CN117140354A - 一种基于轨迹优化的用于建筑用金属制品的打磨*** - Google Patents
一种基于轨迹优化的用于建筑用金属制品的打磨*** Download PDFInfo
- Publication number
- CN117140354A CN117140354A CN202311428088.2A CN202311428088A CN117140354A CN 117140354 A CN117140354 A CN 117140354A CN 202311428088 A CN202311428088 A CN 202311428088A CN 117140354 A CN117140354 A CN 117140354A
- Authority
- CN
- China
- Prior art keywords
- polished
- polishing
- metal product
- track
- point cloud
- 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.)
- Granted
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 175
- 239000002184 metal Substances 0.000 title claims abstract description 162
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 239000000463 material Substances 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000007517 polishing process Methods 0.000 claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000000034 method Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 244000137852 Petrea volubilis Species 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B55/00—Safety devices for grinding or polishing machines; Accessories fitted to grinding or polishing machines for keeping tools or parts of the machine in good working condition
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明提供一种基于轨迹优化的用于建筑用金属制品的打磨***,涉及金属制品打磨领域,包括:信息获取模块,用于获取待打磨金属制品的相关信息;区域确定模块,用于基于待打磨金属制品的相关信息,确定待打磨金属制品的多个待打磨区域;轨迹生成模块,用于基于多个待打磨区域,确定待打磨金属制品的初始打磨轨迹集;轨迹优化模块,用于基于待打磨金属制品的材质信息、图像及点云信息及打磨装置的能耗信息、机械臂运行信息及打磨工艺参数,对待打磨金属制品的初始打磨轨迹集进行优化;打磨执行模块,包括固定装置及打磨装置,用于固定待打磨金属制品并根据优化后的打磨轨迹集进行打磨,具有提高建筑用金属制品打磨的效率及质量的优点。
Description
技术领域
本发明涉及金属制品打磨领域,特别涉及一种基于轨迹优化的用于建筑用金属制品的打磨***。
背景技术
在建筑施工过程中会用到各种金属制品,例如,预埋件、工字钢、扣件等,同时也需要对金属制品进行加工,其中,打磨是经常需要进行的加工步骤,打磨一般指借助粗糙物体(含有较高硬度颗粒的砂纸等)来通过摩擦改变材料表面物理性能的一种加工方法,主要目的是为了获取特定表面粗糙度。
在建筑行业施工前,往往需要对刚刚加工完成的金属制品进行打磨加工,以保证金属制品使用时的光滑度,但现有技术中,对金属制品在打磨时,通过人工将金属制品放置在打磨装置下进行打磨,效率较低,现有的打磨装置都是通过控制升降结构带动磨砂轮下降对待加工的材料进行打磨,但是打磨的角度是固定的,无法根据情况进行调节,因此需要其他角度的打磨时,就需要添加另一个打磨结构对其进行打磨,使用较为麻烦,影响使用,且人为控制打磨进程,容易发生差错,影响对金属制品生产加工时的打磨效果,增大金属制品的损耗率,无法满足金属制品的生产需求。
因此,需要提供一种基于轨迹优化的用于建筑用金属制品的打磨***,用于提高建筑用金属制品打磨的效率及质量。
发明内容
本说明书实施例之一提供一种基于轨迹优化的用于建筑用金属制品的打磨***,包括:信息获取模块,用于获取待打磨金属制品的材质信息、图像及点云信息;区域确定模块,用于基于所述待打磨金属制品的材质信息、图像及点云信息,确定所述待打磨金属制品的多个待打磨区域;轨迹生成模块,用于基于所述多个待打磨区域,确定所述待打磨金属制品的初始打磨轨迹集,其中,所述初始打磨轨迹集包括至少一条初始轨迹及每条所述初始轨迹对应的打磨参数;轨迹优化模块,用于基于所述待打磨金属制品的的材质信息、图像及点云信息及打磨装置的能耗信息、机械臂活动范围及打磨工艺参数,对所述待打磨金属制品的初始打磨轨迹集进行优化,获取优化后的打磨轨迹集;打磨执行模块,包括固定装置及打磨装置,所述固定装置用于固定所述待打磨金属制品,所述打磨装置用于根据所述优化后的打磨轨迹集,对所述待打磨金属制品进行打磨。
