本发明属于焊接自动化领域，具体涉及一种基于凹凸半径复函数的焊缝障碍物识别方法。
背景技术：
钢结构大梁作为一种焊接结构件，广泛应用于桥梁、集装箱、起重机械等行业，常见为工字梁、h型梁、箱型等梁结构，在横梁和腹板之间一般存在筋板、隔板和流水槽等障碍物，由于大梁的种类繁多，装夹精度不高，工件的障碍物的位置存在较大的随机性，难以通过单一的方法进行障碍物预测。目前，大梁的焊接手段仍采用半手动半自动的焊接方法，当焊接过程中遇到障碍物时，只能通过手动按键的开关信号使焊枪退出，越过障碍物后再通过手动开关信号使焊枪回到焊接位置，重新开始焊接，这严重限制了大梁焊接的生产效率，制约了企业的发展，因此进行障碍物的预测研究，实现焊枪的自动退枪与回枪，对实现大梁自动化焊接意义重大。
当前的相关研究主要有：一种基于修正型果蝇算法afoa优化grnn神经网络的障碍物预测方法和一种基于优化模糊c均值实时聚类(rngk-fcm)的大梁障碍物识别算法对大梁障碍物进行分类。其中，前者通过在传统果蝇算法中引入信息素和灵敏度两个因子，改进了寻优策略和果蝇位置的替换方式，修正了果蝇优化的全局寻优特性，对广义神经网络进行参数优化。但是，仅仅只是优化了神经网络中的一个参数，依然无法改变神经网络参数太多，且参数初始化具有一定的方法，并非随机初始化。除此之外，二者皆需遍历大梁所有扫描数据，且后者还需在聚类前选取适当分类中心。因此，二者依然未能更好的实现其分类实时性、准确性和实用性。为此，本文提出一种基于凹凸半径复函数的焊缝障碍物识别方法。该方法为大梁障碍物预测分类提供了一种新思路，其不仅继承了贝叶斯分类的学习性和高准确性，而且其中的凹凸半径复函数对焊缝障碍物轮廓识别能力很强。
技术实现要素：
本方法旨在提高大梁自动焊中对障碍物预测的速度和精确度，从而提高了大梁自动焊的生产效率，为企业节约生产成本，提高经济效益。
本方法采用技术方案是一种基于凹凸半径复函数的焊缝障碍物识别方法，其特征在于具体步骤如下：
步骤1：实时获取大梁焊缝轨迹信息，采用差分法获取焊缝轨迹信息中焊缝障碍物段的轮廓轨迹信息。
步骤2：采用凹凸半径复函数对截取的焊缝障碍物轮廓轨迹信息进行处理，提取出焊缝障碍物轮廓轨迹的凹凸度和凹凸性特征，然后进行快速傅里叶变换得出焊缝障碍物轮廓轨迹的傅里叶形状描述子。
步骤3：将样本的傅里叶形状描述子与经贝叶斯分类训练得到的匹配库进行匹配，得出匹配概率，其中最优匹配概率便是样本所属类。
所述的一种基于凹凸半径复函数的焊缝障碍物识别方法，其特征在于：步骤2中的凹凸半径复函数，其定义是：如图4所示，取轮廓曲线上任意一点pi，并以该点为起点沿着轮廓曲线顺时针和逆时针寻出两点pi′和pi″，并使得两点与pi之间的弧长都为li，这里称为分割弧长；在此三者之间形成一个点pi对轮廓曲线形状描述的特征三角形，然后计算该三角形的内切圆半径ri和点pi处的凹凸度h，并将内切圆半径ri作为实部，点pi处的凹凸度h作为虚部，得到复函数zi＝ri h*j。因对于pi所走过的弧长li发生改变时，三角形也在发生改变，所以复函数zi也在随之改变；这样就得到了一个自变量是弧长li，因变量是由内切圆半径作为实部和点pi处的凹凸度h作为虚部组成的复数的复函数zi，本文称之为凹凸半径复函数；其中，凹凸半径复函数的实部用以表征点pi对轮廓曲线全局形状特征的描述，其虚部用以表征轮廓曲线在点pi处的形状细节特征。
