基于3D點云的焊縫識別和路徑規劃研究

摘 要：隨著工業物聯網、人工智能和機器人技術的日益發展，焊接行業對自動化技術的需求不斷增長。傳統的示教焊接方法在處理多樣化的焊接場景時存在局限性。為了解決這一問題，提出了一種針對組合板工件的焊縫識別和路徑規劃方案，以精確規劃機器人焊接路徑。首先，采用激光相機捕捉目標工件的點云信息，通過采樣和濾波算法進行預處理；接下來，基于焊件平面分割算法，利用聚類、區域生長和隨機采樣一致性等方法從預處理后的點云中分割出擬合的平面，幫助區分和識別焊件的各個部分；隨后，針對處理后的平面，通過投影等方式獲取焊縫特征，同時使用特征檢測算法實現焊縫的精確識別；最后，采用插值法平滑處理焊縫軌跡。該方案確保了機器人在焊接過程中能夠沿著預定的路徑移動，提高了焊接質量和效率。

關鍵詞：3D點云；焊縫識別；聚類算法；點云分割；路徑規劃；點云關鍵點提取

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2095-1302（2024）12-0-04

0 引 言

隨著工業物聯網、人工智能、機器人技術的不斷發展，傳統制造業正逐步朝著智能化、柔性化的方向轉型升級。焊接作為制造業領域中的關鍵工藝之一，高效精準的自動化焊接技術是我國制造業升級轉型的重要支撐[1-3]。在傳統的人工焊接過程中，工人不得不在高溫、多灰塵、高噪音和強弧光反射的高危工作環境下從事高強度重復勞動。這不僅侵害了工人的身心健康權益，還制約了生產效率，增加了生產成本[4]。因此，制造業積極發展自動化焊接技術，旨在通過使用焊接機器人來替代傳統手工焊接方式。本文所提出的基于點云數據的焊縫識別和路徑規劃方案可以滿足多種組合板工件的焊接需求，從而顯著提升組合板生產效率[5]。

1 相關知識

1.1 點云濾波與采樣

在激光相機獲取工件點云數據的過程中，各種外部因素會對掃描設備造成干擾，導致點云數據中混入大量噪聲。這些噪聲會增大后續數據處理的難度，降低處理精度[6]。為此，我們通常會采用點云濾波和點云采樣算法對數據進行預處理，以去除噪聲和冗余，提高點云數據處理的準確性和效率。

1.2 點云分類與分割

點云分類與分割在點云處理過程中扮演著關鍵角色，其目標是從三維點云數據中準確地辨識并分離出不同的物體或場景[7-8]。目前，深度學習驅動的點云分類方法主要包含3種：基于多視角的方法、基于體素的方法以及直接基于點云的處理方法。點云分割技術通過分析空間關系、幾何特性和紋理特征，實現對點云數據的有效組織和劃分。

1.3 點云關鍵點提取

點云關鍵點是指在點云數據中具有顯著性和穩定性的特征點，這些關鍵點在物體識別和描述的過程中起著至關重要的作用。目前，常見的點云關鍵點提取算法包括Harris3D、SIFT3D、ISS3D、NARF[9-10]等。這些算法能夠從點云數據中提取出關鍵點，為后續物體識別和描述提供可靠特征。

2 面向組合板的焊縫識別和路徑規劃方案

2.1 應用場景

系統主要由激光3D相機、工控機、送絲器和焊接機器人組成。在工作時，裝配于焊槍側的激光3D相機通過Eye-in-Hand系統提取工件信息，并通過TCP/IP協議將數據傳輸至工控機。工控機負責焊縫識別與路徑規劃，并控制機器人進行精準焊接。

2.2 點云數據預處理

在組合板工件的點云數據中，由于拍攝角度等因素的影響，常會產生冗余信息和干擾點。可以通過隨機采樣算法進行降采樣，并利用基于KDTree近鄰查詢的歐式聚類算法來濾除冗余點云和離群點。

2.2.1 歐氏聚類算法

在歐氏聚類算法中，首先選擇待聚類的數據點集合并設定聚類類別數k。接著，隨機選取k個數據點作為初始聚類中心。通過計算每個點與這些聚類中心的歐氏距離，將每個數據點分配到最近的聚類類別中。然后，在每個聚類簇內計算所有數據點到聚類中心的平均距離，并用此均值更新聚類中心。重復此過程直到數據點的聚類類別穩定或達到最大迭代次數[11]。最終，輸出每個聚類類別中的所有數據點。