在一些实施例中,所述信息获取模块包括:图像采集单元,用于采集所述待打磨金属制品的图像;三维建模单元,用于基于所述图像采集单元采集的所述待打磨金属制品的图像,建立所述待打磨金属制品的三维模型;区域预测单元,用于基于所述待打磨金属制品的三维模型,确定所述待打磨金属制品的多个点云采集区域;点云采集单元,用于采集每个所述点云采集区域的点云数据。
在一些实施例中,所述区域预测单元基于所述待打磨金属制品的三维模型,确定所述待打磨金属制品的多个点云采集区域,包括:通过多个区域预测模型基于所述待打磨金属制品的三维模型,确定所述待打磨金属制品的多个点云区域集,其中,所述点云区域集包括多个第一候选点云采集区域;基于所述待打磨金属制品的三维模型,确定多个待评估区域,基于多个区域评估指标,从所述多个待评估区域中确定所述待打磨金属制品的多个第二候选点云采集区域;对所述多个点云区域集和所述多个第二候选点云采集区域进行融合,确定所述待打磨金属制品的多个点云采集区域。
在一些实施例中,所述区域确定模块基于所述待打磨金属制品的能耗信息、机械臂运行信息及打磨工艺参数,确定所述待打磨金属制品的多个待打磨区域,包括:对于每个所述点云采集区域,基于所述点云采集区域的点云数据,判断所述点云采集区域是否为初始待打磨区域;对多个所述初始待打磨区域进行融合及分割,生成多个所述待打磨区域。
在一些实施例中,所述轨迹生成模块基于所述多个待打磨区域,确定所述待打磨金属制品的初始打磨轨迹集,包括:基于每个所述待打磨区域的特征信息,对多个所述待打磨区域进行聚类,生成至少一个待打磨区域聚类簇,其中,所述待打磨区域聚类簇包括至少一个所述待打磨区域;对于每个所述待打磨区域聚类簇,基于所述待打磨区域聚类簇的聚类中心特征及所述待打磨金属制品的能耗信息、机械臂运行信息及打磨工艺参数,确定所述待打磨区域聚类簇对应的打磨工具参数,其中,所述初始轨迹对应的打磨参数包括所述打磨工具参数;对于所述待打磨区域聚类簇包括的每个所述待打磨区域,通过轨迹生成模型基于第一约束条件集及所述待打磨区域对应的三维模型,确定所述待打磨区域对应的所述初始轨迹及多个打磨位姿,其中,所述初始轨迹对应的打磨参数包括所述多个打磨位姿。
在一些实施例中,所述轨迹生成模块基于所述待打磨区域聚类簇的聚类中心特征及所述待打磨金属制品的能耗信息、机械臂运行信息及打磨工艺参数,确定所述待打磨区域聚类簇对应的打磨工具参数,包括:基于所述待打磨区域聚类簇的聚类中心的轮廓特征及所述待打磨金属制品的材质信息,确定所述待打磨区域聚类簇对应的打磨刀具的型号及工作参数,其中,所述打磨工具参数包括所述打磨刀具的型号及工作参数。
在一些实施例中,所述轨迹优化模块基于所述待打磨金属制品的材质信息、图像及点云信息及打磨装置的能耗信息、机械臂活动范围及打磨工艺参数,对所述待打磨金属制品的初始打磨轨迹集进行优化,获取优化后的打磨轨迹集,包括:对于每条所述初始轨迹,基于多个优化指标,评估所述初始轨迹是否为待优化初始轨迹;对于每条所述待优化初始轨迹,通过轨迹优化模型基于所述待打磨金属制品的材质信息、图像及点云信息及能耗信息、机械臂活动范围及打磨工艺参数,对所述待优化初始轨迹进行优化,生成所述待优化初始轨迹对应的优化后的打磨轨迹。
在一些实施例中,所述固定装置包括至少一个固定机械臂、设置在所述固定机械臂上的固定组件及固定控制组件,所述固定机械臂及所述固定组件均与所述固定控制组件电性连接,所述固定控制组件用于控制所述固定机械臂与所述固定组件配合固定所述待打磨金属制品;所述打磨装置包括打磨机械臂、设置在所述打磨机械臂上的打磨组件及打磨控制组件,所述打磨机械臂及所述固定组件均与所述打磨控制组件电性连接,所述打磨控制组件用于控制所述打磨机械臂与所述打磨组件配合固定,根据所述优化后的打磨轨迹集,对所述待打磨金属制品进行打磨。
在一些实施例中,所述打磨执行模块还包括固定姿态生成单元,用于根据所述优化后的打磨轨迹集,生成固定轨迹;所述固定控制组件用于控制所述固定机械臂与所述固定组件配合,根据所述固定轨迹固定所述待打磨金属制品。
在一些实施例中,所述固定姿态生成单元根据所述优化后的打磨轨迹集,生成固定轨迹;包括:通过蒙特卡洛模型基于第一约束条件集和第二约束条件集,生成多条候选固定轨迹;通过多个筛选指标,对所述多条候选固定轨迹进行筛选,确定所述固定轨迹。
相比于现有技术,本说明书提供的一种基于轨迹优化的用于建筑用金属制品的打磨***,至少具备以下有益效果:
1、通过获取待打磨金属制品的相关信息,针对性地确定待打磨金属制品的多个待打磨区域,生成对应多个待打磨区域的初始打磨轨迹集并进行优化,再控制固定装置及打磨装置,对待打磨金属制品进行固定和打磨,实现建筑用金属制品的自动化打磨,并提高了建筑用金属制品自动化打磨的灵活性,提高了建筑用金属制品打磨的效率及质量;
2、通过先采集待打磨金属制品的图像,基于待打磨金属制品的图像生成对应的三维模型,基于该三维模型确定多个点云采集区域并进行点云采集,有效减少了无效点云的采集,提高了信息获取的效率并减少了后续的数据处理量,进一步提高了建筑用金属制品打磨的效率;
3、通过对多个区域预测模型的输出结果和基于多个区域评估指标确定的多个第二候选点云采集区域的融合,使得确定的多个点云采集区域更加准确且有效;