所述的一种凹凸半径复函数，其特征在于凹凸度h，凹凸度h包括形状凹凸性sgn(δl)和凹凸量|h|，其定义是：本文定义当轮廓形心o与pi点的距离li大于轮廓形心o与三角形内心oi的距离li′，则该三角形描述的轮廓相对于形心呈凸性；反之，当轮廓形心o与pi点的距离li小于轮廓形心o与三角形内心oi的距离li′，则该三角形描述的轮廓相对于形心呈凹性；不妨定义凸性为正1，凹性为负1，则有符号函数如公式所示：
除此之外，由于角度
故凹凸度h的公式为：
式中，i为第i采样点，zi为凹凸半径复函数，ri为第i点处三角形的内切圆半径，loi为第i点与相应三角形内心的距离。
本方法达到的有益效果：①凹凸半径复函数可以精准提取焊缝障碍物轮廓轨迹特征；②采用的快速傅里叶变换可以消除焊缝障碍物轮廓轨迹起始点的影响；③基于凹凸半径复函数的焊缝障碍物识别方法预测效果稳定、预测精度高、学习性好。
附图说明
图1为基于凹凸半径复函数的焊缝障碍物识别方法流程图
图2为四种测试函数曲线图
图3为凹凸半径复函数对四种函数曲线的形状描述曲线图
图4为凹凸半径复函数构造的几何示意图
图5为凹凸半径复函数对大梁障碍物(流水槽1、流水槽2、加强板、三角板)的轮廓曲线图
图6为基于凹凸半径复函数的焊缝障碍物识别方法的预测结果
具体实施方式
下面结合附图和实例对本方法作进一步详细的描述。
本方法采用技术方案是一种基于凹凸半径复函数的焊缝障碍物识别方法，流程如图1所示，其具体步骤如下：
步骤1：实时获取大梁焊缝轨迹信息，采用差分法获取焊缝轨迹信息中焊缝障碍物段的轮廓轨迹信息。
焊缝障碍物映射到焊缝轨迹上的凹凸段，在其拐点上的邻近差分差值要比两侧部分的邻近差分差值要大，也就是说凹凸段轨迹的拐点便是邻近差分差值曲线的极值点。故，计算出第一和最后一个的极值点坐标便可提取出跳跃段轨迹数据。
因此，不妨设焊缝轨迹扫描数据流s由s＝{p1,p2,p3,…pi…,pn}构成；则pi处的左右差分差值δi可由式(1)表示。
式中pi m pi m-1 … pi 1-mpi表示pi向后差分，mpi-(pi-m pi-m 1 … pi-1)表示pi向前差分，m为差分法遍历的数据长度，合理的m可消除噪声干扰。
依据式(1)对焊缝轨迹数据进行差分分析，并求取δi大于差分阈值dδ数据后的第一个极值点pa和最后一个极值点pb，则区间[pa,pb]中的数据便是焊缝障碍物轮廓数据。
步骤2：采用凹凸半径复函数对截取的焊缝障碍物轮廓轨迹信息进行处理，提取出焊缝障碍物轮廓轨迹的凹凸度和凹凸性特征，然后进行快速傅里叶变换得出焊缝障碍物轮廓轨迹的傅里叶形状描述子。其具体操作如下：
依图4所示，取轮廓曲线上任意一点pi，并以该点为起点沿着轮廓曲线顺时针和逆时针寻出两点pi′和pi″，并使得两点与pi之间的弧长都为li，这里称为分割弧长。在此三者之间形成一个点pi对轮廓曲线形状描述的特征三角形，然后计算该三角形的内切圆半径ri和点pi处的凹凸度h，并将内切圆半径ri作为实部，点pi处的凹凸度h作为虚部，得到复函数zi＝ri h*j。因对于pi所走过的弧长li发生改变时，三角形也在发生改变，所以复函数zi也在随之改变。这样就得到了一个自变量是弧长li，因变量是由内切圆半径作为实部和点pi处的凹凸度h作为虚部组成的复数的复函数zi，本文称之为凹凸半径复函数。其中，凹凸半径复函数的实部用以表征点pi对轮廓曲线全局形状特征的描述，其虚部用以表征轮廓曲线在点pi处的形状细节特征。
为了接下来更好的描述轮廓线在pi处的形状细节特征——形状凹凸性sgn(δl)和凹凸量|h|。根据图4所示，本文定义当轮廓形心o与pi点的距离li大于轮廓形心o与三角形内心oi的距离li′，则该三角形描述的轮廓相对于形心呈凸性；反之，当轮廓形心o与pi点的距离li小于轮廓形心o与三角形内心oi的距离li′，则该三角形描述的轮廓对于形心呈凹性。不妨定义凸性为正1，凹性为负1，则有符号函数如公式(2)所示：