2.2.2 構建KDTree搜索樹

Step1：運用式（1）逐個計算數據集在各維度上的方差K，并從中選取具有最大方差的維度k：

（1）

Step2：將維度k上的數據升序排列，得到數據集合{K1， K2， ...， KNk}，其中K1lt;K2...lt;KNk，Nk為維度k上數據的個數，用式（2）計算維度k的中值m：

（2）

Step3：以中值m作為閾值，按式（3）將數據分為2個子集Ksub_low和Ksub_high，并創建存儲節點：

（3）

Step4：遞歸地對子集執行相同操作，直至無法劃分。將無法再分割的子集數據存入葉子節點中。

2.2.3 設計基于KDTree近鄰查詢的歐式聚類算法

基于KDTree的近鄰查詢算法能顯著提高歐式聚類的速度。對于數據點P，其在KDTree中的最近鄰搜索步驟如下：首先，從根節點出發，根據當前節點的劃分維度和閾值，比較P在該維度上的值；然后，根據比較結果移動到左或右子樹，并遞歸重復此過程直至到達葉子節點Q；接著，計算P與Q的距離，將其作為當前最短距離，并將Q標記為最近鄰點；之后，沿搜索路徑回溯至根節點，檢查未訪問的子節點與P的距離，更新最近鄰點；最后，重復上述步驟直到所有路徑都被探索，最終確定的最近鄰點即為P在KDTree中的最近鄰點。

2.3 點云多平面分割與特征平面提取

在組合板中，焊板平面與補板平面交錯，使得焊縫點云與交線點云混雜。考慮到組合板平面點云的厚度，焊縫提取時必須精確判斷交線的具體位置。我們采用區域生長算法對多平面點云進行分割。該算法通過識別和聚類鄰近的相似屬性點云，實現點云數據的精準分割，生成清晰的點云面片信息。這不僅有效區分了不同聚類的點云面片，還能識別不同類別的點云區域。圖1是區域生長算法處理后的點云數據。

圖1（a）為多平面點云數據，圖1（b）～圖1（e）為分割平面點云數據。圖1（d）和圖1（e）的點云數據近似平行，其中，圖1（e）代表的平面稱為底面補板點云，其余為豎直補板點云。應用隨機樣本一致性算法（Random Sample Consensus， RANSAC）[12]計算這4個平面的法向量，并通過法向量夾角識別目標平面點云與底面補板點云。若2個平面點云的法向量分別為a和b，通過計算2個向量之間的點積（內積）和向量的模（長度）來獲取2個平面之間的夾角θ，如式（4）所示：

（4）

當2個平面越接近平行時，它們之間的夾角越小，余弦值增加，有助于識別這2個平面。在處理底面補板點云和目標平面點云時，我們發現目標平面點云和2個豎直補板點云之間的連通性較強，因此，將這2個豎直補板點云各自投影到1個近似平行的平面上。通過選擇2個豎直平面中的點P（xo， yo， zo），構建投影平面方程為Ax+By+Cz+D=0，設點P在該投影平面上的對應點參數為P'（xp， yp， zp）。根據垂直定理，可知yp和zp滿足式（5）的條件：

（5）

將式（5）代入投影平面方程，可解得投影點的坐標，如式（6）所示：

（6）

2.4 焊縫識別與路徑規劃

在鎖定目標平面點云后，使用Alpha-Shape算法來提取平面的邊緣點云。接著，通過計算邊緣點到其他平面的歐氏距離，評估其連接可能性，并據此識別焊縫點以進行焊縫識別和路徑規劃。Alpha-Shape算法基于拓撲學，適合從點云中提取邊緣點[13]。實現步驟如下：

Step1：設初始化滾球半徑為α，邊界點集合為Pedge。

Step2：在平面點云集P中選取兩點p1（x1， y1）和p2（x2， y2），使用后方距離交會法計算圓心位置p3（x3， y3）或p'3（x'3， y'3）。具體計算如式（7）所示：

