CN111438460B - 基于视觉的厚板t形接头焊接焊缝成形特征在线测量方法 - Google Patents

Abstract

本发明提出了基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，可对焊缝成形的熔深、熔宽和截面积进行在线测量。首先根据提取的焊缝轮廓，基于斜率突变与监督方法设计了焊缝轮廓特征点识别算法，实现特征点的检测；其次针对焊接中各种随机干扰对焊缝轮廓特征点检测的影响，提出基于三次指数平滑的方法进行故障诊断，进一步获得有效特征点；最后利用焊前、焊接中提取的焊缝轮廓及特征点，采用高次非线性拟合方法，在线计算焊缝熔深、熔宽和截面积。本发明通过对焊缝成形特征的有效测量，有助于控制焊缝成形，进而实现焊接质量的在线监控。具有降低时间消耗、测量精度高以及鲁棒性强等优点。

Description

基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法

技术领域

本发明涉及基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，属于多层多道焊缝成形检测技术领域。

背景技术

焊接质量的关键之一是控制焊缝成形，达成需要的填充量。焊缝成形与多元异构影响因素有关，在特定焊接情景下，焊接过程参数是影响焊缝成形的关键因素。自动化、智能化机器人焊接过程需要根据焊缝成形特征调整焊接过程参数，实现焊接质量的在线监控。因此，焊缝成形特征的有效测量有助于推进焊接过程的自动化和智能化。

当前，焊缝成形特征的在线测量多采用基于视觉传感的方法。利用线结构光视觉传感检测焊缝成形特征参数，关键在于设计一套有效的算法流程准确获取焊缝轮廓的特征点。厚板T形接头多层多道焊接焊缝轮廓特征点、焊缝成形形貌和填充面积存在多变特性，以及基于视觉方法检测焊缝成形特征易受电磁场、强弧光和焊枪振动干扰，这对当前方法准确获得焊缝成形特征提出了挑战。因此，综合考虑厚板焊接的工况特殊性，在工程上设计一种可为基于视觉传感的机器人焊接过程参数的在线决策提供依据的，能精确获取厚板T形接头多道焊接焊缝成形的熔深、熔宽和截面积的算法很有必要。

发明内容

本发明针对上述厚板T形接头多层多道焊接焊缝轮廓特征点及焊缝成形特征参数获取方法存在的不足，提供了一种基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，目的在于通过视觉方式，方便实现焊缝成形典型特征参数的在线检测，为控制焊缝成形达成所需的填充量，进而实现焊接质量的在线监控提供决策依据。为达到上述目的，本发明所采用的技术方案如下：

基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，包括以下步骤：

步骤一、利用平均滑动思想计算提取的线状焊缝轮廓各数据点斜率值，随后采用均分高次非线性拟合方法抑制斜率局部扰动产生的影响，有效逼近斜率整体变化特性，并将拟合后的数据进行突变性检测，最终根据监督方法获取焊缝轮廓特征点。

步骤二、针对无效的焊缝轮廓特征识别情况，根据当前采样时刻之前的采样数据，采用三次指数平滑算法，提出了焊缝轮廓特征点提取故障检测方法，实现对特征点识别的故障诊断。

步骤三、根据不同时空下焊缝轮廓会在图像中移位的情况，基于高次非线性拟合方法提出了焊缝成形中的熔宽、熔深和截面积测量方法，有效实现了多层多道焊接中变化的焊缝成形特征的在线测量。

进一步地，所述步骤一的具体步骤如下：

第一步：斜率计算与波动抑制，具体描述为首先利用平均滑动思想计算各点斜率值：

其中x()、y()表示线状焊缝轮廓数据点的坐标，n表示每次计算所用的数据点的数目，i表示数据点脚标，j表示与i相邻的数据点的脚标，k_j表示n个斜率的平均值。

第二步：采用一维平滑滤波器对斜率进行平滑滤波。

第三步：将斜率数据平均分为两段，对各分段数据分别采用50次的多项式进行最小二乘法拟合，多项式拟合表达为：

f(x)＝a₁x⁵⁰+a₂x⁴⁹+…a₅₀

其中系数a₁,a₂,…a₅₀通过拟合的数据点的坐标确定，x是斜率数据。

第四步：斜率突变性检测，具体描述为将斜率拟合结果代替原始斜率数据进行突变性检测，获取斜率单调区间，并根据各单调区间的斜率变化率标记各区间的长度，单调区间定义公式为：

