基于機器視覺技術的工業(yè)焊板焊縫位置檢測系統(tǒng)

摘 要：現(xiàn)有的焊接機器人只具備執(zhí)行能力，并不具備感知能力、自主學習決策和修正誤差能力。針對該問題，基于機器視覺技術輔助焊接工藝，提出了一種工業(yè)焊板焊縫位置檢測系統(tǒng)，有效提升了自動化焊接的工作效率。首先，通過攝像頭采集獲得焊縫圖像；然后，通過灰度處理、濾波、閾值分割，設計了一種基于特征值突變點插補線段擬合的焊縫位置檢測方法，對焊縫圖像進行處理后獲取焊縫位置偏差，焊接機器人控制器驅(qū)動焊槍依據(jù)焊縫位置偏差進行左右移動，準確對焊縫進行識別與焊接。實驗結果表明，該系統(tǒng)的適應性使得其在強光、弱光、存在焊板缺口和焊接殘渣飛濺等情況下仍能進行焊縫的準確檢測和識別，具有良好的抗干擾能力和魯棒性。

關鍵詞：機器視覺；突變點；插補擬合；焊縫；位置檢測；焊接工藝；焊接自動化

中圖分類號：TP391.8 文獻標識碼：A 文章編號：2095-1302（2025）01-000-06

0 引 言

焊接是制造業(yè)中非常重要且用途十分廣泛的工種[1]，焊接工人在工業(yè)生產(chǎn)領域被稱為“工業(yè)裁縫”。目前焊接機器人已被廣泛應用于汽車制造、石油化工、機械生產(chǎn)、動力工程等多個行業(yè)。焊接機器人的使用一方面使得原材料的使用更加科學、節(jié)省，降低了生產(chǎn)成本，大幅提高了生產(chǎn)質(zhì)量和效率；另一方面，焊接機器人的使用解決了焊接工業(yè)環(huán)境惡劣、人員緊缺、勞動強度過大等問題。但是，目前大多數(shù)在用的焊接機器人都是示教再現(xiàn)機器人，對于焊接軌跡復雜、多批次的焊件焊接很難保證同批次焊件的質(zhì)量穩(wěn)定性，進而影響焊接的整體效率。當前限制焊接機器人自動焊接的主要原因是焊接機器人只具有執(zhí)行能力，并不具有感知能力、自主學習決策和修正誤差能力。因此，隨著圖像處理、機器視覺技術的發(fā)展，將這些新技術應用于傳統(tǒng)制造產(chǎn)業(yè)中是必然趨勢。采用機器視覺技術輔助焊接工藝，加快焊接智能化系統(tǒng)的開發(fā)[2-3]，能夠降低人工成本，提高產(chǎn)品質(zhì)量，這對焊接自動化產(chǎn)業(yè)的發(fā)展具有重要意義。

