本发明涉及深度学习点云配准，特别涉及一种基于深度学习点云配准的圆柱电芯放置检测方法。
背景技术：
1、圆柱电芯是一种常见的电芯形状，在众多电芯技术中，锂离子电芯最常见于此形状，其他类型的电芯，如镍氢电芯等，也可制成圆柱形。圆柱电芯广泛应用于各种设备和行业中，包括便携式电子产品、电动工具、电动自行车，以及越来越多地应用于电动汽车。圆柱电芯的设计和制造要求极高的精度，包括电解液的配比、电极材料的选择，以及精确的装配工艺，以确保电芯的性能、稳定性和安全性。
2、圆柱电芯放置检测是一个重要的质量控制步骤，在电芯组装和电动汽车制造中尤其关键。它确保电芯正确放置，对齐，并具有适当的接触和间隔，以防止电芯性能下降或安全问题。实现这种检测通常依赖于视觉检测技术，视觉检测技术可以分为基于传统算法和基于深度学习算法的视觉检测方法，传统算法通过识别圆形轮廓来定位电芯的上下端面，以及通过直线检测算法识别电芯的侧面边缘，通过分析电芯端面和侧面的位置，检测电芯是否正确对齐，以及电芯之间的间距是否符合规定。机器学习算法使用标注好的图像数据训练一个机器学习模型，如卷积神经网络(cnn)，来识别电芯的放置状态，包括电芯是否正确放置、是否倾斜、是否接触不良等。本专利采用的方法就是一种基于深度学习算法的视觉检测方法，由于基于深度学习算法的视觉检测方法有较好的测量鲁棒性，对外界环境的适应性强，应用范围相比基于传统算法的视觉检测方法要大很多。
3、通过文献查阅，目前关于圆柱电芯放置检测的相关技术很少，多数方法依旧依靠人工目测，存在效率低、主观性强、易错漏等问题。先进的基于视觉的圆柱电芯放置检测多数停留在二维，但是这种方法只能检测出缺位电芯、倾斜程度很大的电芯或是横躺的电芯，对于高出来的电芯和倾斜程度较小的电芯则无法检测，因为这类放置错误在2d的维度上很难被发觉。但本专利利用三维点云在3d的维度上进行检测，检测范围几乎能覆盖圆柱电芯的所有放置错误。
4、综上所述，在圆柱电芯的放置检测中，如何在复杂的实际工厂环境下，完成对多种圆柱电芯放置错误精确、自动、高效的检测，是实现圆柱电池模组自动化生产的难题。
技术实现思路
1、本发明的目的在于提供一种基于深度学习点云配准的圆柱电芯放置检测方法，不仅解决了现有只能依靠人工目测导致的效率低、主观性强、易错漏等问题，还通过本发明中的基于深度学习的三维点云检测系统提高了检测的鲁棒性，改善了基于二维图像的视觉检测中存在的限制。
2、本发明使用线扫描相机对圆柱电池模组整体进行扫描，获取其三维点云；基于已获得的点云进行去噪处理，可以有效去除环境背景点云、边缘由反光造成的误差点云以及空间离群点，针对经过去噪后的点云进行降采样处理，从而提升后续处理的算法效率，使用三维建模软件建立圆柱电池模组整体模型，将三维模型导出为密度与实际采集点云降采样后的点云密度一致的三维点云数据，将其作为模板，在三维空间中对模板进行标定，确定每一个圆柱电芯所在位置的对应坐标范围，训练feature-metric registration深度学习网络，使用训练好的网络对实际获得的点云与模板点云进行配准，搜索两片点云中的非重叠区域，放置错误的电芯与模板点云中的电芯将不会重叠，提取模板点云非重叠区域内的点云坐标，匹配处于对应坐标位置的圆柱电芯，提示对应圆柱电芯错误放置。至此便完成了圆柱电芯放置检测。
3、本发明的上述目的通过以下技术方案实现：
4、基于深度学习点云配准的圆柱电芯放置检测方法，利用点云传统算法中的滤波技术、基于深度学习的三维点云配准算法、非重叠点提取算法以及坐标匹配技术，实现了圆柱电芯放置检测，具体过程包括下列步骤：
5、步骤1:安装三维线扫描设备并获取圆柱电池模组点云；
6、步骤2:对获取的圆柱电池模组点云进行遍历，实施去噪以及降采样，去除环境中的噪点，得到密度为原始点云五分之一的点云；
7、步骤3:使用三维建模软件建立圆柱电池模组整体模型，使用pcl点云库导出为密度与实际采集点云降采样后的点云密度一致的三维点云数据，将其作为模板；
8、步骤4:在三维空间中对模板点云进行标定，确定每一个圆柱电芯所在位置的对应坐标范围；
9、步骤5:训练feature-metric registration深度学习网络，使用训练好的网络对实际获得的点云与模板点云进行配准；
10、步骤6:搜索两片点云中的非重叠区域，提取模板点云非重叠区域内的点云坐标，匹配处于对应坐标位置的圆柱电芯，提示对应圆柱电芯错误放置。
11、优选的，所述步骤1中安装三维线扫描设备并获取圆柱电池模组点云，具体步骤如下：
12、步骤1.1:将三维线扫描设备固定在三坐标测量台上；