4、先对多个待打磨区域进行聚类,分类进行打磨工具参数的确定,提高参数确定的效率,并进一步通过轨迹生成模型基于第一约束条件集及待打磨区域对应的三维模型,较为准确且快速地确定待打磨区域对应的初始轨迹及多个打磨位姿;
5、通过蒙特卡洛模型基于第一约束条件集和第二约束条件集,可以快速生成多条候选固定轨迹,进一步地通过多个筛选指标,对多条候选固定轨迹进行筛选,确定固定轨迹,实现固定位姿的可调整性,使得在对不同的待打磨区域进行打磨的过程中,固定位姿也可以进行灵活调整,提高待打磨金属制品在打磨过程中的稳定性,进一步提高了建筑用金属制品打磨的质量。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的一种基于轨迹优化的用于建筑用金属制品的打磨***的模块示意图;
图2是根据本说明书一些实施例所示的获取待打磨金属制品的相关信息的流程示意图;
图3是根据本说明书一些实施例所示的确定待打磨金属制品的多个点云采集区域的流程示意图;
图4是根据本说明书一些实施例所示的确定待打磨金属制品的初始打磨轨迹集的流程示意图;
图5是根据本说明书一些实施例所示的待分割的待打磨区域的示意图。
图中,510、待分割的待打磨区域。
实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的一种基于轨迹优化的用于建筑用金属制品的打磨***的模块示意图,如图1所示,一种基于轨迹优化的用于建筑用金属制品的打磨***可以包括信息获取模块、区域确定模块、轨迹生成模块、轨迹优化模块及打磨执行模块。
信息获取模块可以用于获取待打磨金属制品的相关信息。
待打磨金属制品的相关信息可以包括待打磨金属制品的材质信息、图像及点云等信息。
如图1所示,信息获取模块可以包括图像采集单元、三维建模单元、区域预测单元及点云采集单元。
图像采集单元可以用于采集待打磨金属制品的图像。具体的,图像采集单元可以包括第一位姿调整装置及图像采集装置,其中,图像采集装置可以设置在第一位姿调整装置上。
三维建模单元可以用于基于图像采集单元采集的待打磨金属制品的图像,建立待打磨金属制品的三维模型。
区域预测单元可以用于基于待打磨金属制品的三维模型,确定待打磨金属制品的多个点云采集区域。
点云采集单元可以用于采集每个点云采集区域的点云数据。具体的,点云采集单元可以包括第二位姿调整装置及激光三维扫描仪,激光三维扫描仪设置在第二位姿调整装置上,激光三维扫描仪用于对点云采集区域进行扫描,获取点云采集区域的点云数据。
图2是根据本说明书一些实施例所示的获取待打磨金属制品的相关信息的流程示意图,如图2所示,在一些实施例中,信息获取模块可以通过以下流程获取待打磨金属制品的相关信息:
位姿调整装置调整至初始位姿,图像采集装置在初始位姿采集待打磨金属制品的初始图像;
图像采集单元通过位姿确定模型基于待打磨金属制品的初始图像,确定多个目标图像采集位姿,其中,位姿确定模型可以为卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、多层神经网络(MLP)、生成对抗神经网络(GAN)等一种或其任意组合;
位姿调整装置基于多个目标图像采集位姿调整图像采集装置的位姿,使得图像采集装置在多个目标图像采集位姿下采集待打磨金属制品的建模图像;
三维建模单元通过第一GAN(Generative Adversarial Nets)模型基于图像采集装置在多个目标图像采集位姿下采集的待打磨金属制品的建模图像,生成待打磨金属制品的三维模型;
区域预测单元基于待打磨金属制品的三维模型,确定待打磨金属制品的多个点云采集区域;
点云采集单元通过第二GAN(Generative Adversarial Nets)模型基于图像采集装置在多个目标图像采集位姿下采集的待打磨金属制品的建模图像,生成待打磨金属制品的三维模型。
图3是根据本说明书一些实施例所示的确定待打磨金属制品的多个点云采集区域的流程示意图,如图3所示,在一些实施例中,区域预测单元可以通过以下流程基于待打磨金属制品的三维模型,确定待打磨金属制品的多个点云采集区域:
通过多个区域预测模型基于待打磨金属制品的三维模型,确定待打磨金属制品的多个点云区域集,其中,点云区域集包括多个第一候选点云采集区域;
基于待打磨金属制品的三维模型,确定多个待评估区域,基于多个区域评估指标,从多个待评估区域中确定待打磨金属制品的多个第二候选点云采集区域;
对多个点云区域集和多个第二候选点云采集区域进行融合,确定待打磨金属制品的多个点云采集区域。
具体的,多个区域预测模型的类型可能不同。例如,多个区域预测模型包括Anchor-Free目标检测模型、R-FCN(Region-based Fully Convolutional Networks)模型、MaskR-CNN(Mask Region-based Convolutional Neural Network)模型等。可以理解的,不同的区域预测模型基于待打磨金属制品的三维模型确定的待打磨金属制品的点云区域集可以不同。第一候选点云采集区域可以为待打磨金属制品中可能需要进行点云采集的区域。
区域预测单元可以通过任意方式对待打磨金属制品的三维模型进行分割,确定多个待评估区域。例如,随机分割或者通过分割模型对待打磨金属制品的三维模型进行分割等,其中,分割模型可以为卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、多层神经网络(MLP)、生成对抗神经网络(GAN)等一种或其任意组合。
