摘要：自动化焊接技术在现代制造业中占据核心地位，而焊缝识别的精准度与路径规划的合理性直接决定焊接质量与生产效率。传统自动化焊接常因焊缝识别精度不足、路径规划缺乏灵活性而受限。为此，本文提出一套融合机器视觉的焊缝识别与路径规划优化方案。方案先通过多尺度图像预处理模块强化焊缝特征，再以改进的 YOLOv5 网络实现焊缝类型的高精度识别与定位，随后利用改进 AA* 算法完成焊接路径的全局寻优。实验结果显示，焊缝识别准确率达到 98.2% ，路径规划效率较传统方法提高 32% ，显著增强了自动化焊接的稳定性与生产节拍，为高端装备制造中的焊接工艺升级提供了可行技术途径。

关键词：机器视觉；自动化焊接；焊缝识别；路径规划；YOLOv5 ； AA* 算法

自动化焊接已成为高端制造不可或缺的环节，在航空航天、船舶、压力容器等领域扮演关键角色。焊缝既是承载重点，也是质量短板：它的定位误差和轨迹偏差会直接放大缺陷概率并拖慢节拍。过去，系统多按既定程序或人工示教运行，一旦遇到装配偏差、氧化皮或弧光干扰，便容易漏检或跑偏，缺陷率随之攀升。机器视觉以非接触、高帧频和丰富信息见长，为这类痛点提供了可行方案。工业相机实时捕获场景，图像处理与模式识别算法完成焊缝检出，再由路径规划模块算出最优轨迹，系统的适应能力和智能程度随之提高。围绕机器视觉开展焊缝识别与轨迹优化，对焊接工艺迈向高精度、高可靠具有明确的工程价值和现实意义。

一、基于机器视觉的焊缝识别关键技术

1.1 图像采集系统构建

图像采集系统作为视觉信息获取的前端设备，其性能直接决定后续识别精度。该系统主要由工业相机、光学镜头、光源及图像传输模块组成。在相机选型上，需根据焊接速度与焊缝尺寸确定分辨率与帧率，通常选用千兆以太网工业相机，以实现高分辨率图像的实时传输。光学镜头应具备大景深特性，确保在焊接过程中工件轻微位移时仍能清晰成像，同时配备滤光片以削弱弧光对图像的干扰。光源设计是图像采集的关键环节，需通过合理的光源布局突出焊缝与工件的灰度差异。针对不同焊接场景，采用差异化光源方案：对于表面平整的工件，选用同轴光源以减少反光干扰；对于存在凹凸结构的工件，采用环形光源实现均匀照明。此外，图像采集系统需与焊接设备进行同步控制，确保图像采集时机与焊接进程精准匹配，避免因焊接弧光最强时采集图像导致的信息丢失。

1.2 焊接图像预处理

弧光、飞溅和工件反光常把焊接图像淹没在噪声里，焊缝特征随之失真。预处理分三步走：先用自适应中值滤波，窗口随局部灰度变化伸缩，在抹除椒盐和高斯噪声的同时把边缘留住；接着用 Retinex 把图像拆成光照和反射两层，通过增益系数把过亮或过暗的区域拉回正常灰度，焊缝与母材的对比度随之拉开；最后用 Otsu 自动算出阈值，把焊缝从背景里干净地切出来，为后续特征提取提供清晰 mask。

1.3 焊缝特征提取与识别模型

焊缝特征提取需同时覆盖几何与纹理信息。先用形态学运算量出长度、宽度及坡口角度等几何量，再以灰度共生矩阵得到能量、熵和对比度，共同组成多维向量，用于区分焊缝类型。针对传统算法对复杂坡口适应性弱的缺陷，选用改进后的 YOLOv5 作核心识别器：主干网嵌入 CBAM 注意力模块，通道与空间注意力协同，使模型更聚焦焊缝区域；颈部网络把常规卷积换成深度可分离卷积，参数量下降三成，却维持原有特征提取效率；损失函数改用 CIoU，取代GIoU，对小尺寸焊缝的定位更准确。训练阶段借助预训练权重进行迁移学习，并通过自适应学习率策略加速收敛，抑制过拟合。

