金屬壁面焊縫表面缺陷檢測爬行機器人系統

羅健 華攸水 張浩 曹立超 蔣曉明

本文引用格式：羅健，華攸水，張浩，等.金屬壁面焊縫表面缺陷檢測爬行機器人系統[J].自動化與信息工程，2023，44（2）：22-26.

LUO Jian， HUA?Youshui， ZHANG Hao， et al. Crawling robot system for detecting surface defects of?metal wall welds[J].?Automation & Information Engineering， 2023，44（2）：22-26.

摘要：針對目前金屬壁面焊縫表面缺陷檢測主要由人工完成，檢測結果依賴檢測人員的工作經驗，且高空壁面作業較危險的情況，設計一款輪式磁吸附爬行機器人系統。該系統的輪式磁吸附爬行機器人可在金屬壁面運動，利用YOLOv5目標檢測框架訓練神經網絡分類模型，并將焊縫表面缺陷分類模型搭載于人機交互端軟件，實現金屬壁面焊縫表面缺陷的實時檢測。

關鍵詞：金屬壁面；焊縫表面缺陷；缺陷檢測；輪式磁吸附爬行機器人；YOLOv5

中圖分類號：TP242.2；TP391.41??????文獻標志碼：A??????文章編號：1674-2605（2023）02-0005-05

DOI：10.3969/j.issn.1674-2605.2023.02.005

Crawling Robot System for Detecting Surface Defects of ???????????????Metal Wall Welds

LUO Jian¹??HUA?Youshui¹??ZHANG Hao²??CAO?Lichao²??JIANG?Xiaoming²

（1.Guangdong University of Technology， Guangzhou 510006， China

2.Institute of Intelligent Manufacturing， Guangdong Academy of Science， Guangzhou 510070， China）

Abstract： A wheeled magnetic adsorption crawling robot system is designed to address the current situation where the detection of surface defects in metal wall welds is mainly done manually， and the detection results rely on the work experience of the testing personnel. In addition， high-altitude wall operations are more dangerous. The wheeled magnetic adsorption crawling robot can move on the metal wall， and uses the YOLOv5 object detection framework to train a neural network detection model. The detection model is installed in the human-computer interaction software to achieve real-time detection of surface defects in metal wall welds.

Keywords：?metal wall surface; weld surface defect; defect detection; wheeled magnetic adsorption crawling robot; YOLOv5

0 引言

目前，金屬壁面焊縫表面缺陷檢測主要采用人工方式，不僅依賴于檢測人員的工作經驗，還具有危險性^[1]；且一些特定場景，如高空、狹小空間等，因檢測人員無法到達，導致檢測困難。隨著機器人技術的不斷發展，將機器人應用于金屬壁面焊縫表面檢測，使高空、狹小空間或危險場合的缺陷檢測成為可能^[2-3]。

本文設計一款輪式磁吸附爬行機器人系統，用以實現金屬壁面焊縫表面的缺陷檢測，可提高檢測效率、降低作業風險。

1 系統設計

1.1 ?系統整體框架

金屬壁面焊縫表面缺陷檢測爬行機器人系統主要由工業無線攝像頭、人機交互端、直驅無刷電機、驅動器系統、LoRa模塊、工控機系統等組成，如圖1所示。

工業無線攝像頭通過Wi-Fi無線通信^[4-5]將金屬壁面焊縫圖像傳輸至人機交互端。

人機交互端搭載的人機交互軟件對機器人進行運動控制，同時部署神經網絡分類模型對焊縫圖像進行缺陷檢測，并在操作界面顯示檢測結果。

工控機系統采用miniPC工控機，部署輪式磁吸附爬行機器人運動控制程序和驅動器相關程序，控制輪式磁吸附爬行機器人進行檢測作業。工控機系統與驅動器系統通過以太網通信，可降低環境干擾的影響。

驅動器系統通過Ethercat總線對直驅無刷電機進行驅動，控制輪式磁吸附爬行機器人運動。

LoRa無線通信具有抗干擾能力強、通信距離遠等特點^[6-7]。利用LoRa模塊可實現工控機系統與人機交互端的無線通信。其中，工控機系統利用串口與LoRa模塊通信；LoRa模塊利用LoRa無線數傳與人機交互端通信^[8-9]。

金屬壁面焊縫表面缺陷檢測爬行機器人系統由人機交互端發送指令信息；該指令信息通過LoRa無線網絡傳輸至工控機系統；工控機系統根據指令信息執行相應的運動控制程序，并通過以太網控制驅動器系統和直驅無刷電機，實現運動控制。