1 相關研究

隨著焊接自動化以及機器人焊接技術的發(fā)展，工業(yè)焊板焊縫監(jiān)測與自動跟蹤系統(tǒng)的研究和應用顯得越來越重要。例如，在焊接過程中通過傳感器不斷檢測焊縫中心位置信息，輸出控制信號給執(zhí)行機構，能夠?qū)崿F(xiàn)焊縫的實時檢測與跟蹤。文獻[4]開發(fā)了一種基于軌跡控制的視覺伺服系統(tǒng)，該系統(tǒng)通過視覺傳感器獲取處于笛卡爾坐標系下的焊縫位置信息，將位置信息存入緩存，最后生成機器人運動軌跡，實現(xiàn)了自動焊接。文獻[5]提出了一種基于激光視覺傳感器的機器人焊縫在線磨削系統(tǒng)，通過建立手眼標定模型在機器人坐標系中進行數(shù)據(jù)轉換。文獻[6]提出了一種基于機器視覺系統(tǒng)的機械手磨削工作站，解決了金屬毛坯定位和自動磨削困難問題。文獻[7]提出了一種在X射線圖像中使用支持向量機進行焊縫缺陷檢測與分類的系統(tǒng)，該系統(tǒng)能夠準確檢測X射線圖像中的焊縫缺陷。文獻[8]將深度學習技術應用于管道焊縫缺陷檢測與識別中，提出了先進的單級目標檢測算法YOLOv5，有效提高了鋼管焊縫缺陷檢測的精度。國外將視覺傳感器應用于焊接機器人領域的研究相對較早，設計出的焊接機器人相對精度較高。我國對焊縫跟蹤技術的研究起步較晚，但由于焊接機器人在制造業(yè)轉型中有著重要作用，部分企業(yè)和高校已開展了焊縫跟蹤控制算法的研究。文獻[9]利用雙目視覺找到了焊縫初始點的局部范圍，利用全局模板匹配方法排除了大量的干擾點，不足之處在于只停留在圖像空間的識別，并沒有針對焊槍到初始點的運動控制算法。文獻[10]針對薄板焊接采用了無輔助光源的TIG焊縫跟蹤系統(tǒng)，系統(tǒng)抗干擾能力強，圖像傳輸穩(wěn)定。文獻[11]使用卷積神經(jīng)網(wǎng)絡評估焊縫缺陷面積與焊縫缺陷位置，但該方法的分割和識別精確率不高。文獻[12]采用多視覺成像方法提取了焊縫缺陷的空間位置信息，該方法容易在圖像分割時產(chǎn)生偏差。焊接機器人焊縫識別技術需解決3個關鍵問題：通過合適的算法找出焊縫初始點、提取焊縫中心線、正確焊接。針對上述問題，依托機器視覺技術，設計了一種基于特征值突變點插補線段擬合的工業(yè)焊板焊縫位置檢測方法，能夠確保工業(yè)焊接機器人對焊縫位置的準確檢測與定位跟蹤。

2 系統(tǒng)方案

工業(yè)焊板焊縫檢測系統(tǒng)的結構設計方案如圖1（a）所示，系統(tǒng)由上位機焊縫視覺處理模組和焊接機器人本體構成，其中焊縫視覺處理模組包括圖像傳感器（工業(yè)相機）、云臺舵機驅(qū)動模塊和樹莓派圖像控制核心；焊接機器人本體包括單片機主控器、電機驅(qū)動、電機滑臺和焊接槍。系統(tǒng)的運行場景如圖1（b）所示。上位機通過樹莓派圖像控制核心驅(qū)動云臺舵機，操控工業(yè)相機完成焊縫圖像的采集工作，隨后對采集的圖像進行灰度處理、濾波、閾值分割。基于此，設計一種焊縫位置檢測與定位方法，該方法通過識別焊縫圖像灰度值的突變點，進行插補線段擬合；樹莓派圖像控制核心利用焊縫位置檢測算法處理圖像，并輸出焊縫位置偏差值；樹莓派控制中心通過串行通信將焊縫位置偏差值傳輸給焊接機器人控制器，控制器接收到焊縫位置偏移量帶動固定在軌道的滑臺，進而驅(qū)動焊槍依據(jù)焊縫位置偏差值執(zhí)行不同方向和距離的移動，從而實現(xiàn)對焊板焊縫位置的準確識別和定位以及對焊縫的準確焊接。

3 焊縫位置檢測算法

焊縫位置檢測和定位系統(tǒng)設計的關鍵是如何有效查找和提取圖像特征值。工業(yè)焊板一般是由縫隙寬度為1～3 mm、板材厚度為3～5 mm的2塊鋼板或鋁板拼接而成。通過實驗分析獲取的焊縫原始圖像中，焊縫附近存在2次明顯的灰度值突變現(xiàn)象。然而，焊縫識別過程會受到多種干擾因素的影響，包括焊接縫隙周圍可能存在的金屬銹蝕、磨損痕跡，以及拼版縫隙處的手工焊點等。為了準確檢測焊縫位置，系統(tǒng)需要能夠排除這些干擾因素，有效識別并提取焊縫的位置信息。

