基于點(diǎn)云數(shù)據(jù)的改進(jìn)型焊縫骨架提取算法

摘 要 為了滿足機(jī)器人焊縫磨削的要求，提出了一種基于點(diǎn)云數(shù)據(jù)的改進(jìn)型焊縫骨架提取算法。該方法首先采用基于八叉樹的體素濾波對焊縫原始點(diǎn)云進(jìn)行降采樣，然后使用隨機(jī)采樣和WLOP算子獲取初始骨架點(diǎn)，接著通過迭代收縮提取焊縫骨架，引入斥力函數(shù)避免錯(cuò)誤分支的生成，最后通過擬合曲線連接骨架線。實(shí)驗(yàn)結(jié)果表明：該算法能夠適應(yīng)多種不同類型的焊縫，提取出質(zhì)量良好的焊縫骨架，并正確地表達(dá)焊縫的主體特征。

關(guān)鍵詞 點(diǎn)云處理 骨架提取 焊縫特征提取 焊縫磨削

中圖分類號 TP14"" 文獻(xiàn)標(biāo)志碼 A"" 文章編號 1000 3932（2025）01 0094 08

當(dāng)前，焊接技術(shù)已經(jīng)被廣泛應(yīng)用于航空航天、軍工等國家重大戰(zhàn)略領(lǐng)域方向，在列車廂體、輪船船體及飛機(jī)機(jī)身等大型結(jié)構(gòu)件的成形連接中都起著不可替代的作用［1，2］。焊接后需要去除多余的金屬材料。磨削去除多余的焊接金屬材料不僅是結(jié)構(gòu)件表面光滑一致的要求，同時(shí)焊縫磨削過程也能減小焊接應(yīng)力，改善焊接接頭質(zhì)量，從而提高結(jié)構(gòu)件服役壽命［3］。目前絕大部分焊接結(jié)構(gòu)件焊縫都需要操作人員手工打磨，這種人力勞動效率低、精度差，且打磨過程中產(chǎn)生的粉塵還會危害操作人員的身體健康［4］。隨著“工業(yè)4.0”和“中國制造2025”的提出，工業(yè)生產(chǎn)逐步向自動化、智能化方向發(fā)展，工業(yè)機(jī)器人因其高精度、高效率、低成本的優(yōu)點(diǎn)被廣泛應(yīng)用于各類制造場景中，機(jī)器人代替人工進(jìn)行焊縫磨削已經(jīng)是未來的必然趨勢［5］。由于結(jié)構(gòu)件焊縫工況較為復(fù)雜，因此采用機(jī)器視覺進(jìn)行焊縫特征的檢測識別成為了機(jī)器人焊縫磨削的關(guān)鍵技術(shù)之一［6，7］。然而，當(dāng)前業(yè)界廣泛使用的焊縫特征提取技術(shù)多為傳統(tǒng)點(diǎn)云特征提取方法，如Zhang Suen細(xì)化算法［8，9］、點(diǎn)云切片法［10］及最小二乘法［11］等，這類方法存在運(yùn)行效率低、提取特征效果較差的問題，亟需解決。

