一种基于k最近邻的3D鞋底喷胶路径规划方法
技术领域
本发明涉及自动化喷胶技术领域，具体涉及一种基于k最近邻的3D鞋底喷胶路径规划方法。
背景技术
制鞋是典型的劳动密集型产业,目前制鞋的大部分工序采用手工或半自动化操作,生产效率非常低。此外，工人的工作环境也相当恶劣,尤其是在喷胶工序中,胶黏剂挥发出来的有毒气体严重威胁着工人的健康,制约了制鞋行业的健康发展。因而，自动化喷胶具有重要意义。
自动化喷胶的关键是喷胶路径的规划算法。当前的路径规划算法主要有几种：其一，基于CAD模型的；其二，基于图像的；其三，基于激光点云的。
基于CAD模型主要是基于鞋底CAD模型文件进行路径规划，由于鞋底存在一定的膨胀及变形，实际生产的鞋底与CAD模型有一定的差异。因而，该方法只能针对少部分鞋型有效，很难应用于实际生产中。
基于视觉的方法主要是通过视觉的边缘检测算法提取路径。基于视觉的方法只能提取二维信息，提取的路径缺乏高度信息。此外，由于边缘提取的像素误差以及标定误差等原因，其轮廓提取精度并不是特别高。这制约了该方法的应用。
基于激光点云的方法，可以提取高精度的点云信息，包括了平面信息及高度信息。同时，基于激光扫描的方法可以根据实际鞋底生成相应的轮廓，有效地解决了鞋底膨胀变形的形状提取难题。但是，目前的基于激光点云的方法的喷胶精度还是有待提高。
发明内容
有鉴于此，本发明的目的在于提供基于k最近邻的3D鞋底喷胶路径规划方法，其通过提高喷胶路径的规划的精确度，以提高喷胶精度。
为实现上述目的，本发明采用的技术方案是：
一种基于k最近邻的3D鞋底喷胶路径规划方法，其包括：
步骤1、通过激光器对鞋底进行扫描，获取原始鞋底点云数据；
步骤2、对原始鞋底点云数据进行过滤，获取处理后的鞋底点云数据；
首先，通过高度阈值对原始鞋底点云数据进行过滤：高度大于高度阈值的点为地面点，高度小于高度阈值的点为鞋底点，将所有鞋底点作为初过滤后的鞋底点云数据；
然后，采用基于kNN的邻域滤波算法对初过滤后的鞋底点云数据进行过滤，获取处理后的鞋底点云数据；
步骤3、根据处理后的鞋底云数据，提取鞋底的外轮廓；
步骤4、根据鞋底的外轮廓提取鞋底内轮廓，对鞋底内轮廓进行处理，形成喷胶路径点集。
所述步骤2中，采用基于kNN的邻域滤波算法对初过滤后的鞋底点云数据进行过滤具体如下：
针对初过滤后的鞋底点云数据，构建KDTree；
在KDTree结构基础上，提取初过滤后的鞋底点云数据中每个点的k’各最近邻居点；
计算每个点与其k个最近邻居点的距离；
若每个点与其第k个最近邻居点的距离大于设定阈值，则该点判定为异常点或噪声点，否则为鞋底点；
所有鞋底点构成处理后的鞋底点云数据。
所述激光器为线激光器；所述步骤3中，提取外轮廓的步骤具体如下：
将处理后的鞋底点云数据分割呈若干条不同的扫描线；
取每条扫描线的中间点；
将扫描线分为两段：最左边点到中间点，最右边点到中间点；
针对“最左边点到中间点”这段，从左到右遍历并提取第一个出现的最大值点A；针对“最右边到最中间点”这段，从右到左遍历并提取第一个出现的最大值点B；
A与B则为鞋边缘点，A与B之间的点为鞋底点；
所有扫描线的A点和B点构成了鞋底的外轮廓。
所述步骤4中，鞋底内轮廓的提取如下：
以鞋底外轮廓为基准，计算外轮廓曲线的二维法向量方向，之后沿着法线方向偏移d距离，并沿着高度方向向下偏移s距离；
其中，二维法向量的计算如下：
假定点p的坐标为x∈R3，其k个邻域点集Q为{q1,...,qk}，x∈R3，对应的坐标为{y1,...,yk}；
首先求取点集Q相对于点p的向量{y1-x,...,yk-x}∈R3×k；
设n∈R3为点p的法向量估计，则n与{y1-x,...,yk-x}的点积应尽可能地接近于零，即最小化函数