（7）

H和S2的計算如式（8）所示：

（8）

Step3：計算平面點集P中除p1和p2外的所有點到2個圓心p3和p'3的距離。

Step4：若所有剩余點到任一個圓心的距離都大于α，則標記p1、p2為邊界點，并從P中移除，記錄到Pedge中，否則不作為邊界點。

Step5：重復Step2～Step4，直至P和Pedge中點數穩定。

3 測試與結果分析

組合板焊縫識別與路徑規劃模塊能精準處理各類點云數據。選取6個原始點云進行測試，并展示了其中1組的處理流程，如圖2所示。

圖2顯示，該模塊首先對點云進行采樣和濾波預處理，隨后通過區域生長法將處理后的點云分割成多個平面。接著，從這些平面中鎖定目標平面，并運用Alpha-Shape算法提取邊緣點云。最后，根據目標平面與其他點云平面的關系，實現焊縫的精確定位和焊接路徑的有效規劃。

測試數據的焊縫檢測和路徑規劃結果如圖3所示，該系統能有效處理多種組合板的焊縫提取和路徑規劃。

表1列出了相關數據處理結果。點云精簡率是預處理后與原始數據的比值。分析表明，區域生長分割算法會濾除一些歧義點，如多平面交界處。綜合分析圖3和表1，該方案展現出了良好的性能和檢測效果。

4 結 語

本文設計了一套基于3D點云的焊縫識別與路徑規劃方案，旨在提升焊接機器人處理焊件信息的效率。點云技術為焊接機器人提供了精確的三維空間信息，使其能夠細致捕捉和處理焊接對象。然而，盡管點云技術在焊接自動化領域具有巨大潛力，但對其的研究和應用仍面臨著諸多挑戰，需進一步優化以適應多變的工作場景和條件。

參考文獻

[1]饒競波.基于點云模型的大型馬鞍形焊縫弧焊機器人路徑規劃研究[D].哈爾濱：哈爾濱工業大學，2022.

[2]張園凱.基于3D視覺的鋼筋網自動化焊接軌跡規劃研究[D].濟南：山東大學，2022.

[3]周仁義.基于機器視覺的異型工件機器人焊接軌跡自動生成方法研究[D].廣州：華南理工大學，2018.

[4]袁文定.基于視覺引導的機器人示教系統設計[D].合肥：合肥工業大學，2022.

[5]王凱. 基于點云特征提取的V型焊縫焊接系統研究[D].杭州：中國計量大學，2021.

[6]畢松，王宇豪.基于自適應半徑濾波的農業導航激光點云去噪方法研究[J].農業機械學報，2021，52（11）：234-243.

[7] ZHANG H， WANG C S， TIAN S W， et al. Deep learning-based 3D point cloud classification： a systematic survey and outlook [J]. Computer science， engineering， 2023， 79.

[8] QI C R， SU H， MO K， et al. PointNet： deep learning on point sets for 3D classification and segmentation [C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA： IEEE， 2017： 21-26.

[9]梁倩倩.三維點云濾波與特征點提取算法研究[D].長春：吉林大學，2018.

[10] LI J， LEE G H. USIP： Unsupervised stable interest point detection from 3D point clouds [C]// 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Seoul， Korea （South）： IEEE， 2020： 361-370.

[11]吳俊毅.基于PCL和G-PCC的點云壓縮自適應算法研究[D].北京：北京郵電大學，2024.

[12]于浩.基于改進RANSAC的航空激光雷達點云分割算法研究[D].哈爾濱：哈爾濱工程大學，2023.

[13] ZHANG K， CHEN H， WU H， et al. Point cloud registration method for maize plants based on conical surface fitting ICP [J]. Scientific reports， 2022， 12： 6852.

基金項目：國家自然科學基金項目（62302211）；江蘇省產學研合作項目（BY20230583）；國家自然科學基金青年科學基金項目（62101244）；江蘇省大學生科技創新項目（202411276133Y）

作者簡介：郭麗紅（1975—），女，博士，副教授，研究方向為數據安全、點云處理。

曹 燁（2002—），男，研究方向為3D點云處理。

楊 潔（1979—），女，博士，教授，研究方向為6G通信與安全。

毛 錚（1991—），女，博士，講師，研究方向為物聯網安全。

紀宇菲（2004—），女，研究方向為3D點云處理。