國內(nèi)外對機(jī)器人焊縫打磨領(lǐng)域已經(jīng)開展了一定的研究。南洋理工大學(xué)的PANDIYAN V等提出了一種基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的焊后焊縫檢測方法，并采用機(jī)器人砂帶打磨的方式進(jìn)行焊縫磨拋，該方法通過對打磨過程中的焊縫輪廓進(jìn)行監(jiān)測來控制砂帶打磨參數(shù)，從而實(shí)現(xiàn)焊縫磨拋?zhàn)鳂I(yè)［12］。印度威洛爾大學(xué)的MANISH R等采用基于機(jī)器視覺的方法檢測磨削后焊縫表面的平整度和缺陷情況，主要使用邊緣檢測和直方圖來檢測不同磨削條件下的焊縫表面情況，從而便于對焊縫磨削參數(shù)進(jìn)行調(diào)整［13］。山東大學(xué)的楊帥設(shè)計(jì)了一種基于3D視覺的工業(yè)機(jī)器人焊縫打磨系統(tǒng)，該系統(tǒng)采用一種改進(jìn)型點(diǎn)云切片方法進(jìn)行焊縫特征提取，能夠自動確定點(diǎn)云切平面，并對焊縫中心特征點(diǎn)識別定位［14］。吉林大學(xué)的趙軍提出了一種基于動態(tài)ROI技術(shù)與Steger算法的焊縫特征提取方法，該方法能夠快速提取焊縫圖像的結(jié)構(gòu)光中心線亞像素坐標(biāo)，為其設(shè)計(jì)的機(jī)器人焊縫打磨系統(tǒng)奠定了基礎(chǔ)［15］。哈爾濱工業(yè)大學(xué)的高奎針對異形鑄件機(jī)器人打磨應(yīng)用場景，采用區(qū)域生長算法提取點(diǎn)云邊界信息，能夠完整提取鑄件曲面待打磨區(qū)域的點(diǎn)云信息［16］。但以上研究主要針對焊縫打磨和磨拋的工業(yè)應(yīng)用，對機(jī)器人焊縫磨削應(yīng)用中的研究較少，因此筆者針對該問題進(jìn)行相關(guān)研究，填補(bǔ)技術(shù)空缺。

綜上所述，筆者提出一種基于點(diǎn)云數(shù)據(jù)的焊縫骨架提取算法，直接對三維焊縫點(diǎn)云進(jìn)行特征提取。通過基于八叉樹分割的體素濾波進(jìn)行點(diǎn)云降采樣，之后采用隨機(jī)采樣和加權(quán)局部最優(yōu)投影（Weighted Locally Optimal Projection，WLOP）算子獲取初始采樣點(diǎn)，通過改進(jìn)后的L1中值算法迭代收縮得到焊縫主體骨架，最后使用擬合曲線完成骨架連接和平滑處理，得到完整的焊縫點(diǎn)云骨架。

1 點(diǎn)云降采樣

結(jié)構(gòu)件焊縫的三維原始點(diǎn)云的數(shù)量一般為200 000左右，龐大的點(diǎn)云數(shù)量會導(dǎo)致計(jì)算量過大，算法運(yùn)行效率低下。因此，需要對焊縫點(diǎn)云進(jìn)行降采樣處理，并有序分割點(diǎn)云數(shù)據(jù)，從而建立便捷高效的點(diǎn)云搜索方式，提高算法運(yùn)行效率。

1.1 八叉樹分割

筆者采用八叉樹結(jié)構(gòu)進(jìn)行分割，八叉樹是多維空間中數(shù)據(jù)檢索的一種常見結(jié)構(gòu)。使用八叉樹結(jié)構(gòu)對焊縫原始點(diǎn)云進(jìn)行覆蓋分割，將無序散亂的原始點(diǎn)云數(shù)據(jù)有序地組織排列，便于檢索搜尋，同時(shí)按索引有序簡化點(diǎn)云數(shù)據(jù)，為焊縫特征點(diǎn)定義其鄰域點(diǎn)［17］。

八叉樹結(jié)構(gòu)對點(diǎn)云圖像空間中的所有節(jié)點(diǎn)進(jìn)行分割，每一個(gè)節(jié)點(diǎn)生成8個(gè)相同的子節(jié)點(diǎn)，將同一點(diǎn)云空間中所有體素的幾何信息統(tǒng)一，使其保持一致。八叉樹分割使用樹形結(jié)構(gòu)遍歷算法來檢索查找節(jié)點(diǎn)，且可在節(jié)點(diǎn)上有序地次第分割生成新節(jié)點(diǎn)。圖1為八叉樹結(jié)構(gòu)分割點(diǎn)云數(shù)據(jù)示意圖，可以看出，八叉樹具有良好的拓?fù)浣Y(jié)構(gòu)，有利于不同節(jié)點(diǎn)之間點(diǎn)集的運(yùn)算。對于空間分布均勻的點(diǎn)云數(shù)據(jù)，八叉樹結(jié)構(gòu)具有較高的檢索效率，適合用于分割工件表面的點(diǎn)云數(shù)據(jù)，因此選用八叉樹來處理焊縫原始點(diǎn)云圖像數(shù)據(jù)。

