之间的关联关系，包括：

利用TSAI算法，获取所述姿态关键点与相机的相机位置之间的关联关系。

与现有技术相比，本申请实施例的技术方案具有以下优点：

本申请实施例提供的焊接机器人的焊枪姿态调整方法，基于焊接坡口图像，确定所述焊接坡口的关键信息；进而确定焊接机器人对应的姿态关键点信息，其中，所述姿态关键点信息为姿态关键点对应的信息，所述姿态关键点预先标定于所述焊接机器人的机械臂；最后将所述焊接坡口的关键信息以及所述焊接机器人的焊枪姿态关键点信息的实时展示，以使得工作人员调整所述焊接机器人的焊枪姿态。本申请实施例中将焊接坡口的关键信息与焊接机器人的焊枪姿态关键点信息的共同展示，使得工作人员可以远程控制，且及时调整焊接机器人的焊枪姿态，避免了由于姿态不准确而引起的焊缝强度均匀性差、焊缝质量不合格等问题，提升焊接质量。

另外，本申请实施例中的焊接机器人的调整方法可应用于核燃料后处理设备的修复场景下，由于核燃料后处理设备中经常存在作业辐射，为此，采用如本申请中所述的焊接机器人的焊枪姿态调整方法还能够避免人工修复时的人身安全问题，提升核燃料后处理设备中的作业效率。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的焊接机器人的焊枪姿态调整方法一种流程示意图；

图2为本申请实施例中确定焊接坡口的关键信息的可选流程图；

图3为本申请实施例中得到初始关键坡口图像的可选流程图；

图4为本申请实施例中的灰度直方图的可选示意图；

图5为本申请实施例中得到关键坡口图像的可选流程图；

图6为本申请实施例中得到焊接坡口的关键信息的可选流程图；

图7为本申请实施例中基本保留线条的关键部分的示意图；

图8为本申请实施例中部分标定照片示意图；

图9为本申请实施例中的标定可视化结果图；

图10为本申请实施例中的外参可视化效果图；

图11为本申请实施例中的确定姿态关键点信息的可选流程图；

图12为本申请实施例中的TSAI法的步骤示意图。

具体实施方式

由于核燃料后处理设备包含大量管道结构，这些管道每年返修一次，每次返修数百道焊缝。管道的损伤的情况一半为液体腐蚀导致的贯穿或未贯穿缺陷，损伤的部位主要集中在阀门、管道焊缝腐蚀。由于作业环境中存在核辐射，采用人工修复的方式安全性差、难度大、作业量大且效率低。

因此，如背景技术中所述，目前焊接机器人可以代替人工完成核燃料后处理设备中的焊接坡口的焊接。但是目前的焊接机器人通常采用预设算法对焊接坡口进行焊接，为此，焊接机器人的焊接质量难以保证。

基于此，本申请实施例中公开了一种焊接机器人的焊枪姿态调整方法，包括：基于焊接坡口图像，确定所述焊接坡口的关键信息；确定焊接机器人对应的姿态关键点信息，其中，所述姿态关键点信息为姿态关键点对应的信息，所述姿态关键点预先标定于所述焊接机器人的机械臂；将所述焊接坡口的关键信息以及所述焊接机器人的焊枪姿态关键点信息的实时展示，以使得工作人员调整所述焊接机器人的焊枪姿态。

并且，本申请实施例中将焊接坡口的关键信息与焊接机器人的焊枪姿态关键点信息的共同展示，使得工作人员可以远程控制，且及时调整焊接机器人的焊枪姿态，避免了由于姿态不准确而引起的焊缝强度均匀性差、焊缝质量不合格等问题，提升了焊接质量。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本发明所提供的焊接机器人的焊枪姿态调整方法一种流程示意图。在一种具体实施方式中，本发明所提供的焊接机器人的焊枪姿态调整方法，能够应用在核燃料后处理设备的修复场景，焊接机器人的焊枪姿态调整方法的步骤包括：

