Online inspection technology for weld formation quality of welded structural components
-
摘要:
目前，焊接结构件焊缝成形质量的无损检测仍普遍采用低效率、低精度的目视方法. 为改善这一现状，一种基于结构光视觉的焊缝成形质量在线检测技术被提出，建立的3D坐标识别模型，赋予了该技术对空间3D信息的感知能力，融合YOLOv5与空间距离判断法的图像处理算法，从结构光图像中自主判定焊缝的类型，并自动测量焊缝的几何尺寸，如焊缝宽度、余高与焊脚尺寸等，该算法不再局限于焊缝轮廓的监测，还可准确地识别、分类与定位各种焊缝几何缺陷，如焊缝超高、错边、未焊满下垂、咬边、焊瘤、凸度过大与焊脚不对称等，并根据ISO 5817:1992标准在线自主评定缺陷的质量等级. 结果表明，该技术对焊缝几何尺寸的测量精度可达10−2 mm量级，对焊缝几何缺陷的质量等级评定准确率达100%，完全满足自动化焊接生产线在线评定焊缝成形质量的技术要求.
Abstract:Currently, the non-destructive testing for weld formation quality of welded structural components still predominantly employs visual evaluation with low efficiency and low accuracy. To improve the situation, an online inspection technology for weld formation quality based on structured light vision was proposed. The established 3D coordinate recognition model endowed this technology with the capability to perceive spatial 3D information; the image processing algorithm integrating YOLOv5 and the spatial distance judgment method autonomously identified weld types from structured light images and automatically measured geometrical dimensions such as weld width, weld reinforcement, and weld leg sizes. Particularly, this algorithm was not limited to monitoring weld profiles, but it could also accurately identify, classify, and locate various geometrical defects including excess weld metal, align deviation, incompletely filled sags, undercut, overlap, excessive convexity, and asymmetric weld leg. Moreover, it could autonomously evaluate defect quality grades online according to the ISO 5 817:1992 standard. Experimental results demonstrate that this technology achieves measurement accuracy at the 10−2 mm level for geometrical dimensions of welds, attains 100% grading accuracy for geometrical defect quality, and fulfills the requirements for online inspection of weld formation quality in automated welding production lines.
-
0. 序言
在装备制造业中，高效且柔性的焊接技术作为一种核心的材料加工技术，为各种复杂空间结构生产提供了强有力的技术支持. 完整的自动化焊接产线主要包含构件装配、结构焊接、焊缝质检3个工序. 智能装配[1-2]与智能焊接[3-4]已在学术界被深入的研究，已在制造业被广泛的应用. 由于装配偏差、焊接轨迹偏差、热变形、焊接参数波动等因素的影响，焊接结构焊缝表面上不可避免地会出现焊瘤、错位、余高过大等各种缺陷，这些不合格的缺陷会引发应力集中，降低接头处的静动载荷，缩短焊接结构的服役寿命，极易引发脆性断裂和重大安全事故，因此，有必要对焊接结构中所有焊缝的成形质量进行检测，也是质量控制的前提. 然而，焊缝成形质量检测仍严重依赖于人工目测，这种离线的方法极易受工人经验水平、责任意识和主观情绪的影响，无法高效高精度地检测所有焊缝，更无法满足在线智能检测的需求.
能够从图像信息中感知焊缝点云信息的机器视觉已经引起了学术界和工业界的极大关注. RANJAN等人[5-6]利用相机捕获的仅表征2D信息的焊缝图像对气孔、沟槽、焊渣等表面缺陷进行了识别，但无法定量获取缺陷的几何信息；Lee等人[7-10]利用能动态感知空间3D信息的结构光视觉传感器从焊脚尺寸测量与焊缝3D形貌重建的角度监控角焊缝的成形质量；Huang等人[11-15]基于结构光视觉传感器动态地测量焊缝宽度、余高、咬边、焊缝直线度和板错配等以评估对接焊缝的成形质量，并重建出了焊缝的3D形貌；胡丹等人[16]建立了HOG-SVM焊缝表面缺陷智能识别模型，有效地提高了气孔、凹陷、咬边等缺陷的识别精度. 虽然这些质检系统为焊缝成形质量检测提供了硬件设计与算法开发的思路，但他们对焊缝类型的适用性是单一的. 此外，这些系统主要是通过监测焊缝几何尺寸的变化以实现焊缝成形质量检测的目的，而对焊缝几何缺陷的识别、分类和定位并没有深入涉及. 在一定程度上，仅记录焊缝几何尺寸或重建出焊缝3D形貌而不依据质检标准对焊缝几何缺陷进行评定的方法，其检测结果的接受度是非常受限的.
