4、视觉定位核心概念：特征提取、模板匹配、边缘检测、标定原理（相机标定、手眼标定）在焊接定位中的作用
激光焊接视觉定位系统的本质，是将“看见”转化为“可执行的坐标偏差”。在焊接场景中，工件来料存在位置偏移、角度旋转、尺寸公差以及批次差异，视觉系统必须从二维或三维图像中稳定地提取出焊缝、坡口、定位孔或工件边缘的精确位置，再通过标定矩阵将像素坐标映射到机器人或运动平台的实际空间坐标。本章围绕特征提取、模板匹配、边缘检测与标定原理四大核心概念，深入剖析其在焊接定位中的具体作用、实现方法及工程注意事项。
上图展示了四大核心概念在焊接视觉定位系统中的逻辑关系：相机标定解决“图像坐标如何映射到相机坐标系”，手眼标定解决“相机坐标系如何映射到机器人坐标系”，特征提取与边缘检测负责从图像中找出焊缝或定位基准的像素位置，模板匹配则用于在复杂背景下快速识别已知工件。四者共同构成从“图像采集”到“机器人执行”的完整闭环。
4.1 特征提取：从图像中定位关键基准
4.1.1 核心原理
特征提取是视觉定位的第一步，其目标是从原始图像中找出具有显著区分度的几何结构，如角点、圆孔中心、直线交点、焊缝坡口顶点等。在焊接场景中，常用的特征包括：
- 几何特征：定位孔（圆形）、工件直角边、V型坡口顶点、搭接焊缝边缘线。
- 灰度特征：焊缝区域与母材的灰度差异、激光条纹中心线。
- 局部不变特征：SIFT、SURF、ORB等，适用于工件种类多、需匹配数据库的场景。
焊接定位更看重特征的重复精度与抗干扰能力。例如，圆孔中心提取常采用“灰度重心法”或“最小二乘圆拟合”，前者速度快但易受弧光干扰，后者精度高但需要先分割出圆孔边缘。
4.1.2 判断方法与操作流程
- ROI设定：根据工件型号预设感兴趣区域，缩小搜索范围，减少计算量并降低误检率。
- 图像预处理：中值滤波去除椒盐噪声，高斯滤波平滑弧光干扰，对比度拉伸增强焊缝与母材差异。
- 特征响应计算：使用Harris角点检测、Hough圆检测或Blob分析提取候选特征。
- 特征筛选与精定位：根据几何约束（半径范围、相对位置关系）筛选候选，再通过亚像素算法精确定位。
4.1.3 案例拆解：汽车底盘焊点定位
某汽车零部件产线需对底盘横梁上的4个定位孔进行视觉引导焊接。初始方案直接使用Hough圆检测，但弧光飞溅导致误检率高达15%。分析发现，飞溅区域灰度与定位孔边缘相似。改进措施：
- 将ROI缩小至孔周围±50像素区域，排除大部分飞溅干扰；
- 增加“孔间距一致性”约束，4个孔两两间距已知，不符合者剔除；
- 采用边缘点最小二乘圆拟合替代Hough变换，将圆心定位精度从±0.3mm提升至±0.08mm。
最终误检率降至0.2%以下，节拍满足生产要求。
4.2 模板匹配：快速识别与粗定位
4.2.1 核心原理
模板匹配是在输入图像中寻找与预设模板最相似的区域。焊接定位中，模板可以是工件的整体轮廓、局部特征图案或焊缝坡口的截面形状。常用方法包括：
- 灰度模板匹配：计算归一化互相关（NCC），对光照变化敏感。
- 形状模板匹配：基于边缘点梯度方向匹配，对光照不敏感，适合金属反光表面。
- 金字塔分层匹配：先粗后精，大幅提升搜索速度。
4.2.2 操作流程与参数选择
| 步骤 | 操作内容 | 关键参数 | 注意事项 |
|---|---|---|---|
| 1. 模板制作 | 从标准工件图像中截取ROI | 模板尺寸、角度范围 | 模板需包含足够特征，避免单一纹理 |
| 2. 金字塔层数 | 设定搜索层数（通常3-5层） | 层数越多越快，但可能丢失小目标 | 根据工件大小与图像分辨率平衡 |
| 3. 评分阈值 | 设定匹配相似度阈值 | 0.7-0.9（形状匹配） | 阈值过低易误检，过高则漏检 |
| 4. 角度范围 | 设定允许的旋转角度 | ±10°~±30° | 角度范围越大，计算量越大 |
4.2.3 实战场景：电池模组焊缝引导
在锂电池模组焊接中，汇流排与极柱的焊缝位置因电芯尺寸公差存在±1.5mm偏移。采用形状模板匹配定位汇流排边缘，再结合边缘检测精确定位焊缝中心。初始匹配耗时80ms，通过金字塔分层优化后降至25ms，满足产线节拍。同时，针对不同电芯型号建立模板库，切换型号时自动加载对应模板。
