-
焊接自动化技术的核心是实现焊接过程质量的实时检测与自动控制。到目前为止，还不能在线直接检测和控制焊接质量（焊缝成型质量）。现阶段只能利用现有传感和控制技术，对一些与焊接质量有关的熔池形态参数（熔宽、熔深等）进行实时检测和控制，从而间接控制焊接质量。9843
- 上一篇：熔池图像处理技术及特征提取研究现状
- 下一篇：图像清晰度评价方法研究现状
在熔宽和熔深等焊缝成形控制方面，目前大多数学者是通过建立神经网络模型实现控制过程，目前基于视觉传感检测的GMAW熔宽控制的研究已经较为成熟，并且已经在生产中得到部分应用。如上海交通大学的陈善本等人通过这一途径对脉冲GTAW焊缝成形进行控制。
北京装甲兵工程学院张甲英等[14]在双波长滤光片正面实时检测MIG焊缝熔宽技术的基础上建立了焊缝熔宽模糊控制系统。在模糊控制系统中采用双输入单输出的模糊控制器模型，利用熔宽变化及其变化率作为模糊控制器的两输入量，采用焊接电流作为模糊控制器的输出量，以焊接电流为控制量，根据控制作用表对焊缝熔宽进行了实时控制。
上海交通大学杨海澜，蔡艳等[15]采用主成分分析结合神经网络技术对大电流MAG焊熔宽控制进行了研究，发现基于主成分分析的神经网络的收敛速度和训练精度都明显优于BP神经网络。
在熔透与熔深控制方面，国外D.S.Nagesh， G.L.Datta[16]利用BP神经网络在埋弧焊时预测焊缝几何参数和熔深，预测数据和实际数据相差甚小。Y.Suga等[17,18]利用人工神经网络建立了熔池尺寸、焊接参数与熔深之间的关系模型，通过人工神经网络的输出优化焊接电流，从而控制背面焊道宽度，在此基础上，通过检测熔池背面尺寸参数实现了对熔深进行自动控制。
山东大学张建纲、孙俊生等人[19]提出了描述熔化极气体保护焊熔池行为的数学模型，采用数值模拟技术获取了大量不同焊接工艺条件下熔池几何形状的基础数据，利用这些数据和部分实验结果来示教一个BP神经网络，得到了对GMAW熔深在线控制模型，试验表明该模型的误差可满足工程控制要求。
目前基于熔池视觉检测的焊接质量过程控制研究主要集中在熔化极气体保护焊熔宽和熔深控制方面，对基于熔池视觉的焊接过程缺陷预测及在线实时控制的研究尚未见相关文章，但对基于电弧信号的焊接缺陷在线监测预报研究方面已经取得了一定进展。国外Quinn等人[20]在研究了基于焊接电流、电弧电压及其派生出来的7种参数在焊接缺陷存在情况下的表现后，提出了基于参数基值和阈值原理的缺陷识别方法。
华南理工大学李迪、宋永伦等人[21]提出一种在CO2气体保护焊过程中对焊缝缺陷自动监测的方法，该方法基于对电弧传感信号特征的提取，通过采用自组织特征映射(SOM)神经网络对信号分类，实现了在线识别焊缝缺陷，该方法可用于焊接过程的在线监测，对机器人焊接生产的产品“零缺陷”质量控制具有重要的应用价值。
对基于视觉的焊接缺陷检测方面，南京理工大学王克鸿等[22]对GMAW典型熔池图像进行了特征信息分析，提出利用熔池图像相关系数来研究GMAW焊接过程的新思路，对焊接缺陷与熔池图像信息之间的关系进行了研究，获取了表面气孔、表面夹渣、焊缝起皱等焊接缺陷的对应熔池图像的奇异特征，提出了通过研究熔池图像参数和奇异特征在出现焊接缺陷时的表现行为，探寻焊接缺陷与熔池图像信息之间映射关系。
上述这些基于电弧信号传感和基于视觉传感信号的研究取得了一定成果，为焊接缺陷在线预测及实时控制提供了有益的启发。
图像清晰度是图像特征信息的其中一个，不同缺陷情况下产生的熔池图像是不同的，其图像清晰度之间也应有相应的变化。为区分不同缺陷情况下的熔池图像，本课题对熔池图像与图像清晰度之间的关系进行了进一步研究。