1.2 體素濾波降采樣

目前針對三維點(diǎn)云數(shù)據(jù)進(jìn)行降采樣的方法主要為統(tǒng)計(jì)濾波降采樣、隨機(jī)降采樣及體素濾波降采樣等。統(tǒng)計(jì)濾波法主要通過計(jì)算局部鄰域內(nèi)的統(tǒng)計(jì)值，如均值、中值、最值等來提取點(diǎn)云紋理信息，但會導(dǎo)致局部特征的缺失。隨機(jī)降采樣法是在點(diǎn)云中隨機(jī)采集一定數(shù)目的點(diǎn)云，作為點(diǎn)云降采樣的結(jié)果，由于其具有隨機(jī)性，有可能會導(dǎo)致點(diǎn)云圖像特征的部分缺失。

筆者采用體素濾波降采樣的方法，它是使用體素化方法減少點(diǎn)云數(shù)量，采用體素格中接近中心點(diǎn)的點(diǎn)替代體素內(nèi)的所有點(diǎn)云，相較于直接使用中心點(diǎn)更加精確［18］。筆者以體素中值點(diǎn)而非中心點(diǎn)來替代體素內(nèi)的其他點(diǎn)云，從而實(shí)現(xiàn)以較少的點(diǎn)云數(shù)量最大程度地保留焊縫特征的目標(biāo)，同時(shí)降低點(diǎn)云計(jì)算量，提高算法運(yùn)行速度?；诎瞬鏄浞指畹捏w素濾波降采樣步驟如下：

a. 首先使用八叉樹結(jié)構(gòu)分割焊縫原始點(diǎn)云圖像數(shù)據(jù)，建立焊縫點(diǎn)云的鄰域點(diǎn)數(shù)據(jù)結(jié)構(gòu)，找到每一個(gè)點(diǎn)的K個(gè)近鄰點(diǎn)；

b. 計(jì)算單個(gè)點(diǎn)與其K個(gè)近鄰點(diǎn)的距離均值d，并統(tǒng)計(jì)所有點(diǎn)鄰域距離均值的平均值D=，從而得到體素中心的均值點(diǎn)C；

c. 基于體素中心求解得到體素中值點(diǎn)x=，其中，J為體素點(diǎn)云序列集，ω=，當(dāng)前體素點(diǎn)集為{q}，ω為點(diǎn)q的權(quán)重，與該點(diǎn)到體素中心的距離成反比；

d. 設(shè)置點(diǎn)云體素尺寸參數(shù)μ，通過體素濾波對焊縫點(diǎn)云進(jìn)行降采樣。

點(diǎn)云體素大小μ設(shè)置為0.5，焊縫點(diǎn)云圖像中點(diǎn)云數(shù)量為200 000左右，經(jīng)體素濾波降采樣后，圖像點(diǎn)云數(shù)為10 000左右，大幅降低了點(diǎn)云計(jì)算量，并最大程度地保留了焊縫特征。

1.3 點(diǎn)云降采樣結(jié)果

采用基于八叉樹的體素濾波對3種不同類型的焊縫進(jìn)行降采樣，降采樣前后折線型焊縫點(diǎn)云圖如圖2所示，降采樣前后焊縫點(diǎn)云數(shù)量見表1。

