集裝箱大梁熔化極氣體保護電弧焊的焊縫跟蹤系統

高佳篷 洪 波 賈愛亭 李湘文 屈原緣

湘潭大學機械工程學院，湘潭，411105

0 引言

折疊式集裝箱是海式聯運的重要裝備，而大梁焊接是折疊式集裝箱制造的關鍵步驟。目前，大梁焊接主要采用人工和半自動化的方式，這嚴重影響了大梁的焊接效率和焊接質量的穩定性[1]。基于視覺傳感的焊縫跟蹤是實現大梁自動焊接的關鍵技術[2-3]。實際焊接中，工件表面的反射不均勻、弧光、飛濺和煙塵等因素容易導致焊縫偏差檢測不準確或難以穩定檢測，嚴重降低了大梁跟蹤焊接的精度和穩定性，因此，提出集裝箱大梁熔化極氣體保護電弧焊(gas metal arc welding，GMAW)焊縫跟蹤系統的焊縫特征穩定提取方法對實現復雜環境下的大梁自動化焊接具有重要意義。

采用激光光源的結構光視覺傳感器具有精度高、魯棒性好等優點，廣泛用于焊縫跟蹤[4-6]。FAN等[7]基于單線型激光視覺傳感器實現了窄對接焊縫的焊縫跟蹤。ZOU等[8]開發了一種基于三線型激光視覺傳感器的機器人焊縫跟蹤系統，實現了搭接焊縫的焊縫跟蹤。HOU等[9]提出一種基于激光視覺傳感、無示教的機器人焊縫跟蹤系統，實現了角接焊縫的焊縫跟蹤。這些方法在大梁工件表面反射不均強的工況[10]下都不具有適應性。另外，當前的視覺焊縫跟蹤傳感器成本極高，其測量性能也難以滿足大梁的焊接要求。

本文提出一種用于集裝箱大梁熔化極氣體保護電弧焊的焊縫跟蹤系統，基于低成本結構光視覺傳感器，建立了面向表面不均強反射工況的焊縫特征提取模型。該模型通過激光條紋的直線斜率優化隨機采樣一致性(random sampling consistency，RANSAC)算法的隨機采樣過程，在復雜環境下實現對焊縫特征的穩定提取。針對常規反射的工件表面、光滑黑色且較強漫反射的工件表面和粗糙且強漫反射的工件表面，開展了大量焊接試驗，結果表明提出的焊縫跟蹤系統實現了準確的跟蹤焊接。

1 集裝箱大梁的半自動化焊接

如圖1所示，折疊式集裝箱大梁半自動化焊接生產線的焊接設備包括移動機構、十字滑動模組、焊槍等。移動機構通過齒條滑軌的方式傳動，沿大梁焊縫方向運動。焊槍安裝在十字滑動模組上。大梁由卡盤夾持固定在變位機上，先對大梁底部的兩條焊縫進行焊接，再翻轉工件完成另外兩條焊縫的焊接。實際焊接中，工人通過觀測焊縫與電弧的相對位置來操控十字滑動模組、調整焊槍位置實現糾偏。

圖1 大梁焊接生產線Fig.1 Welding production line of container girder

大梁的結構和質量較大，且具有一定撓度。由于工件裝夾精度不高，大梁容易發生偏移和扭轉，因此檢測焊縫位置偏差成為實現大梁自動焊接的重要前提。大梁在裝配和焊接前需要經過除銹和涂漆處理，為消除工件下料誤差，還采用砂輪打磨處理[10]。這使得大梁工件表面對激光條紋的反射特性不一致，有些部位產生均勻的反射，有些部位產生不均勻的強反射。這些情況和弧光飛濺等因素的共同作用嚴重影響視覺傳感器的采樣質量，導致焊縫偏差檢測錯誤，是一個亟待解決的問題。

2 焊縫特征提取模型

焊縫特征提取是實現焊縫跟蹤的核心環節，其最終目的是檢測焊縫軌跡的位置偏差。本文基于大梁的現實工況建立焊縫特征提取模型，通過圖像處理獲取焊縫特征點的圖像坐標，利用視覺模型求解焊縫特征點在機器人坐標系下的三維坐標。機器人依據該三維坐標，在焊接過程中實時調整焊槍位置來實現跟蹤焊接。

2.1 圖像處理與焊縫特征提取

焊縫跟蹤過程中，圖像處理和焊縫特征提取方法的具體流程如圖2所示。首先，在初始化階段獲取焊縫特征區域，以縮短圖像處理算法的計算時間；然后，在焊接階段(主要包括條紋中心線提取、條紋中心直線提取、特征點求解、焊縫特征區域位置的更新等步驟)基于焊縫特征區域提取焊縫特征點；最后根據視覺模型計算焊縫特征點的三維坐標。其中，初始化階段是指圖3中的初始焊接點采集第一幀圖像的圖像處理過程。