13、步骤1.2:三维线扫描设备以规定运行速度移动，使线扫描视场范围覆盖整个圆柱电池模组；
14、步骤1.3:经过校准标定的线扫描设备获取圆柱电池模组实时点云，并将其存储在设备硬盘中。
15、优选的，所述步骤3中构建圆柱电池模组三维模型，将其导出为点云，具体步骤如下：
16、步骤3.1:在三维建模软件中仿照实际待检测圆柱电池模组1：1建立整体模型；
17、步骤3.2:将建立好的cad模型导出为密度与实际采集点云降采样后的点云密度一致的三维点云数据，将其作为模板。
18、优选的，所述步骤4中在三维空间标定模板点云每一个圆柱电芯所在位置的对应坐标范围，具体步骤如下：
19、步骤4.1:找到模板点云在x、y和z维度上的最小值和最大值，确定点云的整体坐标范围；
20、步骤4.2:基于整体坐标范围和圆柱电芯数量，计算每个圆柱电芯摆放位置在x和y方向上的大小；
21、步骤4.3:根据网格大小和起始坐标，为每个圆柱电芯摆放位置计算具体的坐标范围；为每一个坐标范围赋值，如摆放在第一行第一列的圆柱电芯为a1，第一行第二列的为b1，第二行第一列的为a2。
22、优选的，所述步骤5中训练feature-metric registration深度学习网络，使用训练好的网络对实际获得的点云与模板点云进行配准，具体步骤如下：
23、步骤5.1:通过三维线扫描设备采集足够数量的初始电池模组点云图像，通过对获取的电池模组点云进行遍历，实施去噪以及降采样，去除环境中的噪点，得到密度为原始点云五分之一的点云对其进行预处理，构成数据集；
24、步骤5.2:将数据集放入feature-metric registration深度学习网络中进行训练，得到训练好的模型文件。
25、优选的，所述步骤6中搜索两片点云中的非重叠区域，提取模板点云非重叠区域内的点云坐标，匹配处于对应坐标位置的圆柱电芯，提示对应圆柱电芯错误放置，具体步骤如下：
26、步骤6.1:计算完成配准后模板点云每个点到待检测点云的最近点的距离，将距离转换为numpy数组，以便进一步处理；
27、步骤6.2:找出距离大于规定单位的点的索引，将这些点视作点云的非重叠点；
28、步骤6.3:提取这些非重叠点的坐标，将它们与模板点云的坐标进行匹配，若落入某一圆柱电芯位置的非重叠点数量达到规定数量及以上，则认为该位置的圆柱电芯错误放置；
29、步骤6.4:若落入模板对应坐标范围的非重叠点数量未达到规定数量，则将其视为噪声，将该部分数据清空并释放内存空间。
30、本发明的有益效果在于：
31、本发明使用线扫相机获取圆柱电池模组三维点云数据，对原始点点云数据进行预处理，包括去噪、滤波和降采样。使用三维建模软件建立圆柱电池模组cad模型，导出三维点云数据，将其作为模板。在三维空间中对模板进行标定，确定每一个圆柱电芯所在位置的对应坐标范围。将待检测点云与模板点云配准，搜索两片点云中的非重叠区域，提取模板点云非重叠点的坐标，匹配模板坐标，提示对应圆柱电芯错误放置。本发明首次提出了利用点云配准算法实现圆柱电芯的放置检测，显著提高了圆柱电池模组的生产效率；
32、本发明相较于传统的人工目测方法，显著提高了检测的效率和精度，降低了检测成本，能够很好的规避由于电芯放置错误导致的电池性能问题和安全问题；
33、相较于二维的图像处理算法难以感知空间高度上的错误的局限性，本发明利用三维点云进行视觉检测，检测范围几乎能覆盖圆柱电芯的所有放置错误；
34、实际相机采集的且存在错误放置圆柱电芯的电池模组点云与cad建模的模板点云存在较大差别，属于非同源点云。而使用feature-metric registration卷积神经网络进行点云配准，能够很好地解决这一问题。相较于传统算法(如迭代最近点icp算法)，深度学习模型能够提供更鲁棒的配准结果。同时相较于pointnetlk等主流的点云配准深度学习模型，feature-metric registration模型通过最小化特征度量投影误差来优化配准，能够解决跨源点云的配准问题。
1.一种基于深度学习点云配准的圆柱电芯放置检测方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的基于深度学习点云配准的圆柱电芯放置检测方法，其特征在于：
3.根据权利要求1所述的基于深度学习点云配准的圆柱电芯放置检测方法，其特征在于：
4.根据权利要求1所述的基于深度学习点云配准的圆柱电芯放置检测方法，其特征在于：
5.根据权利要求1所述的基于深度学习点云配准的圆柱电芯放置检测方法，其特征在于：
6.根据权利要求1所述的基于深度学习点云配准的圆柱电芯放置检测方法，其特征在于：