步骤S11、基于焊接坡口图像，确定所述焊接坡口的关键信息。

其中，所述焊接坡口图像可以由工业相机采集得到。为方便工作人员实时监控焊接过程，可以将工业相机的图像分析模块设计在同一个计算机内部，使得在同一个计算机中能够实现焊接坡口图像分析与控制。

另外，所述焊接坡口的关键信息用于表示焊接坡口的关键点对应的信息。

步骤S12、确定焊接机器人对应的姿态关键点信息，其中，所述姿态关键点信息为姿态关键点对应的信息，所述姿态关键点预先标定于所述焊接机器人的机械臂。

在一种可选实施例中，所述姿态关键点预先标定于所述焊接机器人的机械臂的末端，通常来说，所述焊接机器人的机械臂的末端会连接有焊枪，为此，焊接机器人的机械臂的末端可以设定为焊接机器人的姿态关键点，通过对所述焊接机器人的机械臂的末端的坐标信息进行测量，就可以确定所述焊接机器人的焊枪姿态。

步骤S13、将所述焊接坡口的关键信息以及所述焊接机器人的焊枪姿态关键点信息的实时展示，以使得工作人员调整所述焊接机器人的焊枪姿态。

将所述焊接坡口的关键信息以及所述焊接机器人的焊枪姿态关键点信息的实时展示，方便工作人员直观观察所述焊接机器人的焊枪姿态，并且基于上述实时显示的各个信息及时调整焊接机器人的焊枪姿态。

可见，本申请实施例中将焊接坡口的关键信息与焊接机器人的焊枪姿态关键点信息的共同展示，方便工作人员远程控制，且工作人员能够及时调整焊接机器人的焊枪姿态，避免了由于焊枪姿态不准确而引起的焊缝强度均匀性差、焊缝质量不合格等问题，提升了焊接机器人的焊接质量。

为方便工作人员操作焊接时对焊接坡口有更精确的掌握，因此，采用相机获取焊接坡口图像，所述焊接坡口图像可以用于表示焊接坡口的二维信息、利用线结构光传感器提取焊接坡口的特征信息，并通过套接字(socket)协议将焊接坡口的宽度、深度等关键信息实时传递给计算机。

由于采用相机获取到的焊接坡口图像可能具有反光严重、噪音大等影响图片质量的问题，因此需要对其进行处理，以获得便于特征提取的图像。以管道中的焊接坡口为例，说明获取焊接坡口的关键信息的过程。

图2为本申请实施例中确定焊接坡口的关键信息的可选流程图。参考图2所示，为了得到所述焊接坡口的关键信息，本申请中确定所述焊接坡口的关键信息，包括：

步骤S21、对焊接坡口图像进行图像干扰去除，得到初始关键坡口图像；

所述初始坡口图像为图像进行图像干扰去除后的图像，其相对于焊接坡口图像来说，尽可能的保持原始信息完整性(即主要特征)的同时，又能够去除图像中无用的信息，缩减了对于焊接坡口图像的计算量。

步骤S22、将所述初始关键坡口图像运算处理，得到关键坡口图像；

所述运算处理为形态学开运算，其中，形态学开运算处理相当于对初始关键坡口图像先进行腐蚀运算再进行膨胀运算，从而消除离散点和"毛刺"，采用运算处理的方式可以将初始关键坡口图像中的离散点剔除，进而保留最关键信息，即关键坡口图像保留最关键信息。

步骤S23、基于所述关键坡口图像，确定所述焊接坡口的关键信息。

由于，本申请实施例中的关键坡口图像已经去除过噪声且剔除过部分离散点，为此，本申请实施例中的关键坡口图像中仅包含有焊接坡口的关键信息。

图3为本申请实施例中得到初始关键坡口图像的可选流程图。参考图3所示，所述步骤S21、对焊接坡口图像进行图像噪声去除，得到初始关键坡口图像可以具体包括：

步骤S211、对所述焊接坡口图像进行灰度转换，获取所述焊接坡口图像对应的灰度焊接坡口图像；

所述灰度转换是指根据某种目标条件按一定变换关系逐点改变焊接坡口图像中每一个像素灰度值的方法。目的是为了改善画质，使焊接坡口图像的显示效果更加清晰。为此，本申请实施例中经过灰度转换的灰度焊接坡口图像相对于焊接坡口图像来说，显示更加清晰。