圖2 焊縫特征提取的流程圖Fig.2 Flow chart of weld feature extraction

圖3 激光條紋的移動示意圖Fig.3 Schematic diagram of the movement of laser stripe

2.1.1圖像預處理

焊接過程中，采集的圖像總有很強的噪聲，如圖4所示。提升圖像質量的圖像預處理方法有兩種。一是首先采用下式

圖4 噪聲的來源Fig.4 Source of noise

(1)

式中，S(ut，vt)為第t幀原始圖像中像素坐標點(ut，vt)的灰度；D1(ut，vt)為第t幀處理后的圖像中像素坐標點(ut，vt)的灰度；vt-1為第t-1幀圖像的條紋中心線在ut列的行索引；Cth為包含條紋的區域的寬度。

確保質心法的搜索區域僅在條紋區域附近，減少弧光、飛濺噪聲對圖像處理過程的干擾，然后采用下式

(2)

式中，D2(ut，vt)為第t幀最終處理后的圖像像素坐標點(ut，vt)的灰度；N(ut)為第t幀圖像中第ut列所有像素點的灰度超過灰度閾值Gth的點數；Nth為像素點數量閾值。

減少大梁表面反射不均產生的連續亮斑的干擾，以減少條紋中心線錯誤點的數量。二是采用中值濾波算法消除椒鹽類噪聲。

2.1.2激光條紋中心線提取

本文采用灰度質心法獲得激光條紋的中心點Pc(u，v)：

(3)

式中，(u，v)為條紋中心點的坐標；g(i，j)為圖像預處理后的像素點(i，j)的灰度。

2.1.3基于改進RANSAC算法的異常點濾除與直線擬合

RANSAC算法去除中心線噪點的效果很好，但大梁打磨處表面的反射不均總是使中心線提取的有效點很少，導致傳統RANSAC算法因隨機采樣過程而出現直線提取的錯誤，如圖5a所示。為克服該缺點，本文對傳統RANSAC算法的隨機采樣過程進行改進。

(a)傳統RANSAC的處理結果

(b)本文方法的處理結果圖5 兩種方法的直線提取結果Fig.5 Linear extraction results of two methods

連續焊接過程中，相鄰采樣圖像中的激光條紋中心線的斜率變化較小，所以基于該特點對RANSAC算法的隨機采樣過程進行改進，具體步驟如下：首先，從提取的中心點中隨機選取點(xi，yi)、(xj，yj)；然后，判斷這兩點是否滿足

(4)

如果式(4)不滿足，則重復隨機采樣過程；反之，則將點(xi，yi)、點(xj，yj)連線，并利用

(5)

式中，a、b、c為點(xi，yi)、點(xj，yj)連線方程的參數。

計算條紋中心點(u，v)到該直線的距離d(u，v)。如果d(u，v)小于距離閾值dth，則將點(u，v)作為估計中心線方程的候選點，否則定義為異常點。重復上述過程50次。最后，選取候選點數量最多的中心點集，并采用最小二乘法估計條紋的中心直線方程。焊縫特征點的圖像坐標是條紋中心直線方程的解。如圖5所示，改進的RANSAC算法可以保證預選點(xi，yi)和(xj，yj)在正確的方向上，從而提高直線提取的精度和穩定性。

2.1.4焊縫特征區域的位置更新

由于焊接過程中采集的焊縫圖像是連續的，所以采樣周期t時焊縫特征區域的中心位置為

(uroi(t)，vroi(t))=(u(t-1)，v(t-1))

(6)

可根據前一幀(采樣周期t-1)圖像的焊縫特征點位置更新。其中，焊縫特征區域的窗口寬度為Hr，窗口寬度為Wr。

2.2 視覺模型與特征點坐標獲取

構建的視覺模型如圖6所示。特征點的圖像坐標(u，v)和攝像機坐標系中的坐標(xC，yC，zC)的計算公式為

圖6 視覺模型Fig.6 Visual model

(7)

式中，u0、v0、fx、fy為工業相機的內參；A、B、C為激光平面方程的參數。

結合轉換矩陣可求解出機器人坐標系下焊縫特征點的坐標：

(8)

式中，(xB，yB，zB)為特征點在機器人坐標系下的坐標；HT為工具坐標系與相機坐標系的轉換矩陣；PT為焊槍末端在機器人坐標系下坐標的齊次坐標。

3 焊縫跟蹤原理與控制器設計

3.1 焊縫跟蹤原理

焊縫跟蹤系統工作時，焊槍從示教初始點移動到焊接初始點進行起弧，起弧成功后沿著焊接方向繼續焊接，直至焊接結束點熄弧，如圖7所示。焊接過程中，機器人根據視覺傳感器檢測的焊縫位置偏差ei來調整焊槍的位置。焊縫位置偏差

