基于双目视觉的焊缝成形精准评判方法探索

基于双目视觉的焊缝成形精准评判方法探索一、引言1.1研究背景与意义焊接工艺作为现代化生产中广泛应用的金属连接方式，在机械、电子、工程建筑、航空航天等诸多领域都发挥着不可或缺的作用。它能够将金属材料可靠地连接成一个整体，所形成的连接具有耐久性强、强度高的特点，是众多产品制造过程中的关键环节。例如在航空航天领域，飞机的机身、机翼、发动机等关键部件大量采用弧焊技术进行制造，以确保结构的轻量化和高强度要求；汽车制造行业中，车身的焊接组装直接影响着汽车的整体性能和安全性。据不完全统计，目前全世界年产量约45%的钢和大量有色金属都是通过焊接加工形成产品的。焊缝成形作为焊接质量的关键指标，对焊接接头的力学性能、密封性和耐腐蚀性等有着直接影响。良好的焊缝成形能够保证焊接接头具备足够的强度和韧性，确保工业产品在各种工况下安全可靠运行。相反，若焊缝成形不良，如出现焊缝宽窄不均、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，进而影响产品质量和使用寿命，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；桥梁建设中，焊接接头的质量问题可能危及桥梁结构安全，对人民生命财产造成巨大威胁。在实际生产中，焊接过程会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，实际焊接条件复杂多变，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。目前，焊缝成形的评判主要依靠人工目测方法，检验人员凭借经验对焊缝表面出现的咬边、根部未焊透、气孔、裂纹等缺陷加以判定。然而，由于检验人员的技能素质和经验存在差异，对质量检验标准的把握难免出现偏差，导致检验结果受主观因素影响较大，稳定性差，评判的定量精度也难以保证。这种传统的评价方法无法满足焊接生产自动化和精量化的发展需求。随着工业自动化和智能制造的快速发展，对焊接质量和生产效率提出了更高要求。双目视觉技术作为一种模拟人类双眼视觉的立体视觉技术，能够通过两个相机从不同角度获取物体的图像信息，进而恢复出物体的三维信息。将其应用于焊缝成形评判，可提供精确的焊缝位置和形状信息，为后续焊接过程提供可靠依据，对提升焊接质量和效率具有重要意义。它能够实现对焊缝的实时监测和精确评判，及时发现焊接过程中的问题并进行调整，有助于提高焊接生产的自动化和智能化水平，满足现代制造业对焊接质量和生产效率的严格要求。1.2国内外研究现状在焊缝成形评判方法的研究方面，国内外学者进行了大量工作。早期主要集中在基于焊接工艺参数的分析来间接评估焊缝成形质量，通过建立焊接电流、电压、焊接速度等参数与焊缝成形之间的数学模型，预测焊缝的形状和质量。然而，由于焊接过程的复杂性和多因素交互作用，这种方法的准确性和可靠性受到一定限制。随着计算机技术和图像处理技术的发展，基于视觉的焊缝检测方法逐渐成为研究热点。国外在这方面起步较早，一些先进的工业国家如德国、日本等，已经将视觉检测技术广泛应用于汽车制造、航空航天等高端制造业的焊接生产线上。他们研发的视觉检测系统能够实现对焊缝的高精度检测和实时监控，通过对焊缝图像的处理和分析，提取焊缝的几何特征和缺陷信息，进而对焊缝成形质量进行评判。例如，德国某公司开发的基于结构光的焊缝检测系统，利用结构光投射到焊缝表面，通过相机获取反射光图像，经过图像处理算法计算出焊缝的三维形状和尺寸，能够快速准确地检测出焊缝的各种缺陷。国内在焊缝视觉检测领域的研究也取得了显著进展。众多高校和科研机构针对不同的焊接工艺和应用场景，开展了深入研究。一方面，在硬件设备方面，不断提高相机的分辨率和帧率，研发更适合焊缝检测的光源和光学系统，以获取高质量的焊缝图像；另一方面，在图像处理算法和模式识别技术上不断创新，提出了一系列有效的焊缝特征提取和识别方法。如一些研究采用深度学习算法，如卷积神经网络（CNN），对大量的焊缝图像进行训练，实现了对焊缝缺陷的自动分类和识别，提高了检测的准确性和效率。在双目视觉技术应用于焊缝检测方面，国内外都取得了不少成果。双目视觉技术能够获取焊缝的三维信息，在焊缝定位、形状检测和缺陷识别等方面具有独特优势。国外的一些研究通过优化双目相机的标定方法和立体匹配算法，提高了焊缝三维信息的测量精度。国内也有许多学者致力于此，通过改进图像处理流程和算法模型，提升了双目视觉焊缝检测系统的性能和适应性。例如，有研究提出了一种基于特征点匹配和区域生长相结合的立体匹配算法，提高了焊缝图像匹配的准确性和可靠性，从而更精确地获取焊缝的三维形状信息。尽管国内外在焊缝成形评判和双目视觉技术应用于焊缝检测方面取得了一定成果，但现有研究仍存在一些不足。部分检测系统对复杂环境的适应性较差，在强弧光、高温、烟尘等恶劣焊接环境下，图像质量容易受到干扰，导致检测精度下降；一些算法模型的计算复杂度较高，难以满足实时检测的要求；而且不同焊接工艺和材料的通用性问题也有待进一步解决，目前的检测方法往往针对特定的焊接条件进行设计，对于不同类型的焊接难以实现统一有效的检测和评判。因此，本文旨在针对这些不足，深入研究基于双目视觉的焊缝成形评判方法，提高焊缝检测的精度、实时性和通用性。1.3研究目标与内容本研究旨在建立一种高效、准确的基于双目视觉的焊缝成形评判方法，以满足现代焊接生产对质量和效率的要求。具体研究内容如下：搭建双目视觉焊缝检测系统：选择合适的工业数字相机、镜头、光源及其控制器等硬件设备，构建一套用于评判和检测焊缝成形的计算机双目立体视觉系统。设计合理的系统架构，确保能够稳定、准确地获取焊缝表面成形图像，并通过USB接口将采集的视觉图像传输至计算机。开发相应的视觉图像处理软件，实现焊缝图像的显示、存储、预处理和焊缝成形参数的提取等功能。焊缝图像的处理与参数提取：对摄像机进行标定，获取两摄像机的内、外参数及投影矩阵，建立测量坐标系，得到图像像素位置与三维场景位置间的关系，以及被测焊缝所处的物理坐标系与其成像坐标系之间的转换关系。根据投影矩阵的变换校正摄像机模型，简化后期计算。对采集到的焊缝图像进行校正、锐化、平滑等预处理操作，增强焊缝的轮廓特征。采用合适的图像分割算法对焊缝区域进行分割，提取焊缝的长度、宽度等平面信息。通过立体匹配和表面三维重构技术，提取焊缝表面高度信息，获取如焊缝余高等参数，为焊缝成形评判提供数据基础。建立焊缝成形质量评价体系：分析影响焊缝成形的主要因素，包括焊接电流、电压、焊接速度等焊接规范参数，以及坡口尺寸、间隙大小、电极和工件的倾角等其他工艺因素。探究焊缝主要外观缺陷（如咬边、气孔、裂纹等）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，结合双目视觉获取的焊缝参数，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，实现对焊缝成形质量的量化评价。焊接规范参数与焊缝评价指标关系分析：研究焊接规范参数与焊缝主要评价指标（如焊缝平均宽度、平均余高）之间的关系，采用合适的数据分析方法和模型，如支持向量机（SVM）回归预测模型，以焊接电流、焊接电压、焊接速度为输入向量，分别以焊缝平均宽度和平均余高为输出向量，建立预测模型。通过实验数据对模型进行训练和验证，分析模型对评价指标的预测准确性，为焊接过程的优化控制提供理论依据。1.4研究方法与技术路线本研究采用实验研究与理论分析相结合的方法。在实验方面，搭建实际的双目视觉焊缝检测系统，进行大量的焊接实验，采集不同焊接工艺参数和工况下的焊缝图像数据，为理论分析和模型建立提供实际数据支持。