第五步：将各单调区间的长度值从大到小排序，并根据监督方法指定焊缝轮廓特征点的数目，由此从已排序的单调区间中获得排序靠前该数目的单调区间，并将各单调区间的中间位置标记为特征点的位置。

进一步地，所述特征点识别的故障诊断采用三次指数平滑算法，根据当前采样时刻之前的采样数据准确预测当前特征点，具体包括如下步骤：

第一步：焊接前焊枪处于起始焊接位置，根据步骤一的方法确定起始焊接位置处焊缝轮廓特征点；

第二步：以上一采样时刻有效的特征点为参考，计算当前采样时刻获得的特征点与该参考点的欧式距离，如所有欧式距离均大于像素阈值，则启动故障诊断；

第三步：故障诊断采用三次指数平滑算法，计算公式为：

其中α为平滑系数；x_t是跟踪的特征点t时刻在图像中的横、纵坐标。基于前t个时刻的检测值，t+T时刻的预测值为：

x_t+T＝a_t+b_tT+c_tT²

其中：T是图像采样与处理周期，且有：

进一步地，所述步骤三的具体步骤如下：

第一步：视觉传感器分别获取焊接前和焊接中的焊缝轮廓F₁(x,y)、F₂(x,y)，同时获得各轮廓的特征点：f_1i(x,y)(i＝1,2…m)、f_2j(x,y)(j＝1,2…p)。

其中m、p是焊前和焊后的焊缝轮廓特征点的数目，x、y是特征点在图像中的坐标。

第二步：将两幅图像中焊缝轮廓最左侧的特征点合并，同时将焊前和焊后的焊缝轮廓平移合并：

F(x,y)＝F₁(x,y)^F₂(x,y)

其中符号^表示逻辑与运算。

第三步：分别以两种焊缝轮廓相关部分特征点确定焊缝成形区域，并由此确立焊缝成形区域的上下边界线段l₁、l₂。最后对l₁和l₂进行高次多项式最小二乘法拟合，得到l₁和l₂的表达式l₁:

l₂:

第四步：焊缝成形特征的三个参数熔宽B、熔深H以及截面积S计算为：

B＝||f₂₂(x,y)-f₂₃(x,y)||

H＝max||g(x)-h(x)||

本发明有益效果：本发明提出了基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，是一种经济可靠地普适性方法，该方法不仅能有效测量厚板T形接头变化的焊缝成形特征，而且为其他接头形式的焊缝成形特征检测提供参考，也为在线自主决策焊接过程参数提供依据。

附图说明

图1为本发明所提供的厚板T形接头多道焊接焊缝成形特征的在线测量方法流程图；

图2为本发明中步骤一所述焊缝轮廓特征点提取流程图；

图3为本发明中步骤三所述焊缝轮廓特征点提取流程图；

图4为本发明中步骤一所述拟合逼近斜率整体变化特性示例图；

图5为本发明中步骤二所述基于三次指数平滑的特征点提取的故障诊断示例图；

图6为本发明中步骤三所述图像中焊缝成形区域确定过程示例图；

图7为本发明中步骤三所述实际的焊缝成形区域示例图。

具体实施方式

下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。

实施例1：基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，如图1所示，包括以下步骤：

步骤一、利用平均滑动思想计算提取的线状焊缝轮廓各数据点的斜率值，随后采用均分高次非线性最小二乘拟合方法抑制斜率局部扰动产生的影响，有效逼近斜率整体变化特性，并将拟合后的数据进行突变性检测，最终根据监督方法获取焊缝轮廓特征点。

步骤二、针对无效的焊缝轮廓特征识别情况，根据当前采样时刻之前的采样数据，采用三次指数平滑算法，提出了焊缝轮廓特征点提取故障检测方法，实现对特征点识别的故障诊断。

步骤三、根据焊前与焊接中焊缝轮廓会在图像中移位的情况，基于高次非线性最小二乘拟合方法提出了焊缝成形中的熔宽、熔深和截面积测量方法，有效实现了多层多道焊接中变化的焊缝成形特征的在线测量。

其中，本实例步骤一所述焊缝轮廓特征点的识别与获取方法采用了分段高次非线性拟合的思想，如图2所示，并采用MATLAB软件进行编程计算，并将数据可视化用以验证，具体步骤如下：

