基于双目视觉的焊缝成形精准评判方法与应用研究

基于双目视觉的焊缝成形精准评判方法与应用研究一、引言1.1研究背景与意义焊接工艺作为材料连接的关键技术，在现代工业领域中占据着举足轻重的地位。从航空航天、汽车制造到船舶工业、建筑机械等，焊接广泛应用于各个行业，是实现金属结构制造的核心工艺之一。据不完全统计，全球约45%的钢材及大量有色金属通过焊接加工形成最终产品。在这些工业产品制造过程中，焊接将各类加工好的零件按设计要求连接起来，是不可或缺的加工环节。弧焊作为焊接技术的重要分支，因其能量集中、焊接速度快、接头质量高等优点，在工业生产中应用尤为广泛。例如在航空航天领域，飞机的机身、机翼、发动机等关键部件制造大量采用弧焊技术，以确保结构的轻量化和高强度要求；汽车制造行业中，车身的焊接组装也离不开弧焊，直接影响汽车的整体性能和安全性。然而，弧焊过程是一个涉及材料、冶金、物理化学变化等多种因素交互作用的非线性复杂过程，焊接质量与焊接工艺的多参数密切相关，焊缝成形等质量控制面临诸多挑战。焊缝成形作为弧焊质量的关键指标，直接影响着焊接接头的力学性能、密封性和耐腐蚀性等。良好的焊缝成形能够保证焊接接头的强度和韧性，确保工业产品在各种工况下的安全可靠运行；而不良的焊缝成形，如焊缝宽窄不均、余高过高或过低、咬边、气孔、裂纹等缺陷，不仅会降低焊接接头的力学性能，还可能导致产品在使用过程中出现泄漏、断裂等严重问题，从而影响产品的质量和使用寿命，甚至引发安全事故。例如，在石油化工管道焊接中，焊缝成形不良可能导致管道泄漏，引发易燃易爆等危险；在桥梁建设中，焊接接头的质量问题可能危及桥梁的结构安全，对人民生命财产造成巨大威胁。在实际生产中，由于受到强烈的弧光辐射、高温、烟尘、飞溅、坡口状况、加工误差、装夹精度、表面状态和工件热变形等多种因素的影响，实际的焊接条件往往复杂多变，难以保持理想状态。这些因素会使焊炬偏离焊缝，造成焊缝成形质量下降，甚至导致焊接失败。例如，在焊接过程中，工件的热变形可能导致焊缝位置发生偏移，使得焊接参数难以适应实际情况，从而影响焊缝成形。传统的焊接质量检测方法，如人工目视检测、无损检测等，虽然在一定程度上能够发现焊缝缺陷，但存在检测效率低、主观性强、无法实时监测等局限性，难以满足现代工业生产对焊接质量和生产效率的要求。随着现代制造业的快速发展，对焊接质量和生产效率的要求越来越高。智能检测技术作为一种新兴的技术手段，能够实时、准确地获取焊缝成形的相关信息，通过对这些信息的分析和处理，实现对焊接过程的智能控制和优化，从而有效提高焊接质量和生产效率。双目视觉技术作为智能检测技术的重要组成部分，具有非接触、精度高、信息量大等优点，为焊缝成形质量检测提供了新的解决方案。因此，开展焊缝成形的双目视觉评判方法研究具有重要的理论意义和实际应用价值。1.2国内外研究现状双目视觉技术起源于20世纪60年代，最初主要应用于军事和航空航天领域。随着计算机技术、图像处理技术和传感器技术的不断发展，双目视觉技术逐渐在工业检测、机器人导航、三维测量等领域得到广泛应用。在工业检测领域，双目视觉技术主要用于零件尺寸测量、表面缺陷检测和形状识别等。例如，通过双目视觉系统可以对汽车零部件的尺寸进行高精度测量，检测出零件表面的划痕、裂纹等缺陷，实现对零件质量的快速评估。在焊缝成形检测方面，国内外学者开展了大量的研究工作。早期的研究主要集中在基于传统图像处理算法的焊缝检测方法，如边缘检测、阈值分割和形态学处理等。这些方法在简单背景下能够取得较好的检测效果，但对于复杂背景和干扰因素较多的情况，检测精度和可靠性较低。近年来，随着深度学习技术的快速发展，基于深度学习的焊缝检测方法逐渐成为研究热点。深度学习算法能够自动提取焊缝图像的特征，具有较强的适应性和鲁棒性，在焊缝缺陷检测和焊缝成形参数测量方面取得了较好的效果。在相关算法研究方面，双目视觉中的立体匹配算法是获取三维信息的关键。传统的立体匹配算法主要包括基于区域的匹配算法（如SAD、SSD）和基于特征的匹配算法（如SIFT、SURF）。基于区域的匹配算法计算简单、速度快，但对光照变化和噪声较为敏感；基于特征的匹配算法对光照变化和噪声具有较强的鲁棒性，但计算复杂、速度较慢。近年来，一些新的立体匹配算法不断涌现，如半全局匹配算法（SGBM）和基于深度学习的立体匹配算法等。这些算法在提高匹配精度和速度方面取得了一定的进展，但仍存在一些问题需要进一步解决。尽管国内外在焊缝成形检测方面取得了一定的研究成果，但目前的研究仍存在一些不足之处。一方面，现有方法在复杂工况下的适应性和鲁棒性有待进一步提高，难以满足实际生产中的多样化需求；另一方面，对于焊缝成形质量的综合评判方法研究还不够深入，缺乏统一的评判标准和有效的评判模型。因此，开展焊缝成形的双目视觉评判方法研究，探索更加高效、准确的焊缝成形检测和评判方法具有重要的研究意义。1.3研究目标与内容本研究旨在建立一种高效、准确的焊缝成形双目视觉评判方法，实现对焊缝成形质量的快速、可靠检测和评价。具体研究内容包括以下几个方面：搭建焊缝成形双目视觉检测系统：选择合适的工业相机、镜头、光源等硬件设备，搭建双目视觉检测系统，并对系统进行标定和校准，获取相机的内外参数和投影矩阵，建立测量坐标系，为后续的图像采集和处理奠定基础。焊缝图像预处理与特征提取：对采集到的焊缝图像进行预处理，包括图像去噪、增强、校正等，提高图像质量。采用边缘检测、轮廓提取、形态学处理等算法，提取焊缝的轮廓特征和几何参数，如焊缝宽度、余高、长度等。焊缝成形质量评判模型构建：分析影响焊缝成形的主要因素，探究焊缝主要外观缺陷与其成形表征参数之间的关系。根据现行的焊缝成形评价方法与评价体系，建立以计算机双目视觉为平台的焊缝外观成形质量评价体系，从焊宽、余高和焊缝熔敷情况等方面将焊缝成形的评价矩阵化、参数化。采用机器学习算法，如支持向量机（SVM）、神经网络等，构建焊缝成形质量评判模型，实现对焊缝成形质量的自动评判。模型验证与优化：通过实验采集大量的焊缝图像数据，对构建的焊缝成形质量评判模型进行验证和测试。