基于卡尔曼滤波的V形焊缝跟踪偏差修正

针对焊缝跟踪过程中存在多种噪声干扰、严重影响焊缝位置信息准确提取的现状,以碳钢平板对接为焊接试验对象,借助脉冲涡流无损检测提取焊缝位置峰值和过零时间;在此基础上,进一步采用卡尔曼滤波的系统状态最优估计方法,对焊接中心偏离状态进行修正。焊接试验结果表明:Kalman滤波算法能够有效消除多种噪声干扰,优化脉冲涡流提取信息,提高焊缝跟踪的稳定性。理论分析和实验结果相一致,验证了所采用方法的可行性。     

基于卡尔曼滤波的Ⅴ形焊缝跟踪偏差修正

针对焊缝跟踪过程中存在多种噪声干扰、严重影响焊缝位置信息准确提取的现状,以碳钢平板对接为焊接试验对象,借助脉冲涡流无损检测提取焊缝位置峰值和过零时间;在此基础上,进一步采用卡尔曼滤波的系统状态最优估计方法,对焊接中心偏离状态进行修正。焊接试验结果表明:Kalman滤波算法能够有效消除多种噪声干扰,优化脉冲涡流提取信息,提高焊缝跟踪的稳定性。理论分析和实验结果相一致,验证了所采用方法的可行性。     

微间隙焊缝磁光图像增强方法

针对激光焊接紧密对接焊缝(焊缝间隙不大于0.1 mm),研究焊缝图像增强方法,提出利用自适应中值滤波法去除焊缝磁光图像噪声,并结合小波变换图像增强技术,进一步突出焊缝过渡带边缘特征,实现焊缝位置的识别。试验结果表明,自适应中值滤波融合小波变换图像增强算法能够准确地识别焊缝过渡带并提取焊缝中心坐标,为焊缝的准确识别与跟踪奠定基础。     

旋转电弧传感器焊缝跟踪的过程噪声与测量噪声分析

焊缝跟踪首要问题是应用均值滤波、中值滤波、小波滤波、卡尔曼滤波、粒子滤波等中一种或者几种组合对采集的信号进行降噪处理。各滤波算法的滤波效果往往跟其信号噪声的特征有关系,因此非常有必要对焊接噪声进行分析。文中将焊接噪声分为过程噪声和测量噪声,通过应用阈值小波滤波完成对过程噪声信号提取、频谱分析以及期望与方差计算;通过传感器空采信号完成对测量噪声的特性统计分析,最终通过多组试验数据分析综合得到比较真实的焊接信号噪声特性。     

基于激光视觉的薄板焊缝跟踪方法研究北大核心

由于示教型焊接机器人在进行汽车薄板件连续焊工艺时存在装夹误差和热变形等问题,导致焊缝实际轨迹与示教轨迹存在较大误差。为提高焊接质量,基于焊接机器人构建激光视觉焊缝检测跟踪系统,提出基于目标估计准则的焊缝跟踪算法,实时跟踪焊缝中心点三维位置变化。以传统图像处理法提取初始帧焊缝特征点,通过改进的孪生神经网络对强干扰下的焊缝特征点进行跟踪提取。通过坐标转换得到机器人基坐标系下的焊缝中心特征点三维坐标。结果表明:该算法能精确提取跟踪焊缝特征点,平均误差为0.48 mm,平均帧率为90帧/s,优于传统图像处理方法和基于相关滤波的方法,能够实现快速准确的跟踪。     

基于RBF神经网络优化卡尔曼滤波的焊缝路径修正研究

在焊缝跟踪过程中存在多种噪声干扰,严重影响焊缝位置信息的准确提取。以碳钢平板对接焊为试验对象,通过提取脉冲涡流检测信号波形的峰值和过零时间实现对焊缝位置参数的检测。为避免噪声特性的不确定性对卡尔曼滤波焊缝跟踪的影响,使用径向基(RBF)神经网络优化卡尔曼滤波算法,以卡尔曼滤波状态参量作为网络输入,滤波误差作为网络输出,建立RBF神经网络训练过程。利用训练好的RBF神经网络输出修正的卡尔曼滤波值,补偿焊缝中心滤波误差。试验结果表明,采用RBF神经网络优化的卡尔曼(Kalman)滤波焊缝修正方法能够减小噪声对测量数据的影响。通过修正脉冲涡流测量数据,获得更为精确的焊缝中心位置,提高了焊缝跟踪精度。     

磁光成像焊缝跟踪卡尔曼滤波算法

在激光对接焊过程中,精确控制激光束使其始终对正并跟踪焊缝是保证激光焊接的前提,为此首先须精确检测焊缝位置。针对小于0.05 mm的微间隙对接焊缝,通过对焊件施加感应磁场,利用法拉第磁旋光原理构成磁光传感器并获取焊缝磁光图像。通过图像处理提取焊缝中心位置并构成状态向量,建立基于焊缝中心位置的系统状态方程和测量方程。采用卡尔曼滤波算法对焊缝中心位置进行最优估计,得到焊缝中心位置最优预测值,消除过程噪声与测量的干扰影响。试验结果表明,卡尔曼滤波方法能够有效减少噪声干扰并提高焊缝跟踪精度。     

