[0004] 针对现有技术中存在不足，本发明提供了一种基于视觉系统的机器人铸件打磨自适应方法，采用阶矩刻画铸件表面形态特征获取的工件表面质量能更全面、更精细地刻画铸件表面形态特征。
[0005] 本发明是通过以下技术手段实现上述技术目的的。
[0006] 一种基于视觉系统的机器人铸件打磨自适应方法，包括如下方法：
[0007] S01：铸件表面形貌特征机器视觉提取；
[0008] S02：铸件表面形貌特征多阶矩刻画：利用刻画铸件表面粗糙度方法，将铸件高度的一阶矩特征、二阶矩特征、三阶矩特征和四阶矩特征分别表征了铸件表面平均偏移程度、标准差、扭曲程度与峰度；
[0009] S03：根据铸件表面粗糙度，结合视觉测量与定位方法、运动学分析方法、力控制方法与位置控制伺服方法，生成视觉自适应机器人打磨参数、并控制打磨执行元件进行打磨；
[0010] S04：根据打磨过程中，工件表面实时的动态形态特征参数与目标形态特征参数实时比对，直至工件表面的粗糙度达到目标形态特征参数。
[0011] 进一步，所述的步骤S01具体为：采用固定在铸件表面上方的CCD摄像机来摄取光照图像，光源从不同方向照射铸件表面光度立体视觉，所述光源方向向量不少于5个；在每次获取铸件表面图像过程中，光源在同一平面环内均匀分布置，每次只开启一个光源，且依次开启，得到光照铸件表面图像，使用多光源光度立体视觉方法得到铸件形貌。
[0012] 进一步，所述的多光源光度立体视觉方法具体为：重建铸件三维表面，得到t时刻铸件表面图像It；从铸件表面图像It得到位置(i,j)t处的高度为z(i,j)t，分析得到t时刻要处理缺陷区域的长Lt和宽Wt。
[0013] 进一步，所述的步骤S02具体为：通过机器人控制系统对铸件表面图像It分析，得到分解后的毛刺、孔眼、裂纹、与铸件整体表面粗糙情况；利用刻画铸件表面粗糙度方法，分析铸件高度的一阶矩、二阶矩、三阶矩和四阶矩特征，图像的矩特征作为磨削控制器的输入刻画了加工铸件表面的知识特征。
[0014] 进一步，所述刻画铸件表面粗糙度方法具体为：铸件表面图像It任意一点(i,j)t的高度值为z(i,j)t，铸件的粗糙度对应铸件高度的各阶矩：
[0015] 铸件高度的一阶矩 表征了铸件表面平均偏移程度，值越大，则平均偏移量越大，铸件越不平整；
[0016] 铸件的二阶矩 表征了铸件表面各点高度的标准差，即铸件表面的粗糙程度，值越大，铸件表面越粗糙；
[0017] 铸件的三阶矩 表征了铸件表面的扭曲程度，值越大，铸件表面扭曲程度越高；
[0018] 铸件的四阶矩 表征了铸件表面的峰度值，峰度越高，铸件表面越粗糙；
[0019] 则铸件表面粗糙度为：Fflat-t＝{M1(i,j)t,M2(i,j)t,M3(i,j)t,M4(i,j)t}，St为铸件表面的知识特征：St＝It(Lt，Wt，Fflat-t)＝Lt*Wt*Fflat-t。
[0020] 进一步，所述S03步骤中的视觉测量与定位方法为：用视觉测量与定位系统控制器将输入的铸件表面的粗糙度转换为输出的磨削机器人砂轮t时刻的平移速度vr(t)、砂轮的转动速度ωr(t)、加工铸件的深度d(t)和机器人关节转角qr(t)；视觉测量与定位系统控制器由深度学习神经网络N完成，通过反复的正向训练学习与反向反馈学习，建立工件整体表面粗糙情况与工件加工砂轮的平移速度vr(t)、转动速度ωr(t)与加工工件的进给深度d(t)控制因子的关联关系，(vr(t)，ωr(t)，d(t))＝N{M1(i,j)t,M2(i,j)t,M3(i,j)t,M4(i,j)t}。
[0021] 进一步，所述S03步骤中的运动学分析方法为：利用在t时刻的视觉测量与定位系统控制器的机器人臂末端速度vp(t)与位置p(t)，通过运动学模块得到修正后的机器人关节转角qr-n(t)与机器人关节角速度
[0022] 进一步，所述S03步骤中的力控制方法为：通过力控制模块修正机器人关节角速度得到修正后的机器人关节角速度
[0023] 进一步，所述S03步骤中的位置控制伺服方法为：通过位置伺服模块将修正后的机器人关节转角qr-n(t)、修正后的机器人关节角速度 机器人反馈的关节转角qm(t)、关节角速度 转换为机器人实时关节驱动力矩τ(t)；机器人臂末端速度与砂轮的平移速度一致：
[0024] vr(t)、vp(t)为t时刻砂轮的平移速度与机器人臂末端速度：vr(t)＝vp(t)＝F1(St)＝k1St；
[0025] ωr(t)为t时刻砂轮的转动速度：ωr(t)＝F2(St)＝k2St；
[0026] d(t)为t时刻砂轮的进给深度：d(t)＝F3(St)＝k3St；
[0027] 其中：系数k1、k2和k3依据铸件材质确定。
[0028] 进一步，所述的步骤S04具体为：设M1、M2、M3、M4分别为铸件目标形态特征的一、二、三、四阶矩标准特征值； 分别为动态形态特征参数M1(i,j)t、M2(i,j)t、M3(i,j)t、M4(i,j)t在t时刻平均值，若 且 且
且 则在t时刻的表面铸件质量合格，铸件
当前表面完成打磨，进入下一个表面的打磨重复步骤S01-S04；其中，δ1、δ2、δ3、δ4分别为质量合格铸件阶矩标准特征值允许误差范围；
[0029] 若不满足，则表示在t时刻的表面铸件质量不合格，则t＝kT，且k＝k+1，其中k为打磨次数；T为从视觉特征提取到完成一次打磨需要的时间；重复步骤S01-S04。
[0030] 本发明的有益效果在于：
[0031] 1.本发明所述的基于视觉系统的机器人铸件打磨自适应方法，采用多光源光度立体视觉方法获取铸件三维形态能更高精度地测定加工工件表面质量。
[0032] 2.本发明所述的基于视觉系统的机器人铸件打磨自适应方法，采用阶矩刻画铸件表面形态特征获取的工件表面质量能更全面、更精细地刻画铸件表面形态特征。
[0033] 3.本发明所述的基于视觉系统的机器人铸件打磨自适应方法，采用深度学习神经网络控制器完成视觉测量与定位，本方法集打磨与质量检测于一体，能自适应地完成工件打磨，视觉测量与定位系统控制器由深度学习神经网络实现，深度学习神经网络通过反复的正向训练学习与反向反馈学习，建立工件整体表面粗糙情况与工件加工砂轮的平移速度、转动速度与加工工件的进给深度等控制因子的关联关系，进而完成机器人铸件实时自适应打磨，保证具有大型特征的缸体铸件的打磨质量，当打磨后的铸件存在质量问题时，实时地检测并重新打磨，直到铸件打磨质量合格。