本文結合工業(yè)焊板焊縫圖像特征設計了一種特征值突變點插補線段擬合的焊縫位置檢測方法，具體步驟如下：

步驟1：輸入采集的焊縫圖像，建立焊縫圖像矩陣P如下：

（1）

式中：{ar" ag" ab}（x， y）為圖像矩陣P中（x， y）坐標位置對應的RGB像素值，x=0， 1， 2， …， m，y=0， 1， 2， …， n；m為采集圖像的橫坐標最大值；n為采集圖像的縱坐標最大值；ar為紅色通道R的像素值；ag為綠色通道G的像素值；ab為藍色通道B的像素值。

步驟2：對圖像矩陣利用式（2）進行灰度轉換，得到轉換后的圖像矩陣Pg如式（3）所示：

（2）

（3）

步驟3：對經(jīng)過灰度轉換后的圖像矩陣Pg進行高斯濾波處理，得到濾波后的圖像矩陣Pz如下：

（4）

對圖像矩陣Pg中任意位置的像素點進行高斯濾波運算，公式如下：

（5）

式中：Gau為高斯濾波運算。

步驟4：對高斯濾波后的圖像矩陣Pz進行閾值分割，得到閾值分割后的圖像矩陣Pu如下：

（6）

對圖像矩陣Pz的像素點進行閾值分割處理，公式如下：

（7）

式中：u（x， y）為圖像矩陣Pu中（x，y）坐標位置的像素；T為分割閾值，T=180。

步驟5：遍歷閾值分割后的圖像矩陣Pu查找灰度值突變點，公式如下：

（8）

式中：d（x， y）為灰度值突變點圖像矩陣Pd中對應（x， y）坐標位置的像素；a為滿足（a·?k）的自然數(shù)集合；y=a·?k表示y≤n且為?k的正整數(shù)倍；?k為間隔查找的偏移行數(shù)，取值常數(shù)20。

查找出所有的灰度值突變點后，將其存入灰度值突變點圖像矩陣Pd中，Pd的表達式如下：

（9）

式中：d（m， n）為灰度值突變點圖像矩陣Pd中對應（m， n）坐標位置的像素。

步驟6：完全遍歷灰度值突變點圖像矩陣Pd中的所有像素，判斷并連接突變點以形成突變線段，最后輸出至插補突變線段圖像矩陣Pl中，Pl的表達式如下：

（10）

該步驟具體分為以下3個子步驟：

（1）取灰度值突變點圖像矩陣Pd中的d（p， q）作為起始判斷點，取閾值分割后的圖像矩陣Pu中的u（p， q）作為圖像判斷點。以p=0，q=0為起始值，以p=m， q=n為終值進行遍歷判斷，其中p、q均為自然數(shù)。判斷d（p， q）的數(shù)值是否為255。若d（p， q）的數(shù)值為255，設d（p， q）點的坐標位置為（p， q），使坐標位置（a， b）與坐標位置（p， q）相同，即a=p，b=q，進行步驟7。若d（p， q）的值不是255，則繼續(xù)遍歷p、q ，重復子步驟（1）。遍歷p、q 的方法如下：當p≠m且q≠n時，使p自加1，使q不變；當p=m且q≠n時，使p=0，使q自加1，得到新的基準點d（p， q）；當p=m，q=n時，結束步驟6。

（2）以坐標位置（a， b）為插補突變線段的位置。取閾值分割后的圖像矩陣Pu中的3×1像素點鄰域內(nèi)的u（a-1， b+1）、u（a， b+1）、u（a+1， b+1）三點，判斷是否存在u（a-1， b+1）與u（a， b+1）的灰度值差值為255或u（a， b+1）與u（a+1， b+1）的灰度值差值為255的情況。判斷并標注插補突變線段圖像矩陣Pl的公式如下：