区域评估指标可以用于判断待评估区域是否为第二候选点云采集区域。例如,多个区域评估指标可以至少包括颜色指标、轮廓指标、边缘卷翘度指标等,其中,颜色指标可以表征待评估区域是否发生锈蚀等情况,轮廓指标可以表征待评估区域是否为容易发生漏打磨的区域,边缘卷翘度指标可以表征待评估区域的边缘的卷翘度。第二候选点云采集区域可以为待打磨金属制品中可能需要进行点云采集的区域。
仅作为示例的,区域预测单元可以根据以下公式基于多个区域评估指标,确定待评估区域的点云采集匹配值:
其中,为第i个待评估区域的点云采集匹配值,/>为第n个区域评估指标对应的权重,/>为第i个待评估区域在第n个区域评估指标的得分,N为区域评估指标的总数。
可以理解的,可以将点云采集匹配值大于预设点云采集匹配值阈值的待评估区域作为第二候选点云采集区域。
在一些实施例中,区域预测单元可以基于以下流程对多个点云区域集和多个第二候选点云采集区域进行融合,确定待打磨金属制品的多个点云采集区域:
对于多个点云区域集,区域预测单元可以先基于每个区域预测模型对应的膨胀系数,对区域预测模型输出的点云区域集包括的每个第一候选点云采集区域进行膨胀,生成膨胀后的点云区域集;
对于多个膨胀后的点云区域集,进行交集运算,确定的重叠点云区域集,其中,重叠点云区域集包括多个膨胀后的第一候选点云采集区域重叠的至少一个点云采集重叠区域;
对于重叠点云区域集和多个第二候选点云采集区域,进行交集运算,确定多个初始的点云采集区域;
对于每个初始的点云采集区域,按照对应的预设膨胀系数,对初始的点云采集区域进行膨胀,确定待打磨金属制品的多个点云采集区域,其中,预设膨胀系数可以根据初始的点云采集区域的相关信息确定,例如,基于初始的点云采集区域的材质、轮廓、颜色特征等,确定初始的点云采集区域需要进行点云采集的可能性,需要进行点云采集的可能性越大,对应的预设膨胀系数越大。
例如,区域预测单元可以基于以下确定每个区域预测模型对应的膨胀系数:
其中,为第j个区域预测模型对应的膨胀系数,/>为第j个区域预测模型对应的性能分值,/>为第k个区域预测模型对应的性能分值,K为区域预测模型的总数。区域预测模型对应的性能分值可以根据区域预测模型的精确度、召回率、F1分数、受试者特征曲线(ROC-AUC)等确定。
区域确定模块可以用于基于待打磨金属制品的相关信息,确定待打磨金属制品的多个待打磨区域。
在一些实施例中,对于每个点云采集区域,区域确定模块可以基于点云采集区域的点云数据,判断点云采集区域是否为初始待打磨区域,对多个初始待打磨区域进行融合及分割,生成多个待打磨区域。
具体的,对于每个点云采集区域,区域确定模块可以基于点云采集区域的点云数据,确定点云采集区域的表面平整度,当点云采集区域的表面平整度小于预设表面平整度阈值时,判断改点云采集区域为初始待打磨区域。
在一些实施例中,区域确定模块可以根据以下流程对多个初始待打磨区域进行融合及分割,生成多个待打磨区域:
先基于初始待打磨区域的边缘的位置信息,对多个初始待打磨区域进行融合,生成多个待分割的待打磨区域,具体的,当任意两个相邻的初始待打磨区域的边缘之间的最短距离小于预设最短距离阈值时,该两个相邻的初始待打磨区域可以融合为一个区域;
对于每个待分割的待打磨区域,确定该待分割的待打磨区域的多个子区域处的轮廓特征,基于待分割的待打磨区域的多个个子区域处的轮廓特征,基于相邻个子区域处的轮廓特征相似度,将该待分割的待打磨区域分割为至少一个待打磨区域,其中,轮廓特征可以至少包括轮廓方向、轮廓矩、轮廓凸包、轮廓近似等,例如,图5是根据本说明书一些实施例所示的待分割的待打磨区域的示意图,如图5所示,对于待分割的待打磨区域510,可以将其分割为三个待打磨区域,即待打磨区域A、待打磨区域B及待打磨区域C,其中,待打磨区域B位于待打磨区域A和待打磨区域B之间,且待打磨区域B的轮廓特征与待打磨区域A和待打磨区域B的轮廓特征相似度小于预设轮廓特征相似度阈值。
轨迹生成模块可以用于基于多个待打磨区域,确定待打磨金属制品的初始打磨轨迹集,其中,初始打磨轨迹集包括至少一条初始轨迹及每条初始轨迹对应的打磨参数。
图4是根据本说明书一些实施例所示的确定待打磨金属制品的初始打磨轨迹集的流程示意图,如图4所示,在一些实施例中,轨迹生成模块可以通过以下流程基于多个待打磨区域,确定待打磨金属制品的初始打磨轨迹集:
基于每个待打磨区域的特征信息,对多个待打磨区域进行聚类,生成至少一个待打磨区域聚类簇,其中,待打磨区域聚类簇包括至少一个待打磨区域;
对于每个待打磨区域聚类簇,基于待打磨区域聚类簇的聚类中心特征及待打磨金属制品的相关信息,确定待打磨区域聚类簇对应的打磨工具参数(例如,打磨盘的砂纸目数等),其中,初始轨迹对应的打磨参数包括打磨工具参数;
对于待打磨区域聚类簇包括的每个待打磨区域,通过轨迹生成模型基于第一约束条件集及待打磨区域对应的三维模型,确定待打磨区域对应的初始轨迹及多个打磨位姿,其中,初始轨迹对应的打磨参数包括多个打磨位姿,轨迹生成模型可以为卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、多层神经网络(MLP)、生成对抗神经网络(GAN)等一种或其任意组合。
第一约束条件集可以包括第一干涉约束、运动学约束和动力学约束,其中,第一干涉约束可以包括与障碍物的最小距离约束等,运动学约束可以包括运动角度约束、打磨角度约束等,动力学约束可以包括关节运动速度约束、加速度约束和脉冲约束等。