基于区域连通滤波的薄板焊缝跟踪图像处理算法

针对工件表面经过局部打磨或点固的薄板对接、搭接焊缝的焊缝中心线提取和焊接起始位置搜索问题,提出了一种基于区域连通滤波与Hough直线变换相结合的图像处理算法。采用自适应二值化算法有效分离打磨后灰度值非常接近的背景区域和目标区域;然后根据薄板对接、搭接焊缝宽度窄、直线型的形态学特征,采用区域连通滤波方法提取出焊缝区域;对于焊接图像中存在的点固点干扰,通过区域连通滤波与Hough直线变换相结合进行滤除。试验结果表明,该方法能实现快速准确的薄板对接、搭接焊缝跟踪,跟踪精度在±0.3 mm以内。     

基于视觉传感的焊缝中心检测技术研究

通过视觉传感器获取焊缝图像，采用多种去噪技术对焊缝图像中的噪声进行滤波试验。针对焯缝图像中的干扰噪声特性，对各种滤波方法进行了分析和比较，并对滤波效果较好的焊缝图像进行边缘检测计算。提出3种识别焊缝特征的组合图像处理方法，并研究提取焊缝中心特征信息的效果和精度。试验结果表明，对焊缝图像采用Wiener滤波与Robert边缘检测算法能较好地提取焊缝中心位置的特征信息。     

基于轨迹动态规划的移动机器人焊道自动跟踪

针对大型构件复杂轨迹焊缝自动焊中的移动机器人跟踪控制滞后和焊接轨迹频繁振荡等问题,提出一种基于轨迹动态规划的焊道跟踪方法. 利用结构光传感器检测区域超前于电弧的优势,实时获取焊接区前方焊缝位置特征信息实现对焊道轨迹宏观走向的超前感知,基于焊道等距逼近思想动态规划移动机器人运动轨迹,结合电弧传感技术实时检测焊接偏差信息,通过机器人本体与机载执行机构的协同控制对焊接轨迹进行动态补偿. 结果表明,该方法提高了复杂轨迹焊缝跟踪中焊接速度一致性及焊接轨迹平滑度,改善了焊道弯曲或折角处的焊缝成形质量.     

色噪声下卡尔曼滤波磁光成像焊缝跟踪算法

焊缝跟踪是保证激光焊接质量的前提,在激光焊接过程中,精确地识别和跟踪焊缝非常重要。以紧密对接平板激光焊为试验对象,研究一种色噪声环境下应用卡尔曼滤波最优状态估计对焊缝偏差进行预测的方法。使用磁光传感器摄取焊缝磁光图像并提取焊缝位置参数,建立基于焊缝位置参数的系统测量方程和状态方程。应用扩展状态向量的方法建立色噪声环境下的卡尔曼滤波算法,对焊缝位置进行最优状态估计,得到均方差极小值情况下的焊缝偏差预测最优值,减小系统噪声对焊缝位置识别的影响。试验结果表明所提方法可以显著提高焊缝跟踪的准确性。     

激光紧密对接焊磁光成像焊缝识别

准确检测焊缝中心位置是保证焊缝自动跟踪的前提。针对激光焊接碳钢紧密对接焊缝(间隙不大于0.1 mm),利用磁光传感系统获取焊缝磁光图像,分析焊缝磁光图像的灰度分布特征,对磁光图像进行中值滤波去噪,通过逐列扫描磁光图像灰度梯度极大值后拟合焊缝中心位置。焊缝位置检测试验结果表明,基于焊缝磁光图像灰度梯度特征的焊缝中心拟合法优于直接边缘检测算子;所提出的方法能够识别微间隙焊缝中心位置,为实时控制激光束跟踪紧密对接焊缝奠定了基础。     

基于方向显著性的熔池背景下V形焊缝激光条纹的有效提取

焊缝跟踪是机器人自动化焊接的核心技术,而厚板焊接中准确提取用于检测焊缝轮廓的激光条纹技术是实现自动跟踪的关键技术之一。根据同一帧焊缝图像中同时采集了熔池区域和激光条纹的特点,提出采用多区域多方向Gabor滤波的方法获取焊缝图像多方向特征图,然后采用基于局部区域灰度均值最大法消除背景干扰,最后利用连通域法消除因激光条纹轮廓检测缺口而产生的干扰。通过图像处理试验验证了算法的有效性,为厚板焊接的实时跟踪打下基础。     

船舱流水孔焊缝图像处理与识别方法

焊接机器人对船舱流水孔焊缝自动跟踪焊接过程中,焊缝图像处理和特征识别方法是自动跟踪焊接成败的关键所在。在多次试验改进的基础上,得出一套适用于流水孔焊缝图像处理和识别方法。利用改进的梯度算法对焊缝图像进行激光条纹的提取,用连通域方法去除小面积的区域。根据船舱流水孔类型的不同,提出相对应的特征识别方法。通过大量试验验证,该方法能够实时检测流水孔的特征点,结合控制算法完成焊缝自动跟踪,效果良好。     

