本發(fā)明涉及自動化控制領域，尤其涉及一種基于點云與圖像匹配的自動噴涂系統(tǒng)及方法。

背景技術：

隨著工業(yè)機器人在工業(yè)生產(chǎn)中的不斷普及，機器人的分類也越來越細化，由于噴涂作業(yè)的工作環(huán)境十分惡劣，油漆對人體的危害很大，因此，為保護工人的身體健康，提高噴漆質量，提高勞動生產(chǎn)率，應實現(xiàn)噴漆自動化，噴涂機器人也就應運而生，噴涂機器人又叫噴漆機器人（spray painting robot），是可進行自動噴漆或噴涂其他涂料的工業(yè)機器人，1969年由挪威Trallfa公司發(fā)明。噴漆機器人主要由機器人本體、計算機和相應的控制系統(tǒng)組成，液壓驅動的噴漆機器人還包括液壓油源，如油泵、油箱和電機等。多采用5或6自由度關節(jié)式結構，手臂有較大的運動空間，并可做復雜的軌跡運動，其腕部一般有2～3個自由度，可靈活運動。較先進的噴漆機器人腕部采用柔性手腕，既可向各個方向彎曲，又可轉動，其動作類似人的手腕，能方便地通過較小的孔伸入工件內部，噴涂其內表面。噴漆機器人一般采用液壓驅動，具有動作速度快、防爆性能好等特點，可通過手把手示教或點位示數(shù)來實現(xiàn)示教。噴漆機器人廣泛用于汽車、儀表、電器、搪瓷等工藝生產(chǎn)部門。

目前，國內針對自動噴涂的研究不是很多，機器視覺系統(tǒng)就是利用機器代替人眼來作各種測量和判斷，但現(xiàn)有技術中針對通過視覺匹配系統(tǒng)將噴涂軌跡由點云坐標系轉化到機器人坐標系中的研究很少。目前噴涂機器人在噴涂過程中還存在不足與不便之處，主要體現(xiàn)在調試困難和智能化程度低。機器人在投 入生產(chǎn)前有大量安裝調試工作及示教工作，據(jù)本文了解，國內某變速器生產(chǎn)廠商調試生產(chǎn)線噴涂機器人噴涂變速器外殼耗時將近一個月，當要噴涂另外一種產(chǎn)品時，即使兩種產(chǎn)品外形變化不大，又需重新示教。這種現(xiàn)象不光存在于噴涂機器人，在其他對運動軌跡具有連續(xù)性要求或者位置精度要求較高的工業(yè)機器人上都普遍存在，如切割、銑削、焊接等。針對這種情況，國外大型機器人廠商相繼開發(fā)了離線編程系統(tǒng)，運用虛擬仿真縮短實際調試周期。其中較為著名的有ABB的Robot Studio，西門子的Robcad，F(xiàn)anuc的RoboGuide，法國達索公司的Delmia等。這些仿真軟件在很大程度上縮短了調試周期，但是針對每個不同的工藝仍然需要操作人員進行大量離線調試，搭建工藝程序復雜的模型費時費力，針對不同生產(chǎn)工藝的定制化技術還有待提高。2015年ABB發(fā)布了其雙臂機器人YuMi，這款機器人的各個關節(jié)阻尼可以調至稍微大于各關節(jié)所受重力矩，通過調試人員把持機器人末端即可進行“手把手”示教，脫離了示教器，大大提升了示教效率，類似的還有Rethink公司的雙臂機器人，然而這樣的機器人工作空間和負載都有限，所適用的工藝有限。因此，要提高現(xiàn)代化生產(chǎn)線的制造柔性，必須提高工業(yè)機器人的智能化水平。亟需一種實現(xiàn)噴涂機器人全自動化噴涂的方法，以提高噴涂的靈活性。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明提供一種基于點云與圖像匹配的自動噴涂系統(tǒng)，以解決上述問題。

本發(fā)明提供的基于點云與圖像匹配的自動噴涂系統(tǒng)，包括

三維掃描模塊，用于掃描噴涂對象并根據(jù)掃描的三維點云數(shù)據(jù)獲取點云模型，

軌跡自動規(guī)劃模塊，用于規(guī)劃位于點云空間的噴涂軌跡，

視覺匹配模塊，用于獲取點云坐標系與噴涂機器人坐標系之間的轉換關系，

噴涂模塊，用于對噴涂對象進行自動噴涂。

進一步，還包括

預處理模塊，用于根據(jù)獲取的三維點云數(shù)據(jù)，獲取三維點云模型并對模型進行預處理，預處理包括對點云模型進行降噪處理。

進一步，所述視覺匹配模塊包括標定攝像機，將點云模型投影為二值圖，并將所述二值圖與攝像機拍攝的圖像進行匹配，通過獲取圖像坐標系與點云坐標系的關系，確定點云坐標系與機器人坐標系的關系。

