自动焊接时,为提高焊缝坡口关键位置的检测精度和抗干扰能力,基于卷积神经网络设计了焊缝特征点提取网络。该网络通过卷积、池化操作对图像中焊缝激光线的位置信息和拐点特征信息进行提取;引入先验框,将焊缝特征点检测从全局定位转为局部定位;识别定位模块通过结合特征点位置预测与特征点存在置信度预测,抑制了噪声干扰。为保证实际的焊接效率,融合相关滤波算法完成了焊缝关键位置的自动追踪。核相关滤波通过快速傅里叶变换降低了算法的时间复杂度,引入循环矩阵循环移位样本进行充分训练,保证了跟踪速度和精度。实验结果表明,焊缝特征点定位的均方根误差为0.207 mm,最大定位误差为0.71 mm。本文所提算法的定位精度较高,而且适用性和抗噪声干扰能力较强,能够满足焊缝自动跟踪系统的要求。

为实现对激光焊缝质量的高效检测,引入了线阵图像传感解决在线检测问题,提出了一种基于深度学习的焊缝瑕疵快速检测方法。首先,针对激光焊缝瑕疵,优化了基于YOLO(You only look once)的深度学习网络。其次,在实验数据集中加入了合适的锚框,以提高检测框定位信息的准确度,并通过多尺度特征融合技术提高了瑕疵的识别准确度。最后,制作数据集并提出了一种数据集预处理方法训练网络,提升了瑕疵的识别效果。实验结果表明,本方法对焊缝单孔、穿孔、凹槽瑕疵的总识别率大于94%,对尺寸为4096pixel×4000pixel的单张工件图像的检测时间为0.97s,相比传统超声、射线图像检测方法在检测速度方面有明显提升。

将激光焊接头与CCD视频跟踪模块集成在一起,提出一种采用一字线激光进行自动化焊缝检测的方法。该方法利用激光三角测量法,得到焊缝的高度、宽度等形状信息。在图像处理方面,对所获得的焊缝区域图像进行中值滤波和二值化处理,获得焊缝特征点二维坐标,实现目标定位,并计算其在世界坐标系下的三维坐标。在跟踪算法方面,采用精度高、速度快的核相关滤波器目标跟踪算法,分别对常见的直线型和曲线型焊缝位置进行跟踪。实验所得数据拟合曲线与焊缝形态误差在5%以内,吻合度较高,实时跟踪效果良好。

焊缝质量在线检测是冷轧带钢激光拼焊过程中的重要关键技术之一。为了解决武钢TRUMPF12000 轴快流激光拼焊设备在焊接过程中出现的错边、拼缝、焊缝形态等问题, 采用3个传感器分别采集焊前间隙图像信息、焊接过程图像信息以及焊后焊缝图像信息, 利用OTSU 自动计算图像阈值、运用投影矩阵的方法将图像坐标转换到工件坐标, 编写程序提取图像特征点的方式建立焊缝质量在线检测系统, 并以5m/min焊接速率对3mm厚冷轧板进行焊接实验, 测量焊接试样焊缝宽度相对误差在4.42%左右。结果表明, 焊缝质量检测系统可以计算出较为准确的焊缝宽度、焊缝错边量等信息。