为实现焊缝成形质量的智能化检测，一种基于结构光视觉的焊接结构件焊缝成形质量在线检测技术被提出. 作为该技术自动化执行的硬件载体，在线质检工作站首先被构建，其次，为了赋予质检工作站动态感知焊缝3D信息的能力，用于坐标标定的3D坐标识别模型被建立，在这些基础上，进一步提出了焊缝成形质量的在线评估策略， 该策略采用YOLOv5解决了现有检测方法难以自主适应各种类型焊缝的问题，并建立了YOLOv5与空间距离判断法相结合的特征点定位策略，实现了焊缝几何尺寸特征点和焊缝几何缺陷特征点的动态识别. 此外，该策略依据所确定的各种特征点，不仅完成了焊缝几何尺寸的定量测量，还实现了焊缝几何缺陷的识别、分类、定位及质量等级自主评定.
1. 质检系统
1.1 在线质检工作站
作为质量检测技术硬件载体的在线质检工作站，如图1所示，其保障了质检工序的自动化和质量分析的自主化. 质检工作站由结构光视觉传感器、工业PC、六轴机器人、机器人第七轴、变位机等组成. 在质检过程中，工业PC首先检索到对应工件的质检程序，后控制机器人夹持结构光视觉传感器对焊缝进行智能化扫描，并实时地对焊缝成形质量进行自主评估.
1.2 3D坐标识别模型
为准确识别焊缝空间点云的3D坐标，构建了在线质检工作站的3D坐标识别模型，如图2所示. OW-XWYWZW，OB-XBYBZB与OC-XCYCZC分别为世界坐标系，机器人基座标系与相机坐标系. 工具坐标系OH-XHYHZH的原点OH被设定到传感器内CCD相机视野窗口的中心. 在相机视野内，像平面与物平面分别用Π1与Π2表示. CCD相机像平面内图像坐标系与像素坐标系分别用OI-XIYI与O-UV表示. 构建3D坐标识别模型的目的在于将空间一点p在O-UV内的坐标($ {u}^{p} $,$ {v}^{p} $)转化为在OW-XWYWZW内的坐标($ {x}_{{\mathrm{W}}}^{p} $,$ {y}_{{\mathrm{W}}}^{p} $,$ {z}_{{\mathrm{W}}}^{p} $).
根据光学三角测量原理，点p在OB-XBYBZB中坐标($ {x}_{{\mathrm{B}}}^{p} $,$ {y}_{{\mathrm{B}}}^{p} $,$ {z}_{{\mathrm{B}}}^{p} $)与($ {u}^{p} $,$ {v}^{p} $)之间矩阵变换关系为[17].