（11）

式中：輸出l（a， b）為插補突變線段圖像矩陣Pl中對應（a， b）坐標位置的像素；輸入u（a+1， b+1）是在閾值分割后的圖像矩陣Pu中對應（a+1， b+1）坐標位置的相鄰像素。若存在任一兩點的灰度值差值為255，則將l（a， b）標注為1，反之則標注為0。l（a， b）的數(shù)值被標注為1，則進行子步驟（3）。若l（a， b）的數(shù)值被標注為0，則進行子步驟（1），繼續(xù)遍歷p，q 。

（3）判斷并更新得到新坐標位置（a， b）new的公式如下：

（12）

式中：輸出（a， b）new為得到的新坐標位置。當?shù)玫叫伦鴺宋恢茫╝， b）new時，判斷blt;p+?k是否成立。若條件成立，則根據(jù)新的u（a-1， b+1）， u（a， b+1）， u（a+1， b+1）重新執(zhí)行子步驟（2），計算新的l（a， b）。反之，則在繼續(xù)遍歷p，q后，進行子步驟（1）。

步驟7：統(tǒng)計突變線段數(shù)量并計算最長突變線段。遍歷突變線段圖像矩陣Pl中所有像素并統(tǒng)計突變線段數(shù)量，輸出至最長線段矩陣中，該矩陣公式為：

（13）

式中：cm-1為圖像矩陣Pl中對應于圖像橫坐標為m-1的縱向像素區(qū)域內(nèi)數(shù)值為1的像素個數(shù)統(tǒng)計值。取插補突變線段圖像矩陣Pl中的l（i， j）作為計算點。以i=1為起始值，以i=m-1為終值進行遍歷計算。以l（i， j）點為基準，通過對3×1像素鄰域進行處理，獲得插補突變線段圖像矩陣，將l（i， j）， l（i-1， j）， l（i+1， j） 三點的累加值記錄到對應最長線段矩陣Pc的元素ci中。計算公式如下：

（14）

式中：i、j均為自然數(shù)；輸出ci為圖像矩陣Pl中對應于橫坐標的縱向像素區(qū)域內(nèi)的像素個數(shù)統(tǒng)計值；輸入l（i， j）是突變線段圖像矩陣Pl中（i，" j）坐標位置的像素。累加所有l(wèi)（i， j）， l（i-1， j）， l（i+1， j）， 其累加值對應最長線段矩陣Pc的元素cj。使i自加1，得到新計算點l（i， j）。將基于新計算點l（i， j）得到的輸入l（i， j）， l（i-1， j）， l（i+1， j）代入式（14）進行計算。重復上述過程，直到i=m-1時停止計算。

步驟8：分析最長線段的橫坐標位置，計算焊縫的橫坐標位置與系統(tǒng)設置的基準橫坐標位置的差值，輸出系統(tǒng)偏移量。對最長線段矩陣Pc中的所有元素取最大值，并通過下式計算其位置：

（15）

式中：ce為最長線段矩陣Pc中對應于橫坐標的所有像素個數(shù)統(tǒng)計值；表示在最長線段矩陣Pc中進行從1到m-1的元素

遍歷，并取最大值元素及其位置進行輸出。因此相當于最長線段的長度，橫坐標e標定焊縫邊界的橫坐標位置，其為最長線段矩陣Pc中的最大值對應的橫坐標。

計算焊縫邊界的橫坐標e與系統(tǒng)設置的基準橫坐標的差值?h，即為焊縫的位置偏差值。利用焊縫的位置偏差值?h判斷被測焊縫的位置偏離程度，將位置偏差值?h傳輸給焊接機器人控制器，使焊接機器人動態(tài)調(diào)節(jié)焊槍焊接位置，實現(xiàn)準確焊接。