由圖2和表1可見，在采用基于八叉樹分割的體素濾波進(jìn)行降采樣處理后，焊縫點(diǎn)云數(shù)量大幅減少，點(diǎn)云精簡率保持在95.00%左右，但依舊能夠有效保留焊縫三維特征，且在一定程度上去除了光反射造成的離群點(diǎn)、毛刺和噪點(diǎn)。

2 焊縫骨架提取

2.1 初始采樣點(diǎn)的獲取

通過隨機(jī)采樣將體素濾波后的焊縫點(diǎn)云收縮為初始采樣點(diǎn)，以作為初始骨架點(diǎn)。一般來說，初始采樣點(diǎn)越多，穩(wěn)定性越好，但過多的點(diǎn)云數(shù)量會導(dǎo)致計(jì)算量增大，算法運(yùn)行效率降低。通過多次采樣實(shí)驗(yàn)發(fā)現(xiàn)采樣點(diǎn)數(shù)量對骨架提取結(jié)果影響較小，為保證算法的運(yùn)行速度，筆者將采樣點(diǎn)數(shù)量設(shè)置為焊縫點(diǎn)云數(shù)的8%。

針對體素濾波后的焊縫無序點(diǎn)云P={p}？奐R（I為點(diǎn)云序列集，R為笛卡爾三維坐標(biāo)系）采用軸對齊包圍盒［19］進(jìn)行歸一化，得到歸一化后的焊縫點(diǎn)云P′={p′}？奐Ω（I′為歸一化后的點(diǎn)云序列集），歸一化公式如下：

P′="""""""" """"" （1）

其中，c為歸一化前軸對齊包圍盒的中心位置，a為軸對齊包圍盒最長邊的長度，其計(jì)算公式為：

c=（，，）""" （2）

a=max（a，a，a）"""""" （3）

a=x-xa=y-ya=z-z""""""" （4）

其中，x、y、z分別表示焊縫無序點(diǎn)云P中x、y、z坐標(biāo)的最大值，x、y、z分別表示焊縫無序點(diǎn)云P中x、y、z坐標(biāo)的最小值。

通過式（1）將初始點(diǎn)云P中所有點(diǎn)云的空間坐標(biāo)縮放至區(qū)間［-1，1］內(nèi)，同時(shí)將點(diǎn)云包圍盒的中心位置對齊重合至坐標(biāo)系原點(diǎn)位置。點(diǎn)云歸一化如圖3所示。

加權(quán)局部最優(yōu)投影算法的核心是一個(gè)帶密度均勻化項(xiàng)的加權(quán)局部最優(yōu)投影算子，可以在原始密集點(diǎn)云上產(chǎn)生一組去噪、去異常值、均勻分布的粒子。WLOP對非均勻采樣有彈性，能夠生成分布更均勻的采樣點(diǎn)，輸入的樣本點(diǎn)鄰域應(yīng)當(dāng)至少包括兩個(gè)相鄰樣本點(diǎn)的環(huán)。使用較小的鄰域可能無法生成正則化結(jié)果，而使用較大的鄰域會產(chǎn)生欠擬合情況，導(dǎo)致樣本點(diǎn)收縮到局部表面內(nèi)部。因此筆者將鄰域半徑參數(shù)設(shè)置為0.5，對隨機(jī)采樣的原始點(diǎn)進(jìn)行WLOP算子重采樣，獲得較為均勻的初始采樣點(diǎn)，采樣點(diǎn)集為S=｛s｝？奐R。

圖4所示為初始采樣點(diǎn)獲取結(jié)果，圖4a為隨機(jī)采樣結(jié)果，圖4b為WLOP算子重采樣后的結(jié)果。由圖4可見，經(jīng)過WLOP算子重采樣后的采樣點(diǎn)，相較于隨機(jī)采樣結(jié)果，分布更加均勻，更有利于焊縫骨架提取。

