基于视觉传感的焊缝跟踪技术研究现状和发展趋势

摘要：概述了焊缝跟踪的几种传感方式，并重点介绍了基于视觉传感的焊缝跟踪技术。详细讨论了焊缝图像处理技术，如焊缝图像预处理和特征提取的方法和应用情况。论述了焊缝跟踪控制技术，如几种常见视觉控制方式的基木原理、特点及应用情况和智能控制技术在焊缝跟踪中的应用、提出了基于视觉传感的焊缝跟踪技术的发展方向。

0 引言

焊接在工业生产中有广泛的应用，尤其是在汽车、建筑和航空航天领域。然而，当前焊接机器人一般以编程、示教再现的工作方式为主，这种方式缺乏柔性和适应性，对焊接环境及作业条件的稳定性要求很高。

在实际的焊接生产中，由于加工和装配误差、焊接过程中工件受热变形、外力的干扰影响，焊缝的示教路径和实际路径之间往往会存在一定的偏差。所以焊接过程中让焊接机器人自主感知焊接环境并实时调整焊枪位置进行焊缝跟踪是焊接机器人的发展方向.

1 传感技术

传感技术是焊缝跟踪的前提，根据传感器的不同焊缝跟踪系统可分为超声传感、感应传感、电弧传感和视觉传感。

超声传感主要基于声学反射的原理，通过接收端采集的反射声波判断焊缝的位置和深度信息。

感应传感器主要基于电磁感应原理，通过电磁感应电动势的大小来检测焊枪与焊缝偏差关系，从而进行偏差纠正。

视觉传感技术获取焊缝特征信息，具有信息量大、灵敏度高、测量精度高、与工件非接触的优点，适合各种坡口形状，是最有发展前途的传感技术，下面进行详细介绍。

2 视觉传感焊缝跟踪图像处理技术

在基于视觉的焊缝跟踪系统中，视觉检测到的焊缝位置信息作为整个系统的反馈.所以图像处理的准确性和可靠性直接影响到系统焊缝跟踪的性能。焊缝跟踪中的图像处理一般包括图像预处理和图像识别等内容。

2.1 图像预处理

由于在实际焊接过程中会存在大量的弧光和飞溅，获取的图像中会存在很多噪声，所以一般在特征提取之前需要对焊缝图像进行预处理。

焊缝图像预处理包括图像去噪和图像增强两方面。图像去噪是根据噪声特征设计合适的滤波器，主要分为线性和非线性滤波器。线性滤波器是平滑处理，虽然利于去噪，但是会使图像边缘模糊化，不利于特征提取。最常用的非线性滤波是中值滤波器，中值滤波器能在去噪的同时保持图像边缘不被模糊化。对于图像中的一些特定噪声，需要根据噪声特征设计合适去噪方法。

焊缝去噪以后通常还要进行图像增强，便于图像目标分割。常用图像增强方法有灰度值线性变换、直方图均衡化、直方图匹配等。

2.2 图像识别

图像识别主要包括图像分割、特征提取这两部分。图像分割是将目标从图像背景中分割出来。图像分割主要基于图像灰度值的不连续性和相似性，所以也有两类方法。

图像边缘提取方法是基于灰度值不连续性的特征。常用的边缘检测算子有Robert算子、Sobel算子、Laplace算子和Canny算子等。其中，Canny算子被认为是较好的边缘检测算法。

阀值分割分为全局阀值分割、局部阀值分割和自适应阀值分割三种，其中自适应阀值分割应用比较广泛，是根据图像中灰度值的变化自适应地选择阀值，它适合图像灰度值经常发生变化的场合。最常用的自适应阀值分割方法是Otsu方法以及改进的OtSu方法，该方法采用统计学方法确定最优的阀值，能最大程度区分图像中的灰度层级。

尽管目前已有大量的图像分割算法，但是图像分割算法的研究仍然是当今图像处理领域的一个研究热点。如何克服焊接过程中环境的干扰，有效地滤除噪声，准确可靠地提取目标边缘仍是未来需要努力的方向.

图像分割完成之后，即需对分割出的目标进行特征提取。如果图像分割采用的是边缘提取法，那么提取出的边缘一定是断断续续的小线段，需要利用一定算法从这些小线段中找出直线方程。

常用的算法是Hough变换和Ransac。为了提高直线提取精度，一般需要对提取直线进行最小二乘拟合。如果图像分割采用的是阈值分割的方法，那么分割出来的焊缝具有一定宽度，首先需要对焊缝进行细化得到单像素的线，然后再进行焊缝直线提取。

焊缝图像处理算法的准确性和可靠性是保证焊缝跟踪的前提条件。所以在设计焊缝图像处理算法的时候，一方面要根据噪声类型、特点选择合适的预处理算法，另一方面要根据目标的特点选择合适的图像识别方法。

