(d) 940 930 920 920 910 900 890 1050 900 1000 880 950 900 Y/mm 850900 X/mm 950 1000 X/mm 1050 860 Y/mm 圆10焊接路径.(a)S型焊缝；(b)S型焊缝点云图；(c)三维复杂焊缝；(d三维复杂焊缝点云图 Fig.10 Welding path:(a)type S;(b)point cloud of type S;(c)3D curve;(d)point cloud of 3D curve 机器人焊接过程中需将跟踪误差保持在0.5mm以内，文中实验所得焊等跟踪误差，如图11 所示。从图中数据可得其平均误差与标准差如表1所示，两种类型焊件实验平误差分别为0.296 mm与0.292mm,均满足机器人焊接的精度要求， 标准差分别为0.0779/和0.1129， 其值越小表示焊 接过程中误差波动越小。以上实验结果，验证了文中焊缝跟踪方法的自效性 (b)1r0.5 04 0.8 0.3 0.2 6 0.1 850 860 860870T880_890900 0. w 800 820 840 860 880 900 850 900 Length/mm Length/mm 圆11误差分析.(aS型焊缝；(b)三维复杂焊缝 Fig.11 Error analysis:(a)type S;(b)3D curve 表1误分析 Table 1 Error analysis Welding type Mean error/mm Standard deviation Type S 0.296 0.0779 3D curve 0.292 0.1129 4结论 (1) 本文渔了焊缝跟踪系统组成与结构，分析了其工作原理与流程，提出基于激光传感器的 焊缝四步跟踪务法 (2)采用四步法对焊缝进行分段扫描，获取原始数据：使用组合滤波平滑处理数据：提取特征 点继而得到焊接点坐标：将焊接点插值处理获得焊接路径。 (3)对S型焊缝与三维复杂焊缝进行了跟踪实验，在焊接速度为20mm/s情况下，跟踪误差分 别为0.296mm和0.292mm,满足机器人焊接的精度要求，表明所提出方法的有效性。 (4)实现了三维复杂焊缝跟踪，未来可将多传感器信息融合技术应用于焊缝跟踪系统，同时引 入深度学习和神经网络，应用于焊缝跟踪技术的图像处理过程以及焊件的质量检测。 参考文献图 10 焊接路径. (a) S 型焊缝; (b) S 型焊缝点云图; (c) 三维复杂焊缝; (d) 三维复杂焊缝点云图 Fig.10 Welding path: (a) type S; (b) point cloud of type S; (c) 3D curve; (d) point cloud of 3D curve 机器人焊接过程中需将跟踪误差保持在 0.5 mm 以内[25]，文中实验所得焊缝跟踪误差，如图 11 所示。从图中数据可得其平均误差与标准差如表 1 所示，两种类型焊件实验平均误差分别为 0.296 mm 与 0.292 mm，均满足机器人焊接的精度要求，标准差分别为 0.0779 和 0.1129，其值越小表示焊 接过程中误差波动越小。以上实验结果，验证了文中焊缝跟踪方法的有效性。 图 11 误差分析. (a) S 型焊缝; (b) 三维复杂焊缝 Fig.11 Error analysis: (a) type S; (b) 3D curve 表 1 误差分析 Table 1 Error analysis Welding type Mean error/mm Standard deviation Type S 0.296 0.0779 3D curve 0.292 0.1129 4 结论 (1) 本文介绍了焊缝跟踪系统组成与结构，分析了其工作原理与流程，提出基于激光传感器的 焊缝四步跟踪方法。 (2) 采用四步法对焊缝进行分段扫描，获取原始数据；使用组合滤波平滑处理数据；提取特征 点继而得到焊接点坐标；将焊接点插值处理获得焊接路径。 (3) 对 S 型焊缝与三维复杂焊缝进行了跟踪实验，在焊接速度为 20 mm/s 情况下，跟踪误差分 别为 0.296 mm 和 0.292 mm，满足机器人焊接的精度要求，表明所提出方法的有效性。 (4) 实现了三维复杂焊缝跟踪，未来可将多传感器信息融合技术应用于焊缝跟踪系统，同时引 入深度学习和神经网络，应用于焊缝跟踪技术的图像处理过程以及焊件的质量检测。 参 考 文 献 录用稿件，非最终出版稿