輪式磁吸附爬行機器人本體主要由機器人平臺和二軸平臺組成，如圖2所示。

機器人平臺為輪式移動平臺，搭載磁吸附輪，通過磁吸附方式實現其在金屬壁面的運動。二軸平臺搭載工業無線攝像頭，可調整攝像頭的位置，以便采集焊縫圖像。機器人平臺與二軸平臺均利用直驅無刷電機提供驅動力。

1.2 ?人機交互軟件

人機交互軟件采用Python語言編寫，實現人機交互、輪式磁吸附爬行機器人運動控制、無線通信、焊縫表面缺陷檢測等功能，功能框圖如圖3所示。

輪式磁吸附爬行機器人由人機交互軟件控制金屬壁面焊縫表面的缺陷檢測工作。首先，利用實時流傳輸（real time streaming protocol，RTSP）協議，對工業無線攝像頭采集的圖像信息進行解碼，獲取金屬壁面的焊縫圖像；然后，對金屬壁面的焊縫圖像進行預處理，使其符合檢測格式；接著，利用基于YOLOv5目標檢測框架訓練神經網絡分類模型，對焊縫圖像進行焊縫表面缺陷檢測；最后，在焊縫圖像中標注焊縫缺陷并進行分類，同時在人機交互端實時顯示。人機交互軟件主要工作流程如圖4所示。

2 基于YOLOv5的焊縫表面缺陷檢測

2.1??數據集處理

常見的金屬壁面焊縫表面缺陷主要有咬邊、氣孔、焊瘤、弧坑^[10-11]4類，如圖5所示。這些缺陷容易造成焊縫應力集中、開裂等現象^[12-13]。

在金屬壁面焊縫表面缺陷檢測之前，需要對焊縫表面缺陷進行檢測分類。在收集的焊縫圖像中標注焊縫表面缺陷類型，作為樣本數據集。樣本數據集包含600幅焊縫圖像，其中上述4類焊縫表面缺陷樣本數量約為2?200個。

由于樣本數量較少，難以訓練出高精度的分類模型，因此需要對樣本數據集進行數據增強。本文通過調整圖像結構和顏色空間、引入噪聲^[14-15]等方式進行數據增強，以改善分類模型性能，避免過擬合^[16]。經過數據增強后，共獲得2?600幅圖像，4類焊縫表面缺陷數量如表1所示。

2.2??模型訓練及測試

在數據增強后的焊縫表面缺陷數據集中隨機抽取2?000幅圖像作為訓練集，500幅圖像作為驗證集，余下的100幅圖像作為測試集。利用YOLOv5目標檢測框架訓練神經網絡分類模型^[17]。設置學習率為0.001；Batch_size為4；訓練次數為200次。模型訓練過程的損失函數值變化如圖6所示，模型的損失函數值約為0.03。

利用訓練后的焊縫表面缺陷分類模型對焊縫圖像進行缺陷檢測，效果如圖7所示。

利用焊縫表面缺陷分類模型在測試集進行測試，各類焊縫表面缺陷檢測分類結果如表2所示。

由表2可知，該焊縫表面缺陷分類模型對焊縫表面缺陷檢測準確度較高，具有較好的檢測效果。

3 實驗

以Q235鋼鐵壁面為平臺搭建焊縫表面缺陷檢測爬行機器人系統測試場景，將有咬邊、氣孔、焊瘤、弧坑等缺陷的焊縫試板置于該壁面上，通過操作輪式磁吸附爬行機器人來對焊縫表面缺陷進行實時檢測，如圖8所示。

將基于YOLOv5目標檢測框架訓練的焊縫表面缺陷分類模型搭載于人機交互端軟件，操作輪式磁吸附爬行機器人運動，驗證該機器人能否在Q235鋼鐵壁面上運動，以及人機交互端軟件對焊縫表面缺陷的實時檢測效果。

操作輪式磁吸附爬行機器人在Q235鋼鐵壁面上從下端向上運動，檢測焊縫表面缺陷，運動速度為 ?10 cm/min，檢測長約30 cm的焊縫所需時間約為????3?min。

在輪式磁吸附爬行機器人上搭載WX500型工業無線攝像頭，人機交互端軟件實時檢測焊縫表面缺陷界面如圖9所示，焊縫表面的咬邊、氣孔、焊瘤、弧坑等缺陷均被發現，檢測數據及檢測精度如表2所示。