4 實驗分析

4.1 焊縫特征分析

實驗測試對象由2塊30 cm×30 cm的金屬鐵板拼接而成，選取寬度為1 mm的縫隙進行焊接測試。為了充分提取焊縫邊界豐富的圖像特征，選取焊縫周圍20×5像素區(qū)域內(nèi)的像素值（如圖2所示）并分析其特征。根據(jù)圖2中像素值信息繪制焊縫周圍20×5像素區(qū)域內(nèi)像素值統(tǒng)計圖，如圖3所示。由圖3可以看出，從圖像的左側開始掃描得到的各位置對應的像素值經(jīng)歷由大變小再變大的過程，其中在像素值由大變小和像素值由小變大的2個突變位置附近發(fā)現(xiàn)了所要尋找的2個焊縫邊界，在橫坐標2和3對應的像素值之間的差值及橫坐標15和17對應的像素值之間的差值均較大，折線存在較為明顯的下降和上升。通過檢測像素值突變的任一區(qū)域可以識別到焊縫的邊界并確定焊縫的位置。

4.2 焊縫圖像預處理

實驗首先對原圖像進行灰度處理，工業(yè)焊板大多呈現(xiàn)銀色或灰色，將原圖像處理為灰度圖像并不會丟失焊縫特征信息。獲得灰度圖像后對其進行平滑濾波和閾值分割，以便后續(xù)進行焊縫檢測和位置追蹤。

（1）平滑濾波

在獲得圖像的過程中相機會受到許多環(huán)境因素影響，導致拍攝的圖像中夾雜著噪聲信號。為了提高獲取的圖像質(zhì)量，本文采用高斯濾波進行平滑濾波處理。高斯濾波可以在有效抑制正態(tài)分布噪聲信號并平滑處理圖像鄰域內(nèi)各像素點的同時，給鄰域內(nèi)不同位置的像素點賦予相應的權重值，保留更多的圖像灰度特征，避免濾波后圖像呈現(xiàn)不連續(xù)性。

圖4、圖5、圖6分別是掩膜尺寸為3×3、7×7、11×11的實驗圖像，各圖中心偏左側的黑色線條為識別的焊縫，各圖中心和中心偏右側的灰色痕跡為工業(yè)焊板劃痕。通過分析發(fā)現(xiàn)，相較其他掩膜尺寸圖像，在掩膜尺寸為11×11的高斯濾波下的工業(yè)焊板縫隙圖像能夠抑制大多數(shù)圖像噪聲，模糊掉圖像右側的工業(yè)焊板上劃痕的干擾，仍保持焊縫清晰可見。故在實驗中選擇掩膜尺寸為11×11的高斯濾波進行圖像處理。

（2）自適應閾值分割

為了將圖像中的焊縫清晰地展示在圖像中，進一步進行特征提取，對濾波后的圖像進行自適應閾值分割。圖像的閾值分割是通過比較圖像的灰度值與閾值，將像素分類為0或255。處理后的圖像特征清晰明了。實驗設計通過計算選取焊縫邊界最明顯的區(qū)域進行高斯加權平均（高斯濾波），進而確定閾值。目的是提取焊縫邊界最豐富的特征信息。隨后，通過對比原圖像和經(jīng)過高斯濾波后的圖像在相同位置的像素值大小關系，對圖像進行閾值分割。圖7所示為高斯濾波后的圖像經(jīng)過自適應閾值分割的效果（其中圖中心偏左側的黑色長線條為需要識別的焊縫）。

4.3 焊縫特征提取和位置跟蹤

基于第3節(jié)設計的焊縫位置檢測方法，對圖7所示的自適應閾值分割二值圖像從左向右進行遍歷，分析找到焊縫特征灰度值突變區(qū)域。具體步驟如下：

（1）查找焊縫灰度值特征突變點

首先對經(jīng)過圖像預處理的焊縫圖像進行遍歷，設定當前遍歷的圖像行為第x行，該行從左向右的初始位置為第y列。對第x行從第y列開始的像素點進行從左向右的灰度值遍歷，若當前遍歷的坐標像素點（x， y）與當前坐標的橫坐標方向前一個像素點（x-1， y）的灰度值之間差值為255的條件成立，則記錄下該點坐標（x， y）并將其存放到指定容器內(nèi)。直到遍歷完成第x行的全部像素點，接下來遍歷第（x+n）行，其中n=20k，k∈N，即從第一行起每隔20行遍歷一次，直到遍歷至圖像的最后一行。將尋找到所有滿足條件的坐標點（x+n， y）存儲在指定容器內(nèi)。

