Research on Quality Control Strategy of Automatic Assembly Welding of Guard Board

ZHANG Pengxian; WU Jian

doi:10.7512/j.issn.1001-2303.2026.05.03

Important Issuse | Views : 0 下载量: 126 CSCD: 0

PDF
Export
Share
Collection
Album

Research on Quality Control Strategy of Automatic Assembly Welding of Guard Board
Vol. 56, Issue 5, Pages: 25-33(2026)
Received：24 March 2025，

Revised：2025-04-28，

Published：20 May 2026
DOI： 10.7512/j.issn.1001-2303.2026.05.03
稿件说明：

移动端阅览

张鹏贤，吴剑.护帮板自动组焊的质量控制策略研究［J］.电焊机，2026，56（5）：25-33. DOI： 10.7512/j.issn.1001-2303.2026.05.03.

ZHANG Pengxian, WU Jian.Research on Quality Control Strategy of Automatic Assembly Welding of Guard Board[J].Electric Welding Machine, 2026, 56(5): 25-33. DOI： 10.7512/j.issn.1001-2303.2026.05.03.

摘要

焊口工况状态信息是焊接机器人实现自主焊接和质量保证基础，为此本文以护帮板焊接过程为研究对象，提出了一种基于多线激光视觉与深度学习获取焊口状态信息、实现组焊质量保证的方法。搭建了集自动组焊与视觉在线评判于一体的质量保证系统，采用多线结构光采集焊口图像，验证了激光条纹断开间距与装配间隙量、条纹分布形态与倾斜状态的对应关系，确认激光条纹图像可作为装配质量分类的有效输入；以分割提取的激光条纹图像为数据集，对比训练MobileNetV2、ResNet-50、VGG16和VIT四种分类模型，MobileNetV2准确率（95.68%）、模型容量（8.9 M），响应时间（1.41 s），综合性最好，且条纹分割策略较原始图像分类准确率提升6.9个百分点。视觉评判结果与人工测量基本一致，该方法可为护帮板机器人自主焊接提供焊前质量保证依据。

Abstract

The condition information of the weld joint serves as the foundation for welding robots to achieve autonomous welding and ensure quality assurance. Therefore

focusing on the welding process of protective plates

this paper proposes a method based on multi-line laser vision and deep learning to acquire weld joint status information and guarantee the quality of assembly and welding. A quality assurance system integrating automatic assembly-welding and online visual evaluation was established. Multi-line structured light was employed to capture weld joint images

verifying the correlation between the disconnection spacing of laser stripes and the assembly gap

as well as between the distribution pattern of stripes and the inclination state. It was confirmed that laser stripe images can serve as an effective input for classifying assembly quality. Using the segmented and extracted laser stripe images as the dataset

four classification models—MobileNetV2

ResNet-50

VGG16

and VIT—were trained and compared. MobileNetV2 demonstrated the best comprehensive performance

with an accuracy of 95.68%

a model size of 8.9 M

and a response time of 1.41 s. Moreover

the stripe segmentation strategy improved the classification accuracy by 6.9 percentage points compared to that of the original image classification. The visual evaluation results are largely consistent with manual measurements

indicating that this method can provide a basis for pre-welding quality assurance for the autonomous welding of protective plates by robots.

关键词

Keywords

references

Jiang X ， Wang S . Railway panorama： A fast inspection method for high-speed railway infrastructure monitoring ［J］. IEEE Access ， 2021 ， 9 ： 150889 - 150902 .

王秀平，白瑞林 . 基于线结构光视觉的焊缝类型识别与特征提取［J］. 电焊机， 2014 ， 44 （ 11 ）： 94 - 98 .

WANG X P ， BAI R L . Weld Type Recognition and Feature Extraction Based on Linear Structured Light Vision ［J］. Electric Welding Machine ， 2014 ， 44 （ 11 ）： 94 - 98 .

郭吉昌，朱志明，于英飞，等 . 焊接领域激光结构光视觉传感技术的研究及应用［J］. 中国激光， 2017 ， 44 （ 12 ）： 7 - 16 .

GUO J C ， ZHU Z M ， YU Y F ， et al . Research and Application of Laser Structured Light Vision Sensing Technology in Welding Field ［J］. Chinese Journal of Lasers ， 2017 ， 44 （ 12 ）： 7 - 16 .

郭吉昌，朱志明，孙博文 . 基于组合激光结构光的多功能视觉传感器［J］. 焊接学报， 2019 ， 40 （ 10 ）： 1 - 7 .

GUO J C ， ZHU Z M ， SUN B W . Multifunctional Vision Sensor Based on Combined Laser Structured Light ［J］. Transactions of the China Welding Institution ， 2019 ， 40 （ 10 ）： 1 - 7 .

任同群，桑永胜，曹润嘏，等 . 悬丝摆式加速度计底座组件自动装配与焊接控制［J］. 光学精密工程， 2023 ， 31 （ 16 ）： 2395 - 2405 .

REN T Q ， SANG Y S ， CAO R G ， et al . Automatic Assembly and Welding Control of Base Component of Suspended Wire Pendulous Accelerometer ［J］. Optics and Precision Engineering ， 2023 ， 31 （ 16 ）： 2395 - 2405 .