二、焊接路径规划优化算法

2.1 路径规划问题建模

焊接路径规划的首要任务是在满足工艺约束——包括焊接速度、焊枪姿态和避障要求——的同时，使路径最短、耗时最少。以焊缝识别给出的关键点坐标为基准，建立栅格地图，把焊枪起点、焊缝关键点及避障区域映射为栅格坐标。目标函数设为路径总长与转弯能耗之和，约束条件限定焊枪移动速度不超过 20mm/s ，相邻段夹角不小于 30^∘ ，且与障碍物保持至少 5mm 的距离。

2.2 改进 A* 算法设计

在复杂场景中，传统 A* 算法常被困于局部最优，所得路径也欠平滑。针对这两点，本文同时调整启发函数并做后处理平滑。首先，在启发函数里嵌入距离权重与方向权重，依据当前节点与目标的相对坐标动态修正，弥补曼哈顿或欧氏距离忽视方向的缺陷；搜索阶段增设局部优化，一旦相邻三节点出现锐角即触发裁剪，剔除冗余转折；最终路径用 B 样条拟合，通过微调控制点保证焊枪连续运动，减少启停次数。改进算法的执行顺序为：初始化开放与关闭列表，将焊枪起点放入开放列表；依次计算各节点的 f=g+h ，把 f 值最小的节点移入关闭列表，并更新其八邻域的代价与父指针；目标节点进入关闭列表后回溯得初始路径，再经平滑输出最优焊接轨迹。

三、系统集成与性能测试

3.1 系统硬件与软件架构

硬件部分包括工业相机、镜头、环形无影光源、工控机与六自由度焊接机器人。相机选用 2048×1536 像素 CMOS 传感器，配合 8mm 定焦镜头，环形无影光源为焊缝提供均匀照明，保证图像细节完整。工控机搭载 Intel Core i7 处理器和 16GB 内存，可在毫秒级完成图像处理与算法运算。机器人重复定位精度 ±0.02mm ，为后续路径跟踪提供几何基准。软件层采用 Python 编写，集成OpenCV、PyTorch 与 ROS，将图像采集、焊缝提取、轨迹规划及机器人控制封装在同一流程，实现数据的无缝流转。

3.2 性能测试结果

研究选取 V 型、U 型与 X 型三种典型坡口焊缝，采集 5000 幅图像建立数据集，其中 4000 幅用于训练，1000 幅用于测试。改进后的 YOLOv5 在测试集上识别准确率达到 98.2% ，比原版提高 4.5% ，处理速度 32 帧 / 秒，满足实时检测需求在包含三处障碍的复杂场景中，改进 A* 算法规划的路径长度比传统方法缩短 15% ，规划耗时由 0.8 s 降至 0.54s ，效率提升 32% ；经 B样条拟合后，路径平滑度提高 40% ，焊接时焊枪速度波动被抑制在 ±0.5mm/ s 以内。实际焊接试验表明，采用该方案的自动焊接系统焊缝成形评分提高20% ，缺陷率从 3.8% 降至 0.6% ，单件焊接时间缩短 18% ，验证了系统的实用性与可靠性。

结论

本文提出的自动化焊接方案以机器视觉为核心，将多尺度图像预处理、改进 YOLOv5 检测网络与优化后的 A* 算法串联成完整流程，协同提升焊缝识别与路径规划的精度与速度。实验结果显示，该方法在保持高识别率的同时缩短了路径生成时间，焊接缺陷随之减少，为产线智能化提供了可落地的技术路线。后续工作可沿两条主线展开：首先，融合红外与可见光图像，利用多模态信息增强烟尘、飞溅等恶劣条件下的检测鲁棒性；其次，以强化学习替代静态规划，使路径在焊接过程中根据实时熔池状态自适应调整，从而应对更复杂的工况变化。

参考文献：

[1] 刘东来 , 崔亚飞 , 罗辉 , 等 . 基于机器视觉的弧焊机器人焊缝识别 及 路 径 生 成 研 究 [J]. 制 造 技 术 与 机 床 , 2021(12):7.DOI:10.19287/j.cnki.1005-2402.2021.12.004.

[2] 叶 家 辉 , 史 欣 雨 , 郑 凯 豪 , 等 . 基 于 机 器 视 觉 的 焊 缝 跟 踪系 统 研 究 与 设 计 [J]. 电 子 制 作 , 2022(030-006).DOI:10.3969/j.issn.1006-5059.2022.06.008.

[3] 王复庆 . 基于视觉的焊缝检测与跟踪 [D]. 哈尔滨工业大学 [2025-11-12].

[4] 杨帆 . 基于机器视觉焊缝跟踪系统的研究 [D]. 武汉工程大学 [2025-11-12].