在理论分析方面，深入研究双目视觉原理、图像处理算法、模式识别技术以及焊接工艺知识，对实验数据进行处理和分析，建立相关的数学模型和评价体系。技术路线如下：首先，根据研究目标和需求，搭建双目视觉焊缝检测系统，包括硬件设备的选型和安装调试，以及软件系统的开发。然后，利用搭建好的系统进行焊缝图像采集，对采集到的图像进行预处理，去除噪声和干扰，增强图像特征。接着，通过摄像机标定和图像校正，建立测量坐标系，为后续的参数提取和分析奠定基础。在图像预处理和坐标系建立的基础上，采用合适的算法提取焊缝的各种参数，包括平面参数和高度参数。之后，分析影响焊缝成形的因素，建立焊缝成形质量评价体系，并研究焊接规范参数与焊缝评价指标之间的关系，建立预测模型。最后，对建立的模型和评价体系进行实验验证和优化，不断提高其准确性和可靠性。整个技术路线是一个从实验数据采集到理论分析、模型建立，再到实验验证和优化的循环过程，确保研究结果的科学性和实用性。二、双目视觉技术基础与焊缝成形原理2.1双目视觉技术原理双目视觉技术模仿人类双眼感知物体的方式，通过两个相机从不同角度对同一物体进行拍摄，获取物体的两幅图像，进而利用图像对应点间的位置偏差来计算物体的三维几何信息。其基本原理基于三角测量原理和视差计算。在双目视觉系统中，相机成像模型是理解和计算的基础。通常采用针孔相机模型来近似描述相机的成像过程，该模型基于小孔成像原理，假设光线沿直线传播，相机镜头等效为一个小孔，物体通过小孔在成像平面上形成倒立的实像。在该模型中，涉及到多个坐标系，包括世界坐标系、相机坐标系、图像坐标系和像素坐标系。世界坐标系是一个全局的三维坐标系，用于描述物体在真实世界中的位置；相机坐标系是以相机光心为原点建立的三维坐标系，物体在世界坐标系下的坐标可通过旋转和平移变换转换到相机坐标系下；图像坐标系是一个二维坐标系，位于相机成像平面上，用于描述物体在成像平面上的投影位置；像素坐标系则是以图像左上角为原点，以像素为单位的二维坐标系，用于描述图像中像素的位置。这些坐标系之间的转换关系可通过一系列矩阵运算来实现，如旋转矩阵、平移矩阵和内参矩阵等。其中，内参矩阵包含了相机的固有参数，如焦距、主点位置等，它反映了相机的内部特性；外参矩阵则描述了相机坐标系相对于世界坐标系的位置和姿态。视差计算是双目视觉获取三维信息的关键步骤。当两个相机对同一物体进行拍摄时，由于相机位置的不同，物体在两个图像上的成像位置会存在差异，这个差异即为视差。具体来说，对于空间中的某一点P，在左相机图像上的成像点为Pl，在右相机图像上的成像点为Pr，Pl和Pr之间的水平位移即为视差d。根据相似三角形原理，可建立视差与物体深度之间的关系。假设两相机的基线长度（即两相机光心之间的距离）为B，焦距为f，则物体到相机的距离Z可通过公式Z=\frac{B\cdotf}{d}计算得出。这表明，视差越大，物体距离相机越近；视差越小，物体距离相机越远。在实际应用中，为了准确计算视差，需要进行立体匹配，即寻找左、右图像中对应点的过程。立体匹配算法种类繁多，常见的有基于特征的匹配算法和基于区域的匹配算法。基于特征的匹配算法先提取图像中的特征点，如角点、边缘点等，然后通过比较特征点的描述子来寻找对应点。这种算法对图像的变化具有较强的鲁棒性，但计算复杂度较高，且特征点的提取可能会丢失部分信息。基于区域的匹配算法则是通过比较图像中一定区域内的像素值来寻找对应点，如采用绝对差之和（SAD）、归一化互相关（NCC）等方法计算区域相似度。该算法计算效率较高，但对噪声和光照变化较为敏感。为了提高匹配的准确性和效率，还可以结合多种算法，如先利用基于特征的算法进行粗匹配，再用基于区域的算法进行精匹配。三维重建是在获取视差图后，根据视差与深度的关系以及相机的内外参数，将二维图像中的像素点映射到三维空间中，从而恢复物体的三维形状和位置信息。常用的三维重建方法有点云重建和表面重建。点云重建直接将每个像素点对应的三维坐标存储为点云数据，点云数据能够直观地反映物体的三维结构，但数据量较大，且点与点之间缺乏拓扑关系。表面重建则是通过对三维点云进行处理，构建出物体的表面模型，如采用三角网格化、泊松重建等方法。这些方法能够生成更加光滑、连续的物体表面模型，便于后续的分析和处理。2.2焊缝成形原理及影响因素在焊接过程中，焊缝成形是一个复杂的物理过程，涉及到母材和填充金属的加热、熔化、混合、凝固等多个阶段。以常见的电弧焊为例，在电弧的高温作用下，母材局部迅速升温并达到熔点以上，填充金属（如焊丝）也被加热熔化，形成熔滴向母材方向过渡。母材熔化形成的液态金属与填充金属熔滴相互混合，共同组成具有一定几何形状的焊接熔池。随着电弧沿着焊件接缝不断移动，熔池也随之移动。在熔池移动过程中，电弧正下方的金属在电弧力的作用下被排向熔池尾部，并在电弧力、表面张力和本身重力的共同作用下与前部金属保持一定的液面差，使熔池保持一定的形状尺寸。当电弧离开后，熔池金属逐渐冷却凝固，最终形成焊缝。焊缝成形受到多种因素的影响，这些因素相互作用，共同决定了焊缝的质量和外观。焊接电流是影响焊缝成形的重要因素之一。在其他条件不变的情况下，随着焊接电流的增加，作用在焊件上的电弧力增大，电弧对焊件的热输入增加，热源位置下移，有利于热量向熔池深度方向传导，使得焊缝熔深显著增大，熔深与焊接电流近似成正比关系。同时，焊接电流增加会使焊芯或焊丝的熔化速度加快，焊丝熔化量增多，而熔宽增加相对较少，导致焊缝余高增大。但焊接电流过大时，可能会出现咬边、烧穿等缺陷，还可能导致焊缝组织过热，降低焊接接头的性能。电弧电压对焊缝成形也有显著影响。提高电弧电压，电弧功率相应增加，焊件输入的热量有所增加。然而，电弧电压的增加是通过增加电弧长度来实现的，电弧长度增加使得电弧热源半径增大，电弧散热增加，输入焊件的能量密度减小，因此熔深略有减小而熔宽增大。由于焊接电流不变时，焊丝的熔化量基本不变，焊缝余高会减小。为了得到合适的焊缝成形，在增大焊接电流的同时，需要适当提高电弧电压，确保两者具有恰当的匹配关系。焊接速度同样是影响焊缝成形的关键参数。提高焊接速度会导致焊接热输入减小，从而使焊缝熔宽和熔深都减小。由于单位长度焊缝上的焊丝金属熔敷量与焊接速度成反比，所以焊缝余高也会减小。焊接速度是评价焊接生产率的重要指标，提高焊接速度可以提高生产效率，但为了保证焊缝尺寸满足结构设计要求，在提高焊接速度的同时，需要相应提高焊接电流和电弧电压。需要注意的是，过高的焊接速度可能会导致焊缝出现未焊透、气孔等缺陷。除了焊接规范参数外，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热物理性能，如熔点、热导率、比热容等，这些性能会影响母材的熔化速度、熔池的冷却速度以及焊缝金属的结晶过程。例如，热导率高的材料在焊接时热量散失快，需要更高的热输入才能保证母材充分熔化和焊缝的良好成形；而熔点低的材料则相对容易熔化，但可能会导致焊缝金属的流动性过大，影响焊缝的形状和尺寸控制。材料的化学成分也会影响焊缝的冶金过程，如某些合金元素的存在可能会促进或抑制焊缝中的化学反应，进而影响焊缝的组织和性能。保护气体在焊接过程中也起着不可或缺的作用。保护气体的主要作用是保护焊接区域免受周围空气的污染，防止空气中的氧气、氮气等对焊缝金属产生不良影响。不同的保护气体具有不同的物理和化学性质，会对焊接电弧的稳定性、熔滴过渡形式以及焊缝成形产生不同的影响。例如，惰性气体（如氩气、氦气）常用于惰性气体保护焊，它们化学性质稳定，能够有效地隔绝空气，保证焊缝金属的纯净度，使焊缝成形美观；而活性气体（如二氧化碳）常用于二氧化碳气体保护焊，二氧化碳在高温下会分解产生氧气，具有一定的氧化性，会对焊缝金属的化学成分和性能产生影响，同时也会影响熔滴过渡和焊缝成形。