步骤S212、对所述灰度焊接坡口图像进行傅里叶处理，得到坡口频率图像。

所述傅里叶处理可以具体包括傅里叶变换以及傅里叶逆变换。其中，所述傅里叶变换可以为快速傅里叶变换(FFT)，傅里叶逆变换为快速傅里叶逆变换，采用FFT算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著，快速傅里叶逆变换同理。

在一种实施例中，当焊接坡口产生强反光干扰时，需要去除强反光区域，通常采用傅里叶变换对灰度焊接坡口图像进行处理，由傅里叶变换得到坡口频率图。具体的，傅里叶变换能够将灰度焊接坡口图像在空间域和频率域的变换，在频率域的频率图恰好能够反应图像在空间域灰度变化剧烈程度，并且强反光部分通常来说灰度变换强烈，可以在坡口频率图中将其灰度值设为0以去除强反光区域，进而采用傅里叶逆变换得到坡口频率图像，

在其他实施例中，当焊接坡口图像未遇到强反光干扰时，为避免在实时视频采集中可能遇到的强反光区域，也可以如前所述对图像进行快速傅里叶变换以及快速傅里叶逆变换处理，以去除可能出现的强反光区域。

步骤S213、对所述坡口频率图像进行导向滤波处理，得到滤波坡口图像，所述导向滤波处理用于平滑所述坡口频率图像的图像边缘，且去除图像边缘外的噪声。

所述导向滤波处理尽可能让滤波坡口图像的梯度和坡口频率图像相似，同时让滤波坡口图像的灰度(亮度)与坡口频率图像相似，以此来保留图像边缘并且滤除噪声。

具体的，经过上述处理的滤波坡口图像仍有一些很小的噪点，这些很小的噪点可能会对图像处理过程产生干扰，因此需要滤波处理以去除噪音。由于焊接坡口中关键在于坡口边缘的细节，为此，在本实施例中采用导向滤波的方式，边缘区域，仅对图像进行比例变换，保持梯度的比例关系不变，这种方法对于图像边缘具有很好的保持作用，同时可以去除噪声。

步骤S214、将所述滤波坡口图像进行二值化处理，得到初始关键坡口图像，所述二值化处理用于去除滤波坡口图像中的干扰信息，保留滤波坡口图像中的关键信息。

经过导向滤波处理的滤波坡口图像在图像边缘附近仍然具有一些小灰度值的散光，可以对图像进行二值化处理以去除这些干扰信息，且采用二值化处理能够尽可能多的保留关键信息。

在一种可选实施例中，确定二值化处理对应的阈值范围可以观看灰度直方图得到。如图4所示，图4为本申请实施例中的灰度直方图的可选示意图，经由图4可得，灰度直方图中通道1中的最小值为125，最大值为242，为此，根据灰度直方图可以确定二值化处理对应的阈值范围为125-242。

在得到上述初始关键坡口图像后，还可以对其进行进一步的处理，进而得到关键坡口图像。图5为本申请实施例中得到关键坡口图像的可选流程图。步骤S22、将所述初始关键坡口图像运算处理，得到关键坡口图像，参考图5所示，可以具体包括：

步骤S221、对所述初始关键坡口图像进行开运算处理，获取第一处理关键坡口图像，其中，所述开运算处理包括膨胀处理与腐蚀处理。

即便是在前述步骤S214之后，二值化处理后仍有一些细小的噪点保留，可能会对后续连通域分割造成影响，采用本申请实施例中的对图像继续进行形态学开运算处理，能够有效去除细小的噪点。

步骤S222、对所述第一处理关键坡口进行图像区域填充处理，确定第二处理关键坡口图像。

为了尽可能保留关键坡口图像中的关键信息，会对第一处理关键坡口进行图像区域填充处理。需要说明的是，在二值化处理后，可能会到导致直线区域部分细节丢失，进而直线区域可能被分割成许多连通域，为将其尽可能合成为一个连通域，可以对上述直线区域中的内容进行填充，合并小的连通域到周围连通域中，从而将图像区域填充处理后的图像确定为第二处理关键坡口图像。