第一步：斜率计算与波动抑制，具体描述为首先利用平均滑动思想计算各点斜率值：

其中x()、y()表示线状焊缝轮廓数据点的坐标，n表示每次计算涉及的数据点的数目，研究中取n＝5，i表示数据点脚标，j表示与i相邻的数据点的脚标，k_j表示n个斜率的平均值。

第二步：采用一维平滑滤波器进一步抑制斜率不规则扰动，滤波器窗口在1×3-1×30范围内时能有效降低扰动影响，同时不影响最终识别焊缝轮廓特征点的结果，且窗口越大抑制效果越明显，优选地，采用一维窗口的滤波器1×9对斜率进行平滑滤波。

第三步：经试验确定，采用50次的多项式对斜率数据进行非线性最小二乘法分段(均分)拟合，通过分段拟合可有效逼近斜率变化趋势，同时降低斜率局部扰动对后续突变性检测的影响(图4)。多项式拟合表达为：

f(x)＝a₁x⁵⁰+a₂x⁴⁹+…a₅₀

其中系数a₁,a₂,…a₅₀通过拟合的数据点的坐标确定，x是斜率数据。

第四步：斜率突变性检测，具体描述为将拟合结果代替原始斜率数据进行突变性检测，获取斜率单调区间，并根据各单调区间的斜率变化率标记各区间的长度，单调区间定义公式为：

第五步：将各单调区间的长度从大到小排序，根据监督方法指定的特征点数目，按照区间长度从大到小的顺序确定对应数目的单调区间，并将单调区间的中心位置标记为特征点所在的位置。

其中，所述特征点识别的故障诊断采用三次指数平滑算法，根据当前采样时刻之前的采样数据准确预测当前特征点的位置。具体包括如下步骤：

第一步：焊接前焊枪处于起始焊接位置，根据步骤一的方法确定起始焊接位置处焊缝轮廓特征点；

第二步：以上一采样时刻有效的特征点为参考，计算当前采样时刻获得的特征点与该参考点的欧式距离，如所有欧式距离均大于像素阈值，本实施例中像素阈值为5个像素，则启动故障诊断；

第三步：故障诊断采用三次指数平滑算法，计算公式为：

其中α为平滑系数，试验选定α＝0.36；x_t是跟踪的特征点t时刻在图像中的横、纵坐标(独立预测)。基于前t个时刻的检测值，t+T时刻的预测值为：

x_t+T＝a_t+b_tT+c_tT²

其中：T是图像采样与处理周期，且有：

其中T＝1，且初始时刻

规定当采样数目小于3时

初始化为指定特征点的坐标；当采样数目大于等于3时，

将预测值x_t+1作为t+1时刻对应的特征点的坐标。在实例中应用如图5所示，图像样本数为700，以第二个特征点为跟踪点(图5b)。在横、纵坐标方向，预测的最大偏差分别为0.47个像素和1.6个像素，且在采样时刻T＝311时(图5c、d中圆圈处)，检测的第二个特征点不符合要求(偏离上一时刻的跟踪点5个像素以上)，采用预测的位置为此时刻的跟踪点(图5e圆圈处)。

其中，所述焊缝轮廓特征参数测量流程通过离线测量真实的焊缝形成特征参数，利用回归分析建立焊缝成形视觉特征参数与真实值之间的联系，具体流程如下：

第一步：确保视觉传感器以相同姿态获取焊接前和焊接中的焊缝轮廓F₁(x,y)、F₂(x,y)，同时获得各轮廓的特征点：f_1i(x,y)(i＝1,2…m)、f_2j(x,y)(j＝1,2…p)。

其中m、p是焊前和焊后的焊缝轮廓特征点的数目，x、y是特征点在图像中的坐标。

第二步：以两幅图像中焊缝轮廓最左侧的特征点作为参考，将焊前和焊后的焊缝轮廓对齐、合并：

F(x,y)＝F₁(x,y)∧F₂(x,y)

其中符号∧表示逻辑与运算。

第三步：分别以两种焊缝轮廓相关部分特征点确定焊缝成形区域，并由此确立焊缝成形区域的上下边界线段l₁、l₂。最后对l₁和l₂进行高次多项式最小二乘法拟合，得到l₁和l₂的表达式l₁:

l₂:

最终可求得有效描述焊缝成形特征的三个参数熔宽

(B)、熔深(H)以及截面积(S)为：

B＝||f₂₂(x,y)-f₂₃(x,y)||

H＝max||g(x)-h(x)||

图6中的熔深测定为59.8个像素，熔宽为121个像素，截面积为4988.5个像素。可通过离线测量(图7)真实的焊缝形成特征参数，利用回归分析建立焊缝成形视觉特征参数与真实值之间的联系，达到有效实现焊接状态的在线反馈。