進一步，所述標定攝像機包括垂直于工作平臺設置的標定攝像機Ⅰ和設置于工作平臺側面的標定攝像機Ⅱ，所述標定攝像機Ⅰ的光軸垂直于機器人坐標系的X-Y平面，所述標定攝像機Ⅱ的光軸垂直于機器人坐標系的Y-Z平面，所述工作平臺位于噴涂機器人坐標系X-Y平面上。

進一步，通過軌跡自動規(guī)劃模塊建立圓柱表面漆膜厚度分布模型，通過一組夾角均為η的平面與點云模型進行求交，獲取三維截面輪廓數(shù)據(jù)，將所述三維截面輪廓數(shù)據(jù)作為噴涂軌跡，

圓柱表面漆膜厚度分布模型表示為：

其中，a,b為平面單點噴涂實驗得到的橢圓噴涂區(qū)域的長軸與短軸，θ_p為點p和噴槍的連線與噴槍軸線的夾角，h_p′為噴槍到平面M₁的距離即噴槍圓柱表面的噴涂距離，h_p為噴槍到平面M₂的距離，r_p為點p與噴槍軸線的距離；α_p為噴槍軸線與圓柱表面截面圓心和點p的連線的夾角，β為面o₁,o₂的法向量與圓柱表面上一微元面o₄的法向量n的夾角，S_max為平面單點噴涂漆膜厚度最大值,β1、β2表示平面噴涂實驗數(shù)據(jù)擬合的得到的β分布函數(shù)的分布指數(shù)，x_p′、y表示噴涂點經(jīng)過投影后在坐標系中的坐標。

本實施例還提供一種基于點云與圖像匹配的自動噴涂方法，包括

a.獲取噴涂對象的三維點云數(shù)據(jù)，建立點云模型

b.自動規(guī)劃出位于點云坐標系的噴涂軌跡，并將噴涂對象輸送至噴涂平臺，

c.通過視覺匹配模塊，獲取點云坐標系和噴涂機器人坐標系之間的轉換關系，并將位于點云坐標系的噴涂軌跡轉化為基于機器人坐標系的噴涂軌跡，

d.通過噴涂機器人對噴涂對象進行自動噴涂。

進一步，所述步驟a還包括對獲取的噴涂對象的三維點云數(shù)據(jù)進行預處理，所述預處理包括對點云模型進行降噪處理。

進一步，所述步驟c具體包括

c1.在噴涂機器人坐標系X-Y平面上設置工作平臺，

c2.垂直于工作平臺設置標定攝像機Ⅰ，在工作平臺側面的設置標定攝像機Ⅱ，所述標定攝像機Ⅰ的光軸垂直于機器人坐標系的X-Y平面，所述標定攝像機Ⅱ的光軸垂直于機器人坐標系的Y-Z平面，

c3.將點云模型投影為二值圖，并將所述二值圖與標定攝像機拍攝的圖像進行匹配，通過獲取圖像坐標系與點云坐標系的關系，確定點云坐標系與機器人坐標系的關系，

進一步，所述步驟c3包括：

c31.同時采用標定攝像機Ⅰ和標定攝像機Ⅱ對噴涂對象進行拍攝，

c32.當噴涂對象為非軸對稱時，通過比較點云投影圖像與標定攝像機Ⅰ拍攝的圖像，確定噴涂對象在機器人坐標系上的位置與點云模型在點云坐標系中位置的轉換關系；

當噴涂對象為非軸對稱，但噴涂對象在X-Y平面的投影圖像為軸對稱時，通過比較點云與標定攝像機Ⅱ拍攝的圖像，確定點云模型在機器人坐標系中的位置；

c33.在噴涂平臺上放置標定板，將機器人末端執(zhí)行器移動到標定板上的多個標志點，獲取每個標志點在機器人坐標系中X-Y平面的位置,然后通過標定攝像機Ⅰ拍攝的圖像，獲取標志點在圖像中的坐標，確定圖像坐標系與機器人坐標系的轉換關系。

進一步，通過軌跡自動規(guī)劃模塊建立圓柱表面漆膜厚度分布模型，通過一 組夾角均為η的平面與點云模型進行求交，獲取三維截面輪廓數(shù)據(jù)，將所述三維截面輪廓數(shù)據(jù)作為噴涂軌跡，