在进一步的实施例中，为了得到焊接坡口的关键信息，其具体步骤可以参考图6。图6为本申请实施例中得到焊接坡口的关键信息的可选流程图。参考图6所示，步骤S23、基于所述关键坡口图像，确定所述焊接坡口的关键信息可以具体包括：

步骤S231、利用gauss算子将所述第二处理关键坡口图像中的关键区域转化成为初始关键线条。

需要说明的是，gauss算子用于提取第二处理关键坡口图像中关键区域的主线，从而根据主线的方向，得到初始关键线条，且所述初始关键线条一般会有一定的宽度。

步骤S232、利用xld算子确定所述初始关键线条中的轮廓线条；

由于初始关键线条一般会有一定的宽度，为此，初始关键线条对应的轮廓线条相对来说，也比较容易获取。通过xld算子能够去除初始关键线条中细小线段的干扰。

步骤S233、确定所述轮廓线条中线段的断开点为焊接坡口的关键点。

步骤S234、基于所述焊接坡口的关键点确定焊接坡口的关键信息。

在一种实施例中，上述过程可以描述为：为修复关键坡口图像中断开的线条，可以先利用gauss算子提取，将关键坡口图像中的关键区域转变为线条，此时图片中保留一些细小的线段干扰，按照xld算子进行筛选去除，最终处理结果如图7所示。图7为本申请实施例中基本保留线条的关键部分的示意图，在图7中存在三条线段，且任两条线段之间存在断开点，此时可以确定线段的断开点为焊接坡口的关键点。

在确定焊接坡口的关键点后，需要确定该关键点的像素坐标信息以及深度信息，从而确定所述焊接坡口在世界坐标系中的三维坐标信息，并将三维坐标信息确定为焊接坡口的关键信息。

在一种可选实施例中，可以先确定采集焊接坡口的图像的相机位置，确定所述相机位置对应的相机平面，以及结构光传感器标定出的激光平面，进而通过相机平面与激光平面形成的坐标系，获得在世界坐标系下的三维坐标信息。

可选的，为了得到焊接坡口的关键信息，需要将相机的相机位置进行标定，确定所述相机对应的相机内参矩阵，所述相机内参矩阵包括相机的参数。

在一种可选实施例中，将相机的相机位置在预设棋盘格标定板中进行标定，确定相机对应的相机平面，所述预设棋盘格标定板与所述相机平面平行。

可选的，可以是基于Matlab进行相机标定。具体采用7*9棋盘格标定板，边长为3.9mm，图8为本申请实施例中部分标定照片示意图。如图8所示，图中以20张不同姿态的照片进行展示的效果图，当然在实际应用中，还可能存在更多的姿态的照片，这里不再展开描述。

可选的，Matlab进行相机标定后的标定可视化结果可以参见图9。图9为本申请实施例中的标定可视化结果图。其中，如图9所示，横轴Images用于表示图片的数量，MeanErrorinPixels为单个图像的像素平均误差。

本申请实施例中还提供了一种相机外参可视化的效果图。如图10中所示，X轴、Y轴和Z轴三个坐标系中，可以直观看到每次拍摄的照片相对于相机的位置，图中左侧为可以为编号分别为1-20的20张不同姿态的照片。

进一步的，表1中为本申请实施例中的相机内参。

表1

其中，fx为相机在X轴的像距，fy为相机在Y轴的像距，Cx为相机在像素坐标系下的坐标，Cy为相机在像素坐标系下的坐标，K1为相机在X轴的畸变参数，K2为相机在Y轴的畸变参数。