具体的,轨迹生成模块可以基于待打磨区域聚类簇的聚类中心的轮廓特征及待打磨金属制品的材质信息,确定待打磨区域聚类簇对应的打磨刀具的型号及工作参数,其中,打磨工具参数包括打磨刀具的型号及工作参数,例如,打磨压力、进给速度、磨头转速等。
例如,轨迹生成模块可以通过参数确定模型基于待打磨区域聚类簇的聚类中心的轮廓特征及待打磨金属制品的材质信息,确定待打磨区域聚类簇对应的打磨刀具的型号及工作参数。其中,参数确定模型可以为卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、多层神经网络(MLP)、生成对抗神经网络(GAN)等一种或其任意组合。
轨迹优化模块可以用于基于待打磨金属制品的材质信息、图像及点云信息及打磨装置的能耗信息、机械臂活动范围及打磨工艺参数,对待打磨金属制品的初始打磨轨迹集进行优化,获取优化后的打磨轨迹集。其中,打磨工艺参数可以包括主轴电机转速范围、打磨压力范围、进给速度范围等。
在一些实施例中,轨迹优化模块基于待打磨金属制品的材质信息、图像及点云信息及打磨装置的能耗信息、机械臂活动范围及打磨工艺参数,对待打磨金属制品的初始打磨轨迹集进行优化,获取优化后的打磨轨迹集,包括:
对于每条初始轨迹,基于多个优化指标,评估初始轨迹是否为待优化初始轨迹;
对于每条待优化初始轨迹,通过轨迹优化模型基于待打磨金属制品的材质信息、图像及点云信息及打磨装置的能耗信息、机械臂活动范围及打磨工艺参数,对待优化初始轨迹进行优化,生成待优化初始轨迹对应的优化后的打磨轨迹。
具体的,优化指标可以包括完成所需时间指标、偏差指标、能耗指标等,其中,偏差指标可以表征打磨执行模块执行该初始轨迹,发生偏差的程度。
例如,轨迹优化模块可以根据以下公式基于多个优化指标,确定评估初始轨迹的待优化分值:
其中,为第t条初始轨迹的待优化分值,H为预设参数,/>为第q个优化指标对应的权重,/>为第t条初始轨迹在第q个优化指标的得分,Q为优化指标的总数。
可以理解的,可以将待优化分值大于预设待优化分值阈值的初始轨迹作为待优化初始轨迹。
如图1所示,打磨执行模块可以包括固定装置及打磨装置,固定装置用于固定待打磨金属制品,打磨装置用于根据优化后的打磨轨迹集,对待打磨金属制品进行打磨。
在一些实施例中,固定装置包括至少一个固定机械臂、设置在固定机械臂上的固定组件及固定控制组件,固定机械臂及固定组件均与固定控制组件电性连接,固定控制组件用于控制固定机械臂与固定组件配合固定待打磨金属制品。打磨装置包括打磨机械臂、设置在打磨机械臂上的打磨组件及打磨控制组件,打磨控制组件可以至少包括驱动设备及打磨刀具,驱动设备用于驱动打磨刀具进行打磨工作,打磨机械臂及固定组件均与打磨控制组件电性连接,打磨控制组件用于控制打磨机械臂与打磨组件配合固定,根据优化后的打磨轨迹集,对待打磨金属制品进行打磨。
如图1所示,在一些实施例中,打磨执行模块还包括固定姿态生成单元,用于根据优化后的打磨轨迹集,生成固定轨迹。
具体的,固定姿态生成单元可以通过蒙特卡洛模型基于第一约束条件集和第二约束条件集,生成多条候选固定轨迹;通过多个筛选指标,对多条候选固定轨迹进行筛选,确定固定轨迹。
第二约束条件集可以包括第二干涉约束、固定范围约束、位姿数量约束等,其中,第二干涉约束可以表征固定控制组件与打磨刀具之间的最短距离约束、固定机械臂与打磨机械臂之间的最短距离约束等,固定范围约束可以表征固定机械臂可以活动的最大空间约束,位姿数量约束可以表征候选固定轨迹中固定位姿的个数的约束等。
筛选指标可以包括完成所需时间指标、偏差指标、能耗指标、位姿变化复杂度指标、固定位姿的个数指标等。
具体的,对于每条候选固定轨迹,固定姿态生成单元可以计算该候选固定轨迹在多个筛选指标上的得分,并对该候选固定轨迹在多个筛选指标上的得分进行加权求和,确定该候选固定轨迹的优先分值,并将优先分值最高的候选固定轨迹作为固定轨迹。
在一些实施例中,固定控制组件用于控制固定机械臂与固定组件配合,根据固定轨迹固定待打磨金属制品。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书多个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,包括:
信息获取模块,用于获取待打磨金属制品的材质信息、图像及点云信息;
区域确定模块,用于基于所述待打磨金属制品的材质信息、图像及点云信息,确定所述待打磨金属制品的多个待打磨区域;
轨迹生成模块,用于基于所述多个待打磨区域,确定所述待打磨金属制品的初始打磨轨迹集,其中,所述初始打磨轨迹集包括至少一条初始轨迹及每条所述初始轨迹对应的打磨参数;
轨迹优化模块,用于基于所述待打磨金属制品的材质信息、图像及点云信息及打磨装置的能耗信息、机械臂活动范围及打磨工艺参数,对所述待打磨金属制品的初始打磨轨迹集进行优化,获取优化后的打磨轨迹集;
打磨执行模块,包括固定装置及打磨装置,所述固定装置用于固定所述待打磨金属制品,所述打磨装置用于根据所述优化后的打磨轨迹集,对所述待打磨金属制品进行打磨。
2.根据权利要求1所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述信息获取模块包括:
图像采集单元,用于采集所述待打磨金属制品的图像;
三维建模单元,用于基于所述图像采集单元采集的所述待打磨金属制品的图像,建立所述待打磨金属制品的三维模型;
区域预测单元,用于基于所述待打磨金属制品的三维模型,确定所述待打磨金属制品的多个点云采集区域;