（2）插補焊縫灰度值特征突變小線段

對步驟（1）中存放于容器的灰度值突變坐標點（a， b）進行完全遍歷，設當前遍歷的坐標點為（a1， b1）。將（a1， b1）作為起始點，以（a1， b1）點為基準，判斷3×1的鄰域內(nèi)（a1-1， b1+1）和（a1， b1+1）的灰度值差值或（a1， b1+1）和（a1+1， b1+1）的灰度值差值是否為255。如判斷滿足條件，則以滿足灰度值差值為255的像素點中的橫坐標更小的像素點為新基準點，例如（a1， b1+1）和（a1+1， b1+1）的灰度值差值為255，則新基準點為（a1， b1+1），將該新基準點存入容器內(nèi)，以新基準點（a1， b1+2）作為起始點，重復上述判斷、更新基準點和存入容器的步驟，直至基準點更新至（a1， b1+i）為止，其中i=20。若（a1-1， b1+1）與（a1， b1+1）的灰度值差值和（a1， b1+1）與（a1+1， b1+1）的灰度值差值都不為255，則不繼續(xù)查詢下一個基準點，而是進入下一個起始點的查找。圖8所示為實驗查找完成的小區(qū)域圖像。

（3）擬合特征線段

通過上述實驗獲得了圖像中所有長度為20的灰度值突變小線段，將圖像中所有在灰度值突變線段的3×3鄰域內(nèi)相鄰或重合的部分連接起來，形成新的線段并記錄線段所包含的像素點個數(shù)和線段中的像素點位置，然后保存到容器中。

設現(xiàn)有線段p，線段p所包含的像素點有50個，p（Xa， Yb）是線段p內(nèi)的任意一點，線段p的起始位置（即橫坐標和縱坐標最小值的位置）記為p（Xmin， Ymin），?Yp可以反映線段p的坐標點p（Xa， Ymax）和p（Xmin， Ymin）的縱坐標差值，?Y= Ymax-Ymin。遍歷所有被保存的線段，尋找包含縱向像素點最多?Ymax的線段，也就是使?Y的數(shù)值最大的一個線段，記為焊縫的邊界。圖9為擬合完成最長線段的圖像。

當擬合完成最長線段后，計算最長線段橫坐標值與系統(tǒng)設置基準點的橫坐標差值?h。實驗測試時假設最長線段對應橫坐標Xa=300，與系統(tǒng)的基準點像素位置（系統(tǒng)默認為Xs=350）的差值?h=|Xa-Xs|=|300-350|=50，將該值作為偏移量數(shù)值輸出至焊接機器人本體主控器，主控器驅(qū)動焊槍依據(jù)焊縫位置偏差值?h執(zhí)行不同方向和距離的移動，進而準確地對焊縫進行焊接，完成焊縫位置跟蹤。

4.4 系統(tǒng)抗干擾測試

實際的工業(yè)生產(chǎn)中，焊接的板材和焊接環(huán)境有著極大的不確定性，這就要求所設計的焊縫識別系統(tǒng)具備一定的系統(tǒng)抗干擾性。選擇不同干擾因素的焊接場景，基于本系統(tǒng)進行抗干擾測試，以測試本系統(tǒng)在不同場景的焊縫識別效果。圖10為強光焊接環(huán)境，圖11為弱光焊接環(huán)境，圖12為存在焊板缺口的焊接狀態(tài)，圖13為焊接火花殘渣飛濺至相機視野。