根据测试结果，分析模型的性能和不足之处，对模型进行优化和改进，提高模型的准确性和鲁棒性。1.4研究方法与技术路线本研究采用理论分析、实验研究、算法设计与模型构建相结合的方法，开展焊缝成形的双目视觉评判方法研究。具体技术路线如下：文献调研与理论分析：查阅国内外相关文献，了解焊接工艺、焊缝成形质量检测、双目视觉技术和机器学习算法等方面的研究现状和发展趋势，分析现有研究的不足之处，为本研究提供理论基础和研究思路。系统搭建与实验设计：根据研究目标和内容，选择合适的硬件设备，搭建焊缝成形双目视觉检测系统。设计实验方案，确定实验参数和实验步骤，采集不同焊接工艺条件下的焊缝图像数据。图像预处理与特征提取算法设计：针对采集到的焊缝图像，设计图像预处理算法和特征提取算法，对图像进行去噪、增强、校正等处理，提取焊缝的轮廓特征和几何参数。评判模型构建与训练：根据焊缝成形质量评价体系，选择合适的机器学习算法，构建焊缝成形质量评判模型。利用采集到的焊缝图像数据对模型进行训练和优化，确定模型的参数和结构。模型验证与分析：采用实验数据对构建的焊缝成形质量评判模型进行验证和测试，分析模型的性能指标，如准确率、召回率、F1值等。根据测试结果，对模型进行优化和改进，提高模型的性能。结果讨论与总结：对研究结果进行讨论和分析，总结研究成果和创新点，提出研究中存在的问题和不足，为后续研究提供参考和建议。二、双目视觉原理及关键技术2.1双目视觉基本原理双目视觉是模拟人类视觉原理，使用计算机被动感知距离的方法。人类双眼能够感知物体的三维信息，是因为左右眼从不同角度观察物体时，会产生视差。双目视觉系统同样利用这一原理，通过两个相机从不同位置对同一物体进行拍摄，获取在不同视角下的图像。如图1所示，假设两个相机的光心分别为O_l和O_r，它们之间的距离为B（称为基线），镜头焦距为f。场景中的一个实物点P在左右相机图像平面上的成像点分别为p_l和p_r。根据三角测量原理，由相似三角形关系可得：\frac{Z}{f}=\frac{B}{x_l-x_r}其中Z为实物点P到相机的距离，x_l和x_r分别为成像点p_l和p_r在各自图像平面上的横坐标。通过计算左右图像中对应点的横坐标之差（即视差），就可以根据上述公式计算出物体到相机的距离Z，进而获取物体的三维信息。在实际应用中，双目视觉系统首先需要对采集到的左右图像进行处理，包括图像预处理、特征提取和立体匹配等步骤，以准确找到左右图像中的对应点，计算出视差，最终实现对物体三维信息的测量和重建。2.2相机标定技术2.2.1标定目的与意义相机标定是双目视觉系统中的关键环节，其目的是获取相机的内参和外参，以实现图像像素坐标与世界坐标之间的准确转换，提高测量精度。相机内参主要包括焦距、图像中心和畸变系数等，它描述了相机自身的光学特性和成像几何关系。相机外参则包括旋转矩阵R和平移向量T，用于确定相机在世界坐标系中的位置和姿态。准确的相机标定对于后续的图像校正和立体匹配至关重要。在图像校正中，通过相机内参中的畸变系数可以对图像进行畸变矫正，去除由于镜头光学特性引起的图像畸变，使图像中的直线保持直线，平行关系保持不变，从而提高图像的几何精度。在立体匹配中，相机的内外参用于将左右图像中的对应点映射到三维空间中，通过三角测量原理计算出物体的三维信息。如果相机标定不准确，会导致图像校正效果不佳，立体匹配错误，进而影响物体三维信息的测量精度，甚至无法正确恢复物体的三维形状和位置。2.2.2常用标定方法张正友棋盘格标定法：这是一种广泛应用的相机标定方法，由香港中文大学教授张正友提出。该方法使用二维方格组成的标定板进行标定，具有操作简单、精度较高的优点。其基本原理是通过采集标定板不同位姿的图片，提取图片中角点的像素坐标，利用单应矩阵计算出相机的内外参数初始值，再利用非线性最小二乘法估计畸变系数，最后使用极大似然估计法优化参数。在实际操作中，只需要打印出棋盘格图案，并从不同方向拍摄多组图片即可完成标定。这种方法不需要昂贵的标定设备，实用灵活方便，因此被广泛应用于各种视觉测量和机器人视觉领域。基于Matlab标定工具箱：Matlab提供了强大的相机标定工具箱，用户可以利用该工具箱方便地进行相机标定。该工具箱支持多种标定方法，包括张正友棋盘格标定法等。使用Matlab标定工具箱进行标定时，用户只需按照工具箱的操作流程，导入采集到的标定图像，选择合适的标定方法，即可自动完成相机内参和外参的计算，并提供标定结果的可视化和评估功能。Matlab标定工具箱具有操作简单、可视化效果好的优点，适合初学者和对精度要求不是特别高的应用场景。但在一些对精度要求极高的工业测量等领域，可能需要结合其他高精度标定方法来进一步提高标定精度。2.3图像校正技术2.3.1畸变矫正在相机成像过程中，由于镜头的光学特性，图像会不可避免地产生畸变。镜头畸变主要分为径向畸变和切向畸变。径向畸变是由于镜头的曲率半径不均匀导致的，表现为图像边缘的拉伸或压缩，常见的有桶形畸变（图像边缘向外膨胀）和枕形畸变（图像边缘向内收缩）。切向畸变则是由于镜头与图像传感器之间的安装误差，导致透镜和成像平面不平行，使图像边缘出现扭曲。这些畸变会严重影响图像的质量和测量精度，因此需要进行校正。校正的方法是利用相机标定得到的畸变系数，通过数学模型对畸变图像进行校正。对于径向畸变，常用的校正模型是基于泰勒级数展开的模型，通过对图像中每个像素的坐标进行变换，将畸变后的像素坐标映射回理想的坐标位置。对于切向畸变，也可以通过相应的数学模型进行补偿，消除图像边缘的扭曲。2.3.2立体校正立体校正的目的是将两个相机的图像平面进行调整，使其满足极线平行且共面的条件，即将相机转化为标准形式，使左右图像只存在X方向的差异。这样在进行立体匹配时，可以大大简化匹配过程，提高匹配的准确性和效率。立体校正的原理是根据相机标定得到的内外参数，通过一系列的旋转和平移变换，将左右相机的图像平面调整到同一平面上，并使极线平行。在OpenCV中，可以使用cvStereoRectify函数来实现立体校正。该函数根据相机的内参矩阵、畸变系数、旋转矩阵和平移向量，计算出校正所需的映射矩阵和重投影矩阵，然后通过这些矩阵对左右图像进行重映射，得到校正后的图像。