点云采集单元,用于采集每个所述点云采集区域的点云数据。
3.根据权利要求2所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述区域预测单元基于所述待打磨金属制品的三维模型,确定所述待打磨金属制品的多个点云采集区域,包括:
通过多个区域预测模型基于所述待打磨金属制品的三维模型,确定所述待打磨金属制品的多个点云区域集,其中,所述点云区域集包括多个第一候选点云采集区域;
基于所述待打磨金属制品的三维模型,确定多个待评估区域,基于多个区域评估指标,从所述多个待评估区域中确定所述待打磨金属制品的多个第二候选点云采集区域;
对所述多个点云区域集和所述多个第二候选点云采集区域进行融合,确定所述待打磨金属制品的多个点云采集区域。
4.根据权利要求2所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述区域确定模块基于所述待打磨金属制品的的材质信息、图像及点云信息,确定所述待打磨金属制品的多个待打磨区域,包括:
对于每个所述点云采集区域,基于所述点云采集区域的点云数据,判断所述点云采集区域是否为初始待打磨区域;
对多个所述初始待打磨区域进行融合及分割,生成多个所述待打磨区域。
5.根据权利要求1-4中任意一项所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述轨迹生成模块基于所述多个待打磨区域,确定所述待打磨金属制品的初始打磨轨迹集,包括:
基于每个所述待打磨区域的特征信息,对多个所述待打磨区域进行聚类,生成至少一个待打磨区域聚类簇,其中,所述待打磨区域聚类簇包括至少一个所述待打磨区域;
对于每个所述待打磨区域聚类簇,基于所述待打磨区域聚类簇的聚类中心特征及所述待打磨金属制品的的材质信息、图像及点云信息,确定所述待打磨区域聚类簇对应的打磨工具参数,其中,所述初始轨迹对应的打磨参数包括所述打磨工具参数;
对于所述待打磨区域聚类簇包括的每个所述待打磨区域,通过轨迹生成模型基于第一约束条件集及所述待打磨区域对应的三维模型,确定所述待打磨区域对应的所述初始轨迹及多个打磨位姿,其中,所述初始轨迹对应的打磨参数包括所述多个打磨位姿。
6.根据权利要求5所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述轨迹生成模块基于所述待打磨区域聚类簇的聚类中心特征及所述待打磨金属制品的的材质信息、图像及点云信息,确定所述待打磨区域聚类簇对应的打磨工具参数,包括:
基于所述待打磨区域聚类簇的聚类中心的轮廓特征及所述待打磨金属制品的材质信息,确定所述待打磨区域聚类簇对应的打磨刀具的型号及工作参数,其中,所述打磨工具参数包括所述打磨刀具的型号及工作参数。
7.根据权利要求5所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述轨迹优化模块基于所述待打磨金属制品的材质信息、图像及点云信息及打磨装置的能耗信息、机械臂活动范围及打磨工艺参数,对所述待打磨金属制品的初始打磨轨迹集进行优化,获取优化后的打磨轨迹集,包括:
对于每条所述初始轨迹,基于多个优化指标,评估所述初始轨迹是否为待优化初始轨迹;
对于每条所述待优化初始轨迹,通过轨迹优化模型基于所述待打磨金属制品的材质信息、图像及点云信息及能耗信息、机械臂活动范围及打磨工艺参数,对所述待优化初始轨迹进行优化,生成所述待优化初始轨迹对应的优化后的打磨轨迹。
8.根据权利要求1-4中任意一项所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述固定装置包括至少一个固定机械臂、设置在所述固定机械臂上的固定组件及固定控制组件,所述固定机械臂及所述固定组件均与所述固定控制组件电性连接,所述固定控制组件用于控制所述固定机械臂与所述固定组件配合固定所述待打磨金属制品;
所述打磨装置包括打磨机械臂、设置在所述打磨机械臂上的打磨组件及打磨控制组件,所述打磨机械臂及所述固定组件均与所述打磨控制组件电性连接,所述打磨控制组件用于控制所述打磨机械臂与所述打磨组件配合固定,根据所述优化后的打磨轨迹集,对所述待打磨金属制品进行打磨。
9.根据权利要求8所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述打磨执行模块还包括固定姿态生成单元,用于根据所述优化后的打磨轨迹集,生成固定轨迹;
所述固定控制组件用于控制所述固定机械臂与所述固定组件配合,根据所述固定轨迹固定所述待打磨金属制品。
10.根据权利要求9所述的一种基于轨迹优化的用于建筑用金属制品的打磨***,其特征在于,所述固定姿态生成单元根据所述优化后的打磨轨迹集,生成固定轨迹;包括:
通过蒙特卡洛模型基于第一约束条件集和第二约束条件集,生成多条候选固定轨迹;
通过多个筛选指标,对所述多条候选固定轨迹进行筛选,确定所述固定轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428088.2A CN117140354B (zh) | 2023-10-31 | 2023-10-31 | 一种基于轨迹优化的用于建筑用金属制品的打磨*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428088.2A CN117140354B (zh) | 2023-10-31 | 2023-10-31 | 一种基于轨迹优化的用于建筑用金属制品的打磨*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117140354A true CN117140354A (zh) | 2023-12-01 |