在选择保护气体时，需要根据焊接材料、焊接工艺和焊缝质量要求等因素综合考虑。2.3传统焊缝成形评判方法分析传统的焊缝成形评判方法主要包括目视检测、标尺量测和无损检测等，这些方法在焊接生产中有着广泛的应用，但也各自存在一定的优缺点。目视检测是最常用的焊缝成形评判方法之一，它主要依靠检验人员的肉眼观察来判断焊缝的外观质量。检验人员通过直接观察焊缝的表面状况，如焊缝的形状、尺寸、颜色、表面粗糙度等，来评估焊缝是否存在缺陷，如咬边、气孔、裂纹、未焊透等。这种方法具有操作简单、直观、成本低等优点，不需要复杂的设备和专业的技术知识，能够快速地对焊缝进行初步检查。然而，目视检测的准确性和可靠性在很大程度上取决于检验人员的经验和技能水平，不同的检验人员可能会因为观察角度、判断标准等因素的差异而得出不同的结论，存在较大的主观误差。对于一些微小的缺陷或内部缺陷，目视检测很难发现，容易导致漏检。标尺量测是通过使用量具（如直尺、卡尺、焊缝检验尺等）对焊缝的尺寸进行测量，以评估焊缝的成形是否符合设计要求。这种方法可以较为准确地测量焊缝的宽度、余高、错边量等尺寸参数，为焊缝质量的评估提供定量的数据支持。与目视检测相比，标尺量测具有较高的精度和客观性，能够更准确地判断焊缝尺寸是否合格。但是，标尺量测只能测量焊缝的表面尺寸，对于焊缝内部的缺陷和质量状况无法检测。而且，在测量过程中，需要对焊缝进行接触式测量，可能会对焊缝表面造成一定的损伤。此外，标尺量测的效率较低，对于大量的焊缝检测任务，需要耗费较多的时间和人力。无损检测是在不损坏被检测对象的前提下，采用各种物理方法对焊缝内部的缺陷和质量状况进行检测的技术。常见的无损检测方法包括超声检测、射线检测、磁粉检测、渗透检测等。超声检测利用超声波在材料中的传播特性，当超声波遇到缺陷时会发生反射、折射和散射等现象，通过检测这些信号的变化来判断焊缝内部是否存在缺陷，并确定缺陷的位置、大小和形状。超声检测具有检测灵敏度高、穿透能力强、对人体无害等优点，能够检测出焊缝内部的各种缺陷，如裂纹、气孔、夹渣等。但是，超声检测对缺陷的定性和定量分析相对较难，检测结果受操作人员的技术水平和经验影响较大，且对形状复杂的焊缝检测效果不佳。射线检测则是利用射线（如X射线、γ射线）对焊缝进行穿透照射，当射线穿过焊缝时，由于缺陷部位与正常部位对射线的吸收程度不同，在射线底片上会形成不同的影像，通过观察和分析这些影像来判断焊缝内部的缺陷情况。射线检测能够直观地显示焊缝内部缺陷的形状和位置，对缺陷的定性和定量分析较为准确，检测结果具有较高的可靠性。然而，射线检测设备昂贵，检测成本高，检测过程需要严格的防护措施，以避免射线对人体造成伤害。射线检测对微小裂纹等缺陷的检测灵敏度相对较低，且检测速度较慢，不适用于在线检测。磁粉检测主要用于检测铁磁性材料表面和近表面的缺陷。当被检测工件被磁化后，若表面或近表面存在缺陷，会在缺陷处产生漏磁场，通过施加磁粉，磁粉会被漏磁场吸附，从而显示出缺陷的位置和形状。磁粉检测具有检测灵敏度高、操作简单、检测速度快等优点，能够清晰地显示出缺陷的轮廓。但是，磁粉检测只适用于铁磁性材料，对非铁磁性材料无法检测，且只能检测表面和近表面的缺陷，对内部缺陷无能为力。渗透检测是利用液体的渗透作用，将含有色染料或荧光剂的渗透液涂覆在焊缝表面，使渗透液渗入缺陷中，然后去除表面多余的渗透液，再施加显像剂，缺陷中的渗透液被显像剂吸附并显示出来，从而发现缺陷。渗透检测适用于各种材料表面开口缺陷的检测，检测灵敏度较高，能够检测出微小的裂纹和气孔等缺陷。然而，渗透检测前需要对焊缝表面进行严格的清洁和预处理，检测过程较为繁琐，检测后需要对工件进行清洗，以去除残留的渗透液和显像剂。渗透检测只能检测表面开口缺陷，对于内部缺陷无法检测。传统的焊缝成形评判方法在精度、效率和自动化程度方面存在一定的局限性。目视检测和标尺量测主要依赖人工操作，精度受人为因素影响较大，效率较低，难以满足大规模生产和自动化生产的需求。无损检测虽然能够检测焊缝内部的缺陷，但设备复杂、成本高，检测速度慢，部分检测方法对操作人员的技术要求较高，也不利于实现自动化检测。因此，随着工业自动化和智能制造的发展，需要探索更加先进、高效、准确的焊缝成形评判方法，以满足现代焊接生产对质量和效率的要求。三、基于双目视觉的焊缝图像采集与处理系统搭建3.1双目视觉硬件系统设计3.1.1相机选型与参数确定相机作为双目视觉系统获取图像信息的关键设备，其性能直接影响着焊缝检测的精度和效果。在相机选型时，需综合考虑分辨率、帧率、灵敏度等多个因素。分辨率是相机的重要参数之一，它决定了相机能够分辨物体细节的能力。对于焊缝检测而言，较高的分辨率能够更清晰地捕捉焊缝的细微特征，为后续的图像处理和分析提供更丰富的信息。一般来说，工业相机的分辨率从几百万像素到几千万像素不等。考虑到焊缝检测对细节的要求，本研究选用分辨率为500万像素的工业相机，其图像分辨率可达2448×2048像素，能够满足对焊缝表面微小缺陷和几何特征的检测需求。帧率则决定了相机在单位时间内能够拍摄的图像数量，对于动态的焊接过程，较高的帧率能够实现对焊缝的实时监测和跟踪。在焊接过程中，焊缝的形态和位置可能会随着时间快速变化，如果相机帧率过低，可能会丢失关键信息，导致检测结果不准确。本研究选择帧率为30fps的相机，能够在一定程度上满足实时检测的要求。在实际应用中，若焊接速度较快或对实时性要求更高，可选择帧率更高的相机。灵敏度反映了相机对光线的敏感程度，在焊接现场复杂的光照环境下，高灵敏度的相机能够在较暗的光线下获取清晰的图像。焊接过程中，会产生强烈的弧光、烟尘等，这些因素会对相机的成像产生干扰，导致图像质量下降。因此，需要选择具有高灵敏度和良好抗干扰能力的相机。本研究选用的相机采用了高性能的图像传感器，具有较高的灵敏度和动态范围，能够在焊接现场的复杂光照条件下稳定工作。此外，相机的接口类型也需要考虑，常见的接口有USB、以太网等。USB接口具有传输速度快、连接方便等优点，适用于数据量较小的图像传输；以太网接口则具有传输距离远、数据传输稳定等优势，适合大数据量的实时传输。本研究根据实际需求，选择了USB3.0接口的相机，其数据传输速度可达5Gbps，能够满足高速图像传输的要求。3.1.2镜头选择与配置镜头的选择对于获取高质量的焊缝图像同样至关重要，它直接影响着相机的视场角、焦距、畸变等参数，进而影响焊缝检测的精度和范围。视场角决定了相机能够观察到的物体范围，在焊缝检测中，需要根据焊缝的尺寸和检测要求选择合适视场角的镜头。如果视场角过小，可能无法完整地拍摄到焊缝；而视场角过大，则可能会引入过多的背景信息，增加图像处理的难度。本研究根据焊缝的尺寸和相机的安装位置，选择了视场角为40°的镜头，能够在保证完整拍摄焊缝的同时，尽量减少背景信息的干扰。焦距是镜头的另一个重要参数，它与视场角密切相关。焦距较短的镜头视场角较大，适合拍摄较大范围的场景，但对物体细节的分辨能力相对较弱；焦距较长的镜头视场角较小，能够突出物体的细节，但拍摄范围相对较窄。在焊缝检测中，需要根据对焊缝细节的检测精度要求和拍摄距离来选择合适的焦距。经过计算和实际测试，本研究选用了焦距为12mm的镜头，能够在满足检测精度要求的前提下，对焊缝进行清晰成像。镜头畸变是指镜头成像时产生的图像变形现象，分为桶形畸变和枕形畸变等。畸变会导致图像中的物体形状发生改变，影响焊缝尺寸和形状的测量精度。因此，在选择镜头时，需要尽量选择畸变较小的镜头。