圓柱表面漆膜厚度分布模型表示為：

其中，θ_p為點p和噴槍的連線與噴槍軸線的夾角，h_p′為噴槍到平面M₁的距離即噴槍圓柱表面的噴涂距離，h_p為噴槍到平面M₂的距離，r_p為點p與噴槍軸線的距離；α_p為噴槍軸線與圓柱表面截面圓心和點p的連線的夾角，β為面o₃的法向量與圓柱表面上一微元面o₄的法向量n的夾角,β1、β2表示平面噴涂實驗數(shù)據(jù)擬合的得到的β分布函數(shù)的分布指數(shù)，x_p′、y表示噴涂點經(jīng)過投影后在坐標系中的坐標。。

本發(fā)明的有益效果：本發(fā)明中的基于點云與圖像匹配的自動噴涂系統(tǒng)及方法，通過點云點云坐標系的機器人噴涂路徑自動規(guī)劃算法，再通過點云與圖像匹配算法將點云坐標系與機器人坐標系聯(lián)系起來，實現(xiàn)了對噴涂對象的自動噴涂，本發(fā)明可以在保證噴涂效率的基礎上，大大提高噴涂質量，并且減少軌跡規(guī)劃的計算量，提高了軌跡規(guī)劃的質量。相較于傳統(tǒng)噴涂方法，系統(tǒng)具有智能化程度高，可自動實現(xiàn)噴涂軌跡的生成和轉換，無需繁雜人工示教或離線編程的特點，降低了機器人使用難度；同時專用化程度高，系統(tǒng)專用于自動化噴涂，使用的機器人為設計開發(fā)的噴涂專用機器人，和噴涂工藝特點結合良好，軌跡的規(guī)劃充分考慮噴涂時的工藝要求；因此提升了噴涂機器人效率和經(jīng)濟效益，使其可以進行隨機的多類產(chǎn)品混合生產(chǎn)，便于生產(chǎn)計劃調整，可縮短產(chǎn)品轉換的調試周期。

附圖說明

下面結合附圖和實施例對本發(fā)明作進一步描述：

圖1是本發(fā)明的結構示意圖。

圖2是本發(fā)明的流程示意圖。

圖3是本發(fā)明視覺匹配模塊的平臺布置示意圖。

圖4是本發(fā)明基于圖像邊緣幾何特征的匹配算法流程圖。

圖5是本發(fā)明邊緣閉合算法流程圖。

圖6是本發(fā)明圓柱表面噴涂模型示意圖。

圖7是本發(fā)明相關微元面夾角關系示意圖。

圖8是本發(fā)明圓柱面點云切片示意圖。

圖9是本發(fā)明圓柱表面雙道噴涂漆膜厚度分布示意圖。

圖10是本發(fā)明圓柱面與點云求交示意圖。

圖11是本發(fā)明圓柱表面噴涂路徑示意圖。

具體實施方式

下面結合附圖和實施例對本發(fā)明作進一步描述：圖1是本發(fā)明的原理示意圖。

如圖1所示，本實施例中的基于點云與圖像匹配的自動噴涂系統(tǒng)，包括

三維掃描模塊，用于掃描噴涂對象并根據(jù)掃描的三維點云數(shù)據(jù)獲取點云模型，

軌跡自動規(guī)劃模塊，用于規(guī)劃位于點云空間的噴涂軌跡，

視覺匹配模塊，用于獲取點云坐標系與噴涂機器人坐標系之間的轉換關系，

噴涂模塊，用于對噴涂對象進行自動噴涂。

在本實施例中，將噴涂產(chǎn)品置于平臺上或吊裝架上，通過三維造型獲取模塊，獲取噴涂對象外形三維點云數(shù)據(jù)，對點云數(shù)據(jù)進行前期處理；利用軌跡自動規(guī)劃模塊自動規(guī)劃出位于點云空間的噴涂軌跡；然后將產(chǎn)品輸送至噴涂平臺，通過視覺匹配模塊，求得點云坐標系和實際機器人坐標系之間的轉換關系，將位于點云坐標系的噴涂軌跡轉化為基于機器人坐標系的噴涂軌跡，最終通過噴 涂機器人實現(xiàn)對產(chǎn)品的自動噴涂。還包括預處理模塊，用于根據(jù)獲取的三維點云數(shù)據(jù)，獲取三維點云模型并對模型進行預處理，預處理包括對點云模型進行降噪處理，本實施例在獲取三維點云模型-密集點云后，通過降噪算法對點云模型進行降噪處理，

