1.引言
研究背景：焊接技术作为工业制造中的核心工艺，广泛应用于航空航天、核电建设、汽车制造等领域，其质量直接决定了产品的安全性与可靠性[4]。随着焊接自动化水平的提升，传统的人工监测方法难以满足实时质量控制的需求，尤其是在核电等对焊接质量有严苛要求的场景中[8]。机器视觉技术以其非接触式、高精度的特点，逐渐成为焊接熔池监测与质量控制的重要手段。通过图像处理算法和智能分析系统，该技术能够实时捕捉熔池形态变化，为焊接过程提供精准的数据支持，从而显著提升焊接质量的稳定性与一致性[4]。
研究目的与内容：本文旨在探索基于机器视觉的焊接熔池动态监测方法及质量控制策略，以实现对焊接过程的智能化管理。具体研究内容包括：设计高效的焊接熔池图像采集系统，开发适用于不同焊接工艺的图像处理算法，分析熔池动态变化规律，并建立基于熔池参数的质量控制模型[2]。此外，还将探讨焊接工艺参数与熔池特征之间的内在关系，提出针对性的质量控制策略，以优化焊接过程并提高焊缝质量[3]。通过这些研究，期望为焊接领域的智能化发展提供理论与技术支持。
2 机器视觉技术概述
2.1 机器视觉基本原理
机器视觉技术通过特定的工作体系实现其功能，该体系主要由光敏传感器、信息传送器、信息显示器、打印机、计算机、图像采集装置、摄像分拣机构、光源等部分组成[5]。在实际运行中，图像摄取装置采集的图像信号经过数字化处理与传输，由影像处理系统依据对比度、亮度、颜色、像素等分布差异，将其转变为直观的数字信号，从而为后续评估与判断提供便利。这一过程不仅涉及硬件设备的高效协作，还依赖于复杂的算法对图像数据进行深度解析与处理。
2.2 机器视觉发展历程
机器视觉技术的发展经历了从简单图像处理到复杂智能识别的多个阶段。早期阶段主要集中于基础的图像采集与处理，随着计算机性能的提升和算法的进步，逐渐实现了对图像中目标物体的识别与跟踪。近年来，深度学习技术的引入使得机器视觉在模式识别和数据分析方面取得了显著突破，特别是在焊接领域，能够实现更精准的焊缝跟踪与质量控制[8]。这些技术进步为工业自动化和智能化奠定了坚实基础。
2.3 机器视觉在工业检测领域应用现状
在工业检测领域，机器视觉技术已广泛应用于精确测量与缺陷检测等方面。例如，在机械制造自动化中，机器视觉技术通过光学与处理系统确保了测量的精密性与定位的准确性，显著提升了生产效率与产品质量[5]。然而，该技术在核电焊接等严苛环境中仍面临挑战，如优秀技术工人的流失与焊接条件的复杂性，促使研究者不断探索新型监测与控制方法[4]。尽管如此，机器视觉技术的优势依然显著，其非接触式分析与实时监控能力为工业检测注入了新的活力。
3 基于机器视觉的焊接熔池动态监测方法
3.1 焊接熔池图像采集系统
搭建高效的焊接熔池图像采集系统是实现动态监测的基础。该系统通常由高分辨率CCD相机、滤波减光系统以及辅助光源组成，其核心在于设备的选择与配置。在MAG焊和TIG焊等工艺中，由于电弧光谱的强干扰特性，需选用能够适应高强度光环境的工业相机，并结合复合滤光片以削弱弧光对图像质量的影响[1]。此外，为获取清晰的熔池图像，还需优化采集环境设置，例如通过调整拍摄角度、控制背景光照强度来降低噪声干扰。洪宇翔等人提出了一种被动视觉传感系统，能够在强弧光条件下捕获清晰的熔池图像，为后续处理提供了可靠的数据支持[3]。
3.2 图像处理算法
图像处理算法在焊接熔池动态监测中扮演着关键角色，其目标是从复杂的熔池图像中提取出尺寸、形状等关键参数。边缘检测和特征提取是两类常用的算法，其中Otsu's阈值分割法和基于视觉显著性特征（VSF）的处理技术被广泛应用于熔池图像的二值化处理与形态特征提取[3]。此外，针对熔池图像中存在的噪声问题，徐梓惠等人提出了暗通道处理法与差分融合算法相结合的解决方案，该算法不仅有效滤除了点状噪声，还显著提升了图像的清晰度和对比度[2]。在实际应用中，这些算法能够帮助研究人员准确获取熔池的几何参数，如圆形度、长宽比等，从而为焊接质量评估提供定量依据。
3.3 不同焊接工艺下熔池动态变化规律