本研究选用的镜头采用了先进的光学设计和制造工艺，畸变控制在0.1%以内，能够有效减少畸变对检测结果的影响。在镜头与相机的配置方面，需要确保镜头的接口类型与相机的接口相匹配。常见的镜头接口有C接口、CS接口等，本研究选用的相机和镜头均采用C接口，通过转接环可以方便地进行连接。同时，还需要调整镜头的光圈和对焦参数，以获得清晰、对比度适中的图像。光圈大小决定了镜头的进光量，通过调整光圈可以控制图像的亮度和景深。在焊接现场，由于光照条件复杂，需要根据实际情况适当调整光圈大小，以保证图像的质量。对焦则是使焊缝在图像中呈现出最清晰的状态，通过手动或自动对焦的方式，确保镜头能够准确地聚焦在焊缝上。3.1.3光源设计与布局光源在焊缝图像采集过程中起着关键作用，合适的光源能够增强焊缝与背景之间的对比度，提高图像的质量，从而有利于后续的图像处理和分析。不同类型的光源对焊缝成像有着不同的影响。常见的光源类型有LED光源、卤素光源、激光光源等。LED光源具有发光效率高、寿命长、稳定性好、发热量低等优点，且可以通过调整LED的颜色和亮度来满足不同的检测需求，因此在工业视觉检测中得到了广泛应用。卤素光源发光强度高，能够提供均匀的照明，但发热量较大，长时间使用可能会对相机和其他设备造成影响。激光光源具有方向性好、亮度高、单色性强等特点，常用于需要高精度测量和三维重建的场合，但成本较高。考虑到焊接现场的实际情况和焊缝检测的要求，本研究选择了LED环形光源。LED环形光源能够从不同角度均匀地照射焊缝表面，减少阴影和反光的影响，使焊缝的轮廓更加清晰。通过调整LED的亮度和颜色，可以增强焊缝与母材之间的对比度，突出焊缝的特征。在实际应用中，还可以根据焊缝的形状和位置，选择不同尺寸和角度的LED环形光源，以获得最佳的照明效果。光源的布局方式也会影响焊缝成像的质量。合理的光源布局可以使焊缝表面得到均匀的照明，避免出现局部过亮或过暗的情况。在本研究中，将LED环形光源安装在相机的前端，使其中心与相机的光轴重合，以保证光源能够均匀地照射焊缝表面。同时，通过调整光源与焊缝之间的距离和角度，进一步优化照明效果。经过多次实验测试，确定了光源与焊缝之间的最佳距离为100mm，光源与相机光轴的夹角为45°，在此条件下，能够获得对比度高、清晰度好的焊缝图像。3.1.4硬件系统集成与调试硬件系统集成是将相机、镜头、光源等设备组装在一起，构建成一个完整的双目视觉检测系统的过程。在集成过程中，需要严格按照设备的安装说明进行操作，确保各设备之间连接牢固、准确。首先，将相机和镜头进行连接，通过转接环将镜头安装在相机上，并调整镜头的对焦和光圈参数。然后，将LED环形光源安装在相机的前端，确保光源中心与相机光轴重合，并通过调整光源的安装支架，使光源与焊缝之间的距离和角度达到设计要求。接着，将相机通过USB接口连接到计算机上，确保计算机能够正确识别相机设备。在连接过程中，需要注意接口的插拔顺序，避免因操作不当导致设备损坏。硬件系统调试是确保系统正常运行的关键步骤。在调试过程中，需要对相机位置、光源强度等参数进行优化，以获得最佳的图像采集效果。对于相机位置的调试，需要调整相机的水平和垂直位置，使其能够准确地拍摄到焊缝。通过观察计算机上实时显示的图像，调整相机的安装支架，使焊缝位于图像的中心位置，并保证焊缝的完整性。同时，还需要调整相机的角度，使其与焊缝表面垂直，以减少图像的畸变。光源强度的调试则是通过调整LED光源的驱动电源来实现的。在焊接现场，由于光照条件复杂，需要根据实际情况适当调整光源强度。如果光源强度过弱，焊缝图像会显得暗淡，不利于特征提取；而光源强度过强，则可能会导致图像过曝，丢失部分信息。通过逐步调整光源强度，并观察图像的变化，确定最佳的光源强度值。在调试过程中，还可以结合图像处理软件，对图像的亮度、对比度等参数进行分析，以辅助确定光源强度的最佳值。此外，还需要对相机的曝光时间、增益等参数进行调试。曝光时间决定了相机对光线的采集时间，过短的曝光时间会导致图像过暗，过长的曝光时间则会使图像过亮或出现拖影现象。增益则是对相机采集到的信号进行放大的参数，适当调整增益可以提高图像的亮度，但过高的增益会引入噪声，降低图像质量。通过反复调整曝光时间和增益参数，并观察图像的效果，找到最佳的参数组合。在完成硬件系统的集成和调试后，需要进行一系列的测试，以验证系统的性能是否满足要求。可以通过拍摄不同类型的焊缝图像，对图像的清晰度、对比度、畸变等指标进行评估。同时，还可以对系统的稳定性和可靠性进行测试，在长时间运行和不同环境条件下，观察系统是否能够正常工作，图像采集是否稳定。通过测试和优化，确保双目视觉硬件系统能够稳定、准确地获取焊缝图像，为后续的图像处理和分析提供可靠的数据支持。3.2图像采集与传输焊缝图像采集的流程和时机对于获取准确、完整的焊缝信息至关重要。在焊接过程中，需要在合适的时机采集焊缝图像，以确保能够捕捉到焊缝的关键特征和状态。一般来说，选择在焊接过程稳定阶段进行图像采集，此时焊缝的形态和质量相对稳定，能够反映出焊接工艺的实际效果。在实际操作中，可以通过与焊接设备进行联动，利用焊接设备的信号触发相机进行图像采集。例如，当焊接电流、电压等参数达到设定值并稳定一段时间后，发送触发信号给相机，相机接收到信号后立即进行图像采集。这样可以保证每次采集的图像都是在焊接稳定状态下获取的，提高了图像的一致性和可靠性。图像采集完成后，需要将图像传输至计算机进行后续处理。本研究采用USB接口进行图像传输，USB接口具有传输速度快、连接方便等优点，能够满足高速图像传输的需求。在传输过程中，需要确保USB接口的稳定性和数据传输的准确性。为了提高传输效率，可以采用多线程技术进行图像传输，同时对传输的数据进行校验，确保数据的完整性。当计算机接收到图像后，首先将图像存储在硬盘中，以便后续进行处理和分析。同时，利用图像处理软件对图像进行实时显示，方便操作人员观察焊缝的状态和图像质量。如果发现图像存在问题，如模糊、过曝等，可以及时调整相机参数或光源强度，重新进行图像采集。3.3焊缝图像预处理算法3.3.1图像校正相机标定是图像校正的关键步骤，其原理是通过对已知特征点的三维坐标和其在图像平面上的二维坐标进行测量和计算，来获取相机的内外参数和投影矩阵。在本研究中，采用张正友标定法进行相机标定。该方法利用棋盘格标定板作为标定物，通过拍摄不同角度的棋盘格图像，提取棋盘格角点的图像坐标和世界坐标。根据小孔成像模型和相机的成像原理，建立相机的成像方程，通过最小二乘法求解成像方程中的内外参数。其中，内参数包括相机的焦距、主点位置、畸变系数等，反映了相机的内部特性；外参数包括相机坐标系相对于世界坐标系的旋转矩阵和平移向量，描述了相机的位置和姿态。通过标定获取相机的内外参数和投影矩阵后，就可以对图像进行几何校正。几何校正的目的是消除相机成像过程中产生的畸变，使图像中的物体形状和位置恢复到真实状态。常见的畸变有径向畸变和切向畸变，径向畸变是由于镜头的光学中心与成像平面不垂直导致的，表现为图像的桶形或枕形变形；切向畸变则是由于镜头的安装误差等原因引起的，表现为图像的倾斜和扭曲。根据标定得到的畸变系数，采用相应的畸变校正算法对图像进行校正。对于径向畸变，可以通过建立径向畸变模型，对图像中的每个像素点进行坐标变换，将畸变后的像素点坐标映射回真实坐标。对于切向畸变，同样可以通过建立切向畸变模型，对像素点的坐标进行调整，以消除切向畸变的影响。在实际应用中，通常将径向畸变和切向畸变的校正过程结合起来，对图像进行全面的几何校正。经过几何校正后的图像，能够更准确地反映焊缝的真实形状和位置，为后续的图像处理和分析提供了可靠的基础。