2.4双目匹配算法2.4.1匹配算法分类局部匹配算法：局部匹配算法主要基于图像的局部特征进行匹配，通过计算图像中局部区域的相似性来寻找对应点。常见的局部匹配算法有基于区域的匹配算法，如SAD（SumofAbsoluteDifferences）、SSD（SumofSquaredDifferences）和NCC（NormalizedCross-Correlation）等。这些算法计算简单、速度快，适用于实时性要求较高的场景。SAD算法通过计算两个图像区域中对应像素的绝对差值之和来衡量区域的相似性，差值越小，说明两个区域越相似；SSD算法则是计算对应像素的平方差值之和；NCC算法通过对图像区域进行归一化处理，然后计算归一化后的互相关系数来衡量相似性，该算法对光照变化具有一定的鲁棒性。但局部匹配算法对噪声和光照变化较为敏感，在纹理较少或遮挡区域容易出现匹配错误。非局部匹配算法：非局部匹配算法考虑图像的全局信息，将搜索视差的任务看做最小化一个确定的基于全部双目匹配对的损失函数，通过求解该损失函数的最小值来得到最佳的视差关系。主要的非局部匹配算法有动态规划（DynamicProgramming）、信任传播（BliefPropagation）和图割算法（GraphCut）等。图割算法效果较好，它将匹配问题看成是利用水平和竖直方向连续性约束在图像中寻求最小割问题，能够有效解决动态规划算法不能融合这些约束的问题。非局部匹配算法对遮挡和纹理稀疏的情况解决得较好，但由于考虑全局能量最小化，计算复杂度较高，耗时较大，不太容易使用硬件加速。2.4.2匹配算法评价指标准确性：准确性是评价双目匹配算法的重要指标之一，它反映了匹配算法找到的对应点与真实对应点之间的接近程度。通常使用重投影误差来衡量准确性，即将三维点通过相机模型投影到图像平面上，并与实际图像特征点进行对比，计算它们之间的误差。误差越小，说明匹配算法的准确性越高。在实际应用中，也可以通过与已知的真实三维数据进行对比，计算匹配结果与真实数据之间的误差，来评估算法的准确性。实时性：在一些实时应用场景中，如机器人导航、实时监控等，匹配算法的实时性至关重要。实时性主要取决于算法的计算复杂度和运行时间。计算复杂度低、运行时间短的算法能够满足实时性要求，快速地提供匹配结果。可以通过在特定硬件平台上运行算法，测量算法的运行时间来评估其实时性。对于一些复杂的匹配算法，可以通过优化算法实现、采用并行计算等方式来提高算法的运行速度，满足实时性需求。鲁棒性：鲁棒性是指匹配算法在不同环境条件下（如光照变化、噪声干扰、遮挡等）的适应能力和稳定性。一个鲁棒性强的匹配算法能够在各种复杂情况下准确地找到对应点，而不会受到环境因素的严重影响。可以通过在不同光照条件、添加噪声、模拟遮挡等情况下测试算法的性能，观察算法的匹配效果和稳定性，来评估其鲁棒性。例如，在光照变化较大的场景中，算法能够保持较高的匹配准确率，说明其对光照变化具有较强的鲁棒性；在存在噪声的情况下，算法能够有效地抑制噪声干扰，准确地找到对应点，说明其对噪声具有较好的鲁棒性。三、焊缝成形双目视觉评判系统搭建3.1系统硬件组成本研究搭建的焊缝成形双目视觉评判系统硬件主要包括工业数字相机、镜头、白色条形光源及其控制器、计算机等，各硬件设备选型与参数如下：工业数字相机：选用MV-3000UC工业数字相机，其具有高分辨率、高帧率和稳定的成像性能，能够满足焊缝图像采集的需求。该相机分辨率为2048×1536像素，帧率可达30fps，可快速捕捉焊缝的动态信息。采用USB3.0接口，数据传输速度快，确保图像能够实时传输至计算机进行处理。镜头：搭配VS-0814M镜头，该镜头焦距为8mm，光圈范围F1.4-F16，能够提供清晰的成像效果。其工作距离为30-200mm，视野范围可根据实际需求进行调整，满足对不同尺寸焊缝的检测要求。镜头具有低畸变特性，能够有效减少图像畸变对测量精度的影响。白色条形光源及其控制器：采用VS-RL200白色条形光源，该光源能够提供均匀、稳定的照明，增强焊缝与背景之间的对比度，使焊缝的轮廓特征更加明显。光源控制器可调节光源的亮度和颜色，以适应不同的焊接工艺和检测环境。通过调整光源参数，可以有效抑制焊接过程中的弧光、飞溅和烟尘等干扰，提高图像质量。计算机：选用高性能计算机作为系统的控制和数据处理中心，配置为IntelCorei7处理器、16GB内存、512GB固态硬盘和NVIDIAGeForceRTX3060独立显卡。强大的计算能力和图形处理能力，能够确保系统对大量焊缝图像数据进行快速处理和分析，满足实时性要求。3.2系统软件设计3.2.1图像采集与传输利用相机自带的USB接口实现焊缝视觉图像的采集与传输。在软件设计中，调用相机的SDK（软件开发工具包），通过编写相应的程序代码，实现对相机的初始化、参数设置、图像采集和传输等功能。在图像采集过程中，可根据实际需求设置相机的曝光时间、增益等参数，以获取高质量的焊缝图像。采集到的图像通过USB接口实时传输至计算机内存中，等待后续的图像处理和分析。3.2.2图像处理与分析开发专门的视觉图像处理软件，实现对焊缝图像的显示、存储、预处理和焊缝成形参数提取等功能。软件采用模块化设计，主要包括以下几个模块：图像显示模块：将采集到的焊缝图像实时显示在计算机屏幕上，方便操作人员观察和监控焊接过程。同时，提供图像缩放、平移、旋转等功能，以便对图像进行详细查看。图像存储模块：将采集到的焊缝图像按照一定的格式和命名规则存储在计算机硬盘中，建立图像数据库，方便后续的数据查询和分析。图像预处理模块：对采集到的焊缝图像进行去噪、增强、校正等预处理操作，提高图像质量。采用中值滤波、高斯滤波等方法去除图像中的噪声；通过灰度变换、直方图均衡化等方法增强图像的对比度；利用相机标定得到的参数对图像进行畸变矫正，消除镜头畸变对图像的影响。焊缝成形参数提取模块：采用边缘检测、轮廓提取、形态学处理等算法，提取焊缝的轮廓特征和几何参数，如焊缝宽度、余高、长度等。