一种基于模板匹配的铸造工件边缘去毛刺加工方法与流程

本发明涉及铸造零件去毛刺加工技术领域，尤其涉及一种基于模板匹配的铸造工件边缘去毛刺加工方法。

背景技术：

在机械零件铸造过程中，加工产生的飞边往往会形成毛刺，这对加工精度和产品质量等都产生了负面的影响，降低了整个机械系统的可靠性和稳定程度。随着产品小型化、精密化程度的日益提高，零件制造精度的要求也随之提高，使得铸造件毛刺的危害程度日益严重。去毛刺成本在整个产品制造成本中约占15％左右，传统的去毛刺方法通常使用锉刀、砂轮及钢丝刷等工具，效率低下、精度较低，且去毛刺的效果主要依赖于工人的熟练程度，无法保证表面粗糙度的要求。目前使用机器人去毛刺方法的主要工作机理在于：在确保零件公差要求的基础上，在机器人六轴末端加装去毛刺工具，通过去毛刺工具和毛刺的接触过程将其去除，由于去毛刺工具与零件边缘接触的过程中，通常存在接触力变化，因此传统的机器人去毛刺方法无法较好的控制接触力，从而使得其保持在一定的阈值范围内，当接触力超过阈值限制时容易造成去毛刺刀具或者零件的损坏。同时，由于不同的零件通常存在尺寸和外形上的差异，因此在去毛刺的过程中，针对不同的零件通常需要重新校准、编程，这大大降低了机器人的工作效率，且无法保证零件的加工精度。

技术实现要素：

本发明的目的在于提供一种基于模板匹配的铸造工件边缘去毛刺加工方法，提高工作效率，保证加工精度。

为实现上述目的，本发明提供了一种基于模板匹配的铸造工件边缘去毛刺加工方法，包括：

获取成像平面上特征点的坐标值，得到所述特征点在三维空间中的坐标值；

获取三维空间几何模型，并结合反向传播bp神经网络提取毛刺的形状和位置信息；

根据所述毛刺的形状和位置信息，生成去毛刺加工路径；

通过力与位置混合法完成去毛刺加工作业。

其中，所述获取成像平面上特征点的坐标值，得到所述特征点在三维空间中的坐标值，包括：

根据成像平面上的特征点的坐标值，并结合所述特征点在激光条纹平面的方程，得到所述特征点在三坐标轴上的参数。

其中，所述获取成像平面上特征点的坐标值，得到所述特征点在三维空间中的坐标值，还包括：

根据所述参数，并结合所述特征点在相机图像坐标系中的坐标和缩放因子，得到所述特征点在三维空间中的成像点坐标值。

其中，所述获取三维空间几何模型，并结合反向传播bp神经网络提取毛刺的形状和位置信息，包括：

根据所述成像点坐标值建立三维空间几何模型，并将所述三维空间模型作为标准模板，并利用反向传播bp神经网络计算出立体视觉系统获得的零件边缘信息与所述标准模板之间的空间转换关系，提取出毛刺的形状和位置信息。

其中，所述获取三维空间几何模型，并结合反向传播bp神经网络提取毛刺的形状和位置信息，还包括：

将所述标准模板上的第一点云信息和所述视觉系统获得的第二点云信息与所述标准模板上的第一点云信息的差值输入所述反向传播bp神经网络，得到对应的空间转换关系。

其中，根据所述毛刺的形状和位置信息，生成去毛刺加工路径，包括：

根据所述毛刺的形状和位置信息，并将所述毛刺的位置信息离散后提取路径点，得到去毛刺加工路径。

其中，所述通过力与位置混合法完成去毛刺加工作业，包括：

获取图像雅可比矩阵、接触点的法向单位向量、pi控制的比例因子、期望接触力和pi控制的微分因子计算出对应点的关节角速度变化率，并根据所述角速度变化率控制所述接触点对应的接触力的大小，并通过对所述去毛刺加工路径进行微调来限制所述接触力小于设定的安全阈值，完成去毛刺加工作业。

本发明的一种基于模板匹配的铸造工件边缘去毛刺加工方法，通过获取成像平面上特征点的坐标值，并结合相机图像坐标系中对应点的坐标，得到所述特征点在三维空间中的坐标值，并根据所述成像点坐标值建立三维空间几何模型，并利用反向传播bp神经网络计算出立体视觉系统获得的零件边缘信息与所述三维空间几何模型之间的空间转换关系，提取出毛刺的形状和位置信息，并生成去毛刺加工路径，利用角速度变化率控制接触点对应的接触力的大小，在设定的安全阈值内完成去毛刺加工作业，提高工作效率，保证加工精度。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于模板匹配的铸造工件边缘去毛刺加工方法的步骤示意图。