$$ \left[\begin{array}{c}u^p \\ v^p \\ 1\end{array}\right]=\dfrac{1}{z_{\mathrm{C}}^p}\left[\begin{array}{c}\dfrac{1}{dX_{\mathrm{I}}} \\ 0 \\ 0\end{array}\begin{array}{c}0 \\ \dfrac{1}{dY_{\mathrm{I}}} \\ 0\end{array}\begin{array}{c}u_0 \\ v_0 \\ 1\end{array}\right]\left[\begin{array}{c}f \\ 0 \\ 0\end{array}\begin{array}{c}0 \\ f \\ 0\end{array}\begin{array}{c}0 \\ 0 \\ 1\end{array}\begin{array}{c}0 \\ 0 \\ 0\end{array}\right]\left[\begin{array}{c}x_{\mathrm{C}}^p \\ y_{\mathrm{C}}^p \\ z_{\mathrm{C}}^p \\ 1\end{array}\right] $$ (1) $$ \left[\begin{array}{c}{x}_{{\mathrm{B}}}^{p}\\ {y}_{{\mathrm{B}}}^{p}\\ {z}_{{\mathrm{B}}}^{p}\\ 1\end{array}\right] = \left[\begin{array}{c}{R}_{H}{T}_{H}\\ 0 1\end{array}\right]{X}_{S}\left[\begin{array}{c}{x}_{{\mathrm{C}}}^{p}\\ {y}_{{\mathrm{c}}}^{p}\\ {z}_{{\mathrm{c}}}^{p}\\ 1\end{array}\right] $$ (2) 式中：$ \dfrac{1}{dX_{\mathrm{I}}} $，$ \dfrac{1}{dY\mathrm{_I}} $，$ {u}_{0} $，$ {v}_{0} $，$ f $为相机的内参，由相机标定获取；$ {X}_{S} $手眼变换矩阵，由手眼标定获取；$ {R}_{H} $与$ {T}_{H} $为机器人内部的旋转矩阵与平移矩阵.
坐标($ {x}_{{\mathrm{W}}}^{p} $,$ {y}_{{\mathrm{W}}}^{p} $,$ {z}_{{\mathrm{W}}}^{p} $)与坐标($ {x}_{{\mathrm{B}}}^{p} $,$ {y}_{{\mathrm{B}}}^{p} $,$ {z}_{{\mathrm{B}}}^{p} $)之间的矩阵变换关系可由式(3)确定.
$$ \left[\begin{array}{c}{x}_{{\mathrm{W}}}^{p}\\ {y}_{{\mathrm{W}}}^{p}\\ {z}_{{\mathrm{W}}}^{p}\end{array}\right] = \left[\begin{array}{c}{x}_{{\mathrm{B}}}^{p}\\ {y}_{{\mathrm{B}}}^{p}\\ {z}_{{\mathrm{B}}}^{p}\end{array}\right] + \left[\begin{array}{c}{d}_{x}\\ \varphi \\ {d}_{z}\end{array}\right] $$ (3) 式中：$ {d}_{x} $与$ {d}_{z} $为常数；$ \varphi $为机器人第七轴的运动参数，由机器人示教器读取.
因此，通过式(1) ~ 式(3)，质检工作站实现了对空间3D信息的感知，即空间一点p在O-UV内坐标($ {u}^{p} $,$ {v}^{p} $)被转化为了OW-XWYWZW内的坐标($ {x}_{{\mathrm{W}}}^{p} $,$ {y}_{{\mathrm{W}}}^{p} $,$ {z}_{{\mathrm{W}}}^{p} $).
2. 焊缝成形质量在线检测策略
2.1 焊缝成形质量检测内容
焊缝成形质量检测包括焊缝几何尺寸的测量焊缝几何缺陷的检测与质量评定. 如图3所示，对接焊缝几何尺寸指焊缝宽度w和余高h，角接焊缝几何尺寸指焊脚尺寸(a，b和c). 对接焊缝与角接焊缝的几何尺寸特征点为B1、B2、Bt、F1、F2与F3. 对接焊缝与角接焊缝的几何缺陷特征点为Bu、Bt、Bb与Ft. 依据质检标准《Arc-welded joints in steel; guidance on quality levels for imperfections》(ISO 5817:1992)，如图4所示，对接焊缝几何缺陷主要指焊缝超高、未焊满下垂、错边、咬边与焊瘤等，角接焊缝几何缺陷主要指焊脚不对称、凸度过大与焊瘤等.