例如，通过Canny边缘检测算法提取焊缝边缘，利用轮廓提取算法获取焊缝轮廓，再通过形态学处理算法对轮廓进行优化和细化，最后计算出焊缝的各项几何参数。3.3系统标定与校准3.3.1相机标定流程左摄像头标定：使用张正友棋盘格标定法对左摄像头进行标定。首先，准备一张棋盘格标定板，其方格尺寸已知。在不同位置和角度拍摄多组标定板图像，确保标定板在图像中占据不同的位置和姿态。通过图像处理算法提取图像中棋盘格角点的像素坐标，利用单应矩阵计算出左摄像头的内参初始值，包括焦距、图像中心等。再利用非线性最小二乘法估计畸变系数，最后使用极大似然估计法优化参数，得到准确的左摄像头内参和外参。右摄像头标定：采用与左摄像头相同的标定方法，对右摄像头进行标定，获取右摄像头的内参和外参。双目标定：在完成左右摄像头单独标定的基础上，进行双目标定。通过拍摄多组同时包含左右摄像头视野的标定板图像，利用左右摄像头的内参和外参，计算出双目标定所需的旋转矩阵R和平移向量T，确定左右摄像头之间的相对位置和姿态关系，获取相机的内外参数及平移旋转关系，为后续的立体匹配和三维重建提供基础。3.3.2系统校准方法通过标准件测量对系统进行校准，以确保测量精度。选择具有已知尺寸的标准件，如标准焊缝样块，利用搭建的双目视觉评判系统对其进行测量。将测量得到的标准件尺寸与实际尺寸进行对比，计算出测量误差。根据测量误差对系统进行校准，调整相机的参数或图像处理算法的参数，使测量误差控制在允许范围内。在校准过程中，可采用多次测量取平均值的方法，提高校准的准确性。经过校准后的系统，能够更准确地测量焊缝的各项参数，为焊缝成形质量评判提供可靠的数据支持。四、焊缝成形参数提取与分析4.1焊缝图像预处理在对焊缝图像进行分析和提取焊缝成形参数之前，需要对采集到的原始焊缝图像进行预处理，以提高图像质量，减少噪声和干扰对后续处理的影响。焊缝图像预处理主要包括图像增强和图像去噪两个方面。4.1.1图像增强图像增强的目的是提高图像的对比度和清晰度，使焊缝的特征更加明显，便于后续的分析和处理。本研究采用直方图均衡化和对比度拉伸等方法对焊缝图像进行增强。直方图均衡化是一种常用的图像增强方法，它通过重新分配图像的灰度值，使图像的灰度分布更加均匀，从而增加图像的对比度。其基本原理是根据图像的灰度直方图，计算出每个灰度级的累积分布函数（CDF），然后将原始图像的灰度值按照CDF进行映射，得到均衡化后的图像。通过直方图均衡化，原本灰度分布较为集中的焊缝图像可以得到更广泛的灰度分布，使得焊缝与背景之间的对比度增强，更容易区分。对比度拉伸是另一种常用的图像增强方法，它通过对图像的灰度值进行线性变换，扩大图像的灰度动态范围，从而提高图像的对比度。具体来说，对比度拉伸可以通过设定一个灰度范围，将图像中低于该范围下限的灰度值映射为0，高于该范围上限的灰度值映射为255，而在该范围内的灰度值则按照一定的线性关系进行拉伸。这种方法可以有效地突出焊缝图像中的细节信息，增强图像的视觉效果。在实际应用中，首先读取采集到的焊缝图像，将其转换为灰度图像，然后对灰度图像进行直方图均衡化处理。通过计算图像的灰度直方图，得到每个灰度级的像素数量，进而计算出累积分布函数。根据累积分布函数，对原始图像的灰度值进行映射，得到直方图均衡化后的图像。接着，对直方图均衡化后的图像进行对比度拉伸处理，设定合适的灰度范围，对图像的灰度值进行线性变换，进一步提高图像的对比度。经过直方图均衡化和对比度拉伸处理后的焊缝图像，其对比度和清晰度得到了显著提高，为后续的图像分析和焊缝成形参数提取提供了更好的基础。4.1.2图像去噪在焊缝图像采集过程中，由于受到焊接过程中的弧光、飞溅、烟尘以及相机传感器本身的噪声等因素的影响，图像中不可避免地会存在噪声干扰。这些噪声会影响焊缝边缘的检测和参数的提取精度，因此需要对图像进行去噪处理。本研究运用均值滤波和中值滤波等方法去除图像中的噪声干扰。均值滤波是一种简单的线性滤波方法，它通过计算以当前像素为中心的邻域内像素的平均值，来替代当前像素的值，从而达到平滑图像、去除噪声的目的。均值滤波的原理是基于图像的局部统计特性，假设噪声是随机分布的，通过对邻域内像素的平均，可以有效地降低噪声的影响。然而，均值滤波在去除噪声的同时，也会对图像的细节信息造成一定的模糊，因为它将邻域内所有像素的信息进行了平均，使得图像的边缘和纹理等细节变得不清晰。中值滤波是一种非线性滤波方法，它将以当前像素为中心的邻域内的像素值进行排序，然后取中间值作为当前像素的新值。中值滤波的优点是能够有效地去除椒盐噪声等脉冲噪声，同时较好地保留图像的边缘和细节信息。这是因为中值滤波不像均值滤波那样对邻域内所有像素进行平均，而是选择中间值，这样可以避免受到噪声的影响，保持图像的细节特征。在实际处理中，首先对增强后的焊缝图像进行均值滤波处理。选择合适的滤波窗口大小，例如3×3或5×5的窗口，对于图像中的每个像素，计算其邻域内像素的平均值，并用该平均值替换当前像素的值。经过均值滤波处理后，图像中的噪声得到了一定程度的抑制，但图像的细节也可能会有所模糊。为了进一步提高去噪效果并保留图像细节，对均值滤波后的图像再进行中值滤波处理。同样选择合适的滤波窗口大小，对邻域内的像素值进行排序，取中间值作为当前像素的新值。经过均值滤波和中值滤波的联合处理，焊缝图像中的噪声得到了有效去除，同时图像的细节信息也得到了较好的保留，为后续的焊缝边缘检测和参数提取提供了高质量的图像。4.2焊缝边缘检测与分割在对焊缝图像进行预处理后，接下来需要对焊缝区域进行边缘检测和分割，以准确提取焊缝的轮廓信息，为后续的焊缝成形参数计算奠定基础。焊缝边缘检测与分割主要包括边缘检测算法和图像分割方法两个方面。4.2.1边缘检测算法边缘检测是图像处理中的一项重要任务，其目的是检测出图像中灰度值变化剧烈的区域，这些区域通常对应着物体的边缘。在焊缝图像中，焊缝与母材之间存在明显的灰度差异，通过边缘检测可以准确地提取出焊缝的边缘。本研究对比了Canny和Sobel等边缘检测算法在焊缝图像中的应用效果。Sobel算法是一种基于梯度的边缘检测算法，它通过计算图像中每个像素的梯度强度和方向来检测边缘。