张鹏贤，刘昊，雷飚，等 . 防爆壳体焊口装配质量的激光视觉检测方法［J］. 电焊机， 2021 ， 51 （ 11 ）： 60 - 66 .

ZHANG P X ， LIU H ， LEI B ， et al . Laser Vision Detection Method for Assembly Quality of Weld Joints of Explosion-proof Shell ［J］. Electric Welding Machine ， 2021 ， 51 （ 11 ）： 60 - 66 .

李鹤喜，韩新乐，方灶军 . 一种基于CNN深度学习的焊接机器人视觉模型［J］. 焊接学报， 2019 ， 40 （ 02 ）： 154 - 160 .

LI H X ， HAN X L ， FANG Z J . A Vision Model of Welding Robot Based on CNN Deep Learning ［J］. Transactions of the China Welding Institution ， 2019 ， 40 （ 2 ）： 154 - 160 .

王锦凯，宋锡瑾 . 计算机视觉技术应用研究综述［J］. 计算机时代， 2022 ，（ 10 ）： 1 - 4 .

WANG J K ， SONG X J . Review on Application Research of Computer Vision Technology ［J］. Computer Era ， 2022 （ 10 ）： 1 - 4 .

李玉洁，马子航，王艺甫，等 . 视觉Transformer（ViT）发展综述［J］. 计算机科学， 2025 ， 52 （ 1 ）： 194 - 209 .

LI Y J ， MA Z H ， WANG Y F ， et al . Review on the Development of Vision Transformer （ViT）［J/OL］. Computer Science ， 2025 ， 52 （ 1 ）： 194 - 209 .

Huang H ， Wei Z ， Yao L . A novel approach to component assembly inspection based on mask R-CNN and support vector machines ［J］. Information ， 2019 ， 10 （ 9 ）： 282 .

陈凯，王海 . 基于深度学习的焊缝图像识别研究［J］. 安徽工程大学学报， 2022 ， 37 （ 01 ）： 24 - 31 .

CHEN K ， WANG H . Research on Weld Seam Image Recognition Based on Deep Learning ［J］. Journal of Anhui Polytechnic University ， 2022 ， 37 （ 1 ）： 24 - 31 .

徐东辉，孟范鹏，孙鹏，等 . 基于深度学习的GMAW焊接缺陷在线监测［J］. 焊接学报， 2024 ， 45 （ 03 ）： 114 - 119 .

XU D H ， MENG F P ， SUN P ， et al . On-line Monitoring of GMAW Welding Defects Based on Deep Learning ［J］. Transactions of the China Welding Institution ， 2024 ， 45 （ 3 ）： 114 - 119 .

Sanchez Castro J J ， Rodríguez-Quiñonez J C ， Ramírez-Hernández L R ， et al . A Lean Convolutional Neural Network for Vehicle Classification ［C］// 2020 IEEE 29th International Symposium on Industrial Electronics . IEEE ， 2020 ： 1365 - 1369 .

LIU Wenting ， LU Xinming . Research Progress of Transformer Based on Computer Vision ［J］. Computer Engineering and Applications ， 2022 ， 58 （ 6 ）： 1 - 16 .

Zhuang F ， Qi Z ， Duan K ， et al . A comprehensive survey on transfer learning ［J］. Proceedings of the IEEE ， 2020 ， 109 （ 1 ）： 43 - 76 .

程进，徐乃涛，郁伟俊 . 面向焊接机器人的视觉传感技术［J］. 电焊机， 2023 ， 53 （ 9 ）： 61 - 69 .

CHENG J ， XU N T ， YU W J . Vision sensing technology for welding robot ［J］. Electric Welding Machine ， 2023 ， 53 （ 9 ）： 61 - 69 .

王杰，张志芬，秦锐，等 . 基于机器学习的不锈钢薄板MIG焊焊穿缺陷识别［J］. 电焊机， 2023 ， 53 （ 9 ）： 70 - 77 .

WANG J ， ZHANG Z F ， QIN R ， et al . Identification of MIG welding burn-through defects in stainless steel sheet based on machine learning ［J］. Electric Welding Machine ， 2023 ， 53 （ 9 ）： 70 - 77 .

高振泽，李俊，李欢，等 . 机器视觉辅助机器人焊接全过程研究进展［J］. 电焊机， 2025 ， 55 （ 9 ）： 1 - 18 .

GAO Z Z ， LI J ， LI H ， et al . Research Progress on the Application of Machine Vision in the Whole Process of Robot Welding ［J］. Electric Welding Machine ， 2025 ， 55 （ 9 ）： 1 - 18 .

Alert me when the article has been cited

提交

Typical applications of Artificial Intelligence Surrogate Models in Laser Metal Additive Manufacturing

Gas Shielded Metal Arc Welding with Misalignment-Gap Mode of Penetration Prediction and Feature Analysis

Research on Intelligent Evaluation Technology of Weld Quality based on Machine Vision and Deep Learning Neural Networks

Research Progress on the Application of Machine Vision in the Whole Process of Robot Welding

Pipeline Girth Weld Defect Intelligent Identification of Digital Radiograph based on an Improved YOLOv5 Network