![]()
图 3 焊缝的几何尺寸及其特征点Figure 3. Geometrical dimensions of welds and their feature points. (a) butt welds; (b) fillet welds![]()
图 4 焊缝的几何缺陷Figure 4. Geometrical defects of welds. (a) excess weld metal; (b) misalignment; (c) incompletely filled groove; (d) undercut; (e) overlap of butt weld; (f) excessive convexity; (g) excessive asymmetry fillet weld; (h) overlap of fillet weld2.2 YOLOv5神经网络
为能够使提出的焊缝成形质量检测技术适用于多种焊缝，YOLOv5神经网络被用于从传感器抓取的激光条纹图像中实时识别焊缝的类型，实时地提取焊缝的感兴趣区域(region of Interes, ROI).
YOLOv5神经网络的推理流程如下.
(1) 采用旋转、平移、缩放、仿射变换、亮度调整、加噪等多种数据增强方法对输入图像的颜色空间和几何空间进行调整.
(2) 提取图像中的深度特征信息.
(3) 通过自顶向下和自底向上的操作，将深层高层语义特征与浅层图形定位特征进行融合.
(4) 对每个对象的预测类别、置信水平、预测框中心位置、预测框宽度和高度进行汇总并输出.
为了使YOLOv5能够在极端条件下准确识别出焊缝类型并定位出焊缝的ROI，利用不同曝光、不同拍摄角度、不同焊缝尺寸的
2233 张焊缝结构光图像对YOLOv5进行了训练和测试，训练后的YOLOv5神经网络识别焊缝类型并定位焊缝ROI的准确率为0.995，效果如图5所示.![]()
图 5 焊缝类型判定及ROI提取Figure 5. Weld type determination and ROI extraction. (a) butt welds; (b) fillet welds如图4所示，对于非固定且动态出现的咬边及焊瘤的识别是极其困难的，为此，文中再次利用YOLOv5神经网络来解决这一问题. 通过实际工况下的500张咬边及焊瘤图像训练后的YOLOv5识别咬边及焊瘤的准确率为0.90，效果如图6所示.
![]()
图 6 咬边及焊瘤识别结果Figure 6. Identification results for undercuts and overlaps. (a) undercuts of butt welds; (b) overlaps of butt welds; (c) overlaps of fillet welds2.3 结构光条纹中心线提取
焊缝结构光条纹中心线提取的过程，如图7和图8所示，包括阈值分割、小连通区域去除、形态学处理和基于Steger法的中心线提取4个步骤. 阈值分割从图像的背景信息中获取更全面的焊缝条纹见图7(b)和图8(b).随后，以去除小的连通区域的方式去除条纹斑点，以先腐蚀后膨胀的形态学处理方式去除条纹毛刺见图7(c)和图8(c). 充分考虑条纹局部几何信息的Steger法对条纹中心线进行了精确地提取，提取的效果见图7(d)和图8(d). 综上得出，所提出的中心线提取方法对图像杂质信息具备很强的抗干扰性，提取的中心线不偏不倚地位于焊缝条纹的中心.
![]()
图 7 对接焊缝中心线提取结果Figure 7. Extraction results for centreline of butt weld. (a) ROI of butt weld; (b) threshold segmentation; (c) removal of small connected regions and morphological processing; (d) centerline extraction![]()
图 8 角接焊缝中心线提取结果Figure 8. Extraction results for centreline of fillet weld. (a) ROI of butt weld; (b) threshold segmentation; (c) removal of small connected regions and morphological processing; (d) centerline extraction2.4 几何特征点提取
特征点(图3)的定位精度对于焊缝成形质量检测的精度至关重要，常规的特征点定位算法主要有二阶导数法、基于面积的扫描法[18]、斜率分析法等，这些常规算法定位固定出现的特征点是非常有效的，但定位不固定且动态出现的特征点是非常容易失效的，为此，创新性设计了一种用于特征点提取的空间距离判断法，如图9所示. 提取特征点的结果，如图10所示. 从图中可以看出，该算法不仅可准确提取出固定出现的特征点(B1、B2、F1与F2)，还可准确提取出不固定且动态出现的特征点(Bt、Bb、Bu、Ft与F3)，且提取的特征点的位置与实际位置是一致的.