Sobel算子分别在水平和垂直方向上进行卷积，得到水平梯度（Gx）和垂直梯度（Gy），然后通过公式G=\sqrt{G_x^2+G_y^2}计算梯度强度，通过公式\theta=\arctan(\frac{G_y}{G_x})计算梯度方向。在计算过程中，Sobel算子使用了一个3×3的模板，对图像中的每个像素进行卷积操作，以获取该像素的梯度信息。Sobel算法的优点是计算简单、速度快，能够快速检测出图像中的边缘。然而，它对噪声比较敏感，在噪声较多的焊缝图像中，可能会检测出一些虚假的边缘，导致边缘检测结果不准确。Canny算法是一种更为先进的边缘检测算法，它具有低错误率、高定位精度和抑制虚假边缘等优点。Canny算法的主要步骤包括：首先对图像进行高斯滤波，以平滑图像，减少噪声对边缘检测的影响；然后计算图像的梯度强度和方向；接着进行非极大值抑制，去除非边缘的像素，使边缘更加细化；最后通过双阈值处理和边缘连接，确定真正的边缘。在高斯滤波阶段，使用高斯核函数对图像进行卷积，以平滑图像。在计算梯度强度和方向时，采用与Sobel算法类似的方法，但在非极大值抑制阶段，沿着梯度方向检查每个像素，如果它不是梯度方向上的局部最大值，则将其设为零，从而得到更精确的边缘线条。在双阈值处理阶段，通过设定高阈值和低阈值，将像素分为强边缘、弱边缘和非边缘，只有强边缘和与强边缘相连的弱边缘才被认为是真正的边缘。为了对比Canny和Sobel算法在焊缝图像中的应用效果，选取了多幅不同焊接工艺条件下的焊缝图像进行实验。首先对焊缝图像进行预处理，然后分别使用Sobel算法和Canny算法进行边缘检测。实验结果表明，Sobel算法虽然能够快速检测出焊缝的边缘，但在噪声较多的图像中，检测出的边缘存在较多的毛刺和虚假边缘，对后续的焊缝轮廓提取和参数计算造成了较大的干扰。而Canny算法在处理噪声较多的焊缝图像时，能够有效地抑制噪声，检测出的边缘更加连续、准确，对焊缝轮廓的提取和参数计算提供了更可靠的基础。因此，在本研究中，选择Canny算法作为焊缝边缘检测的主要算法。4.2.2图像分割方法图像分割是将图像分成若干个具有独立语义的区域的过程，在焊缝图像分析中，图像分割的目的是将焊缝区域从背景中分离出来，以便进一步提取焊缝的特征和参数。本研究介绍了基于阈值分割和区域生长等方法对焊缝区域进行分割的过程。阈值分割是一种简单而常用的图像分割方法，它基于图像中物体和背景的灰度差异，通过设定一个或多个阈值，将图像中的像素分为不同的类别，从而实现图像分割。在焊缝图像中，焊缝区域和背景区域通常具有不同的灰度值，因此可以通过设定合适的阈值来分割焊缝区域。常用的阈值分割方法有全局阈值法和自适应阈值法。全局阈值法是根据图像的整体灰度特性，设定一个固定的阈值，对整幅图像进行分割。这种方法简单直观，但对于灰度分布不均匀的焊缝图像，分割效果可能不理想。自适应阈值法是根据图像的局部灰度特性，为每个像素点计算一个自适应的阈值，从而实现对图像的自适应分割。这种方法能够更好地适应图像灰度的变化，对于灰度分布不均匀的焊缝图像具有更好的分割效果。区域生长是另一种常用的图像分割方法，它从一个或多个种子像素开始，根据一定的生长准则，将与种子像素具有相似性质的相邻像素合并到种子像素所在的区域中，直到满足停止条件为止，从而形成一个完整的区域。在焊缝图像分割中，可以选择焊缝区域内的一个像素作为种子像素，根据像素的灰度值、颜色、纹理等特征作为生长准则，将相邻的相似像素逐步合并到焊缝区域中。区域生长方法能够较好地保留物体的形状和结构信息，但对种子像素的选择比较敏感，不同的种子像素可能会导致不同的分割结果。在实际应用中，首先对经过边缘检测的焊缝图像进行阈值分割。采用自适应阈值法，根据图像的局部灰度特性计算每个像素的阈值，将焊缝区域从背景中初步分离出来。然后对阈值分割后的图像进行形态学处理，如腐蚀和膨胀操作，以去除噪声和填补空洞，进一步优化分割结果。接着，使用区域生长方法对阈值分割后的焊缝区域进行细化和完善。选择焊缝区域内的一个像素作为种子像素，根据像素的灰度相似性作为生长准则，将相邻的相似像素合并到焊缝区域中，直到满足停止条件。经过阈值分割和区域生长的联合处理，能够准确地将焊缝区域从背景中分割出来，为后续的焊缝成形参数计算提供准确的焊缝区域信息。4.3焊缝成形参数计算在完成焊缝图像的边缘检测与分割后，接下来需要根据提取的焊缝轮廓信息计算焊缝成形参数，以定量地评价焊缝的质量。焊缝成形参数主要包括焊缝宽度、焊缝余高以及其他一些参数，如焊缝长度、熔敷面积等。4.3.1焊缝宽度计算焊缝宽度是衡量焊缝成形质量的重要参数之一，它直接影响着焊缝的强度和密封性。利用边缘检测和轮廓提取结果，可以计算焊缝的宽度。具体计算方法如下：首先，通过Canny边缘检测算法提取焊缝的边缘，得到焊缝边缘的像素坐标。然后，利用轮廓提取算法获取焊缝的轮廓。在轮廓提取过程中，可以使用OpenCV中的findContours函数，该函数能够根据边缘检测结果找到图像中的所有轮廓，并返回轮廓的点集。对于得到的焊缝轮廓，在垂直于焊缝方向上，通过计算轮廓上对应点之间的距离来确定焊缝宽度。例如，在轮廓上每隔一定数量的像素点，计算该点与对应位置另一条轮廓线上点的距离，这些距离的平均值即为焊缝宽度。在计算过程中，为了提高计算精度，可以对轮廓进行细化处理，去除轮廓上的毛刺和噪声，使轮廓更加准确地反映焊缝的实际边缘。假设通过上述方法得到了焊缝轮廓上的一系列点集(x_i,y_i)和(x_j,y_j)，其中i和j分别表示两条轮廓线上的点的索引。在垂直于焊缝方向上，计算两点之间的欧氏距离d_{ij}=\sqrt{(x_i-x_j)^2+(y_i-y_j)^2}。通过遍历轮廓上的所有对应点，计算出所有的距离值，然后对这些距离值进行统计分析，得到焊缝宽度的平均值和标准差等统计参数，以全面描述焊缝宽度的分布情况。4.3.2焊缝余高计算焊缝余高是指焊缝表面高出母材表面的那部分焊缝金属的高度，它对焊缝的力学性能和外观质量有重要影响。通过立体匹配和三维重构，可以获取焊缝表面高度信息，从而计算焊缝余高。