由實驗可知，輪式磁吸附爬行機器人能夠吸附于金屬壁面，并在壁面穩定運動；且人機交互端軟件能對焊縫表面缺陷進行實時分類檢測。

4 結論

本文針對金屬壁面焊縫表面缺陷檢測，設計一款輪式磁吸附爬行機器人，能在金屬壁面穩定爬行。利用YOLOv5目標檢測框架訓練神經網絡分類模型，并將分類模型搭載于人機交互端軟件，實現金屬壁面焊縫表面缺陷的實時分類檢測。同時利用Wi-Fi、LoRa等無線物聯網技術，實現遠程操作、焊縫圖像信息采集，使輪式磁吸附爬行機器人作業距離增加，適用于更多、更復雜的檢測作業場景。今后，可對基于YOLOv5目標檢測框架訓練的神經網絡分類模型進行優化，以獲得更高的分類準確度。

參考文獻

[1] HOWLADER， O F， SATTAR T P. Development of magnetic adhesion based climbing robot for non-destructive testing[C]//?2015 7th Computer Science and Electronic Engineering Con- ference （CEEC），?2015.

[2] 趙健.船舶焊接技術的缺陷類型及其處理對策[J].無線互聯科技，2021，18（3）：103-104.

[3] 陳江蘭.大中型原油儲罐的底板弧焊機器人CO_2自動焊接工藝開發與應用[J].機電工程技術，2022，51（12）：265-268.

[4] 葛亞明，李軍.船艙內無線電波的傳輸特性分析與仿真[J]. 四川兵工學報，2014，35（9）：92-95.

[5] 孫英峰，羅霄，高藝瑞，等.無線電波透視技術在資源整合礦井采空區探測中的應用[J].安全與環境學報，2020，20（2）：547-?553.

[6] 褚慧慧.基于視覺的焊縫質量檢測技術研究[D].哈爾濱：哈爾濱工程大學，2017.

[7] 項新建，王樂樂，曾航明.基于機器視覺的推力軸承墊圈缺陷檢測系統研究[J].中國測試，2021，47（2）：133-139.

[8] 滕臻，崔國華，高鵬，等.基于機器視覺及深度學習的靜脈藥物調配機器人藥瓶識別[J].機床與液壓，2022，50（5）：33-37.

[9]?田延飛，周欣蔚，溫小飛，等.基于LoRa的水面無人艇位姿數據遠程采集及監測[J].現代電子技術，2022，45（22）：23-27.

[10] 劉江洪.焊縫外觀缺陷對焊縫質量的影響分析及應對措施[J].人民長江，2020，51（S2）：230-233.

[11] 張天宇，夏仁波，趙吉賓，等.基于結構光的焊縫表面質量檢測[J].組合機床與自動化加工技術，2022（1）：81-84.

[12] 黃逢.球罐外部焊縫檢測機器人系統的設計[D].南京：東南大學，2019.

[13] 徐德衍，丁亞萍，孟鶴，等.軌道車輛焊縫缺陷遠場渦流檢測系統設計及試驗研究[J].中國測試，2021，47（1）：96-104.

[14] 鄭佳美.基于深度學習的焊縫缺陷檢測方法研究[D].杭州：浙江工業大學，2020.

[15] 王靖然，王桂棠，楊波，等.深度學習在焊縫缺陷檢測的應用研究綜述[J].機電工程技術，2021，50（3）：65-68.

[16]?ZHU Haixing， GE?Weimin， LIU?Zhenzhong. Deep?learning- -based classification of weld surface defects[J]. Applied Sciences， 2019，9（16）：3312.

[17]?蔣超，張豪，章恩澤，等.基于改進YOLOv5s的行人車輛目標檢測算法[J].揚州大學學報（自然科學版），2022，25（6）：45-49.

作者簡介：

羅健，男，1997年生，碩士研究生，主要研究方向：機器人與自動化。E-mail： 798073059@qq.com

華攸水，男，1999年生，碩士研究生，主要研究方向：機器人與自動化。E-mail：?h_youshui@qq.com

張浩，男，1993年生，碩士研究生，工程師，主要研究方向：機器人與自動化。E-mail：?h_zhang@giim.ac.cn

曹立超，男，1990年生，碩士研究生，工程師，主要研究方向：機器人與自動化。E-mail：?lc_cao@giim.ac.cn

蔣曉明，男，1973年生，博士研究生，研究員，主要研究方向：電力電子、數控技術與自動化。E-mail：?xm_jiang@giim.ac.cn