一种焊接机器人及其焊缝路径学习方法、系统与流程

本发明涉及自动焊接技术领域，特别涉及一种焊接机器人及其焊缝路径学习方法、系统。

背景技术：

焊接机器人是从事焊接(包括切割与喷涂)的工业机器人，是一种多用途的、可重复编程的自动控制操作机，具有三个或更多可编程的轴，用于工业自动化领域。

现有焊接机器人的焊缝路径学习主要是通过手动示教，手工编程等方式来完成。然而，手动示教与手工编程的步骤繁琐，需要消耗大量的人工成本和时间，学习效率非常低，并且需要相关人员具备较高的知识水平。

综上所述可以看出，如何减少焊缝路径学习过程所需的人工成本并提高路径学习效率是目前亟待解决的问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种焊接机器人及其焊缝路径学习方法、系统，能够减少焊缝路径学习过程所需的人工成本并提高路径学习效率。其具体方案如下：

一种焊缝路径学习方法，包括：

获取焊缝图像；

对所述焊缝图像进行离散化处理，得到第一组焊缝点列信息；

将所述第一组焊缝点列信息映射成二维坐标信息，得到焊缝坐标信息；

对所述焊缝坐标信息进行拟合，得到拟合后坐标信息；

将所述拟合后坐标信息映射成相应的点列信息，得到第二组焊缝点列信息；

对所述第二组焊缝点列信息中缺失的点列信息进行填充重构，得到优化后的焊缝点列信息。

可选的，所述获取焊缝图像的过程，包括：

通过单目相机对焊缝进行图像采集，并判断采集到的图像是否为灰度图像，如果否，则将采集到的图像转换成灰度图像，得到所述焊缝图像。

可选的，所述对所述焊缝图像进行离散化处理的过程，包括：

对所述焊缝图像进行二值化处理，得到包含焊缝信息的二值化图像；

对所述二值化图像中的焊缝信息进行滤波，以去除焊缝信息中的噪声信息，得到滤波后图像；

对所述滤波后图像的焊缝进行等间隔的像素点提取操作，得到所述第一组焊缝点列信息。

可选的，所述将所述第一组焊缝点列信息映射成二维坐标信息的过程，包括：

将所述第一组焊缝点列信息保存为相应的稀疏矩阵；

分别将所述稀疏矩阵中每一非零元素所在的行位置和列位置作为该非零元素所对应的二维坐标，得到所述焊缝坐标信息。

可选的，所述对所述焊缝坐标信息进行拟合的过程，包括：

对所述焊缝坐标信息进行SVM拟合，得到所述拟合后坐标信息。

本发明还相应公开了一种焊缝路径学习系统，包括：

图像获取模块，用于获取焊缝图像；

图像离散化模块，用于对所述焊缝图像进行离散化处理，得到第一组焊缝点列信息；

第一映射模块，用于将所述第一组焊缝点列信息映射成二维坐标信息，得到焊缝坐标信息；

坐标拟合模块，用于对所述焊缝坐标信息进行拟合，得到拟合后坐标信息；

第二映射模块，用于将所述拟合后坐标信息映射成相应的点列信息，得到第二组焊缝点列信息；

点列重构模块，用于对所述第二组焊缝点列信息中缺失的点列信息进行填充重构，得到优化后的焊缝点列信息。

可选的，所述图像获取模块，包括：

图像采集单元，用于通过单目相机对焊缝进行图像采集；

图像判断单元，用于判断采集到的图像是否为灰度图像；

图像转换单元，用于当所述图像判断单元判定出所述图像采集单元采集到的图像为非灰度图像，则将采集到的图像转换成灰度图像，得到所述焊缝图像。

可选的，所述图像离散化模块，包括：

二值化单元，用于对所述焊缝图像进行二值化处理，得到包含焊缝信息的二值化图像；

滤波单元，用于对所述二值化图像中的焊缝信息进行滤波，以去除焊缝信息中的噪声信息，得到滤波后图像；

像素点提取单元，用于对所述滤波后图像的焊缝进行等间隔的像素点提取操作，得到所述第一组焊缝点列信息。

可选的，所述第一映射模块，包括：

点列信息保存单元，用于将所述第一组焊缝点列信息保存为相应的稀疏矩阵；