![]()
图 10 焊缝特征点提取结果Figure 10. Extraction results for weld feature points. (a) butt weld feature points; (b) fillet weld feature points2.5 焊缝几何尺寸测量
焊缝几何尺寸由几何尺寸特征点(B1、B2、Bt、F1、F2、F2)计算得到.
(1) 焊缝宽度w
$$ w=\mathrm{Dpoint}(\mathrm{\mathit{B}}_1,\mathrm{\mathit{B}}_2) $$ (4) 式中：$ \mathrm{Dpoint\left(\right)} $点到点的距离求取公式.
(2) 余高h
$$ h = {\mathrm{Dline}}({{B}}_{{t}},{{{B}}_{1}{B}}_{2}) $$ (5) 式中：$ \mathrm{Dline\left(\right)} $点到直线的距离求取公式.
(3) 焊脚尺寸a，b，c
$$ a = {\mathrm{Dpoint}}({{F}}_{1},{{F}}_{3}) $$ (6) $$ b = {\mathrm{Dpoint}}({{F}}_{2},{{F}}_{3}) $$ (7) $$ c = {\mathrm{Dpoint}}({{F}}_{1},{{F}}_{2}) $$ (8) 2.6 焊缝几何缺陷的几何参数求取
(1) 焊缝超高w，h
判断焊缝超高的几何参数w，h分别由式(4)与式(5)求取.
(2) 错边$ {h}^{\mathrm{*}} $
$$ {h}^{{*}} = \left|{z}_{C}^{{{B}}_{1}}-{z}_{C}^{{{B}}_{2}}\right| $$ (9) 式中：$ {z}_{C}^{{{B}}_{1}} $与$ {z}_{C}^{{{B}}_{2}} $分别表示B1点与B2点在相机坐标系下Z轴的坐标值.
(3) 未焊满下垂$ {h}^{t} $
$$ {h}^{t} = {\mathrm{Dline}}({{B}}_{{{\mathrm{b}}}},{{{B}}_{1}{B}}_{2}) $$ (10) (4) 咬边$ {h}^{u} $
$$ {h}^{u} = {\mathrm{Dline}}({{B}}_{{{\mathrm{u}}}},{{{B}}_{1}{B}}_{2}) $$ (11) (5) 凸度过大$ {h}^{\mathrm{c}} $
$$ {h}^{{{\mathrm{c}}}} ={\mathrm{ Dline}}({{F}}_{{{\mathrm{t}}}},{{{F}}_{1}{F}}_{2}) $$ (12) (6) 焊缝焊脚不对称$ {h}^{a} $，$ {h}^{b} $
$$ {h}^{a} = \left|a-b\right| $$ (13) $$ {h}^{b} = \left\{\begin{array}{c}\dfrac{\sqrt{2}}{2}b，\;\;if\;\; a\geqslant b\\ \dfrac{\sqrt{2}}{2}a，\;\;if\;\;a < b\end{array}\right. $$ (14) (7) 焊瘤
根据ISO 5817:1992，无需对焊瘤求取其几何尺寸，即当焊瘤存在时，该处焊缝是不合格的.
2.7 焊缝几何形貌重建
扫描焊缝表面以获得其3D形貌是表征焊缝成形质量最直观的方法. 质量检测系统不仅能记录和存档焊缝的3D形貌，还可让检测人员离线有效地观测焊缝的成形质量. 基于焊缝点云空间坐标信息与时间序列信息的焊缝3D形貌重建过程，如图11所示.
![]()
图 11 焊缝3D形貌重建Figure 11. Reconstruction for 3D morphology of welds. (a) butt welds; (b) fillet welds3. 试验结果及分析
3.1 对接焊缝成形质量在线检测
坡口角度为90°、底板厚度为8 mm、坡口宽度为8 mm、长度为60 mm的对接焊缝，如图12所示. 利用设计的质量检测技术对该焊缝进行在线质量检测的结果，如图13和图14所示. 在质量检测过程中，传感器的扫描速度为0.6 m/min，采集帧率为50 Hz，缺陷质量按B级进行评定.