在本實施例中，視覺匹配模塊包括標定攝像機，將點云模型投影為二值圖，并將所述二值圖與攝像機拍攝的圖像進行匹配，通過獲取圖像坐標系與點云坐標系的關系，確定點云坐標系與機器人坐標系的關系，標定攝像機包括垂直于工作平臺設置的標定攝像機Ⅰ和設置于工作平臺側面的標定攝像機Ⅱ，所述標定攝像機Ⅰ的光軸垂直于機器人坐標系的X-Y平面，所述標定攝像機Ⅱ的光軸垂直于機器人坐標系的Y-Z平面，所述工作平臺位于噴涂機器人坐標系X-Y平面上。將點云模型投影為二值圖，通過將投影二值圖與攝像機拍攝的圖像進行匹配，獲取圖像坐標系與點云坐標系的關系。在得知機器人坐標系與圖像坐標系的關系，以及圖像坐標系和點云坐標系的關系后，獲取點云坐標系與機器人坐標系的關系，從而可以將基于點云坐標系的軌跡轉化到機器人坐標系中。本實施例中，點云本身不帶任何灰度信息，為提高后期圖像處理的穩(wěn)定性，盡量控制視覺匹配模塊的現(xiàn)場光線，通過合理布置平臺，使得攝像機拍攝的圖像和點云轉換成的二值圖中都只包含一個對象，不涉及其他干擾對象的識別，視覺匹配模塊的平臺布置如圖3所示，噴涂對象置于工作平臺上，設定圖3中的工作平臺位于噴涂機器人坐標系X-Y平面上（實際中難以達到時，可平行于機器人坐標系X-Y平面），并且噴涂對象點云模型的底面也與點云坐標系的x-y平面重合。在平臺正上方布置標定攝像機Ⅰ C1，攝像機光軸垂直于機器人X-Y平面，在工作平臺側面設置一個標定攝像機Ⅱ C2，光軸垂直于機器人坐標系的Y-Z平面，用以上兩臺攝像機分別拍攝一幅圖像,當噴涂對象為非軸對稱時，通過比較點云投影圖像與標定攝像機Ⅰ C1拍攝的圖像即可完全確定噴涂對象在機器人坐標系上的位置與點云模型在點云坐標系中位置的轉換關系；在一些特殊的情況下，如噴涂對象在X-Y平面的投影圖像為軸對稱，而物體本身不是軸對稱時，通過標定攝像機Ⅰ C1無法完全確定噴涂對象在機器人坐標系中的位置，此時通 過比較點云與標定攝像機Ⅱ C2拍攝的圖像來輔助確定點云模型在機器人坐標系中的位置。本實施例中通過掃描獲取的點云模型的坐標系z軸的朝向和機器人坐標z軸朝向一致。

在本實施例中，在大多數(shù)情況下通過標定攝像機Ⅰ C1即可完全確定噴涂對象位置，即確定點云坐標系和機器人坐標系的平移關系和旋轉關系；標定攝像機Ⅱ C2只在特殊情況下起到確定噴涂對象繞Z軸旋轉角度的輔助定位作用。

如圖4所示，在本實施例中，標定攝像機Ⅰ采用基于圖像邊緣幾何特征的匹配方法：

s1.利用標定攝像機Ⅰ對噴涂對象進行拍攝，提取圖像邊緣，補全邊緣缺口，同時將點云向x-y平面投影，獲取投影二值圖，并提取二值圖邊緣，

s2.計算邊緣幾何特征，將圖像邊緣展開成代特征屬性的鏈條，

s3.循環(huán)匹配鏈條上各點，獲取最佳匹配位置。

基于邊緣的圖像匹配算法提取的邊緣或線條信息對灰度變化帶來的不利影響具有較好的抑制作用，可抵抗少量噪聲和干擾點，算法具有強健的穩(wěn)定性，在圖像質量欠佳的情況下也可能達到穩(wěn)定的匹配效果。但此類算法的缺點在于對圖像邊緣提取算法依賴性較強，所提取邊緣的質量對匹配的結果有非常大的影響。

在本實施例中，在噴涂平臺上放置標定板，將機器人末端執(zhí)行器移動到標定板上的數(shù)個標志點，獲取這些點在機器人坐標系中X-Y平面的位置（x,y），然后通過C1拍攝圖像，獲取標志點在圖像中的坐標（u,v）。由攝像機標定