2.2 焊縫骨架點(diǎn)提取

通過對降采樣后的焊縫點(diǎn)云使用隨機(jī)采樣和WLOP重采樣得到初始采樣點(diǎn)后，使用L1中值算法對焊縫點(diǎn)云進(jìn)行骨架收縮提取。L1中值算法通過選取采樣點(diǎn)鄰域內(nèi)的中值，而非均值進(jìn)行骨架點(diǎn)的收縮提取，在持續(xù)的迭代收縮過程中，不斷擴(kuò)大鄰域半徑，將生成的新骨架點(diǎn)重新分配至鄰域內(nèi)的源點(diǎn)中心［20］。將L1中值算法直接應(yīng)用于焊縫骨架點(diǎn)云提取，會導(dǎo)致稀疏分布情況的產(chǎn)生，使得焊縫骨架中心點(diǎn)過度收縮，產(chǎn)生團(tuán)狀點(diǎn)簇，甚至?xí)啥嘤噱e(cuò)誤的分支。為解決這一問題，引入了斥力函數(shù)進(jìn)行調(diào)整，以在點(diǎn)云空間的各點(diǎn)之間形成一種排斥力，避免骨架點(diǎn)距離過近，從而完成焊縫點(diǎn)云骨架點(diǎn)的規(guī)整排布。

輸入焊縫點(diǎn)云P′=｛p′｝？奐R，其原始采樣點(diǎn)為S=｛s｝？奐R，對應(yīng)鄰域點(diǎn)為X=｛x｝？奐R，利用最優(yōu)化式可得到一系列骨架點(diǎn)：

arg ‖x-s‖θ（‖x-s‖）+R（X）""""" （5）

R（X）=γ""""""""""""""" （6）

式（5）為最優(yōu)化式，使用L1中值算法對焊縫點(diǎn)云進(jìn)行骨架點(diǎn)收縮，采樣點(diǎn)在輸入點(diǎn)集中的鄰域點(diǎn)產(chǎn)生引力作用，使得局部骨架點(diǎn)向區(qū)域中值點(diǎn)移動；規(guī)整項(xiàng)R（X）用于生成采樣點(diǎn)集鄰域點(diǎn)之間的斥力，來避免所提取的骨架點(diǎn)收縮距離過近，其點(diǎn)分布情況見式（6），其中γ是平衡參數(shù)，用于平衡點(diǎn)之間的引力和斥力；σ為骨架點(diǎn)的線性度，用于連接骨架點(diǎn)。

θ（r）=exp［-4］2"""""" （7）

其中，θ（r）是高斯權(quán)重函數(shù)；h為定義局部范圍的半徑長度，通常取h=；d為包圍盒斜對角線長度，｜I′｜為歸一化后點(diǎn)云P′的大小。由式（7）可知，在同一鄰域半徑內(nèi)，距離采樣點(diǎn)越遠(yuǎn)的點(diǎn)，其貢獻(xiàn)權(quán)重越小，從而起到了中值濾波的作用。將式（6）代入L1中值求解項(xiàng)中得出：

x=+μσ"" （8）

其中，α=，j∈J；β=，

i′∈I′；σ=σ（x）；k為迭代次數(shù)。

經(jīng)多次參數(shù)調(diào)整實(shí)驗(yàn)，對于長度50 mm以下的直線型焊縫μ取0.35效果最好，長度在50～200 mm的直線型焊縫μ在0.55～0.60內(nèi)效果較好；對于折角60°以下的多段折線型焊縫，μ在0.35～0.42內(nèi)效果最好，而對于折角較大的折線型焊縫，如直角折線型焊縫，μ取0.40效果較好；對于曲線型焊縫，μ在0.49～0.52內(nèi)效果最佳。