焊缝图像处理算法的智能性是未来的发展方向，智能算法应该能根据以往图像处理效果和当前图像特征对算法做自适应调整，提高图像处理的准确性和可靠性。

3 焊缝跟踪控制技术

通过视觉传感器得到焊枪与焊缝之间的偏差关系之后，需要设计稳定可靠的控制算法来控制执行机构从而消除二者之间的偏差，所以焊缝跟踪控制技术是焊缝跟踪系统的一项关键技术。

3.1视觉控制方式

(1) 基于位置的视觉伺服控制。从焊缝图像中提取特征点，利用摄像机内外参数计算出其三维坐标。在三维笛卡尔空间定义参考位置和反馈位置，设计控制器。这种控制形式更为直观容易，现在大部分都采用这种控制方式。

(2)基于图像视觉伺服控制。参考信号和反馈信号都在图像空间定义。参考图像特征是在焊接起始阶段焊枪对准焊缝时获得，反馈图像特征是在焊接过程中实时获取，根据二者之间图像偏差在图像空间直接设计控制器。不需要对焊缝特征点进行三维重建，对摄像机标定误差不敏感，跟踪精度较高，常用于被动光视觉的焊缝跟踪。

(3)混合视觉伺服控制技术。混合视觉伺服控制技术，即一部分自由度采用基于位置的视觉控制方法，其余自由度采用基于图像的视觉控制方法。混合视觉伺服最经典的方法就是Malis提出的2.5D的视觉伺服方法。

3.2 智能控制技术

由于焊接过程是一个复杂多变的过程，具有非线性、时变、不确定性等特点，传统的控制技术对于焊缝跟踪很难达到满意的效果，所以越来越多的以模糊控制、神经网络控制为代表的人工智能控制方法被引入到焊缝跟踪系统。

(1)模糊控制。模糊控制是通过对启发式规则和专家经验的分析来设计控制器的。简单的模糊控制在一些复杂焊接过程中，很难消除稳态误差，而且偏差较大时，系统调节速度也不能满足实际焊接需求。所以，一般用于简单的焊接过程中。

(2)神经网络控制。神经网络是将数个神经元按一定规则、顺序连接在一起所组成的网络，神经网络由于具有较强的非线性映射能力和自学能力而被广泛应用到焊缝跟踪控制上。目前应用最多最为广泛的是BP网络，该网络结构简单、理论研究也比较成熟。

4 基于视觉的焊缝跟踪发展趋势

由于基于视觉焊缝跟踪过程主要包括准确、可靠获取焊缝与焊枪的偏差关系和设计合适的控制算法纠正焊缝和焊枪的偏差关系这两个方面，所以未来的研究方向主要围绕这两个方而展开。具体的发展趋势为:

(1)整理和完善现有的图像处理算法，根据不同的目标任务情况，如基于激光结构光的焊缝跟踪，基于被动光视觉的焊缝跟踪等，归纳出适合特定应用的焊缝特征提取算法，最终得到基于视觉焊缝跟踪图像处理的专家系统。

(2)在现有的针对特定任务的图像处理算法的基础上，根据任务的特点，可以将已有的基本图像处理算法融合起来解决比较复杂的图像处理问题，也可以采用一些人工智能的方法，比如神经网络、模糊控制等来解决较复杂的图像处理问题。总之，就是进一步提高算法的准确性、可靠性和实时性。

(3)在目前的研究中，利用视觉传感进行焊缝跟踪和焊接质量控制是相对独立的焊接研究方向。由于视觉传感器拍摄的图像中含有焊接熔池、焊枪等大量的信息，所以未来发展一定是将焊缝跟踪和焊接质量控制作为一个整体去控制，通过视觉传感器获取的信息，不仅要完成焊缝跟踪，还要完成焊接质量控制。

(4)进一步完善和提高焊缝跟踪控制算法的性能，可以引入一些最新的智能控制技术，也可以把焊接专家的经验充分融入到控制算法中，还可以把专家处理故障的能力融入到算法中，提高系统的可靠性。

(5)提高焊缝跟踪算法的自调整能力。目前所研究的焊缝跟踪算法中都利用焊缝当前数据，对焊缝跟踪使用过的数据都是没有任何利用。所以未来一定会是将焊缝当前数据和使用过的数据信息融合起来，从而对焊缝跟踪算法进行调整，使控制算法性能逐渐提升。

(6)基于被动视觉的焊缝跟踪系统往往用于平面焊缝跟踪，而空间焊缝目前一般利用结构光视觉焊缝跟踪系统，但该系统又存在视觉超前的问题，仅仅依靠视觉传感技术难以用在空间焊缝跟踪上，所以视觉与其他传感方式从不同角度获取焊接信息，利用合理的融合算法对获取的信息进行融合一定会在焊缝跟踪过程中得到广泛的应用。

END