坐标确定单元，用于分别将所述稀疏矩阵中每一非零元素所在的行位置和列位置作为该非零元素所对应的二维坐标，得到所述焊缝坐标信息。

本发明进一步公开了一种焊接机器人，包括前述公开的焊缝路径学习系统。

本发明中，焊缝路径学习方法，包括：获取焊缝图像；对焊缝图像进行离散化处理，得到第一组焊缝点列信息；将第一组焊缝点列信息映射成二维坐标信息，得到焊缝坐标信息；对焊缝坐标信息进行拟合，得到拟合后坐标信息；将拟合后坐标信息映射成相应的点列信息，得到第二组焊缝点列信息；对第二组焊缝点列信息中缺失的点列信息进行填充重构，得到优化后的焊缝点列信息。

可见，本发明通过对焊缝图像进行离散化处理，进而将焊缝路径识别问题转化成数学上的拟合问题，后续便可对与拟合后坐标信息对应的点列信息进行填充重构处理，从而得到高平滑度和近似度的焊缝路径，由上可以看出，本发明在对焊缝路径的学习过程中均无需人工进行干预，大幅减少了焊缝路径学习过程所需的人工成本并提高了路径学习效率。

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为本发明实施例公开的一种焊缝路径学习方法流程图；

图2为本发明实施例公开的一种具体的焊缝路径学习方法流程图；

图3为本发明实施例公开的一种焊缝路径学习系统结构示意图。

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。

本发明实施例公开了一种焊缝路径学习方法，参见图1所示，该方法包括：

步骤S11：获取焊缝图像；

步骤S12：对焊缝图像进行离散化处理，得到第一组焊缝点列信息；

步骤S13：将第一组焊缝点列信息映射成二维坐标信息，得到焊缝坐标信息；

步骤S14：对焊缝坐标信息进行拟合，得到拟合后坐标信息；

步骤S15：将拟合后坐标信息映射成相应的点列信息，得到第二组焊缝点列信息；

步骤S16：对第二组焊缝点列信息中缺失的点列信息进行填充重构，得到优化后的焊缝点列信息。

可见，本发明实施例通过对焊缝图像进行离散化处理，进而将焊缝路径识别问题转化成数学上的拟合问题，后续便可对与拟合后坐标信息对应的点列信息进行填充重构处理，从而得到高平滑度和近似度的焊缝路径，由上可以看出，本发明实施例在对焊缝路径的学习过程中均无需人工进行干预，大幅减少了焊缝路径学习过程所需的人工成本并提高了路径学习效率。

参见图2所示，本发明实施例公开了一种具体的焊缝路径学习方法，包括如下步骤：

步骤S21：通过单目相机对焊缝进行图像采集，并判断采集到的图像是否为灰度图像，如果否，则将采集到的图像转换成灰度图像，得到焊缝图像。

也即，本发明实施例中的焊缝图像为灰度图像，当采集到的图像为灰度图像时，可直接将该采集到的图像确定为焊缝图像，当采集到的图像为彩色图像，则需将该彩色图像转换成灰度图像，以得到焊缝图像。

步骤S22：对焊缝图像进行二值化处理，得到包含焊缝信息的二值化图像。

其中，对焊缝图像进行二值化处理的具体过程包括：对焊缝图像进行灰度分布统计，确定二值化的阈值，接着将焊缝图像中的每个像素点的灰度值与上述阈值进行比较，当任一像素点的灰度值大于或等于上述阈值，则将该像素点的灰度值变更为0，当任一像素点的灰度值小于上述阈值，则将该像素点的灰度值变更为1，由此实现对焊缝图像的二值化处理，从而得到上述二值化图像。

步骤S23：对二值化图像中的焊缝信息进行滤波，以去除焊缝信息中的噪声信息，得到滤波后图像。

可以理解的是，上述步骤S22中，当焊缝图像经过二值化处理之后，二值化图像中将会保留与焊缝相关的大部分信息，此时二值化图像中的焊缝信息通常呈现为断裂状态，并且包含众多噪声，所以需要通过上述步骤S23，对二值化图像进行滤波处理，以去除焊缝信息中的噪声信息，本发明实施例具体可以使用孤点滤波来对上述二值化图像中的焊缝信息进行滤波。

