《Journal of Manufacturing Processes》:A seed point growing algorithm for ultra-narrow gap weld seam tracking with anti-interference capability
编辑推荐:
•提出了一种适用于超窄间隙焊缝跟踪的三阶段种子生长算法,具有较强的抗干扰能力。•避免了降采样导致的信息丢失,可检测0.05–0.20毫米的微小间隙。•通过位置聚类和试探性生长选择种子点,以拒绝干扰。•结合局部自适应Otsu阈值和方向连续性约束生长过程,以抵抗反射干扰并避免分叉
- •
提出了一种适用于超窄间隙焊缝跟踪的三阶段种子生长算法,具有较强的抗干扰能力。
- •
避免了降采样导致的信息丢失,可检测0.05–0.20毫米的微小间隙。
- •
通过位置聚类和试探性生长选择种子点,以拒绝干扰。
- •
结合局部自适应Otsu阈值和方向连续性约束生长过程,以抵抗反射干扰并避免分叉。
引言
激光焊接因其功率密度高、穿透能力强、效率高等优点,广泛应用于汽车[1]、[2]、航空航天[3]、[4]以及半导体制造[5]等高端领域[6]、[7]。在各种激光焊接模式中,间隙宽度为0.05–0.20毫米的超窄间隙焊接因热输入低、焊接变形小、材料利用率高,在厚壁部件连接领域受到越来越多的关注[8]、[9]、[10]、[11]。然而,其实际应用高度依赖于焊接前焊缝的精确跟踪,因为激光束与真实接头位置之间即使出现轻微偏差,也可能导致焊缝缺陷、机械性能下降和结构可靠性降低[12]、[13]。与常规焊缝检测任务相比,超窄间隙焊缝跟踪面临更大的挑战,因为它同时受到间隙宽度接近像素尺度导致的几何和灰度特征极弱的影响,以及接头类似细线造成的强烈工业干扰、强烈反射、表面标记和污染物的影响,同时还需要在局部不连续和干扰的情况下,相对较长的距离内提取连续轨迹。因此,超窄间隙焊缝跟踪可以被视为一个弱特征、强干扰且对连续性敏感的检测问题。
现有的基于视觉的焊缝跟踪方法大致可分为主动式和被动式两类[14]、[15]、[16]。主动视觉方法,尤其是基于结构光的系统,在许多常规焊接场景中已取得良好性能[17]、[18]。最近一种线结构光方法将注意力增强的深度神经网络用于抑制干扰,并结合16邻域轮廓跟踪,在弧光和飞溅干扰条件下,对接头、搭接和V形坡口接头分别实现了X和Y方向0.84和0.57像素的亚像素级误差[18]。与被动视觉相比,结构光传感提供了明确的几何信息,通常在常规坡口条件下能实现高定位精度。然而,在超窄间隙应用中,物理投影约束使得投射光线难以有效进入仅0.05–0.20毫米宽的间隙,往往导致所捕获图像中的焊缝特征不完整甚至缺失[19]、[20]。与结构光传感相比,被动视觉避免了投影遮挡问题,更容易与激光焊接系统集成,因此对超窄间隙焊接更具吸引力[14]、[21]。相关研究主要包括传统图像处理方法、基于优化的检测方法和基于深度学习的方法。传统方法通常采用中值、高斯或边缘保持滤波等去噪操作[22],然后利用增强Canny边缘检测、灰度质心提取、直线拟合或霍夫变换等方法进行焊缝相关特征定位[23]、[24]、[25]。基于优化的方案也已被探索;例如,有研究将交互式分割与基于混合Hessian-Canny梯度代价图的最短路径规划相结合,实现了平均绝对误差0.25毫米并提高了mIoU[21]。当焊缝显著性保持相对稳定时,这些方法可能有效。然而,在超窄间隙条件下,焊缝可能接近甚至低于像素尺度的可见度,使得局部灰度、边缘和轮廓线索不完整、不稳定且极易受干扰。与这些基于手工特征的方法相比,基于深度学习的方法通过直接从数据中学习分层语义特征,具有更强的特征表征能力和对复杂工业背景的更好鲁棒性[26]、[27]、[28],代表性成果包括改进的YOLOv11-seg模型在真空电子束焊接中实现的77.4% mAP和20 FPS[29],以及多任务CNN在大焊缝件上实现的83.35% mIoU、95.15% F值和74 FPS[30]。然而,与存在丰富视觉线索的常规焊接场景不同,超窄间隙焊缝提供的视觉信息极其有限。因此,当有效焊缝宽度接近图像分辨率极限时,深度网络的降采样和特征抽象过程可能进一步抑制在严重工业干扰下已经脆弱的焊缝线索,使得稳定连续的定位变得困难。总体而言,基于结构光的主动视觉和被动视觉具有互补特性。前者提供精确的几何测量,但在超窄间隙中从根本上受投影遮挡限制;后者更易集成且避免了光学投影,但严重依赖于脆弱的图像外观。因此,在极弱焊缝特征和严重工业干扰的耦合挑战下,这两类方法均无法可靠地实现连续焊缝定位,使得可靠的种子初始化成为一个未解决的问题。