不同焊接工艺条件下，熔池的动态变化规律呈现出显著差异。以MAG焊为例，正常工艺参数下，熔池边缘较为规则且光滑，其圆形度通常介于0.56~0.65之间；而当焊接电流过大或保护气体不足时，熔池图像圆形度下降，边缘出现凹凸不平的现象[1]。相比之下，TIG焊在铝合金爬坡焊接过程中更容易受到熔池失稳状态的影响，尤其是在中厚板焊接中，熔池尾端熔融金属的形态特征能够更有效地反映焊接过程的稳定性[3]。通过对这些动态变化规律的研究，可以进一步优化焊接工艺参数，提高焊接质量控制的精度与效率。
4 基于熔池监测的焊接质量控制
4.1 质量控制模型建立
为了实现对焊接质量的实时评估，需要基于监测到的熔池参数构建质量控制模型。熔池参数如熔池长度、宽度、头部轮廓等特征能够反映焊缝成形质量。通过采用图像处理技术提取这些关键参数，并结合统计分析方法，可以设计出评分指标以量化焊缝形貌的质量[2]。例如，文献中提出了融合图像及焊缝形貌评分指标，并建立了熔池–焊缝评分方程，验证了熔池图像预测焊缝缺陷等级的可行性。此外，支持向量机（SVM）模型也可用于在线识别熔池稳定性状态，从而为质量控制提供决策依据[3]。模型的构建方法通常包括数据采集、特征提取、模型训练与验证等步骤，确保其具有较高的准确性和可靠性。
4.2 焊接工艺参数与熔池参数关系
焊接电流、电压、速度等工艺参数对熔池参数具有显著影响，探讨两者之间的内在联系是实现质量控制的重要基础。研究表明，在管道全位置自动焊接过程中，焊接电流和电弧电压的变化会直接影响熔池形态，而焊枪摆速则对熔池宽度和长度产生调节作用[10]。类似地，在窄间隙管道焊接中，焊接电流的增大会导致熔池轮廓曲率半径和前进角增大，这表明熔池特征参数与焊接工艺参数之间存在密切的相关性[14]。通过正交试验法和极差分析法，可以进一步研究不同工艺参数组合对熔池形态的影响程度，从而优化焊接工艺参数以获得良好的焊缝成形质量。
4.3 基于参数调整的质量控制策略
基于对焊接工艺参数与熔池参数关系的分析，可以通过调整焊接工艺参数来实现质量控制。具体而言，当监测到熔池参数偏离预设范围时，应及时调整焊接电流、电压或速度等参数，以恢复熔池的稳定性并改善焊缝成形质量[3]。例如，在铝合金爬坡TIG焊过程中，若发现熔池尾端熔融金属的形态特征异常，可通过降低焊接电流或提高焊接速度来减少熔池失稳的风险。此外，结合智能算法（如遗传算法或粒子群优化算法）对焊接工艺参数进行动态优化，能够进一步提高质量控制的效率和精度。这种基于参数调整的质量控制策略不仅适用于传统焊接方法，还可应用于窄间隙焊接等复杂场景[14]。
5 实际应用问题与解决策略
5.1 环境光线干扰问题
在焊接熔池图像采集过程中，环境光线的干扰是一个不可忽视的重要因素。强烈的弧光和周围环境的散射光会导致采集到的熔池图像过曝或对比度不足，从而影响后续的图像处理与特征提取精度[12]。为解决这一问题，可以采用复合滤光系统来抑制弧光和其他杂散光的干扰。复合滤光系统通常由带通滤光片和中性密度滤光片组成，能够有效衰减非目标波长的光线，同时保留熔池区域的关键信息。此外，通过调整图像采集时间，选择在弧光强度较低的阶段进行拍摄，也可以显著改善图像质量。例如，在熔化极气体保护焊中，利用短路过渡阶段的低弧光特性进行图像采集，能够获得更为清晰的熔池图像[12]。这些策略的结合应用，为复杂工业环境下的焊接熔池图像采集提供了可靠的技术保障。
5.2 图像采集设备稳定性问题
图像采集设备在焊接过程中的稳定性直接影响熔池图像的质量与一致性。焊接现场的高温、震动等恶劣条件可能对设备的性能造成严重影响。例如，高温可能导致相机传感器性能下降，甚至损坏设备；而震动则会引起图像模糊，影响边缘检测和特征提取的准确性[7]。为解决这些问题，可以采取多种措施来提高设备的稳定性。首先，通过优化设备固定方式，如使用减震支架和刚性连接结构，可以有效减少震动对图像采集的影响。其次，针对高温环境，可采用冷却装置对设备进行降温处理，确保其在适宜的温度范围内工作。此外，定期校准和维护设备也是保证其长期稳定运行的重要手段[7]。这些措施的实施，不仅能够提高图像采集的可靠性，还为焊接熔池动态监测的精确性奠定了坚实基础。
