摘 要

在中国制造2025的稳步推进和工业制造水平更进一步发展的形势下，现代工业对焊接技术有了更高的要求。传统的手工焊接存在焊接质量受主客观因素影响参差不齐、焊接环境恶劣等现实问题，焊接的智能化和自动化成为了必然的发展趋势。本文为助力焊接技术的发展，设计了一种通过对海量三维点云数据进行分析和处理，自动提取焊接轨迹曲线的方法。首先对采用的结构光相机视觉系统的手眼标定方法进行了分析和推导。然后对获取的点云进行预处理，采用统计学滤波剔除了离散噪点，再用三维体素栅格采样法简化点云。预处理后的点云借助法线估计和曲率计算查询疑似点，通过密度分析进而可以确定焊接目标点并生成完整的焊接曲线。通过实验数据分析，本文的方法对焊缝的检测识别表现良好，处理速度和结果精度能够满足焊接的要求。

关键词：三维点云；统计学滤波；体素栅格采样；法线估计；曲率计算；焊接曲线

Abstract

With the steady progress of Made in China 2025 and the further development of industrial manufacturing, modern industry has higher requirements for welding technology. The traditional manual welding has practical problems such as uneven quality due to the subjective and objective factors, poor welding environment, etc. The intelligent and automated welding has become an inevitable development trend. In order to promote the development of welding technology, this paper designs a method to automatically extract the welding trajectory curve by analyzing and processing the massive three-dimensional point cloud data. First, the hand-eye calibration method of the structured light camera vision system used in welding is analyzed and deduced. Then pre-process the acquired point cloud, use statistical filtering to remove discrete noise and use a three-dimensional voxel grid sampling method to simplify the point cloud. The pre-processed point cloud queries the suspected points by means of normal estimation and curvature calculation. Through density analysis, the welding target points can be determined and a complete welding curve can be generated. Through the analysis of experimental data, the method in this paper performs well on the detection and identification of welds, and the processing speed and the accuracy of results can meet the requirements of welding.

Key Words: 3D point cloud; statistical filtering; voxel grid sampling; normal estimation; curvature calculation；welding curve

目录

第1章 绪论 1

1.1 研究背景和意义 1

1.2 研究的基本内容和技术路线 2

第2章 结构光相机的手眼标定原理 4

2.1 引言 4

2.2 相机视觉系统分类 4

2.3 Eye-in-Hand视觉系统标定原理 5

2.3.1 基本原理 5

2.3.2 变换关系的求解方法 6

第3章 点云数据的预处理方法 9

3.1 引言 9

3.2 点云滤波处理 9

3.2.1 统计学滤波 9

3.2.2 半径滤波 10

3.2.3 条件滤波 11

3.2.4 滤波算法比较及选择 12

3.3 点云下采样处理 13

3.3.1 均匀下采样 13

3.3.2 非均匀下采样 13

3.3.3 下采样算法比较及选择 15

第4章 焊接特征点的识别 16

4.1 焊缝模型切片 16

4.2 基于点云法线估计和曲率计算的特征点提取方法 17

4.3 基于点云密度比较的特征点判定 19

4.4完整焊接路径的生成 20

第5章 实验结果与数据分析 21

第6章 总结与展望 23

6.1 总结 23

6.2 展望 23

参考文献 24

致 谢 25

第1章 绪论

1.1 研究背景和意义

随着中国制造2025的稳步推动，工业制造技术的更进一步发展成为了其重中之重。在船舶、航空、航天、汽车、各类机械设备生产等工业制造领域，焊接是最重要的工艺之一。传统的焊接过程通常是由焊接技术人员手工焊接完成，但是由于焊接构件的结构复杂、形状各异、厚度不一、母材材质不均，再考虑到焊接人员主观或客观因素的影响，焊接产品的质量往往难以保证。所谓焊接质量，就电弧焊而言，是指没有气孔、裂纹、溢出、夹渣、烧穿、未焊透、未熔合等残次现象，焊接接头的组织和性能均能符合焊接要求。从人性化的角度来看，焊接工艺通常是在高温、烟尘、弧光刺激的不良环境中进行，会对焊接人员的健康造成严重影响。随着对产品的焊接质量和精度要求越来越高，同时改善工作环境，保障焊接人员的生理健康，降低焊接人员的劳动强度，焊接的自动化成为了必然的发展方向。

在长久以来的生产和实践中，人们已制作了林林总总的自动焊接装置。为了提升产品的焊接质量，提高生产率，降低工作强度，乃至实现无人化的自动焊接操作，国内外科研人员和焊接工作者一直在不断地进行研究，为实现自动化焊接不懈探索。自动焊接过程中的产品质量要想得到保证，焊缝的精准定位和焊道的准确生成就成为了首要问题，由此焊缝跟踪系统应运而生。焊缝跟踪是指焊枪(或焊具)可以沿焊缝自动调整位置和方向，保证焊丝前端可以一直自动导向焊缝中心，这是衡量自动化电弧焊是否合格的重要标准。然而，焊接工件的加工误差、焊接过程中的热胀变形以及焊件装配误差等各种影响因素的存在，使得焊接自动化的实现还有着诸多的困难。

目前国内外研究人员在焊缝的自动识别和跟踪方面也进行了深入的研究，机器视觉技术已经广泛应用于焊缝的识别、定位和测量中。东南大学陈天元等人^[1]设计了一种在手眼标定基础上通过误差分析多次修正标定结果，使焊接点识别精度能够满足要求的焊缝自动跟踪系统；中科院沈阳自动化所邹媛媛等人^[2]通过对扫描获取的焊缝进行误差分析，对不同结构的线结构光传感器建立数学分析模型，提出了传感器的有效优化设计思路；郭标^[3]针对对接直焊缝进行研究，提出了一套包含硬件、软件设计的焊缝跟踪系统，且实验效果良好。从众多的研究中可以发现，在焊缝识别方面可以分为二维图像识别和三维信息提取两方面。例如刘炜聪^[4]提出先对焊接图象进行边缘检测，提取熔池边缘和焊缝边缘，取熔池边缘的拟合类椭圆曲线与焊缝边缘的交点为下一个焊接点；赵军^[5]结合动态ROI检测和Hessian矩阵提取焊缝双目结构光下的亚像素坐标信息，其处理速度有一定提升；Pablo等人^[6]采用机器学习的方法进行决策，通过学习对接直焊缝的3D特征信息完成焊缝识别，但对1mm以下邻域的特征识别还不准确；Baori Zhang等人^[7]研究了细窄焊缝的识别算法，借助改进Otsu算法、canny边缘检测和轮廓曲率评估获取窄缝信息；LEI YANG等人^[8]借助图像处理和GAN构建样本，训练深度神经网络实现焊接接头的识别和检测。然而，单纯使用二维图像进行检测识别容易丢失很多有效的信息，比如物体的长、宽、高、夹角、间隔等等。在自动焊缝识别的过程中，二维焊缝图像的识别渐渐难以满足实际生产需求，对焊缝区域进行三维结构和特征分析成为另一个研究的热点。焊缝三维信息提取多为利用双目相机、结构光相机等立体视觉技术获取目标区域点云，然后将点云进行三维重建得到目标区域的三维表面重建模型，通过对三维重建结果进行焊缝特征识别和提取得到焊缝信息。这类方法还存在着处理耗时长、实际偏差大、系统稳定性不高、影响焊接速度等问题。