磁光成像自适应卡尔曼滤波焊缝跟踪算法

焊缝跟踪是保证焊接质量的前提.针对0~0.05 mm的微间隙焊缝,研究一种色噪声环境下应用卡尔曼滤波实现焊缝跟踪的方法.通过对焊件施加磁场,利用法拉第磁旋光原理构成磁光传感器并获取焊缝磁光图像,提取焊缝中心位置构成状态向量,建立基于焊缝中心位置的系统状态方程与测量方程.针对系统过程噪声为色噪声,使用Sage自适应卡尔曼滤波,采用新息序列估计过程噪声协方差矩阵,准确预测焊缝中心位置.结果表明,根据自适应卡尔曼滤波方法能够有效提高焊缝跟踪精度.     

基于图像技术与粒子滤波融合新算法的机器人多目标跟踪

机器人的目标跟踪技术是机器人定位导航技术中的重要一环。为了能够精确的跟踪机器人的位置和速度信息,文章提出了一种多方法融合的粒子滤波算法。该算法是采用图像颜色直方图结合高斯核函数挖掘特征数据,融合粒子滤波改进算法自动追踪机器人目标。此外,为了解决粒子滤波中样本贫化,即在粒子滤波计算中很大一部分粒子重叠到一个单独的点上的情况,需要重采样计算解决此问题,但在重采样过程中容易造成一些粒子丢失各向异性导致跟踪精度降低,甚至跟踪目标失败,结合标准粒子滤波提出了一种新型重采样约束方法。实验结果表明,基于颜色分布改善后的粒子滤波算法能有效的减少样本分化问题,并且可以高精度的识别出移动、急转和相遇的机器人目标。     

紧密对接激光焊焊缝位置神经网络预测

激光焊接过程中,控制激光束准确对中焊缝是获得良好焊件的关键。以低碳钢板紧密对接激光焊(焊缝间隙不大于0.1 mm)作为研究对象,利用磁光传感法摄取焊接过程中焊缝区域磁光图像。分析焊缝区域图像特征,定义并提取紧密对接焊缝位置坐标,以前时刻的焊缝位置及其变化值作为输入量,当前时刻焊缝位置坐标作为输出量,应用神经网络建立焊缝位置的预测模型。试验结果表明,建立的前馈型神经网络能够较好地预测焊缝位置坐标,为激光焊缝及时纠偏和自动跟踪奠定基础。     

结构光视觉鲁棒焊接接头跟踪

针对焊接时严重的干扰降低了接头特征提取效率的问题,提出了一种预测-匹配-估计的闭环递推机制来完成起弧下的接头特征跟踪检测.通过对焊接接头位置与形状的预测给出了结构光轮廓信号在图像中所在的区域,进一步通过基于模型的轮廓匹配方法识别出焊缝接头,最后利用基于可信度的滤波方法估计出合理的焊接轨迹,结果表明,该方法不仅明显地提升了焊缝接头轮廓识别的成功率和实时性,即使在面对接头特征识别结果出现粗值或者提取失败的不利情况下,依旧能够保证焊缝跟踪的可靠性.     

大功率光纤激光焊焊缝偏差检测方法

在大功率激光焊接过程中,准确提取焊缝偏差是实现焊缝跟踪和保证焊接质量的前提。本文以10kW大功率光纤激光焊接304不锈钢板为试验对象,采用近红外高速摄像机获取焊接区域熔池动态热像,以匙孔最下端、最左端和最右端位置处的列坐标为匙孔形变参数,运用中值滤波、灰度拉伸、阈值分割、边缘提取等图像处理和识别算法,获取激光束偏离和对中焊缝时的匙孔形变参数,进而求得焊缝偏差。试验结果表明,熔池匙孔形变参数与焊缝偏差之间有密切关系。     

微间隙焊缝磁光成像NN-KF跟踪算法分析

针对紧密对接微间隙焊缝,分析基于磁光成像的神经网络补偿卡尔曼滤波（kalman filtering compensated by neural network,NN-KF）跟踪算法,建立焊缝位置测量模型并运用卡尔曼滤波对焊缝位置偏差进行最优预测.卡尔曼滤波进行最优估计需建立准确的系统模型和观测模型,而在焊缝跟踪过程中,系统噪声具有非先验性.对于针对测量模型误差、过程噪声和测量噪声对卡尔曼滤波结果的影响,运用反向传播（back propagation,BP）神经网络对卡尔曼滤波结果进行修正,补偿模型误差及噪声统计不确定性造成的滤波误差.结果表明,BP神经网络补偿卡尔曼滤波算法能有效抑制滤波发散,减小噪声干扰影响,提高焊缝跟踪精度.