2.3 骨架平滑與連接

在2.2節(jié)中所得參數(shù)σ為骨架點(diǎn)s的線性程度，用于連接骨架點(diǎn)。如果σgt;0.9，表明骨架點(diǎn)在鄰域內(nèi)呈線性分布，將其標(biāo)記為可選骨架點(diǎn)。找到最大σ對應(yīng)的骨架點(diǎn)，作為骨架分支起點(diǎn)，連接K近鄰點(diǎn)，一般設(shè)置K=5，連接K近鄰點(diǎn)中滿足條件cos（∠，）≤-0.9，j=（…，-1，0，1，…）且未被連接的骨架點(diǎn)（∠，表示一個(gè)骨架點(diǎn)與其前后兩骨架點(diǎn)連線的夾角）。在分叉位置或者邊緣位置無法滿足上述條件，停止連接骨架點(diǎn)，將已經(jīng)連接好的骨架點(diǎn)所產(chǎn)生的單分支b放入集合B，在剩余可選骨架點(diǎn)中找到最大σ對應(yīng)的骨架點(diǎn)，重復(fù)上述過程，直到?jīng)]有可選骨架點(diǎn)為止，得到骨架分支集合B。

收縮得到的初始骨架不夠平滑連續(xù)，會影響到最終焊縫骨架的準(zhǔn)確性，所以筆者在原有最優(yōu)化公式上添加了一個(gè)正則項(xiàng)，用于對骨架分支進(jìn)行曲線擬合，從而形成平滑連續(xù)的緊密骨架。定義以下平滑函數(shù)：

P（X）=xi-x""" （9）

N（x）是點(diǎn)x的鄰域點(diǎn)集，v（x）是鄰域中點(diǎn)的個(gè)數(shù)。平滑函數(shù)P（X）通過將鄰域點(diǎn)的距離最小化來優(yōu)化焊縫骨架點(diǎn)的位置，得到局部擬合的曲線骨架。針對與相鄰點(diǎn)不呈曲線分布的局部點(diǎn)，平滑函數(shù)在空間坐標(biāo)軸主方向上貢獻(xiàn)最小化方差，從而得到平滑分布的骨架點(diǎn)。

3 實(shí)驗(yàn)結(jié)果與分析

筆者根據(jù)結(jié)構(gòu)件焊縫形狀將其分為直線型、折線型和曲線型三大類型，采用改進(jìn)后的焊縫骨架提取算法對這三類焊縫進(jìn)行骨架提取。圖5為直線型焊縫點(diǎn)云骨架提取結(jié)果，圖中綠色為焊縫骨架點(diǎn)，紅色為焊縫骨架線（圖6～8相同）。

圖6是折線型焊縫點(diǎn)云骨架提取結(jié)果。實(shí)驗(yàn)結(jié)果表明，筆者所提算法能夠很好地處理直線型和折線型焊縫點(diǎn)云，可以提取出平滑連續(xù)的焊縫點(diǎn)云特征骨架，且焊縫骨架取向符合焊縫主體特征。

圖7是曲線型焊縫點(diǎn)云骨架提取結(jié)果，圖中為C型曲線焊縫點(diǎn)云骨架。由實(shí)驗(yàn)結(jié)果可以看出，筆者所提算法能夠有效處理復(fù)雜曲線焊縫點(diǎn)云，可以提取出平滑連續(xù)的焊縫骨架。同時(shí)，焊縫點(diǎn)云中含有噪點(diǎn)和離群點(diǎn)，而由于環(huán)境光變化導(dǎo)致掃描采集的點(diǎn)云圖像中出現(xiàn)莫爾條紋，使得點(diǎn)云密度不夠均勻，且由于金屬結(jié)構(gòu)件表面反光造成了點(diǎn)云圖像中產(chǎn)生空洞缺失。在這種情況下，依然能夠有效提取出質(zhì)量較高的焊縫骨架，證明了筆者所提算法的穩(wěn)定性和魯棒性。