圖7 焊縫跟蹤過程的示意圖Fig.7 The process of seam tracking

ei=pi+m-pi+m-1

(9)

pi+m=HT(xCi，yCi，zCi，1)T+pi

(10)

式中，pi+m為第i檢測周期(焊槍移動到點pi時)傳感器測量的焊縫位置坐標；ei為第i檢測周期求解的焊縫位置偏差；m為視覺傳感器與焊槍的超前量；(xCi，yCi，zCi，1)T為第i檢測周期視覺傳感器檢測的焊縫位置的相機坐標。

是焊縫軌跡上相鄰檢測位置點pi+m和點pi+m-1的坐標偏差。

3.2 焊縫跟蹤控制器

PID控制器簡單可靠，本文基于增量式PID控制器設計焊縫跟蹤控制器。該控制器將焊縫位置偏差值ei作為輸入量，則輸出量Ei為

Ei=u0[KP(ei-ei-1)+KIei+KD(ei-2ei-1+ei-2)]

(11)

式中，Ei為第i個采樣周期處的輸出脈沖數；u0為移動1 mm對應的脈沖數；KP、KI、KD為PID控制器的3個參數。

輸出量Ei是用于驅動機器人運動的脈沖數。焊接過程中，焊縫跟蹤的控制流程如圖8所示。

圖8 焊縫跟蹤的控制流程圖Fig.8 Control flow chart of welding seam tracking

4 實驗結果與分析

4.1 實驗系統描述

實驗系統由計算機、結構光視覺傳感器、機器人系統和焊接設備組成，如圖9所示。機器人具有3個自由度。焊槍在X向的移動分辨率為50 pulse/mm，在Y向、Z向的移動分辨率為200 pulse/mm。結構光視覺傳感器包括工業相機(分辨率為1024 pixel×1280 pixel，鏡頭的焦距為12 mm)、窄帶濾光片(波長660 nm±5 nm)和條紋激光器(波長660 nm，工作功率最大為220 mW)。焊接設備由焊接電源、焊槍和保護氣體組成。

圖9 實驗系統的結構Fig.9 The structure of the experimental system

相機坐標系的原點與相機的光學中心重合。相機坐標系的XC軸與圖像的X軸平行，ZC軸與光軸平行。該系統的工具坐標系以焊槍尖端為原點。工具坐標系的XT軸與X軸平行，YT軸與Y軸平行。機器人坐標系以X軸、Y軸、Z軸滑動模組復位后的焊槍尖端為原點，它的XB軸與X軸平行，YB軸與Y軸平行。

4.2 不同表面狀態的采樣結果

角焊縫是集裝箱大梁結構中最常用的接頭方式，本文選取角焊縫作為研究對象。為測試提出的焊縫特征提取方法在不同工件表面上的適用性能，將常規反射的工件(工件1)表面、黑色且較強不均勻反射的工件(工件2)表面、粗糙且強不均勻反射的工件(工件3)表面作為測試對象。激光條紋在工件表面上的采樣如圖10所示。

(a)工件1的均勻反射表面

(b)工件2的不均勻較強反射表面

(c)工件3的不均勻強反射表面圖10 激光在工件表面的反射效果Fig.10 The reflection effect of the laser on the workpiece surface

由圖10可看出，工件1對激光條紋的反射較為均勻；工件2由于表面呈黑色且較為光滑，對激光條紋的反射相對于工件1的反射光強較小，在角點處有較強的噪聲；工件3的表面經砂輪打磨處理過，表面很粗糙，角點處由強反光產生的亮條紋使得圖像中的噪聲非常強。

4.3 焊接條件下的圖像處理過程

3種工件的圖像處理過程如圖11～圖13所示，算法的關鍵參數如表1所示，初次提取的中心線采用紅色點標記，對異常點采用綠色點標記。由圖11b、12b、13b可知，基于前一幀激光條紋中心線的位置可以對當前幀激光條紋的位置進行預測，從而減少激光條紋周圍噪聲的干擾，提高中心點提取的穩定性和準確性。由圖11d、12d、13d可知，本文方法可以很好地適應不同的工件表面，提高焊縫特征提取的穩定性和準確性。圖14所示為焊接過程中飛濺最常見的幾種形態。由圖14可知，該方法可對不同形態的飛濺噪聲都有很好的魯棒性。

表1 算法參數Tab.1 The algorithm parameters in the experiment

(a)原始圖像 (b)圖像預處理

(c)中心線提取與異常點濾除 (d)直線提取與特征點計算圖11 焊接時，工件1的圖像處理過程Fig.11 During welding，the image processing process of workpiece 1