在立体匹配阶段，利用双目视觉原理，对左右相机采集到的焊缝图像进行匹配，找到左右图像中对应的像素点。常用的立体匹配算法如半全局匹配算法（SGBM），通过在一定的视差范围内搜索匹配点，计算匹配代价，并利用动态规划方法进行路径优化，以找到最佳的匹配结果。得到匹配点对后，根据三角测量原理，结合相机的内外参数和基线距离，计算出每个匹配点的三维坐标，从而实现焊缝表面的三维重构。在三维重构后的点云中，首先确定母材表面的高度平面。可以通过对母材区域的点云进行拟合，得到一个平面方程。然后，对于焊缝区域的每个点，计算其到母材表面高度平面的垂直距离，该距离即为该点处的焊缝余高。通过遍历焊缝区域的所有点，得到焊缝余高的分布情况，进而计算出焊缝余高的平均值、最大值、最小值等统计参数，以评估焊缝余高的质量。例如，假设通过立体匹配和三维重构得到了焊缝表面点云的三维坐标(X,Y,Z)，以及母材表面高度平面的方程Ax+By+Cz+D=0。对于焊缝区域的每个点(X_i,Y_i,Z_i)，根据点到平面的距离公式h_i=\frac{|AX_i+BY_i+CZ_i+D|}{\sqrt{A^2+B^2+C^2}}，计算出该点处的焊缝余高h_i。对所有焊缝区域点的余高值进行统计分析，得到焊缝余高的相关参数，用于评价焊缝余高是否符合质量标准。4.3.3其他参数计算除了焊缝宽度和焊缝余高外，焊缝长度和熔敷面积等参数也是衡量焊缝成形质量的重要指标。焊缝长度的计算相对简单，在得到焊缝轮廓后，可以通过计算轮廓的周长来确定焊缝长度。在OpenCV中，可以使用arcLength函数来计算轮廓的周长。该函数通过对轮廓上的点进行遍历，计算相邻点之间的距离，并将所有距离相加，得到轮廓的周长，即焊缝长度。熔敷面积是指焊缝金属填充的面积，它反映了焊接过程中消耗的材料量和焊缝的饱满程度。计算熔敷面积时，首先根据焊缝轮廓确定焊缝区域，然后对焊缝区域进行填充，得到一个二值图像，其中焊缝区域为白色，背景区域为黑色。通过统计二值图像中白色像素的数量，并结合相机的标定参数，将像素数量转换为实际的面积单位，从而得到熔敷面积。例如，假设相机标定得到的像素与实际尺寸的转换比例为k，二值图像中白色像素的数量为n，则熔敷面积S=n\timesk^2。通过准确计算焊缝宽度、焊缝余高、焊缝长度和熔敷面积等参数，可以全面地评价焊缝的成形质量，为焊接工艺的优化和质量控制提供有力的依据。五、焊缝成形质量评价模型构建5.1影响焊缝成形的因素分析焊接过程是一个复杂的物理化学过程，受到多种因素的综合影响。这些因素相互作用，共同决定了焊缝的成形质量。深入了解影响焊缝成形的因素，对于优化焊接工艺、提高焊缝质量具有重要意义。焊接电流作为关键工艺参数，对焊缝熔深和余高影响显著。当焊接电流增大时，工件上的电弧力和热输入均增大，热源位置下移，使得熔深增大，熔深与焊接电流近似成正比关系。同时，焊丝熔化量也近似成比例增多，由于熔宽变化较小，所以余高增大。然而，若焊接电流过大，会导致焊缝出现咬边、烧穿等缺陷；电流过小，则容易产生未焊透、夹渣等问题，严重影响焊缝质量。电弧电压主要影响焊缝的宽度。当电弧电压增大，电弧功率加大，工件热输入有所增加，同时弧长拉长，分布半径增大，从而使得熔深略有减小而熔宽增大。由于熔宽增大，焊丝熔化量却稍有减小，所以余高减小。但电弧电压过大，同样会产生咬边、烧穿等缺陷；电压过小，容易粘住电极并导致未焊透等问题。焊接速度直接影响焊接生产率，同时对焊缝成形也有重要影响。焊接速度过快，会使熔深和余高减小，容易产生咬边和未焊透等缺陷；焊接速度过慢，则焊缝宽度增加，余高过大，容易出现烧穿和夹渣等问题。因此，选择合适的焊接速度对于保证焊缝成形质量至关重要。除了上述主要工艺参数外，材料特性也对焊缝成形有着重要影响。不同的金属材料具有不同的物理和化学特性，如熔点、热导率、膨胀系数等，这些特性会影响焊接过程中的热传导、熔池形成及焊缝结晶等。例如，铝合金导热性好，在焊接时需要采用较大的焊接电流和较慢的焊接速度，同时采用预热和后热措施，以减少热裂纹倾向。环境因素同样不可忽视。温度、湿度、风速等环境条件会对焊接过程稳定性和焊缝质量产生影响。在低温环境下，材料容易变脆，增加焊接裂纹的产生风险；湿度较大时，焊缝中容易产生气孔；风速过大，会破坏保护气体的保护效果，导致焊缝氧化和气孔等缺陷。5.2焊缝外观缺陷与成形参数关系焊缝外观缺陷是衡量焊缝成形质量的重要指标，与焊缝成形参数密切相关。深入探究它们之间的关系，有助于及时发现和解决焊缝质量问题，提高焊接质量。咬边是一种常见的焊缝外观缺陷，表现为焊缝边缘母材被电弧熔化后未得到熔敷金属的补充，从而在焊缝边缘形成凹陷或沟槽。焊接电流过大、电弧电压过高、焊接速度过快等因素都可能导致咬边的产生。当焊接电流过大时，电弧力和热输入过大，使焊缝边缘的母材过度熔化，而此时熔敷金属的填充不足，就容易形成咬边。电弧电压过高会使电弧拉长，热量分散，导致焊缝边缘熔化不均匀，也增加了咬边的可能性。焊接速度过快则会使熔敷金属来不及填充焊缝边缘，同样容易引发咬边。未焊透是指焊接时接头根部未完全熔透的现象，严重影响焊缝的强度和密封性。焊接电流过小、电弧电压过低、焊接速度过快以及坡口角度过小、钝边过大等因素都可能导致未焊透。焊接电流过小，电弧力和热输入不足，无法使母材充分熔化，从而导致未焊透。电弧电压过低，电弧长度短，热量集中在较小区域，难以使焊缝根部完全熔透。焊接速度过快，热量来不及充分传递到焊缝根部，也容易造成未焊透。气孔是指焊接时，熔池中的气体在凝固时未能逸出而残留下来所形成的空穴。气孔的存在会降低焊缝的强度和致密性。焊接过程中，气体来源主要包括母材表面的油污、铁锈、水分等杂质，以及保护气体的不纯等。当焊接电流过大、电弧电压过高、焊接速度过快时，会使熔池的凝固速度加快，气体来不及逸出，从而增加气孔产生的概率。此外，保护气体流量不足或保护效果不佳，也会使空气侵入熔池，导致气孔的形成。裂纹是焊缝中最严重的缺陷之一，它会显著降低焊缝的强度和韧性，甚至可能导致焊接结构的失效。裂纹的产生与多种因素有关，包括焊接材料的化学成分、焊接工艺参数、焊件的结构设计以及焊接过程中的应力状态等。