6. 结论与展望
6.1 研究成果总结
本研究基于机器视觉技术，实现了对焊接熔池的动态监测与质量控制。在监测方法方面，通过搭建高效的图像采集系统，结合先进的图像处理算法，成功提取了焊接熔池的关键参数，如熔池尺寸、形状及边缘特征等[1]。研究表明，在正常工艺条件下，熔池边缘规则且光滑，其圆形度介于0.56~0.65之间；而当焊接电流过大或保护气体不足时，熔池图像圆形度显著降低，边缘呈现凹凸不平的特征[1]。此外，通过设计融合图像及焊缝形貌评分指标，建立了熔池-焊缝评分方程，验证了熔池图像预测焊缝缺陷等级的可行性[2]。在质量控制策略方面，通过分析焊接工艺参数与熔池参数之间的关系，提出了基于参数调整的质量控制模型，为实时评估和优化焊接质量提供了理论依据和技术支持。
6.2 未来发展方向
尽管本研究取得了一定成果，但为进一步提升监测精度和质量控制水平，仍需探索与新兴技术的深度融合。例如，深度学习技术在复杂数据分析和模式识别方面具有显著优势，可应用于焊接过程中大量图像数据的高效处理与特征提取[8]。通过构建深度学习模型，能够更精准地预测焊接缺陷并优化工艺参数。同时，大数据技术的应用将有助于建立更为全面的焊接质量数据库，从而实现焊接过程的智能化管理和决策支持。此外，随着传感器技术和机器视觉技术的不断进步，未来的研究可进一步探索多模态数据融合的方法，以提升焊接熔池监测系统的鲁棒性和适应性。这些技术的融合与发展，将为焊接领域的智能化转型提供强有力的技术支撑。
参考文献
[1]沈莹吉;姜梦;冯杰才.焊接熔池图像采集及边缘几何形态研究[J].兵器材料科学与工程,2024,47(3):69-73.
[2]徐梓惠;姚屏;宾坤;陈晔;何剑朋;陈飞昕.基于熔池图像特征的焊缝质量指标设计与分析[J].精密成形工程,2022,14(10):98-104.
[3]洪宇翔;杨明轩;都东;常保华;肖宏.铝合金爬坡TIG焊熔池失稳状态的视觉检测[J].焊接学报,2021,42(10):8-13.
[4]陈月峰;王树昂;赵飞;陈金强;程定富;孙云翔.自动焊图像处理技术的发展及应用研究[J].焊接技术,2021,50(3):1-5.
[5]宋清龙.探究机器视觉技术在机械制造自动化中的应用[J].设备管理与维修,2021,(18):123-124.
[6]梁志敏;高旭;任政;武子琴;王立伟;汪殿龙.基于变分立体匹配算法的GMAW熔池形貌三维重建[J].焊接学报,2024,45(2):61-66.
[7]徐远钊;罗玖田;方乃文;冯志强;武鹏博;黎泉.基于MS-FCM算法的船体板熔池图像处理技术[J].焊接学报,2024,45(3):82-90.
[8]李蕊;李云革;张鹏飞.基于深度学习的智能焊接机器人关键技术研究[J].阀门,2024,(5):581-584.
[9]夏良杰;刘源泂;刘海生;王中任.基于视觉传感的摆焊管道立焊熔池特征分析[J].机床与液压,2020,48(19):39-43.
[10]柯希林;王中任;汤宇;夏良杰;赵荣丽;刘海生.管道全位置焊接熔池监测试验研究[J].机床与液压,2021,49(17):113-116.
[11]王中任;王小刚;刘德政;刘海生.基于焊枪轮廓特征提取的焊接偏差测定方法[J].焊接学报,2020,41(7):59-64.
[12]朱彦军;吴志生;王安红;厉雷钧;尹国利.基于被动视觉的焊缝错边研究[J].热加工工艺,2019,48(9):220-223.
[13]闫洁;张倩;杨琦;冯帅.智能化技术在长输管道自动焊装备的应用现状及展望[J].焊管,2023,46(12):9-13.
[14]谢忠奇;丁超;吴涛;张旺;郭彦兵.基于被动视觉的窄间隙管道焊熔池特征分析[J].热加工工艺,2024,53(9):18-22.
[15]汪欣朝;杜坤;王毅;柴再先;张嘉;杨超;陈利阳;刘希林;张志远;孙峰;唐斌;寇宏超;李金山.基于机器视觉的钛合金焊接过程非平衡凝固组织性能智能控制[J].铸造技术,2023,44(2):169-184.
作者简介：倪爱娟（1974—），女，汉族，江苏张家港人，专科，研究方向为机械工程。