3.3.2图像增强图像增强的目的是通过各种算法对图像进行处理，提升图像的质量，突出焊缝的特征，以便于后续的分析和识别。常见的图像增强算法有灰度变换、直方图均衡化、滤波等。灰度变换是一种简单而有效的图像增强方法，它通过对图像的灰度值进行变换，改变图像的对比度和亮度。在焊缝图像中，由于焊缝与母材的灰度值差异可能较小，导致图像对比度较低，不利于焊缝特征的提取。通过灰度变换，可以拉伸图像的灰度范围，增强焊缝与母材之间的对比度。例如，可以采用线性灰度变换函数，对图像中的每个像素点的灰度值进行线性变换，将原来的灰度范围映射到一个新的灰度范围，从而提高图像的对比度。直方图均衡化是一种基于图像灰度直方图的图像增强算法，它通过对图像的灰度直方图进行调整，使图像的灰度分布更加均匀，从而增强图像的对比度。具体来说，直方图均衡化算法首先计算图像的灰度直方图，然后根据直方图的统计信息，计算出一个灰度变换函数。通过该变换函数，将图像中每个像素点的灰度值进行变换，使得变换后的图像灰度直方图在整个灰度范围内均匀分布。在焊缝图像中，直方图均衡化可以有效地增强焊缝区域的对比度，使焊缝的轮廓更加清晰。滤波是图像增强中常用的一种方法，它通过对图像中的像素点进行加权求和，去除图像中的噪声，平滑图像。常见的滤波算法有均值滤波、中值滤波、高斯滤波等。均值滤波是一种简单的线性滤波算法，它以每个像素点为中心，计算其邻域内像素点的平均值，并将该平均值作为该像素点的新灰度值。均值滤波能够有效地去除图像中的高斯噪声，但同时也会使图像的边缘变得模糊。中值滤波则是一种非线性滤波算法，它以每个像素点为中心，将其邻域内的像素点按照灰度值进行排序，取中间值作为该像素点的新灰度值。中值滤波能够较好地保留图像的边缘信息，对于椒盐噪声等脉冲噪声具有较好的去除效果。高斯滤波是一种基于高斯函数的线性滤波算法，它根据高斯函数的权重对邻域内的像素点进行加权求和。高斯滤波在去除噪声的同时，能够较好地保留图像的细节信息，对于图像的平滑处理具有较好的效果。在焊缝图像增强中，需要根据图像的特点和噪声类型选择合适的图像增强算法。对于噪声较小、对比度较低的焊缝图像，可以先采用灰度变换或直方图均衡化算法增强图像的对比度，然后再根据需要进行滤波处理。对于噪声较大的焊缝图像，则需要先进行滤波处理，去除噪声后再进行对比度增强。在实际应用中，还可以结合多种图像增强算法，以达到更好的增强效果。例如，可以先采用中值滤波去除图像中的椒盐噪声，然后再采用直方图均衡化增强图像的对比度，最后采用高斯滤波平滑图像，以得到质量较高的焊缝图像。3.3.3图像降噪在焊缝图像采集过程中，由于受到焊接现场的电磁干扰、光照变化、相机传感器噪声等因素的影响，图像中往往会包含各种噪声，这些噪声会影响焊缝特征的提取和识别，因此需要对图像进行降噪处理。常见的降噪算法有均值滤波、中值滤波、高斯滤波等，需要根据焊缝图像的特点选择合适的降噪方法。均值滤波是一种简单的线性滤波方法，它通过计算邻域内像素的平均值来代替当前像素的值。设图像中某像素点(x,y)的邻域为N(x,y)，则均值滤波后的像素值g(x,y)为：g(x,y)=\frac{1}{|N(x,y)|}\sum_{(i,j)\inN(x,y)}f(i,j)其中，f(i,j)为邻域内像素点(i,j)的灰度值，|N(x,y)|为邻域内像素点的个数。均值滤波能够有效地去除高斯噪声，对于图像中的高频噪声有一定的抑制作用。然而，由于均值滤波是对邻域内所有像素进行平均，会导致图像的边缘信息被平滑，使图像变得模糊。在焊缝图像中，焊缝的边缘是重要的特征信息，均值滤波可能会对边缘的提取产生不利影响。中值滤波是一种非线性滤波方法，它将邻域内的像素值进行排序，取中间值作为当前像素的新值。中值滤波对于椒盐噪声等脉冲噪声具有很好的去除效果。假设邻域内像素值为f_1,f_2,\cdots,f_n，将其从小到大排序后得到f_{(1)}\leqf_{(2)}\leq\cdots\leqf_{(n)}，则中值滤波后的像素值g(x,y)为：g(x,y)=f_{(\frac{n+1}{2})}（当n为奇数时）g(x,y)=\frac{f_{(\frac{n}{2})\##四、焊缝成形特征提取与参数测量\##\#4.1焊缝区域分割\##\##4.1.1基于阈值的分割方法基于阈值的分割方法是图像分割中较为基础且常用的一类方法，其æ

¸å¿ƒæ€æƒ³æ˜¯ä¾æ®å›¾åƒä¸­ç‰©ä½“与背景在灰度值上的差异，设定一个或多个阈值，将图像中的像ç´

划分为不同类别，从而实现焊缝区域与背景的分离。全局阈值分割算法是其中最为简单直接的一种方法。该算法对整幅图像应用同一个阈值，将图像中的每个像ç´

的灰度值与该阈值进行比较。若像ç´

灰度值大于阈值，则将其判定为前景（焊缝区域）像ç´

；若小于阈值，则判定为背景像ç´

。其数学表达式可表示为：\[g(x,y)=\begin{cases}1,&f(x,y)\geqT\\0,&f(x,y)<T\end{cases}其中，f(x,y)表示原始图像在坐标(x,y)处的像素灰度值，T为设定的全局阈值，g(x,y)为分割后图像在该坐标处的像素值，1代表前景像素，0代表背景像素。在焊缝图像分割中，当焊缝与背景的灰度差异较为明显且光照条件相对均匀时，全局阈值分割能够快速有效地将焊缝区域分割出来，具有计算简单、速度快的优点。然而，实际焊接过程中，焊接现场的光照条件复杂多变，焊缝表面的反光、阴影等因素会导致焊缝不同部位的灰度值存在差异，此时全局阈值分割方法可能无法准确地分割焊缝区域，容易出现误分割的情况。为了解决光照不均等问题对焊缝分割的影响，自适应阈值分割算法应运而生。该算法不再使用单一的全局阈值，而是根据图像中每个像素点邻域的局部特征来计算与之对应的阈值。常见的计算方式有基于邻域均值和基于邻域高斯加权均值两种。基于邻域均值的自适应阈值分割，通过计算每个像素点邻域内像素灰度值的平均值，并在此基础上加上或减去一个常数C作为该像素点的阈值。基于邻域高斯加权均值的方法，则是根据高斯函数对邻域内像素进行加权，计算加权后的平均值作为阈值。其自适应阈值T(x,y)的计算公式如下：T(x,y)=\begin{cases}\mu(x,y)+C,&\text{基于邻域均值}\\\sum_{(i,j)\inN(x,y)}w(i,j)f(i,j)+C,&\text{基于邻域高斯åŠ

权均值}\end{cases}其中，\mu(x,y)为像素点(x,y)邻域N(x,y)内像素灰度值的均值，w(i,j)为邻域内像素点(i,j)的高斯权重，C为常数。这种方法能够根据图像的局部特征动态调整阈值，对于光照不均匀的焊缝图像具有更好的适应性，能够有效地分割出焊缝区域。但是，自适应阈值分割算法由于需要对每个像素点进行局部计算，计算复杂度较高，计算时间较长。在实际应用中，对于一些对比度较高、光照均匀的焊缝图像，全局阈值分割算法能够快速得到较好的分割效果；而对于光照条件复杂、焊缝灰度变化较大的图像，自适应阈值分割算法则能展现出更好的性能。例如，在一些简单的平板对接焊缝图像中，若焊接过程稳定，光照条件良好，全局阈值分割可以快速准确地分割出焊缝区域；而在一些复杂的曲面焊缝或存在强烈反光、阴影的焊缝图像中，自适应阈值分割算法能够更准确地提取焊缝区域。然而，无论是全局阈值分割还是自适应阈值分割，对于噪声较为敏感，当焊缝图像中存在较多噪声时，分割结果可能会受到干扰，出现分割不准确或分割出的焊缝区域存在孔洞、毛刺等问题。因此，在使用基于阈值的分割方法时，通常需要先对焊缝图像进行降噪预处理，以提高分割的准确性和稳定性。