工业边缘硬件上窄间隙激光焊接的低延迟焊缝定位:一种解耦语义与几何的混合流程

《Optics & Laser Technology》:Low-latency seam localization for narrow-gap laser welding on industrial edge hardware

【字体: 大 中 小 】 时间:2026年10月22日 来源:Optics & Laser Technology 4.6

编辑推荐:

  面向工业边缘硬件的窄间隙激光焊接低延迟焊缝定位:混合管道(Hybrid Pipeline)将语义场景理解与几何位置估计解耦。系统实现了22.2 μm的跟踪精度,所有点保持在100 μm容差内。在目标硬件上的离线回放满足了相机帧间处理预算。在存在表面伪影(Sur

  
面向工业边缘硬件的窄间隙激光焊接低延迟焊缝定位:混合管道(Hybrid Pipeline)将语义场景理解与几何位置估计解耦。系统实现了22.2 μm的跟踪精度,所有点保持在100 μm容差内。在目标硬件上的离线回放满足了相机帧间处理预算。在存在表面伪影(Surface Artifacts)的情况下,数据驱动方法优于测试优化的经典基线。
激光焊接以其高速度和自动化适应性成为现代制造特别是汽车和电动汽车领域的主导连接工艺。随着激光焦点直径缩小至100 μm以下,光束与焊缝的对准容差极小。在窄间隙对接焊缝(间隙宽度通常为0~0.5 mm)中,任何轨迹偏差都会导致熔合不足缺陷,且此类缺陷难以通过超声等无损检测方法发现。传统的激光三角测量传感器在间隙小于0.1 mm时面临物理极限,并存在“传感器超前”问题;同轴相机系统虽可消除视差,但基于Canny边缘检测和Hough变换的经典算法需要大量手工参数,难以适应表面划痕、冲压标记等干扰。近年的深度学习语义分割(Semantic Segmentation)虽能提供鲁棒的拓扑特征,但实例分割掩膜分辨率较输入降低4~8倍,会造成薄结构定位误差。为此,研究人员提出了一种混合跟踪流程,将深度学习的语义理解与基于矩(Moment)的子像素几何提取解耦,并系统评估其在工业边缘硬件上的实时性能。

研究人员使用连续波碟片激光器(TruDisk 6001,波长1030 nm)和六轴机器人(KUKA KR 90 R2700 pro),在S235钢板(DIN EN 10025-2,厚2 mm)的对接接头上实施焊接,参考轨迹包含半径50 mm的90°弯角。同轴光学系统通过二向色分束器耦合,采用660 nm环形LED主动照明和窄带滤光片(中心波长660 nm,半宽10 nm),相机(Baumer VLXT-81M)以200帧/秒采集2×2 binning后的1424×1416像素图像,空间标定约15 μm/像素。样本队列来自20次焊接实验共11693帧图像,涵盖不同表面状态和照明变化。数据经多裁剪生成256×256感兴趣区域(Region of Interest,ROI),通过随机翻转、旋转、平移、缩放、剪切增强,并按序列级严格划分为训练(60%)、验证(20%)和测试(20%),避免数据泄漏。三种分割网络(SDU-Net、BiSeNetV2、STDC-Net)分别经压缩或剪枝适配,使用Focal Loss或交叉熵加细节损失(CE+Detail Loss)训练。在Intel Core i5-1145G7工业Panel PC上,使用OpenVINO v2025.4以FP16精度推理。跟踪算法采用预测ROI动态裁剪、迭代正交质心提取、状态传播和子像素坐标输出,离线回放测试数据并与人工标注轨迹比较。

研究结果如下:

4.1 地面真值标注可重复性:两名专家在100幅图像上的独立重复标注显示,分割掩膜的交并比(Intersection over Union,IoU)为0.9708±0.0128,平均对称表面距离(ASSD)为5.18±2.22 μm,轨迹的均方根误差(Root Mean Square Error,RMSE)为9.25±4.19 μm,平均符号偏差接近零,表明人工参考不确定性远低于系统最终误差,且无系统横向偏移。

4.2 分割性能基准:在16015个测试ROI上,STDC-Net取得最高IoU(92.72%)和最高精确率(96.93%),F1分数为96.08%;SDU-Net的IoU为91.27%,但精确率较低(93.87%);BiSeNetV2的IoU为85.84%且标准差较大。定性分析表明,STDC-Net通过显式边界监督有效抑制了划痕等伪影,产生最连续、无伪影的感兴趣区域,为后续位置提取提供了干净拓扑基础。

4.3 延迟与计算效率:在目标硬件上,STDC-Net平均推理延迟为3.24 ms(最大4.41 ms),对应模型处理速率约308帧/秒;SDU-Net参数最少但延迟最高(4.36 ms),因其对称解码器造成内存带宽瓶颈;BiSeNetV2为3.66 ms。所有模型均超过200帧/秒。在200帧/秒的时序回放中,STDC管道队列保持有界,无帧积压,后处理开销约0.10 ms/帧。

4.4 FP32/FP16精度验证:将STDC-Net由FP32转换为FP16后,分割IoU变化仅为?0.000014,跟踪RMSE仅增加0.18 μm(约0.82%),而平均推理延迟降低26.5%(由4.41 ms降至3.24 ms),有效加速约1.36倍,验证了半精度推理的数值稳定性和计算收益。

4.5 跟踪精度与鲁棒性:在完整管道按时间顺序回放测试集时,STDC-Net获得MAE 18.67 μm、RMSE 22.21 μm、最大误差73.0 μm,所有轨迹点均低于100 μm容差;SDU-Net的RMSE为22.26 μm但最大误差达134.7 μm;BiSeNetV2出现709 μm的严重离群。与经典基线相比,在测试集上充分优化的Canny-Hough管道RMSE为111.55 μm,CLAHE-RANSAC为89.29 μm,且两者分别在约74%和77%的帧中输出有效轨迹,损失片段频繁;而所提管道在每一帧均有效输出。YOLOv8n-seg在目标硬件上的平均推理延迟约50 ms,超出5.00 ms帧间预算,故未纳入几何跟踪比较。参数敏感性分析显示,搜索半宽W=13会使RMSE较基线增加21.40 μm,而W=38以及步长h=5或15的影响小于0.5 μm,证实W=25和h=10是覆盖间隙与抑制误检间的最优稳定折中。

讨论部分指出,系统依赖于高度优化的光学和照明设置,且模型仅在窄间隙对接接头上训练,对V型槽、搭接接头或铝、铜等高反射材料的泛化性有限。未来需扩展数据集覆盖更多材料、表面状态和接头构型,并将管道接入可编程扫描振镜实现闭环修正;同时可利用分割概率图中的局部间隙宽度信息动态调整激光功率和摆动幅度,还可对焊后可见的凝固焊缝进行在线缺陷检测,实现无需额外传感器的一体化质量监控。研究结论翻译如下:本研究提出了一种面向窄间隙激光焊接的混合跟踪管道,将轻量级语义分割网络(STDC-Net)与基于矩的正交跟踪算法相结合,在恶劣工业图像条件下实现了高精度鲁棒的焊缝定位。系统在目标硬件上的RMSE为22.2 μm,所有轨迹点保持在100 μm对准容差内,算法处理时间满足评估的帧间预算。由于管道未连接扫描控制器,在线焊接执行和闭环修正留待未来工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号