![]()
图 13 对接焊缝几何尺寸测量结果Figure 13. Measurement results of geometrical dimensions of butt weld.(a) weld width; (b) reinforcement![]()
图 14 对接焊缝几何缺陷检测及质量评定结果Figure 14. Detection results and quality evaluation results of butt weld geometrical defects. (a) misalignment; (b) incompletely filled groove; (c) undercut图13为对接焊缝几何尺寸的测量结果，参见图12，5 ~ 7 mm和35 ~ 41 mm位置处的焊瘤一定会使焊缝宽度突变. 图13(a)的测量结果进一步支持了这一观察结果，其中焊缝宽度突变的位置与焊瘤的位置一致. 参见图12，55 ~ 60 mm位置处的余高低于其他位置. 图13(b)中测量结果也进一步证实了这一观察结果.
对接焊缝几何缺陷检测及质量评定结果，如图13(b)和图14所示. 焊缝超高的测量结果如图13(b)所示，分别在0 ~ 36 mm与38 ~ 56 mm位置处是不合格的. 错边测量的结果如图14(a)所示，所有位置的焊缝都是合格的，且错边与焊缝位置呈线性关系. 未焊满下垂的测量结果如图14(b)，在0 ~ 0.5 mm位置处是不合格的. 咬边测量的结果如图14(c)，42 ~ 60 mm位置处存在咬边，但是56 ~ 60 mm位置的咬边是不合格的， 如图12所示，上述测量结果与实际情况一致.
对接焊缝3D形貌重建的结果，如图15所示. 与实际对接焊缝相比(图12)，重建的3D形貌与实际对接焊缝表面一致.
3.2 角接焊缝成形质量在线检测
图16为基板厚度为10 mm、夹角为90°、长度为60 mm的角焊缝. 利用设计的质量检测技术对该焊缝进行在线质量检测的结果，如图17和图18所示. 在质量检测过程中，传感器的扫描速度为0.6 m/min，采集帧率为50 Hz，缺陷质量按B级进行评定.
![]()
图 17 角接焊缝几何尺寸测量结果Figure 17. Measurement results of geometrical dimensions of fillet weld. (a) leg size a; (b) leg size b; (c) leg size c![]()
图 18 角接焊缝几何缺陷检测及质量评定结果Figure 18. Detection results and quality evaluation results of fillet weld geometrical defects. (a) excessive convexity; (b) excessive asymmetry fillet weld图17为角焊缝几何尺寸的测量结果. 参见图16，16 ~ 18 mm和38 ~ 40 mm位置处的过少填充金属会使这些位置的焊脚尺寸a明显小于其他位置，22 ~ 25 mm位置处的过多填充金属会使这些位置的焊脚尺寸a明显大于其他位置. 图17(a)的测量结果进一步支持了这些观察结果. 参见图16，17 ~ 19 mm位置处的焊瘤一定会导致焊脚尺寸b和焊脚尺寸c突变. 图17(b)和图17(c)的测量结果进一步证实了这些观察结果，且焊脚尺寸b和焊脚尺寸c的突变位置与焊瘤位置一致. 参见图16，26 ~ 39 mm位置处的弧坑会显著使焊脚尺寸c变大. 图17(c)的测量结果进一步证实了这一观察结果.
角焊缝几何缺陷检测及质量评定结果，如图18所示.凸度过大的测量结果见图18(a)，分别在0 ~ 14、16.5 ~ 18和19.5 ~ 20.5 mm位置处是不合格的. 焊脚不对称的测量结果见图18(b)，分别在7 ~ 21 mm与24 ~ 40 mm位置处是不合格的. 如图16所示，这些测量结果与实际情况一致.