在焊接高强度钢等材料时，由于其对裂纹的敏感性较高，若焊接工艺参数选择不当，如焊接电流过大、焊接速度过快导致冷却速度过快，或者在焊接过程中产生较大的焊接应力，都容易引发裂纹。此外，焊件的结构设计不合理，存在应力集中区域，也会增加裂纹产生的风险。5.3质量评价模型建立与验证5.3.1评价指标选取为了准确评价焊缝成形质量，需要选择合适的评价指标。焊缝宽度、余高和熔敷均匀性等参数能够直观地反映焊缝的几何形状和质量状况，因此被确定为评价焊缝成形质量的关键指标。焊缝宽度直接影响焊缝的承载能力和密封性。合适的焊缝宽度能够保证焊缝与母材之间的良好结合，提高焊接接头的强度。如果焊缝宽度过窄，可能导致焊缝强度不足，容易出现开裂等问题；焊缝宽度过宽，则会增加焊接材料的消耗，降低生产效率，同时也可能影响焊缝的美观度。通过精确测量焊缝宽度，并与标准要求进行对比，可以判断焊缝宽度是否符合质量标准。焊缝余高对焊缝的力学性能和外观质量有重要影响。适当的焊缝余高可以增强焊缝的强度，但过高的余高会使焊缝表面不平整，增加应力集中的风险，降低焊缝的疲劳强度。此外，余高过大还会影响焊件的外观，需要进行额外的打磨等处理，增加生产成本。因此，控制焊缝余高在合理范围内对于保证焊缝质量至关重要。熔敷均匀性反映了焊接过程中熔敷金属在焊缝中的分布情况。熔敷均匀性好的焊缝，其内部组织均匀，力学性能稳定。如果熔敷不均匀，可能导致焊缝内部出现应力集中、气孔、夹渣等缺陷，降低焊缝的质量。通过分析焊缝不同位置的熔敷金属厚度、成分等参数，可以评估熔敷均匀性。5.3.2模型构建方法本研究运用支持向量机（SVM）和神经网络等算法构建焊缝成形质量评价模型。这些算法具有强大的非线性映射能力和学习能力，能够有效地处理复杂的焊缝成形质量评价问题。支持向量机（SVM）是一种基于统计学习理论的机器学习算法，它通过寻找一个最优分类超平面，将不同类别的样本分开。在焊缝成形质量评价中，SVM可以将焊缝的各项参数（如焊接电流、电压、速度、焊缝宽度、余高、熔敷均匀性等）作为输入特征，将焊缝的质量等级（如合格、不合格）作为输出标签，通过训练建立输入特征与输出标签之间的映射关系。SVM具有良好的泛化能力和抗干扰能力，能够在有限的样本数据下取得较好的分类效果。神经网络是一种模拟人类大脑神经元结构和功能的计算模型，它由多个神经元组成，通过神经元之间的连接权重来传递和处理信息。在焊缝成形质量评价中，常用的神经网络模型包括多层感知器（MLP）和卷积神经网络（CNN）等。多层感知器是一种前馈神经网络，它通过多个隐藏层对输入数据进行非线性变换，从而实现对复杂模式的学习和分类。卷积神经网络则是专门为处理图像数据而设计的神经网络，它通过卷积层、池化层和全连接层等结构，自动提取图像的特征，对于处理焊缝图像数据具有独特的优势。通过将焊缝图像数据或焊缝参数数据输入神经网络，经过训练后，神经网络可以学习到焊缝成形质量与输入数据之间的内在关系，从而实现对焊缝成形质量的准确评价。5.3.3模型验证与优化为了确保构建的焊缝成形质量评价模型的准确性和可靠性，需要通过实验数据对模型进行验证，并利用交叉验证、参数调整等方法优化模型性能。在模型验证过程中，将实验采集到的焊缝图像数据和对应的焊缝成形参数以及质量等级标注划分为训练集、验证集和测试集。训练集用于训练模型，使模型学习到焊缝成形质量与各项参数之间的关系；验证集用于调整模型的超参数，如神经网络的隐藏层节点数、学习率等，以防止模型过拟合；测试集用于评估模型的性能，计算模型的准确率、召回率、F1值等指标，判断模型对未知样本的预测能力。交叉验证是一种常用的模型评估方法，它将数据集划分为多个子集，每次使用其中一个子集作为测试集，其余子集作为训练集，重复进行多次训练和测试，最后将多次测试的结果进行平均，以得到更准确的模型性能评估。例如，常见的k折交叉验证将数据集划分为k个子集，依次将每个子集作为测试集，进行k次训练和测试，这样可以充分利用数据集的信息，减少因数据集划分而导致的误差。参数调整是优化模型性能的重要手段。对于支持向量机模型，需要调整的参数包括核函数类型、惩罚参数C和核函数参数等。不同的核函数具有不同的特性，适用于不同类型的数据分布，通过选择合适的核函数，可以提高模型的拟合能力。惩罚参数C用于平衡模型的复杂度和分类误差，C值越大，对误分类的惩罚越大，模型越复杂；C值越小，模型越简单，但可能会导致分类误差增大。通过调整C值，可以找到一个合适的平衡点，使模型在训练集和测试集上都能取得较好的性能。对于神经网络模型，需要调整的参数包括隐藏层节点数、学习率、迭代次数等。隐藏层节点数决定了神经网络的复杂度，节点数过多可能导致过拟合，节点数过少则可能导致模型学习能力不足。学习率控制着神经网络训练过程中参数更新的步长，学习率过大可能导致模型无法收敛，学习率过小则会使训练过程变得缓慢。通过不断调整这些参数，找到最优的参数组合，从而提高模型的性能。通过对模型进行验证和优化，可以不断提高模型的准确性和鲁棒性，使其能够更好地应用于实际生产中的焊缝成形质量评价，为焊接工艺的优化和质量控制提供有力的支持。六、实验验证与结果分析6.1实验设计与实施6.1.1实验材料与设备为全面验证焊缝成形的双目视觉评判方法的有效性和准确性，本研究精心准备了一系列实验材料与设备。在实验材料方面，选用了两种常见的金属材料作为焊接试件，分别是Q235碳钢和304不锈钢。Q235碳钢具有良好的焊接性能和广泛的应用领域，常用于一般机械零件、建筑结构等；304不锈钢则因其优异的耐腐蚀性和抗氧化性，在化工、食品、医疗等行业中被大量使用。对于Q235碳钢，准备了尺寸为200mm×100mm×5mm的板材，其化学成分和力学性能符合相关国家标准，碳含量约为0.12%-0.20%，屈服强度不低于235MPa，抗拉强度为370-500MPa。304不锈钢板材尺寸为150mm×80mm×3mm，其主要合金元素铬含量约为18%-20%，镍含量约为8%-10.5%，具有良好的耐腐蚀性和加工性能。