CN117140354B CN117140354B (zh) | 2024-01-05 |
Family
ID=88885271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311428088.2A Active CN117140354B (zh) | 2023-10-31 | 2023-10-31 | 一种基于轨迹优化的用于建筑用金属制品的打磨*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117140354B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106041946A (zh) * | 2016-05-23 | 2016-10-26 | 广东工业大学 | 基于图像处理的机械人打磨生产方法及应用其的生产*** |
US20170095900A1 (en) * | 2014-03-11 | 2017-04-06 | Universite De Nantes | Method and system for controlling an orbital sander |
CN107598775A (zh) * | 2017-07-27 | 2018-01-19 | 芜湖微云机器人有限公司 | 一种通过激光进行检测并多轴机器人打磨的方法 |
CN111476152A (zh) * | 2020-04-03 | 2020-07-31 | 甘肃省科学院 | 一种基于柔顺规则的轮毂打磨轨迹输出的方法及*** |
CN112405123A (zh) * | 2020-11-19 | 2021-02-26 | 泉州华中科技大学智能制造研究院 | 基于聚类算法的鞋底打粗轨迹规划方法及装置 |
CN112757057A (zh) * | 2021-01-19 | 2021-05-07 | 武汉海默机器人有限公司 | 融合视觉深度分析的智能免人工示教打磨抛光方法及*** |
CN114055255A (zh) * | 2021-11-18 | 2022-02-18 | 中南大学 | 一种基于实时点云的大型复杂构件表面打磨路径规划方法 |
CN114571326A (zh) * | 2022-01-20 | 2022-06-03 | 上海交通大学 | 基于计算机视觉的变形曲面磨削方法、装置及*** |
US20220193862A1 (en) * | 2019-04-11 | 2022-06-23 | Gebe2 Productique | Abrasion method |
CN114924527A (zh) * | 2022-05-20 | 2022-08-19 | 上海交通大学 | 适用于圆柱磨抛工具的机器人力控磨抛轨迹规划方法及*** |
CN115049861A (zh) * | 2022-06-14 | 2022-09-13 | 广东天太机器人有限公司 | 一种工业机器人的自动修正打磨方法及*** |
CN115464557A (zh) * | 2022-08-15 | 2022-12-13 | 深圳航天科技创新研究院 | 基于路径调整移动机器人作业的方法及移动机器人 |
CN116021391A (zh) * | 2022-04-21 | 2023-04-28 | 泉州华中科技大学智能制造研究院 | 一种基于视觉及力控的柔性打磨抛光设备及方法 |
CN116276328A (zh) * | 2023-02-28 | 2023-06-23 | 广东交通职业技术学院 | 基于数字孪生与视觉传达技术的机器人打磨轨迹优化方法 |
-
2023
- 2023-10-31 CN CN202311428088.2A patent/CN117140354B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170095900A1 (en) * | 2014-03-11 | 2017-04-06 | Universite De Nantes | Method and system for controlling an orbital sander |
CN106041946A (zh) * | 2016-05-23 | 2016-10-26 | 广东工业大学 | 基于图像处理的机械人打磨生产方法及应用其的生产*** |
CN107598775A (zh) * | 2017-07-27 | 2018-01-19 | 芜湖微云机器人有限公司 | 一种通过激光进行检测并多轴机器人打磨的方法 |
US20220193862A1 (en) * | 2019-04-11 | 2022-06-23 | Gebe2 Productique | Abrasion method |
CN111476152A (zh) * | 2020-04-03 | 2020-07-31 | 甘肃省科学院 | 一种基于柔顺规则的轮毂打磨轨迹输出的方法及*** |