分别对各个分量求偏导得到
所述步骤4中，对鞋底内轮廓进行处理，形成喷胶路径点集的操作具体如下：
计算鞋底的总长n及鞋头鞋尾处的极值点，然后以d＝n/12的距离分别在鞋头和鞋尾处截取内轮廓点集，这样内轮廓就分成了四组点集；鞋头鞋尾处的点集以较高频率采样使其稀疏，另外两组点集以较低频率降采样使其稀疏，再合并这四组点集形成控制机械臂喷胶的路径点集。
所述内轮廓点集中的点转换成喷胶路径方法如下：
内轮廓点集中每个点以6维向量(x,y,z,rx,ry,rz)表示，其中，(x,y,z)表示该点的位置信息，(rx,ry,rz)表示该点的法向量；
计算向量v1(rx,ry)与向量v2(1,0)的夹角θ，作为机械臂的姿态参数u，即：u＝acos(v1·v2/|v1||v2|),当ry>＝0时，u>＝0；当ry<0时,u<0；
设机械臂另外两个姿态参数v＝0,w＝0；
则该点的机械臂6维控制向量为(x,y,z,u,v,w)。
与现有技术相比，本发明具有以下有益效果：
1、基于点云数据，综合高度阈值及基于kNN的邻域滤波算法，过滤掉噪声点及异常点，避免了传统方法过滤后仍存在噪声团簇的问题，有效地提升了滤波效率，从而提高了喷胶路径的精确度。
2、针对鞋边缘点上扫描线的分布特点，提出了一种双边极大值鞋底边缘提取算法，有效地提取出鞋底边缘轮廓；
3、提出了一种基于kNN的外轮廓法向量的计算方法，并通过该法向量偏置外轮廓线，形成内轮廓线。最后，使用均值平滑算法进一步平滑内轮廓线。
4、提出了一种控制机械臂喷胶的路径点集计算方法，使得机械臂喷胶更加高效平稳。
附图说明
图1为本发明3D鞋底喷胶路径规划方法流程图；
图2为本发明的原始鞋底点云数据示意图；
图3为本发明初过滤后的鞋底点云数据示意图；
图4为本发明处理后的鞋底点云数据示意图；
图5为本发明鞋底点云数据的扫描线分割图；
图6为本发明扫描线的一维信号分布图；
图7为本发明鞋底外轮廓提取及法向量估计图；
图8为本发明基于法向量偏置提取到的内轮廓线示意图；
图9为本发明使用均值平滑的内轮廓线示意图；
图10为本发明控制机械臂喷胶的路径点集示意图。
具体实施方式
如图1所示，本发明揭示了一种基于k最近邻的3D鞋底喷胶路径规划方法，其包括以下步骤：
步骤1、通过激光器对鞋底进行扫描，获取原始鞋底点云数据；
步骤2、对原始鞋底点云数据进行过滤，获取处理后的鞋底点云数据；
首先，通过高度阈值对原始鞋底点云数据进行过滤：高度大于高度阈值的点为地面点，高度小于高度阈值的点为鞋底点，将所有鞋底点作为初过滤后的鞋底点云数据；
然后，采用基于kNN的邻域滤波算法对初过滤后的鞋底点云数据进行过滤，获取处理后的鞋底点云数据；
步骤3、根据处理后的鞋底云数据，提取鞋底的外轮廓；
步骤4、根据鞋底的外轮廓提取鞋底内轮廓，对鞋底内轮廓进行处理，形成喷胶路径点集。
如图2至图4所示，通过线激光扫描器扫描得到的原始鞋底点云数据中包含了鞋底点云、地面点、噪声点、异常点。由于底面点与鞋底点云具有明显的高度差，一般通过高度阈值可以直接过滤掉大量的地面点。但并非所有的地面点都被过滤掉，剩下的地面点形成了若干距离较远的小团簇分布。
观察到，对于鞋底上的点，其与前k(k足够大)个邻域点的距离变化是平缓地，而对于噪声点、异常点及孤立地面点与前k(k足够大)个邻域点的距离存在突变情况。根据这一分布特点，并结合激光点云的扫描间距，采用基于kNN的邻域滤波算法用以进一步过滤地面点、噪声点及异常点。
采用基于kNN的邻域滤波算法对初过滤后的鞋底点云数据进行过滤具体如下：
针对初过滤后的鞋底点云数据，构建KDTree；
