一种基于三维视觉的动力电池激光焊接缺陷检测方法

本技术属于激光焊接缺陷检测领域，特别涉及一种基于三维视觉的动力电池激光焊接缺陷检测方法。

背景技术：

1、激光焊接技术广泛应用于动力电池顶盖的焊接封装，焊接质量的好坏直接影响电池的性能、使用寿命及安全性，故顶盖焊后质量检测这一环节尤为重要。在激光焊接中不同的焊接条件可能产生多种不同缺陷，导致产品质量下降。焊瘤及焊坑是两种较为常见的焊接缺陷，由于其具有相似的纹理特征和较小缺陷尺寸，检测难度大，通常采用人工目视的方式检测缺陷，由于受人工的主观判断影响使得焊后质量一致性较差，且对于小尺寸焊接缺陷无法通过目视界定其是否为缺陷。

2、近年来，国内外学者针对焊接质量检测问题分别从二维和三维视觉检测技术展开研究。其中二维视觉检测方法通常与深度学习相结合实现缺陷检测任务。三维视觉检测技术具有简单、高精度、非接触式采集等优点，可用于描述复杂的物体表面形貌。综合国内外焊接质量智能检测研究现状来看，针对动力电池激光焊接缺陷检测与测量的研究较少，如何准确分割焊缝、识别焊缝中微小缺陷并实现尺寸的精确测量等任务仍存在困难。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种基于三维视觉的动力电池激光焊接缺陷检测方法，实现焊缝中小尺寸缺陷的精确分割及其尺寸测量，对动力电池激光焊接缺陷的智能检测具有重要意义。

2、为实现上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供一种基于三维视觉的动力电池激光焊接缺陷检测方法，包括：

4、利用半径滤波对获取的激光焊接点云数据进行降噪，通过随机抽样一致算法对降噪后的激光焊接点云数据进行粗分割，并使用曲率阈值自适应算法对粗分割后的激光焊接点云数据进行精确分割，得到焊缝点云数据；

5、通过改进的区域生长算法对焊缝点云数据进行缺陷分割，得到焊缝缺陷点云数据；

6、基于焊缝缺陷点云数据，通过预设的焊缝缺陷分类和尺寸计算方法，得到焊缝缺陷的类别和尺寸。

7、进一步地，所述利用半径滤波对获取的激光焊接点云数据进行降噪，通过随机抽样一致算法对降噪后的激光焊接点云数据进行粗分割，包括：

8、获取激光焊接点云数据；

9、利用半径滤波对获取的激光焊接点云数据进行降噪；

10、采用随机抽样一致算法拟合多个平面，在所有拟合的平面中，选择内点数量最多的两个平面作为焊缝连接的两个平面，计算两平面交线方程；

11、以求得两平面交线为中心轴线作一邻域半径为r的柱体区域，将激光焊接点云数据分为邻域半径内外两部分，剔除邻域外的点云数据，将邻域内的点云数据作为激光焊接点云数据粗分割结果；其中，所述柱体区域的邻域半径r为焊缝宽度的2至3倍。