筆者所提算法與L1中值骨架算法效果對比如圖8所示。對于圖8中區(qū)域類Ⅰ所示情況，由于L1中值算法在迭代收縮骨架時(shí)會根據(jù)鄰域搜索半徑確定骨架點(diǎn)，導(dǎo)致選取的部分骨架點(diǎn)在焊縫主體點(diǎn)云之外，而通過引入平滑函數(shù)，在骨架連接時(shí)去除錯(cuò)誤骨架點(diǎn)和相應(yīng)分支，確保提取的骨架點(diǎn)生成在點(diǎn)云內(nèi)部。在區(qū)域類Ⅱ所示的情況中，筆者所提算法對焊縫主體骨架的分支取向進(jìn)行了改進(jìn)，使其更接近焊縫的中心位置，提取得到的骨架能夠更好地表現(xiàn)焊縫特征。而區(qū)域類Ⅲ中使用L1中值算法直接進(jìn)行骨架提取時(shí)出現(xiàn)了點(diǎn)云稀疏分布，導(dǎo)致產(chǎn)生了錯(cuò)誤的骨架分支，筆者所提算法通過引入斥力函數(shù)，避免了錯(cuò)誤骨架分支的生成。區(qū)域類Ⅳ中，L1中值算法提取得到的骨架已在焊縫主體之外，筆者所提算法對其進(jìn)行了相應(yīng)的改進(jìn)，使得提取所得焊縫骨架點(diǎn)生成在焊縫主體點(diǎn)云內(nèi)。

4 結(jié)束語

筆者主要對焊后焊縫的點(diǎn)云圖像處理和焊縫特征提取問題進(jìn)行了研究。針對結(jié)構(gòu)件焊縫點(diǎn)云數(shù)量較為龐大的問題，采用基于八叉樹分割的體素濾波對焊縫點(diǎn)云進(jìn)行降采樣處理，以較少的點(diǎn)云數(shù)有效保留了焊縫三維特征信息；提出了一種基于L1中值算法的焊縫點(diǎn)云骨架提取算法，通過引入斥力函數(shù)，避免了骨架點(diǎn)距離過近產(chǎn)生點(diǎn)簇和錯(cuò)誤分支的情況，能夠有效提取多種類型焊縫點(diǎn)云骨架。最后將筆者所提算法與L1中值算法進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明，筆者所提算法提取的焊縫點(diǎn)云骨架連續(xù)平滑，具有更好的骨架分支取向和中心性，能夠更好地表達(dá)焊縫的主體結(jié)構(gòu)和特征信息，為機(jī)器人焊縫磨削新技術(shù)的研究奠定了基礎(chǔ)。

參 考 文 獻(xiàn)

［1］ 李海嬌.自動化焊接設(shè)備的技術(shù)發(fā)展與應(yīng)用前景［J］.自動化應(yīng)用，2023，64（21）：144-146.

［2］"""""" ERDEN M S，MARI B.Assisting manual welding with robot［J］.Robotics and Computer Integrated Manufactu "ring，2011，27（4）：818-828.

［3］"""""" HUYNH H N，ASSADI H，DAMBLY V，et al.Direct method for updating flexible multibody systems applied to a milling robot［J］.Robotics and Computer Integrated Manufacturing，2021，68：102049.

［4］"""""" 田鳳杰，韓曉，李論.機(jī)器人自動打磨焊縫裝備與實(shí)驗(yàn)分析［J］.組合機(jī)床與自動化加工技術(shù)，2022（4）：139-142.

［5］"""""" WU L，WANG G F，LIU H T，et al.An improved algorithm to predict the pose dependent cutting stability in robot milling［J］.The International Journal of Advanced Manufacturing Technology，2022，120（5 6）：2979-2991.

［6］"""""" ZHANG Y，GUO K，SUN J.Investigation on the milling performance of amputating clamping supports for machining with industrial robot［J］.The International Journal of Advanced Manufacturing Technology，2019 ，102（9 12）：3573-3586.

［7］nbsp;""""" LI C L，DUN X F，LI L，et al.Vision guided robot application for metal surface edge grinding［J］.SN Applied Science，2023，5（9）：236.

［8］"""""" 郭宏陽.基于線結(jié)構(gòu)光視覺傳感的板件焊縫提取方法研究與應(yīng)用［D］.烏魯木齊：新疆大學(xué)，2021.