在KDTree结构基础上，提取初过滤后的鞋底点云数据中每个点的k’各最近邻居点；
计算每个点与其k个最近邻居点的距离；
若每个点与其第k个最近邻居点的距离大于设定阈值，则该点判定为异常点或噪声点，否则为鞋底点；
所有鞋底点构成处理后的鞋底点云数据。
如图5和图6所示，本发明所使用的线激光器是按照线进行扫描地，整体点云可以分割为若干条不同的扫描线。每条扫描线具有一定的分布，经观察及数据分析可知，鞋边缘点上出现在扫描线左右两边的最高点处。根据这一分布特点，本发明采用双边极大值鞋底边缘提取算法提取鞋底外轮廓，具体如下：
提取每条扫描线的中间点；
将扫描线分为两段：最左边点到中间点，最右边到最中间点；
针对“最左边点到中间点”这段，从左到右遍历并提取第一个出现的最大值点A；针对“最右边到最中间点”这段，从右到左遍历并提取第一个出现的最大值点B；
A与B则为鞋边缘点，A与B之间的点为鞋底点；
所有扫描线的A点和B点构成了鞋底的外轮廓。
外轮廓线提取后还需要生成机械臂的运动轨迹路径，即鞋底内轮廓。如图7至图9所示，本发明以鞋底外轮廓为基准，计算外轮廓曲线的二维法向量方向，之后沿着法线方向偏移d距离，并沿着高度方向向下偏移s距离。此处的关键是法向量的估计。
假定点p的坐标为x∈R3，其k个邻域点集Q为{q1,...,qk}，x∈R3，对应的坐标为{y1,...,yk}。
首先求取点集Q相对于点p的向量{y1-x,...,yk-x}∈R3×k。设n∈R3为点p的法向量估计，则n与{y1-x,...,yk-x}的点积应该尽可能地接近于零，即最小化函数
通过法向量偏置得到的内轮廓线存在一定的曲线波动。此处采用了kNN平均滤波算法对此进行进一步滤波：首先，假定点p的坐标为x∈R3，其k个邻域点集Q为{q1,...,qk}，x∈R3，对应的坐标为{y1,...,yk}。然后，使用
获取鞋底内轮廓轨迹后如果直接作为机械臂喷胶控制路径，其轨迹运动的平滑性较差，同时运动速度较低，因此对内轮廓点作进一步处理：先计算鞋底的总长n及鞋头鞋尾处的极值点，然后以d＝n/12的距离分别在鞋头和鞋尾处截取内轮廓点集(在鞋长方向)，这样内轮廓就分成了四组点集。鞋头鞋尾处的点集以较高频率降采样使其稀疏，另外两组点集以较低频率降采样使其稀疏，再合并这四组点集形成控制机械臂喷胶的路径点集。
内轮廓点集中每个点以6维向量(x,y,z,rx,ry,rz)表示，其中(x,y,z)表示该点的位置信息，(rx,ry,rz)表示该点的法向量。计算向量v1(rx,ry)与向量v2(1,0)的夹角θ，作为机械臂的姿态参数u，即：u＝acos(v1·v2/|v1||v2|),当ry>＝0时，u>＝0；当ry<0时,u<0。并设机械臂另外两个姿态参数v＝0,w＝0，则该点的机械臂6维控制向量为(x,y,z,u,v,w)。
如图10所示，内轮廓点集经过上述计算处理后即形成控制机械臂喷胶的路径点集。
综上，与现有技术相比，本发明具有以下有益效果：
1、基于点云数据，综合高度阈值及基于kNN的邻域滤波算法，过滤掉噪声点及异常点，避免了传统方法过滤后仍存在噪声团簇的问题，有效地提升了滤波效率，从而提高了喷胶路径的精确度。
2、针对鞋边缘点上扫描线的分布特点，提出了一种双边极大值鞋底边缘提取算法，有效地提取出鞋底边缘轮廓；
3、提出了一种基于kNN的外轮廓法向量的计算方法，并通过该法向量偏置外轮廓线，形成内轮廓线。最后，使用均值平滑算法进一步平滑内轮廓线。
4、提出了一种控制机械臂喷胶的路径点集计算方法，使得机械臂喷胶更加高效平稳。
以上所述，仅是本发明实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