獲得圖像坐標系與機器人坐標系的轉換關系。得知噴涂對象在圖像中像素點的位置，即可知道其在機器人坐標系X-Y平面中的位置。

通過標定建立C1圖像坐標系和機器人坐標系關系后，拍攝噴涂對象，對圖像進行降噪、增強對比等預處理，采用改進的Canny算子獲取圖像邊緣。

在本實施例中，采用邊緣閉合算法，在Canny算子提取的圖像邊緣基礎上，找到邊緣缺口點，將缺口點進行連接獲取封閉的完整邊緣，流程如下：

1.提取邊緣點，任取一邊緣點為起始點，

2.采用窗口搜索下一邊緣點，F(xiàn)p為1時正向搜索，否則反向搜索，

3.若搜索到下一邊緣點，判斷該點是否為起始點，若是，則停止搜索；若不是，則標記該點，并重復步驟2；

若為搜索到下一邊緣點，則記錄該點為起始點，當Fp為2時，判斷邊緣點是否還有未標記點，若有則重復步驟1，若沒有則停止搜索；當Fp不為2時，則重復步驟2，直到全部邊緣點都被標記。

在正向搜索和反向搜索時類似情況各有三種，遇到這六種情況時改變搜索策略，以便找到下一個邊緣點。檢測到開口點后，計算各開口點間歐式距離，將距離最近的開口點兩兩配對并相連，獲取封閉邊緣。噴涂平臺中，噴涂對象的位置擺放是隨機的，用邊緣的幾何特性作為匹配的特征空間就要求該幾何特征具有旋轉不變性。本文選取邊緣曲率作為匹配的特征空間，將主成分分析法用到二維平面中，根據(jù)分辨率選取適當?shù)拇翱?，可得到離散數(shù)值曲線各點的曲率近似值。在輪廓曲線更為復雜時，如長寬比很大，則應根據(jù)圖像本身的一些屬性更加合理的選取窗口大小。在獲取拍攝圖像并計算邊緣的幾何特性的同時，系統(tǒng)同時通過投影獲取點云模型的投影二值圖。將點云模型向點云坐標系x-y平面投影，得到x-y平面的散點圖，并進行柵格劃分，若柵格中包含數(shù)據(jù)點則該柵格數(shù)值為1，反之則為0，進而將點云投影轉化為二值圖像。得到拍攝圖像邊緣和點云投影圖像邊緣后，將邊緣展開為鏈條。以邊緣中任一點為起始點P₁，在八鄰域內按在邊緣連接算法中的窗口及搜索順序搜索相鄰邊緣點P₂，并將起始點標記，然后以P₂點為起始點進行搜索，直到全部邊緣點都被標記。以拍攝圖像邊緣任意點為起始點，循環(huán)比較點云邊緣鏈條上各像素點曲率差之和E_i

q_j為圖像邊緣鏈像素點j對應的曲率，p_j為點云圖像邊緣鏈像素點j對應的曲率。以差之和最小時為最佳匹配，選取匹配邊緣中曲率較大的若干個匹配點，由

計算點云坐標和機器人坐標的旋轉和平移矩陣，(X,Y)為邊緣點的機器人坐標，(x,y)為邊緣點對應的點云坐標。至此完成點云在機器人坐標系中x-y平面的匹配定位。

在本實施例中，若噴涂對象在X-Y平面的投影是軸對稱，而實物本身不是軸對稱時，還需要通過C2拍攝的圖像和點云做匹配，確定點云坐標系和機器人坐標系繞Z軸的旋轉角度。通過匹配效果最好的若干次的差值和E_i的方差來判定物體在x-y平面投影是否為軸對稱。