对于特征微弱、破碎且局部响应不稳定的目标,可靠定位往往不仅取决于直接的局部检测,还取决于如何将不完整证据逐步组织成更连贯的目标模式[31]、[32]、[33]、[34]。在代表性的裂纹相关研究中,这种组织通常从局部显著线索开始,如边缘端点[33]或具有足够邻域支持的候选裂纹点[34]。超窄间隙焊缝跟踪中也出现了类似的困难,其中有用的焊缝证据也可能呈现不连续状态,并容易受复杂工业背景干扰。然而,与典型的裂纹提取场景不同,在超窄间隙焊接场景中,真实焊缝往往在初始化阶段难以从背景中可靠区分,因为类似焊缝的干扰、反射和表面标记可能产生相似的局部响应。因此,超窄间隙焊缝检测的关键难点不仅在于从不完整证据中恢复焊缝连续性,更根本地在于在微弱且模糊的焊缝指示下建立可靠的种子点。值得注意的是,专门针对焊缝跟踪的系统性约束生长框架仍有待探索。这一种子初始化挑战,连同缺乏有效的约束生长策略,构成了当前焊缝检测研究中尚未解决的瓶颈。
为克服上述种子初始化和连续约束跟踪等瓶颈,并填补在耦合干扰下稳定实现超窄间隙焊缝跟踪的研究空白,本文提出了一种面向复杂工业干扰条件下超窄间隙焊缝跟踪的种子点生长算法。与直接从局部显著性线索初始化跟踪的传统方法不同,所提方法强调可靠的抗干扰性能应源于在全局焊缝特征约束下建立种子点。在超窄间隙场景中,种子点定位是整个检测过程中最困难的部分,因为错误初始化的种子可能导致后续生长中的位置偏差、虚假分叉和累积误差。为解决这一问题,所提方法首先在.global层面保留可能的焊缝证据,然后通过多行间隔采样、迭代修剪、位置聚类和试探性生长验证逐步确定真实种子点。在确定种子点后,进一步引入约束生长策略以抑制分叉、不均匀生长和局部断点,最后采用基于行的自适应修剪和拟合方案生成平滑精确的焊缝定位轨迹。所得流程专为超窄间隙焊缝检测的视觉模糊性和连续性需求而设计。实验观察表明,这种结构化工作流程在支持不同高干扰情况下使用大体一致的参数设置的同时,能可靠地检测大多数被测焊缝。
章节摘要
实验设置与方法
以下部分概述了用于评估所提超窄间隙接头跟踪系统性能的实验系统,包括实验材料、设备设置、标定方法和测试方法。
算法原理
本节介绍所提的超窄间隙焊缝跟踪方法并解释其三个主要阶段。与通常从给定种子出发根据局部灰度相似性或区域均匀性扩展的传统区域生长方法不同,所提方法专为超窄间隙场景设计,在这些场景中真实焊缝接近图像分辨率极限且局部外观线索往往不可靠。在此条件下,类似焊缝的细线,
结果与讨论
本节展示了所提超窄间隙焊缝跟踪种子点生长算法的实验结果及其抗干扰性能。讨论涉及实验设置中遇到的三类主要工业干扰,随后分析了复合干扰条件下的算法性能。
结论
本文提出了一种面向强工业干扰下超窄间隙焊缝跟踪的种子点生长算法。所提方法针对极弱焊缝特征、严重耦合干扰和强连续性要求的检测场景而开发,在该场景中可靠的焊缝定位不仅取决于局部特征响应,还取决于渐进式结构验证。为解决这一问题,建立了一个三阶段框架,
CRediT作者贡献声明
Qinghua Shen:原稿撰写、可视化、验证、软件、方法学、调查研究、形式化分析、数据整理、概念构思。Yan Cai:审稿与编辑、监督、资源、项目管理、资金获取、概念构思。
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系,这些利益或关系可能会影响本文所报告的工作。
致谢
本工作得到国家重点研发计划(编号2023YFB4606200)的资助。
Qinghua Shen|Yan Cai