以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，其特征在于：包括以下步骤：

步骤一、利用平均滑动思想计算提取的线状焊缝轮廓各数据点斜率值，随后采用均分高次非线性拟合方法抑制斜率局部扰动产生的影响，有效逼近斜率整体变化特性，并将拟合后的数据进行突变性检测，最终根据监督方法获取焊缝轮廓特征点；

步骤二、针对无效的焊缝轮廓特征识别情况，根据当前采样时刻之前的采样数据，采用三次指数平滑算法，提出了焊缝轮廓特征点提取故障检测方法，实现对特征点识别的故障诊断；

步骤三、根据不同时空下焊缝轮廓会在图像中移位的情况，基于高次非线性拟合方法提出了焊缝成形中的熔宽、熔深和截面积测量方法，有效实现了多层多道焊接中变化的焊缝成形特征的在线测量。

2.根据权利要求1所述的基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，其特征在于：所述步骤一的具体步骤如下：

第一步：斜率计算与波动抑制，具体描述为利用平均滑动思想计算各点斜率值：

其中x()、y()表示线状焊缝轮廓数据点的坐标，n表示每次计算所用的数据点的数目，i表示数据点脚标，j表示与i相邻的数据点的脚标，k_j表示n个斜率的平均值；

第二步：采用一维平滑滤波器对斜率进行平滑滤波；

第三步：将斜率数据平均分为两段，对各分段分别采用50次的多项式进行最小二乘法拟合，多项式拟合表达为：

f(x)＝a₁x⁵⁰+a₂x⁴⁹+…a₅₀

其中系数a₁,a₂,…a₅₀通过拟合的数据点的坐标确定，x是斜率数据；

第四步：斜率突变性检测，具体描述为将拟合结果代替原始斜率数据进行突变性检测，获取斜率单调区间，并根据各单调区间的斜率变化率标记各区间的长度，单调区间定义公式为：

第五步：将各单调区间的长度值从大到小排序，并根据监督方法指定焊缝轮廓特征点的数目，由此从已排序的单调区间中获得排序靠前该数目的单调区间，并将各单调区间的中间位置标记为特征点的位置。

3.根据权利要求1所述的基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，其特征在于：所述特征点识别的故障诊断采用三次指数平滑算法，根据当前采样时刻之前的采样数据准确预测当前特征点，具体包括如下步骤：

第一步：焊接前焊枪处于起始焊接位置，根据步骤一的方法确定起始焊接位置处焊缝轮廓特征点；

第二步：以上一采样时刻有效的特征点为参考，计算当前采样时刻获得的特征点与该参考点的欧式距离，如所有欧式距离均大于像素阈值，则启动故障诊断；

第三步：故障诊断采用三次指数平滑算法，计算公式为：

其中α为平滑系数；x_t是跟踪的特征点t时刻在图像中的横、纵坐标；基于前t个时刻的检测值，t+T时刻的预测值为：

x_t+T＝a_t+b_tT+c_tT²

其中：T是图像采样与处理周期，且有：

4.根据权利要求1所述的基于视觉的厚板T形接头焊接焊缝成形特征在线测量方法，其特征在于：所述步骤三的具体步骤如下：

第一步：视觉传感器分别获取焊接前和焊接中的焊缝轮廓F₁(x,y)、F₂(x,y)，同时获得各轮廓的特征点：f_1i(x,y)(i＝1,2…m)、f_2j(x,y)(j＝1,2…p)；

其中m、p是焊前和焊后的焊缝轮廓特征点的数目，x、y是特征点在图像中的坐标；

第二步：将两幅图像中焊缝轮廓最左侧的特征点合并，同时将焊前和焊后的焊缝轮廓平移合并：

F(x,y)＝F₁(x,y)∧F₂(x,y)

其中符号∧表示逻辑与运算；

第三步：分别以两种焊缝轮廓相关部分特征点确定焊缝成形区域，并由此确立焊缝成形区域的上下边界线段l₁、l₂，最后对l₁和l₂进行高次多项式最小二乘法拟合，得到l₁和l₂的表达式

第四步：焊缝成形特征的三个参数熔宽B、熔深H以及截面积S计算为：

B＝||f₂₂(x,y)-f₂₃(x,y)||

H＝max||g(x)-h(x)||

Images