角焊缝3D形貌重建的结果，如图19所示. 与实际角焊缝相比(图16)，重建的3D形貌与实际角焊缝表面一致.
4. 结论
(1) 利用多源数据和图像融合的质量检测技术，不局限于单一焊缝类型，同样适用于对接焊缝和角焊缝.
(2) 不仅实现了焊缝几何尺寸的精确测量，而且实现了焊缝几何缺陷的准确识别、分类和定位. 可以准确地获得几何缺陷的参数，并根据ISO 5817:1992标准准确地判定了缺陷的质量等级.
(3) 实际在线质量检测结果表明，文中提出的检测技术可为大型复杂空间结构焊缝成形质量提供可靠的在线智能检测方案，为焊缝修复提供准确的科学依据.
-
![]()
图 3 焊缝的几何尺寸及其特征点
Figure 3. Geometrical dimensions of welds and their feature points. (a) butt welds; (b) fillet welds
![]()
图 4 焊缝的几何缺陷
Figure 4. Geometrical defects of welds. (a) excess weld metal; (b) misalignment; (c) incompletely filled groove; (d) undercut; (e) overlap of butt weld; (f) excessive convexity; (g) excessive asymmetry fillet weld; (h) overlap of fillet weld
![]()
图 5 焊缝类型判定及ROI提取
Figure 5. Weld type determination and ROI extraction. (a) butt welds; (b) fillet welds
![]()
图 6 咬边及焊瘤识别结果
Figure 6. Identification results for undercuts and overlaps. (a) undercuts of butt welds; (b) overlaps of butt welds; (c) overlaps of fillet welds
![]()
图 7 对接焊缝中心线提取结果
Figure 7. Extraction results for centreline of butt weld. (a) ROI of butt weld; (b) threshold segmentation; (c) removal of small connected regions and morphological processing; (d) centerline extraction
![]()
图 8 角接焊缝中心线提取结果
Figure 8. Extraction results for centreline of fillet weld. (a) ROI of butt weld; (b) threshold segmentation; (c) removal of small connected regions and morphological processing; (d) centerline extraction
![]()
图 10 焊缝特征点提取结果
Figure 10. Extraction results for weld feature points. (a) butt weld feature points; (b) fillet weld feature points
![]()
图 11 焊缝3D形貌重建
Figure 11. Reconstruction for 3D morphology of welds. (a) butt welds; (b) fillet welds
![]()
图 13 对接焊缝几何尺寸测量结果
Figure 13. Measurement results of geometrical dimensions of butt weld.(a) weld width; (b) reinforcement
![]()
图 14 对接焊缝几何缺陷检测及质量评定结果
Figure 14. Detection results and quality evaluation results of butt weld geometrical defects. (a) misalignment; (b) incompletely filled groove; (c) undercut
![]()
图 17 角接焊缝几何尺寸测量结果
Figure 17. Measurement results of geometrical dimensions of fillet weld. (a) leg size a; (b) leg size b; (c) leg size c
![]()
图 18 角接焊缝几何缺陷检测及质量评定结果
Figure 18. Detection results and quality evaluation results of fillet weld geometrical defects. (a) excessive convexity; (b) excessive asymmetry fillet weld
-
[1] FAN W, ZHENG L, WANG Y. An automated reconfigurable flexible fixture for aerospace pipeline assembly before welding[J]. The International Journal of Advanced Manufacturing Technology, 2018, 97: 3791 − 3811. doi: 10.1007/s00170-018-2120-9
[2] ZHOU B, WU Q. A novel optimal method of robotic weld assembly line balancing problems with changeover times: a case study[J]. Assembly Automation, 2018, 38(4): 376 − 386. doi: 10.1108/AA-02-2018-026
[3] WANG X, XIE Z, ZHOU X, et al. Adaptive path planning for the gantry welding[J]. Journal of Manufacturing Processes, 2022, 81: 386 − 395. doi: 10.1016/j.jmapro.2022.07.005
[4] WANG B, HU S J, SUN L, et al. Intelligent welding system technologies: State-of -the-art review and perspectives[J]. Journal of Manufacturing Systems, 2020, 56: 373 − 91. doi: 10.1016/j.jmsy.2020.06.020