除此之外，尚需对凹凸做定量描述，由图4可知，角度
故，由式(2)、(3)得出内切圆半径复函数为：
式中，i为第i采样点，zi为凹凸半径复函数，ri为第i点处三角形的内切圆半径，loi为第i点与相应三角形内心的距离。
焊缝障碍物均匀分割成具有n采样点的有序点集q会存在不可避免的起始点问题。这会致使要比较的两个形状差异则必须满足二者起始点相同这个条件，但这往往是不可能的，即使是差分法提取的起始点依然也是会存在偏差的。为了消除起始点的影响，对内切圆半径复函数进行快速傅里叶变换，得出傅里叶变换系数如下：
式(5)中，zm是凹凸半径复函数的傅里叶变换系数，n为采样点的数目取n＝2t,t为整数，m为频域变量m＝0,1,…,k。对根据式(5)所得傅里叶变换系数zm计算它的模|zm|。最终得出轮廓曲线的傅里叶形状描述子wm＝[|z0|,|z1|,|z2|,…,|zk|]。
步骤3：将样本的傅里叶形状描述子与经贝叶斯分类训练得到的匹配库进行匹配，得出匹配概率，其中最优匹配概率便是样本所属类。
采用高斯分布函数计算傅里叶形状描述子之间的相似概率p(x|ci)，计算公式如下：
式中，wxm，wcim分别为样本x和类ci的焊缝障碍物轮廓的傅里叶形状描述子，p(x|ci)为样本x和类ci的焊缝障碍物轮廓的相似概率，
根据式(6)可求解出最终的后验概率，显然，后验概率最大的那一类cmax为测试样本的所属类。
cmax＝argmax{p(ci|x)，i＝1,2,…,m}
实施例1：
本文以图2中的四种函数曲线为例分析凹凸半径复函数的形状描述能力，其中凹凸半径复函数的形状描述曲线如图3所示。由图3可知，凹凸半径复函数可以明显的描述出四者之间的轮廓差异。
本文选用了当前大梁的四类焊缝障碍物(流水槽1、流水槽2、三角板、加强板)轮廓数据，如图5所示。对每类焊缝障碍物采集10组不同工位(如：大梁倾斜、起始扫描点位置等)下的轮廓数据，作为贝叶斯分类的训练样本。然后，随机选取100条大梁实际生产中的障碍物扫描数据作为测试样本数据进行预测试验并随机列出部分测试样本数据(包含4类障碍物)。最后，100条大梁的轮廓数据中，提取100组数据，其中每类有25组数据。该100组数据的预测试验的分类结果如图6所示。
由图6可知，测试样本与其所属类的匹配概率都大于80％，与非所属类匹配概率都小于35％。除此之外，100组测试样本的分类误差全为0，分类准确率高达100％。因此，本文所述的焊缝障碍物识别方法是非常有效的、准确的。
1.一种基于凹凸半径复函数的焊缝障碍物识别方法，其特征在于具体步骤如下：
步骤1：实时获取钢结构大梁的焊缝轨迹信息，采用差分法获取焊缝轨迹信息中焊缝障碍物段的轮廓轨迹信息；
步骤2：采用凹凸半径复函数对提取的焊缝障碍物轮廓轨迹信息进行处理，提取出焊缝障碍物轮廓轨迹的凹凸度和凹凸性特征，然后进行快速傅里叶变换得出焊缝障碍物轮廓轨迹的傅里叶形状描述子；
步骤3：将样本的傅里叶形状描述子与经贝叶斯分类训练得到的匹配库进行匹配，得出匹配概率，其中最优匹配概率便是样本所属类。
2.根据权利要求1所述的一种基于凹凸半径复函数的焊缝障碍物识别方法，其特征在于：步骤2中的凹凸半径复函数，其定义是：取轮廓曲线上任意一点
3.根据权利要求2所述的一种凹凸半径复函数，其特征在于凹凸度
除此之外，由于角度
因此，不妨采用凹凸量
故凹凸度
式中，