［9］"""""" YAO J J，QIAN C，ZHANG Y K，et al.Multi Objective Redundancy Optimization of Continuous Point Robot Milling Path in Shipbuilding［J］.Computer Modeling in Engineering amp; Sciences，2023，134（2）：1283-1303.

［10］ 張?zhí)煊睿娜什?，趙吉賓，等.基于結(jié)構(gòu)光的焊縫表面質(zhì)量檢測［J］.組合機(jī)床與自動化加工技術(shù)，2022（1）：81-84.

［11］ 王傳璽.基于點(diǎn)云的曲線焊縫識別方法研究［J］.現(xiàn)代機(jī)械，2024（2）：89-92.

［12］ PANDIYAN V，MURUGAN P，TJAHJOWIDODO T，et al.In process virtual verification of weld seam removal in robotic abrasive belt grinding process using deep learning［J］.Robotics and Computer Integrated Manuf "acturing，2019，57：477-487.

［13］ MANISH R，VENKATESH A，ASHOK S D.Machine Vision Based Image Processing Techniques for Surface Finish and Defect Inspection in a Grinding Process［J］.Materials Today Proceedings，2018，5（5）：12792-128 02.

［14］ 楊帥.基于3D視覺的機(jī)器人焊縫打磨路徑規(guī)劃與控制技術(shù)研究［D］.濟(jì)南：山東大學(xué)，2024.

［15］ 趙軍.大構(gòu)件焊縫磨拋機(jī)器人視覺測量技術(shù)的研究［D］.長春：吉林大學(xué)，2014.

［16］ 高奎.基于點(diǎn)云信息的異型鑄件機(jī)器人打磨規(guī)劃技術(shù)研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2021.

［17］ QUE Z，LU G，XU D.VoxelContext Net：An Octree based Framework for Point Cloud Compression［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE，2021：6038-6047.

［18］ LV C L，LIN W S，ZHAO B Q.Voxel Structure Based Mesh Reconstruction from a 3D Point Cloud［J］.IEEE Transactions on Multimedia，2022，24：1815-1829.

［19］ LI C，ZHOU M，GENG G H，et al.EPCS：Endpointba "sed part aware curve skeleton extraction for low qua "lity point clouds［J］.Computers amp; Graphics，2023， 117：209-221.

［20］ HUANG H，WU S，COHEN OR D，et al.L1 Medial Skeleton of Point Cloud［J］.ACM Transactions on Graphics，2013，32（4）：65.

（收稿日期：2024-05-17，修回日期：2024-10-31）

The Improved Pick up Algorithm for Weld Seam Skeleton Extraction Based on Point Cloud Data

GU Xin hao1，2， LIU Xia1， GONG Ye fei2， LIU Ji cheng2， XIE Yu xin2，3，

HE Rong cheng2，4， FENG Yi bin1，2

（1. School of Physics and Electronic Engineering， Northeast Petroleum University； 2. School of Electrical and Automation， Changshu Institute of Technology； 3. College of Information and Control Engineering， China University of Mining and Technology； 4. School of Mechanical Engineering， Yancheng Institute of Technology）

Abstract"" With a view to satisfying the robot’s requirements for weld grinding， an improved algorithm for the weld seam skeleton extraction based on point cloud data was proposed. Firstly， having the octree based

voxel filtering used to downsample original point cloud of the welding seam; and then， having both random sampling and WLOP operator adopted to obtain initial skeleton points， including having the weld seam skeleton extracted by iterative contraction and having the repulsive function introduced to avoid the generation of wrong branches; finally， having the skeleton lines connected by fitting curves. The experimental results show that， the algorithm can adapt to many different welds， extract the weld seam skeleton with good quality and correctly express the main features of welds.

Key words"" point cloud processing， skeleton extraction， welding seam feature extraction，" weld seam grinding