4.3 边缘检测：焊缝轮廓的亚像素提取
4.3.1 核心原理
边缘检测是焊缝定位的核心环节，其精度直接决定焊接质量。焊接视觉中常用Canny算子进行像素级边缘提取，再通过灰度矩或插值法获得亚像素坐标。对于激光焊接，焊缝坡口边缘通常表现为灰度突变，但弧光、飞溅、氧化皮等干扰会形成伪边缘。
4.3.2 判断方法与流程
- 梯度计算：使用Sobel或Scharr算子计算图像梯度幅值与方向。
- 非极大值抑制：沿梯度方向保留局部最大值，细化边缘。
- 双阈值处理：高阈值确定强边缘，低阈值连接弱边缘，抑制孤立噪声。
- 亚像素精化：对边缘点邻域灰度进行曲线拟合，提取亚像素坐标。
4.3.3 案例拆解：V型坡口焊缝中心定位
某厚板焊接场景中，V型坡口宽度约2mm，要求焊缝中心定位精度±0.1mm。初始Canny检测后，坡口两侧边缘存在毛刺，导致中心线波动。分析发现，坡口底部有氧化皮造成灰度异常。改进方案：
- 在Canny检测前增加形态学开运算，去除细小氧化皮；
- 对提取的左右边缘点分别进行直线拟合，取两条直线的角平分线作为焊缝中心；
- 对中心线进行卡尔曼滤波，平滑连续帧间的抖动。
改进后，中心线标准差从±0.25mm降至±0.06mm，焊接质量显著提升。
4.4 标定原理：从像素到机器人坐标的桥梁
4.4.1 相机标定
相机标定是确定相机内参（焦距、主点、畸变系数）和外参（相机在世界坐标系中的位姿）的过程。焊接视觉中，标定精度直接影响定位精度。常用方法为张正友标定法，使用棋盘格或圆点标定板拍摄多角度图像，通过最小二乘求解内参和畸变参数。
| 标定参数 | 物理意义 | 对焊接定位的影响 |
|---|---|---|
| 焦距 fx, fy | 像素与物理尺寸的比例 | 影响距离测量精度 |
| 主点 cx, cy | 光轴与成像平面交点 | 影响坐标偏移计算 |
| 畸变系数 k1, k2, p1, p2 | 镜头径向与切向畸变 | 边缘区域定位偏差可达数像素 |
| 外参 R, T | 相机相对世界坐标的旋转和平移 | 决定像素坐标到机器人坐标的映射 |
4.4.2 手眼标定
手眼标定解决相机与机器人之间的坐标变换关系。分为两种形式：
- Eye-in-Hand（眼在手上）：相机安装在机器人末端，随机械臂移动，标定求解相机与末端执行器之间的固定变换。
- Eye-to-Hand（眼在手外）：相机固定安装，标定求解相机与机器人基座之间的变换。
常用标定方法为AX=XB求解，通过机器人带动标定板运动到多个位姿，采集图像并记录机器人位姿，联立方程组求解变换矩阵。
4.4.3 案例拆解：Eye-in-Hand焊接机器人标定
某焊接机器人采用Eye-in-Hand配置，相机安装于焊枪旁。标定过程：
- 将棋盘格标定板固定在工作台上，机器人带动相机拍摄15个不同位姿的图像；
- 记录每个位姿下机器人的TCP坐标；
- 使用Tsai-Lenz算法求解手眼矩阵；
- 验证：机器人移动到已知点，视觉定位坐标与机器人示教坐标偏差应小于0.5mm。
实际标定后，平均重投影误差为0.12像素，定位精度达到±0.3mm，满足铝合金薄板焊接要求。
4.5 四大概念的协同与工程复盘
在焊接定位系统中，四大概念并非孤立工作。典型流程为：模板匹配快速找到工件大致位置 → 特征提取定位关键基准点 → 边缘检测精化焊缝轮廓 → 结合标定矩阵输出机器人坐标。任一环节的精度不足都会影响最终定位结果。
| 环节 | 典型精度 | 主要误差来源 | 优化手段 |
|---|---|---|---|
| 模板匹配 | ±1~2像素 | 光照变化、遮挡 | 形状匹配、金字塔分层 |
| 特征提取 | ±0.5像素 | 噪声、反光 | 几何约束、亚像素拟合 |
| 边缘检测 | ±0.1~0.3像素 | 弧光、氧化皮 | 滤波、形态学处理 |
| 标定 | ±0.1~0.3mm | 标定板不平、手眼矩阵误差 | 多姿态标定、验证点校验 |
工程复盘：某项目在调试中发现视觉定位偶尔偏差达1mm，排查发现是相机标定后镜头松动导致内参变化。因此，建议产线定期（每月或每季度）进行标定校验，并设计标定板快速验证工装。此外，焊接飞溅污染镜头也是常见问题，需配置气吹或防护镜片，并建立清洁维护SOP。