步骤S24：对滤波后图像的焊缝进行等间隔的像素点提取操作，得到第一组焊缝点列信息。

例如，可以每间隔h个像素点便提取出一个像素点的方式来进行像素点的提取操作，以此达到离散化目的。

步骤S25：将第一组焊缝点列信息保存为相应的稀疏矩阵。

也即，以稀疏矩阵的形式来保存上述第一组焊缝点列信息。

步骤S26：分别将稀疏矩阵中每一非零元素所在的行位置和列位置作为该非零元素所对应的二维坐标，得到焊缝坐标信息。

例如，假设稀疏矩阵为n行m列的矩阵，并且该稀疏矩阵中的某一非零元素对应的行值为a，列值为b，则与该非零元素对应的二维坐标可以设为(b，n-a)

步骤S27：对焊缝坐标信息进行SVM拟合，得到拟合后坐标信息。

需要说明的是，本实施例中，除了可以对焊缝坐标信息进行SVM拟合以外，也可以利用其它的拟合方法对上述焊缝坐标信息进行拟合处理。

步骤S28：将拟合后坐标信息映射成相应的点列信息，得到第二组焊缝点列信息。

步骤S29：对第二组焊缝点列信息中缺失的点列信息进行填充重构，得到优化后的焊缝点列信息。

本发明实施例还相应公开了一种焊缝路径学习系统，参见图3所示，该系统包括：

图像获取模块11，用于获取焊缝图像；

图像离散化模块12，用于对焊缝图像进行离散化处理，得到第一组焊缝点列信息；

第一映射模块13，用于将第一组焊缝点列信息映射成二维坐标信息，得到焊缝坐标信息；

坐标拟合模块14，用于对焊缝坐标信息进行拟合，得到拟合后坐标信息；

第二映射模块15，用于将拟合后坐标信息映射成相应的点列信息，得到第二组焊缝点列信息；

点列重构模块16，用于对第二组焊缝点列信息中缺失的点列信息进行填充重构，得到优化后的焊缝点列信息。

其中，上述图像获取模块11，具体可以包括图像采集单元、图像判断单元和图像转换单元；其中，

图像采集单元，用于通过单目相机对焊缝进行图像采集；

图像判断单元，用于判断采集到的图像是否为灰度图像；

图像转换单元，用于当图像判断单元判定出图像采集单元采集到的图像为非灰度图像，则将采集到的图像转换成灰度图像，得到焊缝图像。

另外，上述图像离散化模块12，具体可以包括二值化单元、滤波单元和像素点提取单元；其中，

二值化单元，用于对焊缝图像进行二值化处理，得到包含焊缝信息的二值化图像；

滤波单元，用于对二值化图像中的焊缝信息进行滤波，以去除焊缝信息中的噪声信息，得到滤波后图像；

像素点提取单元，用于对滤波后图像的焊缝进行等间隔的像素点提取操作，得到第一组焊缝点列信息。

进一步的，上述第一映射模块13，具体可以包括点列信息保存单元和坐标确定单元；其中，

点列信息保存单元，用于将第一组焊缝点列信息保存为相应的稀疏矩阵；

坐标确定单元，用于分别将稀疏矩阵中每一非零元素所在的行位置和列位置作为该非零元素所对应的二维坐标，得到焊缝坐标信息。

进一步的，上述坐标拟合模块14，具体可以用于对焊缝坐标信息进行SVM拟合，得到拟合后坐标信息。

可见，本发明实施例通过对焊缝图像进行离散化处理，进而将焊缝路径识别问题转化成数学上的拟合问题，后续便可对与拟合后坐标信息对应的点列信息进行填充重构处理，从而得到高平滑度和近似度的焊缝路径，由上可以看出，本发明实施例在对焊缝路径的学习过程中均无需人工进行干预，大幅减少了焊缝路径学习过程所需的人工成本并提高了路径学习效率。

本发明进一步公开了一种焊接机器人，包括前述实施例中公开的焊缝路径学习系统。关于该焊缝路径学习系统的具体构造可以参考前述实施例中公开的相应内容，在此不再进行赘述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种焊接机器人及其焊缝路径学习方法、系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。