4.1.2基于边缘检测的分割方法基于边缘检测的分割方法是利用图像中物体边缘处像素灰度值的突变特性，通过检测这些突变来确定物体的边界，从而实现焊缝区域的分割。在焊缝图像中，焊缝与母材之间的边界通常表现为明显的灰度变化，这为基于边缘检测的分割提供了依据。Canny边缘检测算子是一种经典的边缘检测算法，具有良好的边缘检测性能。它的实现过程主要包括以下几个步骤。首先是高斯滤波，通过高斯滤波器对原始焊缝图像进行平滑处理，以去除图像中的噪声干扰。高斯滤波器的核函数为：G(x,y)=\frac{1}{2\pi\sigma^2}e^{-\frac{(x^2+y^2)}{2\sigma^2}}其中，(x,y)为像素坐标，\sigma为高斯分布的标准差，它决定了滤波器的平滑程度。通过调整\sigma的值，可以控制对噪声的抑制程度和对图像细节的保留程度。经过高斯滤波后的图像，噪声得到了有效抑制，为后续的边缘检测提供了更可靠的基础。接着是计算梯度幅值和方向。Canny算子使用Sobel算子来计算图像在x和y方向上的梯度分量G_x和G_y。Sobel算子通过两个3\times3的卷积核分别对图像进行卷积操作，其卷积核如下：G_x=\begin{bmatrix}-1&0&1\\-2&0&2\\-1&0&1\end{bmatrix},\quadG_y=\begin{bmatrix}-1&-2&-1\\0&0&0\\1&2&1\end{bmatrix}通过卷积运算得到G_x和G_y后，可计算出梯度幅值G和梯度方向\theta：G=\sqrt{G_x^2+G_y^2},\quad\theta=\arctan(\frac{G_y}{G_x})梯度幅值G反映了像素灰度变化的剧烈程度，梯度方向\theta则表示灰度变化的方向。然后是进行非极大值抑制。在得到梯度幅值和方向后，对梯度幅值图像进行非极大值抑制操作，目的是将边缘细化为单像素宽度。具体做法是，对于每个像素点，沿着其梯度方向比较该点与相邻像素点的梯度幅值。若该点的梯度幅值不是局部最大值，则将其置为0，即认为该点不是边缘点。这样可以有效地去除一些虚假的边缘响应，得到更精确的边缘轮廓。最后是双阈值检测和边缘连接。设定两个阈值，高阈值T_h和低阈值T_l（通常T_h约为T_l的2-3倍）。将梯度幅值大于高阈值T_h的像素点判定为强边缘点，将大于低阈值T_l且小于高阈值T_h的像素点判定为弱边缘点。强边缘点被直接保留为边缘，而弱边缘点只有在与强边缘点相连时才被保留，通过这种方式连接边缘，得到最终的边缘图像。Canny边缘检测算子由于其多步骤的优化处理，能够在有效检测边缘的同时，较好地抑制噪声，检测出的焊缝边缘较为连续、准确，对复杂背景和噪声干扰具有较强的鲁棒性。Sobel边缘检测算子也是一种常用的一阶微分边缘检测算子，它通过计算像素点上下、左右邻点灰度加权差来检测边缘。在焊缝图像分割中，Sobel算子对灰度渐变和噪声较多的图像处理效果较好，能够快速检测出焊缝的大致边缘。然而，与Canny算子相比，Sobel算子对边缘的定位精度不够高，检测出的边缘相对较粗，可能会丢失一些细节信息。在利用边缘检测算子得到焊缝的边缘后，通常还需要结合形态学操作进一步完善焊缝区域的分割。形态学操作主要包括腐蚀、膨胀、开运算和闭运算等。腐蚀操作可以去除图像中物体的边缘像素，使物体的轮廓缩小；膨胀操作则相反，它会增加物体的边缘像素，使物体的轮廓扩大。开运算先进行腐蚀操作再进行膨胀操作，能够去除图像中的小噪声和毛刺，平滑物体的轮廓；闭运算先膨胀后腐蚀，可填充物体内部的小孔洞和连接断开的边缘。在焊缝边缘分割中，通过对边缘检测得到的二值图像进行适当的形态学操作，如先进行开运算去除噪声和毛刺，再进行闭运算填充可能存在的孔洞和连接断开的边缘，可以得到更完整、准确的焊缝区域分割结果。4.1.3基于机器学习的分割方法随着机器学习技术的快速发展，基于机器学习的图像分割方法在焊缝区域分割中得到了广泛应用。这些方法通过对大量已标注的焊缝图像进行学习，建立起图像特征与焊缝区域之间的映射关系，从而实现对新图像中焊缝区域的分割。基于神经网络的焊缝区域分割方法是其中的研究热点之一。卷积神经网络（ConvolutionalNeuralNetwork，CNN）由于其强大的特征提取能力，在图像分割领域取得了显著成果。在焊缝区域分割中，CNN通过构建多层卷积层和池化层，自动提取焊缝图像的低级和高级特征。卷积层中的卷积核在图像上滑动，对局部区域进行卷积操作，提取图像的局部特征，如边缘、纹理等；池化层则对卷积层的输出进行下采样，减少数据量，同时保留重要的特征信息。在经过多层卷积和池化操作后，通过全连接层将提取到的特征映射到类别空间，输出每个像素属于焊缝区域或背景的概率。例如，U-Net网络结构是一种经典的用于图像分割的CNN模型，它采用了编码器-解码器结构。编码器部分通过卷积和池化操作逐步降低图像的分辨率，提取图像的高级特征；解码器部分则通过上采样和反卷积操作，将低分辨率的特征图恢复到原始图像大小，并与编码器中对应层次的特征图进行融合，以获取更丰富的细节信息，最终输出分割结果。基于CNN的焊缝区域分割方法能够自动学习焊缝图像的复杂特征，对不同类型的焊缝图像具有较好的适应性，分割精度较高。然而，该方法需要大量的标注数据进行训练，训练过程计算量大，时间成本高，并且模型的可解释性相对较差。支持向量机（SupportVectorMachine，SVM）也是一种常用的机器学习算法，可用于焊缝区域分割。SVM的基本思想是在高维空间中寻找一个最优分类超平面，将不同类别的样本点分隔开。在焊缝区域分割中，首先需要提取焊缝图像的特征，如灰度特征、纹理特征、几何特征等。然后，将这些特征作为输入，使用已标注的焊缝图像样本对SVM进行训练，确定分类超平面的参数。在对新的焊缝图像进行分割时，将图像的特征输入到训练好的SVM模型中，根据模型的输出判断每个像素属于焊缝区域还是背景。SVM具有较强的泛化能力，对小样本数据的分类效果较好，并且在高维空间中能够有效地处理非线性分类问题。但是，SVM的性能在很大程度上依赖于特征提取的质量，若提取的特征不能很好地反映焊缝区域的特性，则会影响分割的准确性。此外，SVM对于大规模数据的处理效率相对较低。不同的基于机器学习的焊缝区域分割方法各有优劣。基于CNN的方法分割精度高，对复杂焊缝图像的适应性强，但训练成本高，可解释性差；基于SVM的方法泛化能力较好，对小样本数据有效，但特征提取的要求较高，处理大规模数据效率较低。在实际应用中，需要根据具体的需求和数据特点选择合适的方法。例如，对于焊缝类型较为固定、数据量相对较小的情况，可以考虑使用SVM进行分割；而对于需要处理多种类型焊缝、对分割精度要求较高且有足够的计算资源和标注数据的场景，基于CNN的方法可能更为合适。同时，也可以尝试将多种方法结合起来，发挥各自的优势，以提高焊缝区域分割的性能。4.2焊缝轮廓提取与特征分析4.2.1轮廓提取算法在完成焊缝区域分割后，需要进一步提取焊缝的轮廓，以便对焊缝的形状特征进行分析和参数测量。轮廓提取算法是实现这一目标的关键步骤，其中轮廓跟踪算法是一种常用的方法。轮廓跟踪算法的基本原理是从焊缝区域的边缘点出发，按照一定的规则依次搜索相邻的边缘点，从而形成完整的焊缝轮廓。具体步骤如下：首先，在分割后的焊缝二值图像中，找到一个起始边缘点。这个起始点可以通过多种方式确定，例如从图像的左上角开始，按照从左到右、从上到下的顺序遍历图像，找到第一个值为1（表示焊缝区域）的像素点作为起始点。然后，以该起始点为中心，定义一个邻域（通常为3×3的邻域），在邻域内按照顺时针或逆时针方向搜索下一个边缘点。搜索规则是，寻找邻域内与当前点相连且值为1的像素点。