CN112405123A (zh) * | 2020-11-19 | 2021-02-26 | 泉州华中科技大学智能制造研究院 | 基于聚类算法的鞋底打粗轨迹规划方法及装置 |
CN112757057A (zh) * | 2021-01-19 | 2021-05-07 | 武汉海默机器人有限公司 | 融合视觉深度分析的智能免人工示教打磨抛光方法及*** |
CN114055255A (zh) * | 2021-11-18 | 2022-02-18 | 中南大学 | 一种基于实时点云的大型复杂构件表面打磨路径规划方法 |
CN114571326A (zh) * | 2022-01-20 | 2022-06-03 | 上海交通大学 | 基于计算机视觉的变形曲面磨削方法、装置及*** |
CN116021391A (zh) * | 2022-04-21 | 2023-04-28 | 泉州华中科技大学智能制造研究院 | 一种基于视觉及力控的柔性打磨抛光设备及方法 |
CN114924527A (zh) * | 2022-05-20 | 2022-08-19 | 上海交通大学 | 适用于圆柱磨抛工具的机器人力控磨抛轨迹规划方法及*** |
CN115049861A (zh) * | 2022-06-14 | 2022-09-13 | 广东天太机器人有限公司 | 一种工业机器人的自动修正打磨方法及*** |
CN115464557A (zh) * | 2022-08-15 | 2022-12-13 | 深圳航天科技创新研究院 | 基于路径调整移动机器人作业的方法及移动机器人 |
CN116276328A (zh) * | 2023-02-28 | 2023-06-23 | 广东交通职业技术学院 | 基于数字孪生与视觉传达技术的机器人打磨轨迹优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117140354B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114571326B (zh) | 基于计算机视觉的变形曲面磨削方法、装置及*** | |
CN110153567A (zh) | 一种基于图像识别的激光切割*** | |
CN115035120B (zh) | 基于物联网的机床控制方法及*** | |
CN108284444B (zh) | 人机协作下基于Tc-ProMps算法的多模式人体动作预测方法 | |
US11958165B2 (en) | Methods and apparatus for shaping workpieces | |
EP3736648A1 (en) | Method for autonomous optimization of a grinding process | |
CN109785301A (zh) | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 | |
CN110045737A (zh) | 基于动态窗口法的仿人足球机器人的路径规划 | |
JP2023503609A (ja) | ロボット補修制御システム及び方法 | |
CN114924527A (zh) | 适用于圆柱磨抛工具的机器人力控磨抛轨迹规划方法及*** | |
US20230100222A1 (en) | Automated apparatus and method for object faceting | |
CN117140354B (zh) | 一种基于轨迹优化的用于建筑用金属制品的打磨*** | |
CN115147790A (zh) | 一种基于图神经网络的车辆未来轨迹预测方法 | |
CN114488943B (zh) | 面向配合工况下的随机多区域高效打磨路径规划方法 | |
CN109597354A (zh) | 一种三角网格模型的多约束数控加工轨迹生成方法 | |
CN117677474A (zh) | 用于处理工作表面的***和方法 | |
CN115719343A (zh) | 一种基于层次分析法的厚板t型接头多道焊焊接位置自主决策方法 | |
KR102140594B1 (ko) | 프리미티브 기반의 3차원 자동 스캔 방법 및 시스템 | |
CN114049340A (zh) | 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置 | |
CN112946072A (zh) | 基于机器学习的砂带磨损状态监测方法 | |
CN114310872B (zh) | 一种基于dgg点云分割网络的机械臂自动打菜方法 | |
CN113414773B (zh) | 一种打磨机器人的打磨控制方法及*** | |
Denkena et al. | Self-optimizing process planning of multi-step polishing processes | |
WO2023062407A1 (en) | Method and system for determining and selecting rock breaking target poses for a rock breaker | |
CN110517276A (zh) | 一种基于机器视觉的砂轮修整方法及装置 |
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 |