(a)原始圖像 (b)圖像預處理

(c)中心線提取與異常點濾除 (d)直線提取與特征點計算圖12 焊接時，工件2的圖像處理過程Fig.12 During welding，the image processing process of workpiece 2

(a)原始圖像 (b)圖像預處理

(c)中心線提取與異常點濾除 (d)直線提取與特征點計算圖13 焊接時，工件3的圖像處理過程Fig.13 During welding，the image processing process of workpiece 3

(a)細飛濺 (b)粗飛濺 (c)亮光團圖14 不同形態飛濺的圖像處理結果Fig.14 Image processing results of different forms of splash

4.4 焊接條件下焊縫特征的提取性能

焊縫軌跡和示教焊接軌跡如圖15所示，通過仔細精確的示教操作可以獲取焊縫軌跡的理論軌跡。開啟焊接功能，機器人沿著示教軌跡的方向移動。移動過程中，基于焊縫跟蹤控制器對焊接軌跡進行實時調整。焊接過程中，結構光視覺傳感器對焊縫軌跡的檢測值被實時記錄，本文稱為測量軌跡。理論上，理論軌跡和測量軌跡應是相近的，但檢測誤差表明兩者之間有差異的。這些檢測誤差體現了本文方法對焊縫特征的提取性能。

圖15 焊縫軌跡與示教軌跡的示意圖Fig.15 Schematic diagram of weld trajectory and teaching trajectory

焊接實驗參數如表2所示，3個工件的焊接效果如圖16所示。圖17～圖19所示為本文方法對3種工件測試后得到的檢測誤差曲線。工件1中，Y向、Z向的最大檢測誤差分別為0.27 mm和0.24 mm，平均檢測誤差分別為0.17 mm和0.16 mm，方差分別為0.0018和0.000 98。工件2中，Y向、Z向的最大檢測誤差分別為0.32 mm和0.26 mm，平均檢測誤差分別為0.18 mm和0.17 mm，方差分別為0.0036和0.0014。工件3中，Y向、Z向的最大檢測誤差分別為0.34 mm和0.30 mm，平均檢測誤差分別為0.22 mm和0.19 mm，方差分別為0.0054和0.0024。以上結果表明，所提方法對不同的工件表面有很好的魯棒性，可實現焊縫特征點的穩定、準確提取。

表2 焊接試驗的參數Tab.2 The welding parameters in the experiment

(a)均勻反射表面的工件1

(b)不均勻較強反射表面的工件2

(c)不均勻強反射表面的工件3圖16 不同表面狀態工件的跟蹤焊接效果Fig.16 Tracking welding effect of workpiece

圖17 焊接工件1時，在Y、Z方向的檢測誤差Fig.17 Detection error in Y and Z directions when welding workpiece 1

圖18 焊接工件2時，在Y、Z方向的檢測偏差Fig.18 Detection error in Y and Z directions when welding workpiece 2

圖19 焊接工件3時，在Y、Z方向的檢測偏差Fig.19 Detection error in Y and Z directions when welding workpiece 3

4.5 焊縫跟蹤系統的實時性分析

該焊縫跟蹤系統的主程序在基于Windows系統的MFC平臺上實現。在多次焊接實驗中，采集超過2000幀的焊接圖像。焊接過程中通過MFC平臺得出了算法花費時間的平均值，如表3所示。

表3 系統的性能參數Tab.3 System performance parameters

由表3可知，算法在初始化階段的平均花費時間小于1 s，焊接階段的平均花費時間為38.2 ms。

對于1.2 mm焊絲直徑的GMAW，如果焊接過程以1 mm間隔進行采樣，則最大適應的焊接速度是1500 mm/min。

5 結論

設計的結構光視覺傳感器可穩定獲取包含焊縫特征的清晰圖像。提出的圖像處理方法能濾除焊接噪聲，減少表面不均勻強反光的影響，準確、魯棒地提取焊縫特征。

針對復雜表面狀態的工件進行了焊縫跟蹤試驗。焊接速度1 m/min下的測試結果表明：表面均勻反射的工件1中，在Y向、Z向的平均檢測誤差分別為0.17 mm和0.16 mm；黑色不均勻漫反射的工件2中，Y向、Z向的平均檢測誤差分別為0.18 mm和0.17 mm；表面強漫反射的工件3中，Y向、Z向的平均檢測誤差分別為0.22 mm和0.19 mm。所提方法能對不同表面實現焊縫特征的快速、穩定、準確提取，滿足實際焊縫跟蹤的要求。在焊接跟蹤過程中，該方法適用的焊接速度可達1500 mm/min。