如果在邻域内找到了这样的点，则将其作为下一个边缘点，并更新当前点为该点；如果在邻域内没有找到，则回溯到上一个点，重新在其邻域内寻找其他可能的下一个边缘点。重复这个过程，直到回到起始点，此时就完成了一条完整焊缝轮廓的跟踪。在轮廓跟踪过程中，为了确保能够准确地跟踪到焊缝的轮廓，避免出现错误的连接或遗漏，需要设置一些约束条件。例如，规定下一个边缘点与当前点之间的角度范围，以保证轮廓的连续性和光滑性；同时，对于已经访问过的点进行标记，防止重复访问，避免陷入死循环。此外，还可以根据实际情况对跟踪过程进行优化，如采用八邻域搜索代替四邻域搜索，以提高跟踪的准确性和效率。通过轮廓跟踪算法提取出的焊缝轮廓，可以用一系列的坐标点来表示，这些坐标点构成了焊缝的边界，为后续的形状特征分析和参数测量提供了基础数据。4.2.2形状特征分析焊缝轮廓的形状特征能够直观地反映焊缝的成形质量，通过计算这些特征参数，可以对焊缝的质量进行定量评估。焊缝轮廓长度是描述焊缝尺寸的一个基本参数，它反映了焊缝的实际长度。计算焊缝轮廓长度的方法是，将轮廓上相邻点之间的欧几里得距离进行累加。设焊缝轮廓由n个点(x_i,y_i)（i=1,2,\cdots,n）组成，则焊缝轮廓长度L的计算公式为：L=\sum_{i=1}^{n-1}\sqrt{(x_{i+1}-x_i)^2+(y_{i+1}-y_i)^2}+\sqrt{(x_1-x_n)^2+(y_1-y_n)^2}焊缝轮廓长度与焊接工艺和设计要求密切相关。在实际焊接中，如果焊缝轮廓长度与设计值偏差过大，可能意味着焊接过程中出现了偏差，如焊枪偏移、焊接速度不稳定等，这会影响焊缝的连接强度和整体质量。焊缝宽度是衡量焊缝成形质量的重要指标之一，它对焊缝的承载能力和密封性有着直接影响。计算焊缝宽度时，通常在焊缝轮廓上选取多个位置，测量每个位置处焊缝两侧边缘点之间的距离，然后对这些距离值进行统计分析，得到焊缝的平均宽度以及宽度的变化范围。具体测量方法可以根据焊缝的形状和特点选择合适的算法。例如，对于规则的直线焊缝，可以在垂直于焊缝方向上进行等间距采样，测量每个采样点处的焊缝宽度；对于曲线焊缝，则需要采用更复杂的方法，如基于局部坐标系的测量方法，以准确测量不同位置处的焊缝宽度。焊缝宽度的均匀性也是评估焊缝质量的关键因素。如果焊缝宽度不均匀，会导致焊缝各处的强度不一致，在承受载荷时容易出现应力集中现象，降低焊缝的可靠性。焊缝轮廓的曲率是描述焊缝形状弯曲程度的参数，它对于评估焊缝的成形质量和焊接过程的稳定性具有重要意义。曲率的计算方法有多种，常见的是基于离散点的曲率计算方法。对于由一系列离散点组成的焊缝轮廓，通过计算相邻点之间的斜率变化来近似计算曲率。设轮廓上三个相邻点P_i(x_i,y_i)、P_{i+1}(x_{i+1},y_{i+1})、P_{i+2}(x_{i+2},y_{i+2})，则这三点处的曲率k_i可以通过以下公式计算：k_i=\frac{2(x_{i+1}-x_i)(y_{i+2}-y_{i+1})-2(y_{i+1}-y_i)(x_{i+2}-x_{i+1})}{((x_{i+1}-x_i)^2+(y_{i+1}-y_i)^2)^{\frac{3}{2}}}通过计算焊缝轮廓上各个点的曲率，可以得到焊缝曲率的分布情况。在理想情况下，焊缝五、基于双目视觉的焊缝成形质量评价体系构建5.1焊缝成形质量评价指标选取焊缝宽度是衡量焊缝成形质量的关键指标之一。合适的焊缝宽度对于确保焊接接头的强度和密封性至关重要。若焊缝宽度过窄，可能导致焊接接头的承载能力不足，在承受载荷时容易发生断裂；而焊缝宽度过宽，则会造成焊接材料的浪费，增加生产成本，同时也可能影响焊接接头的外观质量。焊缝宽度的均匀性同样不容忽视，不均匀的焊缝宽度会使焊接接头各处的受力不均匀，在承受载荷时容易出现应力集中现象，降低焊接接头的可靠性。在实际焊接过程中，焊接电流、电弧电压、焊接速度等焊接规范参数以及坡口尺寸、间隙大小等工艺因素都会对焊缝宽度产生显著影响。例如，焊接电流增大时，焊缝熔深增加，同时焊缝宽度也会有所增大，但如果电流过大，可能会导致焊缝宽度不均匀；电弧电压升高会使电弧长度增加，热量分布范围扩大，从而使焊缝宽度增大。余高是指焊缝表面高出母材表面的那部分金属的高度。适当的余高可以增强焊接接头的强度，因为它增加了焊缝的有效承载面积。然而，过高的余高会使焊缝表面形状突变，在焊缝与母材的过渡处形成应力集中点，降低焊接接头的疲劳强度。相反，余高过低则可能无法充分发挥增强焊接接头强度的作用，导致焊接接头的承载能力下降。余高的大小主要受焊接电流、焊接速度以及焊丝的熔化速度等因素的影响。当焊接电流增大时，焊丝熔化速度加快，单位时间内熔敷到焊缝中的金属量增加，若焊接速度不变，余高就会增大；而提高焊接速度会使单位时间内熔敷到焊缝中的金属量相对减少，余高则会降低。熔敷情况直接反映了焊接过程中金属的填充状态和焊缝的饱满程度。良好的熔敷情况意味着焊缝金属均匀、连续地填充在焊接接头处，没有出现未熔合、夹渣等缺陷，能够保证焊接接头的强度和密封性。若熔敷不良，如存在未熔合缺陷，会使焊缝金属与母材之间的结合力减弱，严重影响焊接接头的质量；夹渣缺陷则会降低焊缝的有效承载面积，导致焊接接头的强度下降。熔敷情况受到焊接电流、电弧电压、焊接速度、保护气体以及焊接材料等多种因素的综合影响。例如，保护气体的流量和纯度会影响焊接过程中的气体保护效果，若保护气体流量不足或纯度不够，可能会使空气中的杂质进入焊接区域，导致熔敷金属中出现气孔、夹渣等缺陷；焊接材料的化学成分和质量也会对熔敷情况产生影响，不合适的焊接材料可能会导致熔敷金属的性能不符合要求，影响焊缝的质量。基于以上分析，综合考虑焊缝宽度、余高和熔敷情况等参数对焊缝质量的重要影响，选取这三个参数作为焊缝成形质量的关键评价指标。焊缝宽度和余高能够直观地反映焊缝的几何形状和尺寸特征，而熔敷情况则从焊缝金属的填充和结合状态方面进一步补充了焊缝质量的信息。通过对这三个关键指标的综合评估，可以更全面、准确地评价焊缝成形质量。5.2评价指标阈值确定在确定评价指标阈值时，需充分参考相关焊接标准和实际生产经验。现行的焊接标准如国家标准GB/T3323-2020《金属熔化焊焊接接头射线照相》、行业标准AWSD1.1/D1.1M《钢结构焊接规范》等，对焊缝的尺寸、外观和内部质量等方面都做出了明确规定。这些标准是在大量的试验研究和实际工程应用基础上制定的，具有权威性和广泛的适用性。对于焊缝宽度，根据不同的焊接工艺和应用场景，参考标准规定了相应的允许偏差范围。在一般的钢结构焊接中，焊缝宽度的允许偏差通常控制在±2mm以内。在实际生产中，还需考虑工件的设计要求和加工精度等因素，对焊缝宽度的阈值进行适当调整。对于一些对外观质量要求较高的产品，如汽车车身焊接，可能会将焊缝宽度的允许偏差控制在更小的范围内，以保证焊接接头的美观和一致性。焊缝余高的合格阈值也有相应的标准规定。例如，在压力容器焊接中，为了确保容器的安全性和可靠性，对焊缝余高有严格的要求。一般情况下，焊缝余高不应超过母材厚度的10%，且最大不超过3mm。在实际生产中，需要根据母材的厚度、焊接工艺以及产品的使用环境等因素来确定具体的余高阈值。对于厚板焊接，由于其承载能力较大，对余高的要求相对宽松一些；而对于薄板焊接，为了避免因余高过高导致应力集中，对余高的控制则更为严格。对于熔敷情况，主要依据标准中对焊缝内部缺陷的规定来确定阈值。标准中明确规定了各种缺陷的允许尺寸和数量，如气孔的最大直径、夹渣的长度和宽度等。在实际生产中，通过无损检测方法（如射线检测、超声检测等）来检测焊缝内部的熔敷情况，若检测结果符合标准中对缺陷的允许范围，则认为熔敷情况合格。