當S小于給定閾值時，即認為投影圖像為軸對稱。

由于C2的匹配是確定旋轉角度，因此匹配方法和C1與點云圖像的匹配方式不同。本實施例選取灰度配準方法，過程如下：

點云在x-y平面投影圖計算點云旋轉中心，并將C2拍攝圖像轉換為二值圖；

旋轉中心均勻劃分36個平面，將點云向各個平面投影并轉換為二值圖像，將其與C2拍攝的二值圖匹配，找到匹配最好的一幅I₁；

過旋轉中心，以I₁前后10°為范圍，均勻劃分40個平面，重復步驟3，得到

最佳匹配面I₂，若有必要可以以I₂為對稱中心繼續(xù)劃分平面并匹配。

由于噴涂對象在x-y平面的投影為軸對稱，但本身卻不是軸對稱的，因此利用C1匹配時的投影圖像邊緣來計算點云的旋轉中心。

(x_i,y_i)是圖像邊緣各點坐標值。

C2拍攝的圖像采用邊緣提取技術，獲取連續(xù)的邊緣，將邊緣內部填充，進而將灰度圖像轉化為二值圖像。

計算旋轉中心后，過中心軸，劃分投影平面，采用與C1匹配相同的方式獲取

點云投影的二值圖像，在與C2所獲得的圖像進行匹配時，由于采用的是剛性模板匹配的方式，不具備縮放不變性，因此柵格的分辨率應和C2中噴涂對象大小相匹配。找到最匹配的圖像后按照第四步繼續(xù)細分匹配平面，直到完成匹配。通過C1和C2兩個方向的匹配，最終建立點云坐標系和機器人坐標系的轉換關系，得到在機器人坐標系中表達的噴涂軌跡。

在本實施例中，通過軌跡自動規(guī)劃模塊建立圓柱表面漆膜厚度分布模型，通過一組夾角均為η的平面與點云模型進行求交，獲取三維截面輪廓數(shù)據(jù)，將所述三維截面輪廓數(shù)據(jù)作為噴涂軌跡，

圓柱表面漆膜厚度分布模型表示為：

其中，θ_p為點p和噴槍的連線與噴槍軸線的夾角，h_p′為噴槍到平面M₁的距離即噴槍圓柱表面的噴涂距離，h_p為噴槍到平面M₂的距離，r_p為點p與噴槍軸線的距離；α_p為噴槍軸線與圓柱表面截面圓心和點p的連線的夾角，β為面o₃的法向量與圓柱表面上一微元面o₄的法向量n的夾角。

如圖6所示，以截面圓心O點作為坐標原點建立笛卡爾空間坐標系。平面M₁為參考平面，過微元面o₂的中點p做平面M₂，且M₂//M₁；θ_p為點p和噴槍的連線與噴槍軸線的夾角；h_p′為噴槍到平面M₁的距離即噴槍圓柱表面的噴涂距離， 通常采用建議的高度值；h_p為噴槍到平面M₂的距離，值隨著θ_p的變化而改變；r_p為點p與噴槍軸線的距離；n為微元面o₂的法向量；α_p為噴槍軸線與圓柱表面截面圓心和點p的連線的夾角。噴炬在圓柱表面的投影各向不具備同一性，但是圓柱表面的噴涂區(qū)域在參考平面上的投影呈橢圓形，且涂料在圓柱面上的涂料累積量與在參考平面M₁上的涂料累積量相等，兩個微元面的面積關系為：

其中，分別為兩微元面o₂、o₁的面積，且為在噴射方向上的投影。

根據(jù)式（7）推導出微元面o₁與o₂上的漆膜厚度關系為：

其中，S_p、S_p′分別為微元面o₂與o₁上的漆膜厚度函數(shù)。

如圖7所示，根據(jù)圖中各微元面之間的關系，可得到微元面o₂、o₃及o₄上漆膜厚度的關系為：

S_p″′=S(x,y)=S_p″cosβ （10）

式（9）、（10）中S_p″為微元面o₃的漆膜累積厚度，S_p″′為微元面o₄的漆膜累積厚度。

由式（8）、（9）和（10）推導出圓柱表面上每點的漆膜厚度表達式為：

根據(jù)平面橢圓雙β漆膜厚度分布函數(shù)推導出S_p′的表達式為：

半徑為R的圓柱表面上每點的漆膜厚度分布函數(shù)可定義為：

由余弦定理可得：

其中：

x_p′=h_p′·tanθ_p=h_p′·x/h_p

式（13）可推導出MP是關于x_p′的函數(shù)。

式（12）、（13）、（14）、（15）中參數(shù)a、b、噴涂距離h_p′以及β分布參數(shù)β₁、β₂根據(jù)噴涂實驗求得。得到圓柱表面漆膜厚度分布模型后，接下來引用點云切片算法和漆膜厚度分布模型對圓柱表面進行噴涂軌跡規(guī)劃與優(yōu)化。