[5] RANJAN R, KHAN A, PARIKH C, et al. Classification and identification of surface defects in friction stir welding: an image processing approach[J]. Journal of Manufacturing Processes, 2016, 22: 237 − 253. doi: 10.1016/j.jmapro.2016.03.009
[6] LI W, ZHANG H, WANG G, et al. Deep learning based online metallic surface defect detection method for wire and arc additive manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2023, 80: 102470. doi: 10.1016/j.rcim.2022.102470
[7] LEE K, HWANG I, KIM Y, et al. Real-time weld quality prediction using a laser vision sensor in a lap fillet joint during gas metal arc welding[J]. Sensors, 2020, 20: 1625. doi: 10.3390/s20061625
[8] CHANG C, CHEN Y. Measurements of fillet weld by 3D laser scanning system[J]. The International Journal of Advanced Manufacturing Technology, 2005, 25: 466 − 470. doi: 10.1007/s00170-003-1837-1
[9] CHANG C, CHEN Y. Weld contour measurement of fillet welds by the reverse engineering technique[J]. Journal of Manufacturing Systems, 2008, 27(1): 1 − 6. doi: 10.1016/j.jmsy.2008.06.002
[10] 蒋豪. 基于线结构光视觉的大型结构件焊缝检测技术研究[D]. 长春: 吉林大学, 2023. JIANG Hao. Research on weld seam inspection technology for large structural parts based on line structured light vision[D]. Changchun: Jilin University, 2023.
[11] HUANG W, KOVACEVIC R. Development of a real-time laser-based machine vision system to monitor and control welding processes[J]. The International Journal of Advanced Manufacturing Technology, 2012, 63(1-4): 235 − 248. doi: 10.1007/s00170-012-3902-0
[12] LI Y, LI Y, WANG Q, et al. Measurement and defect detection of the weld bead based on online vision inspection[J]. IEEE Transactions on Instrumentation & Measurement, 2010, 59: 1841 − 1849.
[13] HAN Y, FAN J, YANG X. A structured light vision sensor for on-line weld bead measurement and weld quality inspection[J]. The International Journal of Advanced Manufacturing Technology, 2020, 106: 2065 − 2078. doi: 10.1007/s00170-019-04450-2
[14] LI Y, HU M, WANG T. Visual inspection of weld surface quality[J]. Journal of Intelligent & Fuzzy Systems, 2020, 39(3): 5075 − 5084.
[15] 刘政达. 复杂焊缝外观质量自动检测及评估方法研究[D]. 长春: 吉林大学, 2023. LIU Zhengda. Research on automatic inspection and evaluation method of complex weld appearance quality[D]. Changchun: Jilin University, 2023.
[16] 胡丹, 吕波, 王静静, 等. 焊缝表面缺陷激光视觉传感HOG-SVM的检测方法[J]. 焊接学报, 2023, 44(1): 57 − 62,70. doi: 10.12073/j.hjxb.20211231001 HU Dan, LU Bo, WANG Jingjing, et al. Study on HOG-SVM detection method of weld surface defects using laser visual sensing[J]. Transactions of the China Welding Institution, 2023, 44(1): 57 − 62,70. doi: 10.12073/j.hjxb.20211231001
[17] 方纬华. 基于3D视觉的机器人焊接智能轨迹规划关键技术研究[D]. 济南: 山东大学, 2023. FANG Weihua. Research on key technology of intelligent trajectory planning for robot welding based on 3D vision[D]. Jinan: Shandong University, 2023.
[18] CHU H, WANG Y. A vision-based system for post-welding quality measurement and defect detection. The International Journal of Advanced Manufacturing Technology[J], 2016, 86(9-12): 3007-3014.
下载:
计量
- 文章访问数: 65
- HTML全文浏览量: 13
- PDF下载量: 30