12、进一步地，所述使用曲率阈值自适应算法对粗分割后的激光焊接点云数据进行精确分割，得到焊缝点云数据，包括：

13、计算粗分割后的激光焊接点云数据中各点的法向量与拟合平面法向量的夹角：

14、；

15、其中，为粗分割后的激光焊接点云数据中各点的法向量，为拟合平面的法向量，表示粗分割后的激光焊接点云数据中点云总数量；

16、计算粗分割后的激光焊接点云数据中各点的法向量与拟合平面法向量的夹角阈值：

17、；

18、计算粗分割后的激光焊接点云数据中各点的曲率：

19、；

20、其中，和表示当前点的一组正交曲率；

21、采用曲率阈值自适应计算方法得到曲率阈值；

22、对比曲率阈值与各点的曲率大小，通过设定的点云分割条件实现粗分割后的激光焊接点云数据的精确分割，得到焊缝点云数据。

23、进一步地，所述对比曲率阈值与各点的曲率大小，通过设定的点云分割条件实现激光焊接点云数据的精确分割，得到焊缝点云数据，包括：

24、根据粗分割后的激光焊接点云数据中各点的曲率，得到所有点曲率的均值和标准差，计算得到曲率阈值：

25、；

26、其中，为曲率的均值，为曲率的标准差，为调节系数；

27、根据曲率阈值和各点曲率的大小，将各点划分为高阈值点集h和低阈值点集l，得到点集h和点集l的比值；

28、若满足设定的点云分割条件，则曲率阈值符合要求，将高阈值点集h作为焊缝点云数据；

29、若不满足设定的点云分割条件，则迭代调节系数k的取值直到满足设定的点云分割条件；

30、其中，所述点云分割条件为：

31、；

32、式中，w为焊缝宽度，r为邻域半径。

33、进一步地，所述根据曲率阈值和各点曲率的大小，将各点划分为高阈值点集h和低阈值点集l，包括：

34、若当前点的曲率大于曲率阈值时，则将当前点划分到高阈值点集h中；

35、若当前点的曲率小于或等于曲率阈值，且当前点的法向量与拟合平面法向量的夹角大于夹角阈值，则将当前点划分到高阈值点集h中，否则将当前点划分到低阈值点集l中。

36、进一步地，所述将高阈值点集h作为焊缝点云数据，包括：

37、采用半径滤波的点云去噪方法对高阈值点集中的离群点进行处理，通过设定最小邻近点个数及滤波半径剔除离群点，将经过滤波处理后的高阈值点集作为焊缝点云数据。

38、进一步地，所述通过改进的区域生长算法对焊缝点云数据进行缺陷分割，得到焊缝缺陷点云数据，包括：

39、在焊缝点云数据中选择一点作为区域生长的初始种子点；

40、判断初始种子点邻近的点是否满足设定的区域生长条件，如果满足，则将满足区域生长条件的点加入生长区域，并将满足区域生长条件的点作为新的种子点继续生长，直至遍历焊缝点云数据中所有的点；

41、所述设定的区域生长条件，包括：

42、s1、判定当前点的法向量与拟合平面法向量的夹角是否小于对应的夹角阈值，若是，则执行步骤s3；否则，执行步骤s2；

43、s2、判断当前点到理想曲面欧氏距离是否小于对应的距离阈值，若是，则执行步骤s3；

44、s3、判断当前点的曲率是否小于曲率阈值，若是，则将当前点标记为合格点并作为新的种子点。

45、进一步地，所述当前点到理想曲面欧氏距离的获取方法，包括：

46、设二维平面中圆方程为，平面中任意点的坐标为，则点到曲面的欧式距离为：

47、；

48、其中，为圆心坐标，为圆的半径，为当前点到理想曲面欧氏距离。

49、进一步地，所述焊缝缺陷包括焊坑缺陷和焊瘤缺陷；

50、所述焊缝缺陷分类方法包括：

51、计算焊缝缺陷点云数据中所有点的曲率值，并对所有点的曲率求和取平均值，得到平均曲率值；若平均曲率值为正，则表示为焊瘤缺陷；若平均曲率值为负，则表示为焊坑缺陷；

52、所述焊缝缺陷尺寸计算方法包括：将焊缝缺陷点云数据投影到二维平面上，通过计算投影区域的尺寸得到缺陷的最大长度、宽度及深度信息。

53、第二方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于三维视觉的动力电池激光焊接缺陷检测方法。

54、与现有技术相比，本发明所达到的有益效果：

55、基于随机抽样一致算法和曲率阈值自适应算法，能够实现对激光焊接点云数据中焊缝点云数据的精确分割。在区域生长算法中引入欧氏距离特征参数对焊缝点云数据进行缺陷分割，实现焊缝缺陷点云数据的分割。实现焊缝中小尺寸缺陷的精确分割及其尺寸测量，对动力电池激光焊接缺陷的智能检测具有重要意义。