三維掃描儀采集得到工件的點云模型是離散化的工件表面形狀特征信息的表達，這些空間散亂點用空間集合表示為：

Ω={p(x_i,y_i,z_i),i=1,2...n-1,n} （16）

點云切片是通過一組夾角均為η的平面與點云模型Ω進行求交，得到的交線即為三維截面輪廓數(shù)據(jù)。運用點云切片技術得到的點云輪廓數(shù)據(jù)便是我們所 求的噴涂軌跡。如圖9所示為圓柱表面點云切片示意圖，Z為圓柱中心軸，E₁、E₂以及E₃為一組夾角為η的切平面。Z為圓柱中心軸，E₁、E₂以及E₃為一組夾角為η的切平面。切片厚度直接影響切片輪廓的質量和軌跡規(guī)劃的效率，從而直接影響到漆膜厚度分布的均勻性以及噴涂效率。以噴涂轉角η作為噴涂軌跡規(guī)劃中噴槍旋轉的角度。若η取得太小，漆膜重疊角度就越大，漆膜的平均厚度就較高，嚴重降低了噴涂效率；若η取得太大，漆膜重疊角度就越小，漆膜平均厚度就越低，嚴重降低了噴涂質量。因此根據(jù)建立的雙道漆膜厚度分布模型確定切片角度η，如圖9所示。

在本實施例中，對切平面與圓柱表面點云進行求交時，引入角度閾值ε（即經(jīng)過圓柱表面點和旋轉軸線形成的平面與切平面的夾角小于一定的值），定義旋轉軸為Z軸，取圓柱面任意橫截面Z=z_i，定義截面半徑方向為X軸，極軸長度為R（圓柱截面半徑）建立極坐標系，根據(jù)圓柱面半徑的大小定義合適角度域值ε。在極坐標系中位于第j個切平面E一側的點云帶以空間集合形式表示為Ω₁={p_li(R,θ_li,z_li),|θ_l-θ_j|≤ε,i=0,1,…,n}，位于另外一側點云帶以空間集合表示為Ω₂={p_rj(R,θ_rj,z_rj),|θ_r-θ_j|≤ε,j=0,1,…,n}，θ_l、θ_r分別表示平面E_l,j、E_r,j與切平面E的夾角，n為閾值范圍內點云的數(shù)量，切片數(shù)據(jù)的計算方法按以下流程進行：

1）.取Ω₁中任意一點p_li，然后從Ω₂遍歷出與之距離最近的點p_rj；

采用限定范圍搜索法來減少計算量，即以點p_li為圓心，步長r＝πRε/360°為半徑，建立一個球形搜索空間，如圖6所示，記位于空間內的點數(shù)量為N。若N＝0，增加一倍搜索半徑，繼續(xù)搜索，直到N>0；若N>0，中止搜索，在球形空間內遍歷所有數(shù)據(jù)點，找到與點p_li距離最近的點p_ri。

2）.同理，首先取點云帶Ω₂中任意一點p_ri，然后從Ω₁尋找與點p_ri距離最近的點p′_li；計算判斷p′_li與p_li是否為同一點。若為是，則將p_ri與p_li標記為匹配點 對；若為否，則不用標記該點對，并將其標為已遍歷。

3）.重復1～2步驟，遍歷完Ω₁中所有的數(shù)據(jù)點。

4）.根據(jù)上面得到的匹配點p_ri、p_li，可以計算出兩點的連線與切平面交點坐標p_i,j=(R,θ_i,z_i,j)=(x_i,j,y_i,j,z_i,j)

將極坐標轉換成笛卡爾坐標，則點p_li與p_ri構成的空間直線可表示為：

將上式轉換成角度表示為：

根據(jù)式（17）、（18）求得交點p_i在局部坐標系中的坐標：

將計算得到的點p_i,j存入數(shù)組Arr中。

5）.采用上述算法遍歷切平面兩側點云帶中的所有數(shù)據(jù)點，求得截面輪廓數(shù)據(jù)點列為Arr={p_i,j(x_i,j,y_i,j,z_i,j)}，用于生成噴涂軌跡。

在本實施例中，為了提高噴涂軌跡質量，對求交法獲取的點云數(shù)據(jù)再次進行排序處理得到有序的截面數(shù)據(jù)，減少軌跡規(guī)劃的計算量以及提高其軌跡規(guī)劃的質量。如圖11所示，圓柱表面的噴涂軌跡是連續(xù)的，因此獲取的相鄰截面輪廓點云數(shù)據(jù)的排序方向必須相反。

