[发明专利]一种基于视觉引导的船舶分段喷涂机器人自主喷涂方法

权利要求书

1.一种基于视觉引导的船舶分段喷涂机器人自主喷涂方法，其特征在于：所述喷涂方法通过基于视觉引导的船舶分段喷涂机器人自主喷涂系统进行喷涂，所述基于视觉引导的船舶分段喷涂机器人自主喷涂系统包括流水工作台、机器人、机器人末端执行器、喷涂机械臂、控制器、计算机和深度工业相机，所述待喷涂的目标工件通过流水工作平台传送至喷涂区域，并通过深度工业相机采集目标工件的位姿信息，通过计算机中基于卷积神经网络的目标检测算法对采集图像中的目标工件进行检测，从而获取喷涂目标工件的位姿信息，并依据喷涂轨迹优化算法对目标喷涂工件进行最优喷涂位置选取，再通过控制器结合机器人末端执行器运动控制算法对喷涂机械臂进行运动控制，操作其对目标工件进行喷涂作业。

2.根据权利要求1所述的基于视觉引导的船舶分段喷涂机器人自主喷涂方法，其特征在于：所述目标检测算法的具体步骤如下：

步骤1：激光传感器触发流水工作台的传送带停止运动，同时深度工业相机采集制定区域图像；

步骤2：将图像灰度化操作，并进行灰度均衡化处理，提高图片对比度；

步骤3：基于Otsu阈值分割将图像二值化处理；

步骤4：通过腐蚀操作滤除图像中的颗粒噪声；

步骤5：采用膨胀操作适度还原被腐蚀目标的边缘；

步骤6：通过边界像素检测确定象棋边界；

步骤7：从图片中分割提取出仅有象棋的局部图像并确定象棋的中心坐标；

步骤8：修改图像尺寸为识别作准备；

步骤9：CNN进行目标识别分类；

步骤10：识别成功则输出结果，否则左旋10°并返回步骤9。

3.根据权利要求2所述的基于视觉引导的船舶分段喷涂机器人自主喷涂方法，其特征在于：所述步骤9中CNN进行目标识别分类，具体步骤如下：

(1)图像的采集及预处理，采集目标图像进行灰度处理、腐蚀操作和阈值分割操作；

(2)对图像样本进行深度训练并提取特征，即通过CNN对人为规则化的样本进行监督学习，获取到最有区分度的特征信息。

4.根据权利要求3所述的基于视觉引导的船舶分段喷涂机器人自主喷涂方法，其特征在于：所述图像预处理及采用Matlab图像处理库函数实现，采用Deep Learning oolbox的操作函数实现CNN，并在CPU为Intel CoreTM i3-2100CPU@3.10GHz、内存为12G的台计算机上训练网络；

在训练过程中，通过有监督的均方差反向传播算法修正网络参数，即最小均方差的方法(MMSE).对于样本数据为的网络，均方误差(MSE)可表达为

其中h_w.b(x)为网络输出值，h为激活函数，选择Sigmiod函数，W为网络的权值矩阵，b为每层偏置b构成的偏置矩阵，x为输入样本矩阵，y^*为期望输出，最小化非凹函数J(W,b；x,y^*)便可得到网络的最优解；通常采用梯度下降的方法对网络迭代运算更新权值：

其中α为学习率。

5.根据权利要求1所述的基于视觉引导的船舶分段喷涂机器人自主喷涂方法，其特征在于：所述喷涂轨迹优化算法采用深度网络组成的两步级联系系统，第一步用于选择一组包含船体分段的候选喷涂区域，第二步在前一步基础上在候选区域上进行检查并获取最优初始喷涂位置框；首先将获得的包含目标的大致区域，拟采用含有目标物体的图像减去相应的背景图像，获得一张包含目标的二值图，然后根据颜色信息获得目标的大致位置，再将包含目标的最小矩形图像分别从二值图、彩色图、深度图和基于深度图的表面法向量特征图上截取出来，经过旋转、白化数据、保持纵横比等操作，最终获取目标工件最优喷涂位置。