图2是本发明提供的反向传播bp神经网络的结构示意图。

图3是本发明提供的毛刺的形状和位置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

请参阅图1，本发明提供一种基于模板匹配的铸造工件边缘去毛刺加工方法，包括：

s101、获取成像平面上特征点的坐标值，得到所述特征点在三维空间中的坐标值。

具体的，标定基于位置安装的结构光立体视觉系统，根据成像平面上的特征点的坐标值，并结合所述特征点在激光条纹平面的方程，得到所述特征点在三坐标轴上的参数，其中，假设激光条纹平面的方程为：

ax+by+cz+1＝0

其中，x，y，z分别是平面方程在三坐标轴上的参数。

由于特征点位于激光条纹平面上，且被光轴中心点及成像点之间的空间直线穿过，因此可通过平面方程与直线方程之间的关系求出特征点的三维空间位置，该三维空间位置x，y，z使用以下方程求解：

其中，xcam，ycam，zcam是点p在成像平面内的坐标，a、b、c是三坐标参数，因此，由空间点p在相机图像坐标系中的坐标(u，v)可以计算出该点在相机坐标系的归一化成像平面即三维空间中成像点pcam的坐标，该点表示为：

其中，xcam，ycam是点p在成像平面内的坐标，kx，ky是缩放因子。

通过求解特征点在相机坐标系下的空间坐标及相机相对于机器人末端坐标系的外参数，可以通过处理一副图像的办法求解图像上的特征点，从而通过立体视觉系统实时获得零件边缘的准确轮廓，包含毛刺形状等信息。

s102、获取三维空间几何模型，并结合反向传播bp神经网络提取毛刺的形状和位置信息。

具体的，根据所述成像点坐标值建立三维空间几何模型，并将所述三维空间模型作为标准模板，并利用反向传播bp神经网络计算出立体视觉系统获得的零件边缘信息与所述标准模板之间的空间转换关系，其中，所述反向传播bp神经网络的结构如图2所示，将所述标准模板上的第一点云信息(即x′，y′，z′)和所述视觉系统获得的第二点云信息(即x，y，z)与所述标准模板上的第一点云信息(即x′，y′，z′)的差值输入所述反向传播bp神经网络，得到对应的空间转换关系，即以误差值δx，δy，δz作为系统输出，提取出毛刺的形状和位置信息。

s103、根据所述毛刺的形状和位置信息，生成去毛刺加工路径。

具体的，根据所述毛刺的形状和位置信息，如图3所示，其中，右侧突起部分为边缘毛刺，标准模板边缘外侧的栅格部分为待去除毛刺区域，右侧虚线为去毛刺加工路径，并将所述毛刺的位置信息即所述去毛刺加工路径离散后提取路径点，得到去毛刺加工路径，经过离散后进行提取，提高了加工精度。

s104、通过力与位置混合法完成去毛刺加工作业。

具体的，获取图像雅可比矩阵jq、接触点的法向单位向量ef、pi控制的比例因子kp、期望接触力fd和pi控制的微分因子ki计算出对应点的关节角速度变化率其中，机器人关节角速度采用pi控制器，接触点为加工工具和需要去毛刺工件之间的接触的地方，其计算公式为：

根据所述角速度变化率控制所述接触点对应的接触力的大小，并通过对所述去毛刺加工路径进行微调来限制所述接触力小于设定的安全阈值，即如果接触力大于设定的安全阈值时，需要对去毛刺加工路径进行微调以减少接触力大小，避免损坏去毛刺工具，使得其在安全阈值内完成去毛刺加工作业，保证了加工的安全，并还提高工作效率，保证加工精度。

本发明的一种基于模板匹配的铸造工件边缘去毛刺加工方法，通过获取成像平面上特征点的坐标值，并结合相机图像坐标系中对应点的坐标，得到所述特征点在三维空间中的坐标值，并根据所述成像点坐标值建立三维空间几何模型，并利用反向传播bp神经网络计算出立体视觉系统获得的零件边缘信息与所述三维空间几何模型之间的空间转换关系，提取出毛刺的形状和位置信息，并生成去毛刺加工路径，利用角速度变化率控制接触点对应的接触力的大小，在设定的安全阈值内完成去毛刺加工作业，提高工作效率，保证加工精度。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。