在本實施例中，以漆膜厚度均勻性為目標罰函數(shù)對噴涂轉角η和噴涂速度v進行優(yōu)化，首先建立雙道噴涂過程中漆膜厚度分布模型，，α表示最大噴射角度；η表示噴涂轉角；θ_p′表示噴涂點P在第二道噴涂軌跡中的噴射角度，進行圓柱表面噴涂過程時，始終保持噴槍軸線垂直于圓柱表面。設噴涂速度為v，噴涂 范圍經(jīng)過圓柱表面點p的總時間為

t_總=2b(1-x_p′²/a²)^1/2/v，

y=y_p′=b(1-x_p′²/a²)^1/2-vt，

結合式（4.6）推導出單道噴涂行程中點P的漆膜累積厚度函數(shù)表達式為：

其中：

d_max-單道噴涂過程中漆膜厚度最大值

根據(jù)式（20）再結合圖9可推導出雙道噴涂過程中點P的漆膜厚度累積函數(shù)表達式為：

當0≤α_p≤2α-η時有：

當α≤α_p≤η時有：

其中：

d_max-單道噴涂過程中漆膜厚度最大值。

通過式（22）、（23）可以求得一個包含變量α_p,η,v的分段函數(shù)。S_p,1(α_p,v)和S_p,2(α_p,η,v)表示半徑為R的圓柱表面上點P的漆膜累積厚度。以圓柱表面漆膜厚度均勻性為目標進行軌跡優(yōu)化，取p點的實際涂層厚度S_p與理想涂層平均厚度S_A間的方差和最小為優(yōu)化目標建立噴涂軌跡優(yōu)化模型：

以式（24）作為適應度函數(shù)，對參數(shù)η和v進行優(yōu)化求解。

相應地，本實施例還提供一種基于點云與圖像匹配的自動噴涂方法，包括

a.獲取噴涂對象的三維點云數(shù)據(jù)，建立點云模型

b.自動規(guī)劃出位于點云坐標系的噴涂軌跡，并將噴涂對象輸送至噴涂平臺，

c.通過視覺匹配模塊，獲取點云坐標系和噴涂機器人坐標系之間的轉換關系，并將位于點云坐標系的噴涂軌跡轉化為基于機器人坐標系的噴涂軌跡，

d.通過噴涂機器人對噴涂對象進行自動噴涂。

所述步驟a還包括對獲取的噴涂對象的三維點云數(shù)據(jù)進行預處理，所述預處理包括對點云模型進行降噪處理。

所述步驟c具體包括

c1.在噴涂機器人坐標系X-Y平面上設置工作平臺，

c2.垂直于工作平臺設置標定攝像機Ⅰ，在工作平臺側面的設置標定攝像機Ⅱ，所述標定攝像機Ⅰ的光軸垂直于機器人坐標系的X-Y平面，所述標定攝像機Ⅱ的光軸垂直于機器人坐標系的Y-Z平面，

c3.將點云模型投影為二值圖，并將所述二值圖與標定攝像機拍攝的圖像進行匹配，通過獲取圖像坐標系與點云坐標系的關系，確定點云坐標系與機器人坐標系的關系，

步驟c3包括：

c31.同時采用標定攝像機Ⅰ和標定攝像機Ⅱ對噴涂對象進行拍攝，

c32.當噴涂對象為非軸對稱時，通過比較點云投影圖像與標定攝像機Ⅰ拍攝的圖像，確定噴涂對象在機器人坐標系上的位置與點云模型在點云坐標系中位置的轉換關系；

當噴涂對象為非軸對稱，但噴涂對象在X-Y平面的投影圖像為軸對稱時，通過比較點云與標定攝像機Ⅱ拍攝的圖像，確定點云模型在機器人坐標系中的位置；

c33.在噴涂平臺上放置標定板，將機器人末端執(zhí)行器移動到標定板上的多個標志點，獲取每個標志點在機器人坐標系中X-Y平面的位置,然后通過標定攝像機Ⅰ拍攝的圖像，獲取標志點在圖像中的坐標，確定圖像坐標系與機器人坐標系的轉換關系。

通過軌跡自動規(guī)劃模塊建立圓柱表面漆膜厚度分布模型，通過一組夾角均為η的平面與點云模型進行求交，獲取三維截面輪廓數(shù)據(jù)，將所述三維截面輪廓數(shù)據(jù)作為噴涂軌跡，

圓柱表面漆膜厚度分布模型表示為：

其中，θ_p為點p和噴槍的連線與噴槍軸線的夾角，h_p′為噴槍到平面M₁的距離即噴槍圓柱表面的噴涂距離，h_p為噴槍到平面M₂的距離，r_p為點p與噴槍軸線的距離；α_p為噴槍軸線與圓柱表面截面圓心和點p的連線的夾角，β為面o₃的法向量與圓柱表面上一微元面o₄的法向量n的夾角。

最后說明的是，以上實施例僅用以說明本發(fā)明的技術方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的宗旨和范圍，其均應涵蓋在本發(fā)明的權利要求范圍當中。