对于重要的焊接结构，可能会对熔敷情况提出更高的要求，减少甚至不允许出现微小的缺陷。根据焊接标准和实际生产经验，将各评价指标划分为不同等级。对于焊缝宽度，可分为优（实际宽度与标准宽度偏差在±1mm以内）、良（偏差在±1-±2mm之间）、合格（偏差在±2-±3mm之间）、不合格（偏差超过±3mm）四个等级。对于焊缝余高，优（余高在母材厚度的5%-8%之间，且不超过2mm）、良（余高在母材厚度的8%-10%之间，且不超过3mm）、合格（余高在母材厚度的10%-15%之间，且不超过4mm）、不合格（余高超过母材厚度的15%或超过4mm）。对于熔敷情况，优（无任何缺陷）、良（存在少量微小气孔或夹渣，且不影响焊缝性能）、合格（存在一定数量的气孔或夹渣，但在标准允许范围内）、不合格（缺陷数量或尺寸超过标准允许范围）。通过这样的等级划分，能够更清晰地对焊缝成形质量进行量化评价，为焊接生产提供明确的质量判断依据。5.3评价模型建立与验证5.3.1基于机器学习的评价模型支持向量机（SVM）是一种基于统计学习理论的机器学习算法，在焊缝成形质量评价中具有独特的优势。SVM的基本原理是通过寻找一个最优分类超平面，将不同类别的样本数据分隔开。在焊缝成形质量评价中，以提取的焊缝宽度、余高、熔敷情况等特征参数作为输入向量，将焊缝成形质量的等级（如优、良、合格、不合格）作为输出标签。通过对大量已标注的焊缝样本数据进行训练，SVM模型能够学习到特征参数与质量等级之间的映射关系。在训练过程中，SVM通过优化目标函数，最大化分类间隔，从而提高模型的泛化能力。对于新的焊缝样本，将其特征参数输入到训练好的SVM模型中，模型即可根据学习到的映射关系，预测出该焊缝的成形质量等级。神经网络是一类模拟生物神经网络结构和功能的计算模型，在处理复杂的非线性问题方面具有强大的能力。在焊缝成形质量评价中，常用的神经网络模型有多层感知器（MLP）和卷积神经网络（CNN）等。多层感知器是一种前馈神经网络，由输入层、隐藏层和输出层组成。输入层接收焊缝的特征参数，隐藏层通过非线性激活函数对输入数据进行特征提取和变换，输出层则根据隐藏层的输出结果预测焊缝的成形质量等级。通过对大量焊缝样本数据的训练，调整神经网络的权重和阈值，使模型能够准确地学习到特征参数与质量等级之间的复杂关系。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，自动提取图像中的特征。在焊缝成形质量评价中，可将焊缝图像作为输入，利用卷积神经网络直接从图像中提取焊缝的特征，并进行质量等级的预测。与多层感知器相比，卷积神经网络能够更好地利用图像的空间信息，提高特征提取的效率和准确性。5.3.2模型验证与优化为了验证基于机器学习的焊缝成形质量评价模型的性能，采用实验数据进行测试。从实际焊接生产中采集不同工艺参数和工况下的焊缝样本，对每个样本进行特征提取，并标注其真实的焊缝成形质量等级。将这些样本数据划分为训练集和测试集，其中训练集用于训练模型，测试集用于评估模型的性能。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，在不同的子集上进行训练和测试，然后综合多个子集的评估结果来评价模型的性能。在本研究中，采用k折交叉验证方法，将数据集划分为k个大小相等的子集。每次选择其中一个子集作为测试集，其余k-1个子集作为训练集，进行模型的训练和测试。重复这个过程k次，得到k个测试结果，最后计算这k个结果的平均值作为模型的评估指标。通过交叉验证，可以充分利用数据集的信息，减少因数据集划分方式不同而导致的评估偏差，更准确地评估模型的性能。混淆矩阵是一种用于直观展示分类模型性能的工具，它以矩阵的形式展示了模型预测结果与真实结果之间的对应关系。在焊缝成形质量评价中，混淆矩阵的行表示真实的质量等级，列表示模型预测的质量等级。矩阵中的每个元素表示对应真实等级和预测等级的样本数量。通过分析混淆矩阵，可以计算出模型的准确率、召回率、F1值等评估指标。准确率是指模型正确预测的样本数量占总样本数量的比例，反映了模型预测的准确性；召回率是指正确预测的正样本数量占实际正样本数量的比例，反映了模型对正样本的识别能力；F1值则是综合考虑准确率和召回率的指标，它可以更全面地评价模型的性能。根据交叉验证和混淆矩阵分析的结果，对模型进行优化。如果模型在某些质量等级上的准确率较低，可能是由于该等级的样本数量较少，导致模型学习不足。此时，可以通过增加该等级的样本数量，重新进行模型训练，以提高模型对该等级的识别能力。如果模型的泛化能力较差，在测试集上的表现明显不如在训练集上的表现，可能是由于模型过拟合。为了解决过拟合问题，可以采用正则化方法，如L1正则化和L2正则化，在模型的损失函数中添加正则化项，对模型的权重进行约束，防止模型过度拟合训练数据。还可以调整模型的结构和参数，如增加或减少隐藏层的神经元数量、调整学习率等，通过多次试验，找到最优的模型结构和参数组合，以提高模型的性能和泛化能力。六、焊接规范参数与焊缝成形关系研究6.1焊接规范参数对焊缝成形的影响规律为深入探究焊接规范参数对焊缝成形的影响规律，进行了一系列的焊接实验。实验过程中，保持其他条件不变，分别对焊接电流、电压、速度等关键参数进行单独调整，并观察记录焊缝宽度和余高的变化情况。在研究焊接电流对焊缝成形的影响时，逐步增大焊接电流，发现焊缝熔深显著增大。这是因为随着电流增大，作用在焊件上的电弧力和热输入均增大，热源位置下移，使得热量能够更深入地传导到焊件内部，从而导致熔深与焊接电流近似成正比关系。同时，由于电流增大，焊芯或焊丝的熔化速度加快，单位时间内熔化的焊丝量增多，而熔宽增加相对不明显，进而使得焊缝余高增大。例如，当焊接电流从150A增大到200A时，焊缝熔深从3mm增加到4.5mm，余高从2mm增加到3mm，而熔宽仅从8mm增加到9mm。然而，当焊接电流过大时，焊缝容易出现咬边、烧穿等缺陷，这是因为过大的电流会使电弧对焊件的热输入过于集中，导致焊缝边缘的母材过度熔化，从而形成咬边；而当热输入超过焊件的承受能力时，就会出现烧穿现象。电弧电压对焊缝成形也有着重要影响。当逐步提高电弧电压时，发现焊缝熔宽明显增大，而熔深略有减小，余高也相应减小。这是因为电弧电压增大，电弧功率加大，焊件输入的热量有所增加，但同时电弧长度拉长，电弧热源半径增大，电弧散热增加，输入焊件的能量密度减小，使得熔深减小而熔宽增大。由于焊接电流不变时，焊丝的熔化量基本不变，而熔宽增大，所以焊缝余高减小。例如，当电弧电压从20V升高到25V时，焊缝熔宽从8mm增大到10mm，熔深从3mm减小到2.5mm，余高从2mm减小到1.5mm。焊接速度对焊缝成形的影响同样显著。随着焊接速度的提高，焊缝熔宽和熔深都明显减小，余高也随之减小。这是因为焊接速度提高，单位时间内输入到焊件上的热量减少，焊缝的热输入不足，导致熔宽和熔深减小。同时，由于单位长度焊缝上的焊丝金属熔敷量与焊接速度成反比，所以焊缝余高也会减小。例如，当焊接速度从30cm/min提高到40cm/min时，焊缝熔宽从8mm减小到6mm，熔深从3mm减小到2mm，余高从2mm减小到1mm。通过上述实验研究，明确了焊接电流、电压、速度等参数变化对焊缝宽度和余高的影响规律。这些规律为焊接工艺的优化提供了重要依据，在实际焊接生产中，可以根据不同的焊接要求，合理调整焊接规范参数，以获得理想的焊缝成形质量。同时，也为后续基于焊接规范参数建立焊缝成形预测模型奠定了基础。6.2基于SVM的焊缝成形预测模型6.2.1模型建立支持向量机（SVM）作为一种强大的机器学习算法，在解决小样本、非线性及高