与上述相机内参对应的相机内参矩阵K，可以如下所示：

进一步的，基于结构光传感器标定激光平面，获取激光平面对应的激光平面方程。

在一种实施例中，可以使用三个基于结构光传感器发出的激光照射的图像进行确定。具体的实现方式为：

(1)将相机平面与标定板所在平面保持水平，分别取不同高度下的三张有激光照射的图片，三张图片对应的相机平面到标定板平面的高度不同；

(2)随机读出任一张图片中经激光照射的一个或多个点的像素值，将其转化到对应的相机坐标系中。

(3)利用最小二乘法拟合出激光平面方程。

在得到上述相机内参矩阵以及激光平面方程后，还可以基于所述相机内参矩阵确定焊接坡口的关键点对应的像素坐标信息，以及，基于所述激光平面方程确定焊接坡口的关键点对应的深度信息。

进一步的，参考图11所示，所述基于焊接机器人的姿态关键点确定焊接机器人对应的姿态关键点信息，包括：

步骤S91、将焊接机器人的至少一个机械臂的末端标定为姿态关键点；

其中，可以将焊接机器人的一个机械臂的末端标定为姿态关键点；在其他实施例中，也可以将焊接机器人的两个机械臂的末端标定为姿态关键点，本发明在此不做限定。

步骤S92、确定所述姿态关键点与相机的相机位置之间的关联关系。

步骤S93、基于关联关系结合焊接机器人的姿态关键点确定焊接机器人对应的姿态关键点信息。

保持标定板不动，对于机械臂移动过程中第一姿态和第二姿态，均存在对应公式1中的关系。

其中，Robot1为第一姿态下的焊接机器人的基座信息、End1为第一姿态下的机械臂的末端信息、Camera1为第一姿态下的相机位置信息；Robot2为第二姿态下的焊接机器人的基座信息、End2为第二姿态下的机械臂的末端信息、Camera2为第二姿态下的相机位置信息。

进而，引入姿态齐次变换矩阵，确定姿态关键点与相机的相机位置之间的关联关系，在一种可选实现中，姿态关键点可以为机械臂的末端，如公式2所示：

如公式2中所示，T_ejj为机械臂的末端相对姿态的平移矩阵，R_ejj为机械臂的末端相对姿态的旋转矩阵，R_ce为相机与机械臂的末端之间的旋转矩阵，R_cjj为相机相对姿态的旋转矩阵，T_cjj为相机相对姿态的平移矩阵。

基于上述，还可以利用TSAI算法，获取所述姿态关键点与相机的相机位置之间的关联关系。

基于上述公式2，采用Matlab中经典的TSAI法求解式中旋转矩阵以及平移矩阵。

参考图12所示，TSAI法的求解过程可以是利用罗德里格斯公式将旋转矩阵转换为旋转向量；进而对其进行向量归一化处理，得到单位旋转轴和旋转角；用罗德里格斯参数表示姿态变换；进而采用机械臂的正向运动学公式、机器视觉方法确定初始旋转变量；最后计算旋转矩阵和平移矩阵。

在本发明一种可选实施例中，机械臂的末端到相机之间的转化矩阵X为:

进而，当获取到焊接机器人的姿态关键点时，读取机械臂位姿，利用公式3求解出焊接机器人对应的姿态关键点信息。

其中，X_w、Y_w、Z_w为机械臂在世界坐标系中的坐标信息，X_c、Y_c、Z_c为机械臂在相机坐标系下的坐标信息，D为位姿矩阵，通过机械臂旋转矢量转换为旋转矩阵得到，X为利用手眼标定得到的相机到机械臂的末端的转换矩阵。

基于本申请实施例中的焊接机器人的焊枪姿态调整方法，实验测得的测量精度如表2所示，在本次实验中，以焊接坡口序号分别为1、2、3、4和5的焊枪的测量结果进行说明，如表2中所示，五组焊枪的测量值与实际值有一定误差，但是相对于仅采用工作人员焊接的方式来说，在本申请实施例下，工作人员可以调整焊枪的前进/后退角、侧向角及自旋角，满足常规的焊枪姿态调整需求。

表2

上文描述了本申请实施例提供的多个实施例方案，各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用，从而延伸出多种可能的实施例方案，这些均可认为是本申请实施例披露、公开的实施例方案。

虽然本申请实施例披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。

Claims (4)