分析實驗測試結果可知，系統(tǒng)在強光、弱光、焊板存在缺口和焊接火花殘渣飛濺的情況下仍能保持對焊縫的準確檢測和識別。其中圖10和圖13焊縫右側出現(xiàn)白條是因為拍攝時受到焊渣飛濺影響，系統(tǒng)在強光的焊接環(huán)境下同時受到焊渣飛濺影響仍然能夠準確識別焊縫，證明其具有良好的抗干擾性以及較強的魯棒性。

5 結 語

本文提出了一種工業(yè)焊板焊縫位置檢測系統(tǒng)。系統(tǒng)首先對采集到的并經(jīng)過圖像預處理后的焊縫圖像進行遍歷，在遍歷過程中查找灰度值突變點，并設計了一種預檢測線段插補法，對灰度值突變點進行小線段擬和；接著，通過計算擬合后的線段上各像素點坐標與線段起始點坐標在縱坐標上的差值，遍歷所有已擬合并保存的線段，尋找其中縱坐標差值最大的線段，標記為焊縫邊界；最后計算最長線段橫坐標值與系統(tǒng)設置基準點的橫坐標差值，該差值即為焊縫位置偏移量。圖像處理模組通過串行通信將焊縫位置偏差值傳輸給焊接機器人控制器，驅(qū)動焊槍依據(jù)焊縫位置偏差值進行左右移動，實現(xiàn)對焊縫位置的準確定位和跟蹤。實驗結果表明，本文開發(fā)的工業(yè)焊接機器人焊縫位置檢測與定位方法在強光、弱光、焊板缺口和焊接殘渣飛濺等情況下都能保持焊縫的準確檢測和識別，可以用于多種工業(yè)焊接領域。

注：本文通訊作者為安康。

參考文獻

[1] 甘濤，魏國軍，劉強，等.機器人智能焊接技術研究[J].中國設備工程，2020（4）：18-19.

[2] YANG L， LIU Y， PENG J， et al. A novel system for off-line 3d seam extraction and path planning based on point cloud segmentation for arc welding robot [J]. Robotics and computer-integrated manufacturing， 2020， 64： 101929.

[3] ROUT A， DEEPAK B， BISWAL B. Advances in weld seam tracking techniques for robotic welding： a review[J]. Robotics and computer-integrated manufacturing， 2019， 56： 12-37.

[4] GRAAF" M" D，" AARTS" R，" JONKER" B，" et al. Real-time" seam" tracking" for" robotic" laser welding" using" trajectory-based" control [J]. Control" engineering" practice，" 2010， 18（8）： 944-953.

[5] GE J， DENG Z， LI Z， et al. Robot welding seam online grinding system based on laser vision guidance [J]. The international journal of advanced manufacturing technology， 2021， 116（5/6）： 1737-1749.

[6] WAN G， WANG G， FAN Y. A robotic grinding station based on an industrial manipulator and vision system [J]. PLoS one， 2021， 16（3）： e0248993.

[7] MALARVEL M， SINGH H. An autonomous technique for weld defects detection and classification using multi-class support vector machine in X-radiography image [J]. Optik， 2021（231）： 166342.

[8] YANG D M ， CUI Y R. Deep learning based steel pipe weld defect detection[J]. Applied artificial intelligence， 2021， 15（35）： 1237-1249.

[9]朱振友，樸泳杰，林濤，等.基于視覺的局部環(huán)境焊縫起始位置識別方法[J].焊接學報，2004，25（2）：95-98.

[10]劉衛(wèi)朋. 焊接機器人焊接路徑識別與自主控制方法研究及應用[D].天津：河北工業(yè)大學，2015.

[11]王睿，胡云雷，李海濤，等. X射線焊縫圖像缺陷實例分割算法[J].哈爾濱工業(yè)大學學報，2022，54（5）：140-145.

[12] 石端虎，吳三孩，歷長云，等. T形接頭角焊縫中缺陷空間定位及分布特征[J]. 焊接學報，2020，41（5）： 56-60.