在焊接设备上，采用了高性能的熔化极气体保护焊机（MIG），该焊机具有稳定的焊接电流和电压输出，能够精确控制焊接过程中的各项参数。焊机的型号为[具体型号]，其焊接电流调节范围为50-500A，焊接电压调节范围为15-40V，可满足不同焊接工艺的需求。保护气体选用纯度为99.99%的氩气，能够有效保护焊接区域，防止金属氧化，确保焊接质量。同时，搭建了基于前文所述的硬件与软件架构的双目视觉评判系统，该系统硬件包括高分辨率的MV-3000UC工业数字相机、低畸变的VS-0814M镜头、提供均匀照明的VS-RL200白色条形光源及其控制器，以及具备强大数据处理能力的计算机；软件则涵盖了图像采集、传输、处理与分析等功能模块，能够实现对焊缝图像的快速采集、精确处理和参数提取。6.1.2实验方案制定本实验设计了多组不同焊接工艺参数下的实验，以全面探究焊接工艺参数对焊缝成形的影响，并验证双目视觉评判方法的准确性。具体焊接工艺参数设置如下：焊接电流：设置了120A、150A、180A三个水平，焊接电流是影响焊缝熔深和余高的关键参数，不同的电流值将导致不同的热输入和电弧力，从而影响焊缝的成形。电弧电压：选取18V、20V、22V作为实验水平，电弧电压主要影响焊缝的宽度，通过改变电弧电压，可以观察焊缝宽度的变化情况。焊接速度：设定为200mm/min、250mm/min、300mm/min，焊接速度对焊缝的熔深、余高和宽度都有重要影响，不同的焊接速度将改变单位长度上的热输入和熔敷金属量。在实验过程中，针对每种焊接工艺参数组合，对Q235碳钢和304不锈钢试件分别进行焊接，并使用搭建的双目视觉评判系统采集焊缝图像。在采集图像时，调整相机的位置和角度，确保能够清晰地拍摄到焊缝的全貌。同时，记录下每次焊接的工艺参数和相关数据，如焊接时间、保护气体流量等。为了提高实验结果的可靠性，每种焊接工艺参数组合下的实验重复进行3次，取平均值作为最终的测量结果。在实验结束后，对采集到的焊缝图像进行预处理、特征提取和参数计算，分析不同焊接工艺参数对焊缝宽度、余高、长度等成形参数的影响规律，并利用构建的质量评价模型对焊缝质量进行评判，与实际情况进行对比验证。6.2实验结果分析6.2.1焊缝成形参数测量结果通过对不同焊接工艺参数下的焊缝图像进行处理和分析，得到了焊缝宽度、余高、长度等参数的测量数据，具体结果如下表所示：试件材料焊接电流(A)电弧电压(V)焊接速度(mm/min)焊缝宽度(mm)焊缝余高(mm)焊缝长度(mm)Q235碳钢120182006.2±0.21.5±0.1198.5±1.2Q235碳钢120182505.8±0.21.3±0.1198.2±1.1Q235碳钢120183005.5±0.21.1±0.1197.8±1.0Q235碳钢120202006.5±0.21.6±0.1198.6±1.2Q235碳钢120202506.1±0.21.4±0.1198.3±1.1Q235碳钢120203005.8±0.21.2±0.1198.0±1.0Q235碳钢120222006.8±0.21.7±0.1198.8±1.2Q235碳钢120222506.4±0.21.5±0.1198.5±1.1Q235碳钢120223006.1±0.21.3±0.1198.2±1.0Q235碳钢150182007.0±0.21.8±0.1198.9±1.2Q235碳钢150182506.6±0.21.6±0.1198.6±1.1Q235碳钢150183006.3±0.21.4±0.1198.3±1.0Q235碳钢150202007.3±0.21.9±0.1199.0±1.2Q235碳钢150202506.9±0.21.7±0.1198.7±1.1Q235碳钢150203006.6±0.21.5±0.1198.4±1.0Q235碳钢150222007.6±0.22.0±0.1199.2±1.2Q235碳钢150222507.2±0.21.8±0.1198.9±1.1Q235碳钢150223006.9±0.21.6±0.1198.6±1.0Q235碳钢180182007.8±0.22.2±0.1199.4±1.2Q235碳钢180182507.4±0.22.0±0.1199.1±1.1Q235碳钢180183007.1±0.21.8±0.1198.8±1.0Q235碳钢180202008.1±0.22.3±0.1199.5±1.2Q235碳钢180202507.7±0.22.1±0.1199.2±1.1Q235碳钢180203007.4±0.21.9±0.1198.9±1.0Q235碳钢180222008.4±0.22.4±0.1199.7±1.2Q235碳钢180222508.0±0.22.2±0.1199.4±1.1Q235碳钢180223007.7±0.22.0±0.1199.1±1.0304不锈钢120182005.8±0.21.4±0.1148.5±1.0304不锈钢120182505.4±0.21.2±0.1148.2±0.9304不锈钢120183005.1±0.21.0±0.1147.8±0.8304不锈钢120202006.1±0.21.5±0.1148.6±1.0304不锈钢120202505.7±0.21.3±0.1148.3±0.9304不锈钢120203005.4±0.21.1±0.1148.0±0.8304不锈钢120222006.4±0.21.6±0.1148.8±1.0304不锈钢120222506.0±0.21.4±0.1148.5±0.9304不锈钢120223005.7±0.21.2±0.1148.2±0.8304不锈钢150182006.6±0.21.7±0.1148.9±1.0304不锈钢150182506.2±0.21.5±0.1148.6±0.9304不锈钢150183005.9±0.21.3±0.1148.3±0.8304不锈钢150202006.9±0.21.8±0.1149.0±1.0304不锈钢150202506.5±0.21.6±0.1148.7±0.9304不锈钢150203006.2±0.