1.一种焊接机器人的焊枪姿态调整方法，其特征在于，包括：

基于焊接坡口图像，确定所述焊接坡口的关键信息；

确定焊接机器人对应的姿态关键点信息，其中，所述姿态关键点信息为姿态关键点对应的信息，所述姿态关键点预先标定于所述焊接机器人的机械臂；

将所述焊接坡口的关键信息以及所述焊接机器人的焊枪姿态关键点信息的 实时展示，以使得工作人员调整所述焊接机器人的焊枪姿态；

其中，所述基于焊接坡口图像，确定所述焊接坡口的关键信息，包括：

对焊接坡口图像进行图像干扰去除，得到初始关键坡口图像；

将所述初始关键坡口图像运算处理，得到关键坡口图像；

基于所述关键坡口图像，确定所述焊接坡口的关键信息；

确定焊接机器人对应的姿态关键点信息，包括：

基于焊接机器人的姿态关键点确定焊接机器人对应的姿态关键点信息；

其中，所述将所述初始关键坡口图像运算处理，得到关键坡口图像，包括：

对所述初始关键坡口图像进行开运算处理，获取第一处理关键坡口图像，其中，所述开运算处理包括膨胀处理与腐蚀处理；对所述第一处理关键坡口进行图像区域填充处理，确定第二处理关键坡口图像；

所述基于所述关键坡口图像，确定所述焊接坡口的关键信息，包括：

利用gauss算子将所述第二处理关键坡口图像中的关键区域转化成为初始关键线条；利用xld算子确定所述初始关键线条中的轮廓线条；确定所述轮廓线条中线段的断开点为焊接坡口的关键点；基于所述焊接坡口的关键点确定焊接坡口的关键信息；

所述基于所述焊接坡口的关键点确定焊接坡口的关键信息，包括：确定焊接坡口的关键点对应的像素坐标信息以及深度信息；基于所述像素坐标信息和所述深度信息，确定在世界坐标系中所述焊接坡口的三维坐标信息，所述焊接坡口的三维坐标信息为所述焊接坡口的关键信息；

所述基于焊接机器人的姿态关键点确定焊接机器人对应的姿态关键点信息，包括：将焊接机器人的至少一个机械臂的末端标定为姿态关键点；确定所述姿态关键点与相机的相机位置之间的关联关系；基于所述关联关系结合焊接机器人的姿态关键点确定焊接机器人对应的姿态关键点信息。

2.如权利要求1所述的焊接机器人的焊枪姿态调整方法，其特征在于，所述对焊接坡口图像进行图像干扰去除，得到初始关键坡口图像，包括：

对所述焊接坡口图像进行灰度转换，获取所述焊接坡口图像对应的灰度焊接坡口图像；

对所述灰度焊接坡口图像进行傅里叶变换处理，获取所述焊接坡口图像对应的坡口频率图；

对所述坡口频率图进行导向滤波处理，得到滤波坡口图像，所述导向滤波处理用于去除坡口频率图中的噪音；

将所述滤波坡口图像进行二值化处理，得到初始关键坡口图像，所述二值化处理用于去除滤波坡口图像中的干扰信息，保留滤波坡口图像中的关键信息。

3.如权利要求1所述的焊接机器人的焊枪姿态调整方法，其特征在于，所述确定焊接坡口的关键点对应的像素坐标信息以及深度信息之前，包括：

将相机的相机位置进行标定，确定所述相机对应的相机内参矩阵，所述相机内参矩阵包括相机的内参；

基于结构光传感器标定激光平面，获取激光平面对应的激光平面方程；

所述确定焊接坡口的关键点对应的像素坐标信息以及深度信息，包括：

基于所述相机内参矩阵确定焊接坡口的关键点对应的像素坐标信息，以及，基于所述激光平面方程确定焊接坡口的关键点对应的深度信息。

4.如权利要求1所述的焊接机器人的焊枪姿态调整方法，其特征在于，所述确定所述姿态关键点与相机的相机位置之间的关联关系，包括：

利用TSAI算法，获取所述姿态关键点与相机的相机位置之间的关联关系。