英文题目：Weld seam extraction and path generation for robotic welding of steel structures based on 3D vision
中文题目： 基于3D视觉的钢结构焊接机器人焊缝提取与路径生成
作者：Jinxin Yi, Xuan Kong, Hao Tang, Jie Zhang, Zhenming Chen, Lu Deng
作者单位： 湖南大学、上海海事大学、中建钢构
期刊：Automation in Construction（IF 11.5中科院一区，JCR一区）
发表时间：2026年3月
链接：https://doi.org/10.1016/j.autcon.2026.106792
引文格式：Yi J, Kong X, Tang H, et al. Weld seam extraction and path generation for robotic welding of steel structures based on 3D vision[J]. Automation in Construction, 2026, 183: 106792.
01 全文速览在任何一家钢结构加工厂，你大概能看到这样的场景：工人手持示教器，一遍遍引导机器人走位，或者技术人员对着电脑，花几小时给复杂构件离线编程。示教编程效率低，离线编程又常常因为工件加工误差导致路径失效——这是困扰焊接自动化多年的老问题。
湖南大学团队给出了一套新的解决方案：给机器人装上编码结构光3D相机，配合深度学习点云分割和多尺度配准算法，让机器人自己看懂工件、找到焊缝、生成路径。整个过程无需任何先验模型，对四个复杂工件的测试显示，路径生成精度达到0.64 mm（均方根误差），单次处理时间仅1.4秒。
核心亮点：
✅ 模型无关：无需CAD模型，直接从点云中提取焊缝
✅ 高精度：路径生成均方根误差0.64 mm，满足工业要求
✅ 高效率：完整流程平均1.4秒，优于现有方法
✅ 强鲁棒：能处理80%锈蚀表面，适应多焊缝空间分布
✅ 全自动：从多视角拍摄到路径生成，无需人工干预
02 研究内容🔧 系统配置：手眼结合的焊接机器人
研究团队搭建的试验平台采用"eye-in-hand"配置——编码结构光相机刚性地安装在机器人末端（图1）。这种配置的好处是灵活，机器人可以带着相机从多个角度拍摄工件，获取完整的三维信息。
图1.焊接机器人系统配置。
图1展示了整个系统的组成：六轴机器人、控制器、焊枪、焊接电源、送丝机，以及关键的Mech-Eye NANO编码结构光相机。相机的工作距离300-600 mm，重复精度0.1 mm @ 0.5 m，这个精度对于钢结构焊接已经足够。
为什么选编码结构光而不是更常见的线激光或双目视觉？表1给了详细对比：线激光精度高但视野局部，只能做实时跟踪；双目视觉成本低但反光表面效果差；RGB-D相机便宜但精度有限。编码结构光在复杂几何的鲁棒性和精度之间取得了最佳平衡。
表1 不同 3D 视觉传感器的比较。
🧠 技术框架：四步走，让机器人看懂焊缝
整个方法的流程如图2所示，可以分为四个主要步骤：
图 2. 焊缝提取和路径生成的框架。
第一步：点云分割（PointNet++）
相机从多个视角拍摄工件，得到RGB图像和对应的点云（图3）。直接处理完整点云计算量大，而且工作台、夹具等背景会干扰后续处理。团队采用PointNet++网络对点云进行语义分割，只保留焊缝周边约40 mm宽的区域。
图 3. 捕获的工件数据：(a) ~ (c) RGB 图像； (d)~(f)点云。
为了训练网络，他们采集了四种工件共800个样本，通过旋转、抖动、采样等数据增强扩展到4800个。训练300个epoch后，分割精度达到98.16%，mIOU 95.07%（图4）。从图5可以看到，分割后的点云干净地保留了焊缝区域，背景干扰被有效滤除。
图4.PointNet++点云分割框架。
图 5 点云分割：(a) 视点 1； (b) 观点2； (c) 观点3。
第二步：多视角点云配准
由于相机视野有限，单个视角拍不到完整工件。团队提出了一种多尺度ICP配准算法（图6），利用机器人位姿数据和手眼标定参数先做粗配准，再通过多层级体素降采样和自适应搜索距离进行精配准。
图 6.多尺度点云配准。
从图7和图8可以看出粗配准和精配准的效果对比。与传统ICP相比，提出的算法在平板和复杂工件上都表现出更好的精度（图9）：平板匹配误差0.137 mm，复杂工件0.079 mm。
图7 粗配准前后的点云：(a)原始点云； (b) 粗略配准的点云。
图8. 精细配准点云：(a) 未分割的点云； (b) 分割点云。
第三步：多平面拟合（改进RANSAC）
钢结构由平板拼焊而成，找到所有平面就等于找到了焊缝的基础。团队改进了传统的RANSAC算法，引入内点占比阈值（T_mpp=0.025）和置信度水平（η0=0.7），自动确定迭代次数，避免过分割或欠分割（图10-11）。
图10 多平面拟合结果比较
图11. 改进的RANSAC算法流程图。
平面拟合后还有一个关键步骤：基于质心的参数优化。从图12可以看到，优化前平面存在明显的过分割现象，优化后角误差从0.304°降到0.011°，距离误差从0.158 mm降到0.004 mm，提升非常显著。
图 12 平面优化前后对比：(a) 软件生成的原始点云； (b) 多平面拟合； (c) 平面优化结果。
第四步：焊缝路径与姿态生成
有了平面参数，焊缝就是两个平面的交线（图13）。根据平面法向量可以计算出焊缝方向向量和焊枪接近向量。焊缝端点通过平面交点和点云投影确定（图14）。
图13. 焊接路径生成：(a) 平面相交模型； (b) 焊接路径和姿势。
14. 点云投影和端点提取：(a) 点云投影； (b) 焊缝和端点。
📊 实验验证：四个工件，全面测试
团队在四种具有代表性的工件上验证了方法（图15）。这些工件的特点是：多焊缝空间分布、表面有锈蚀和划痕（锈蚀覆盖率40%-80%，划痕深度<1 mm），非常贴近实际工况。
图15. 测试工件。
图16展示了完整流程的处理结果：从原始点云（a）到配准后完整点云（b），再到分割后焊缝区域点云（c），然后是平面拟合结果（d），最后生成的焊缝路径（e）。整个流程自动化完成，无需人工干预。
图16.不同工件的测试结果。
精度验证方面，团队选取每个工件的一条焊缝，与人工示教路径对比（图17）。四个工件的最大误差1.16 mm，均方根误差0.64 mm，完全满足钢结构焊接的精度要求（通常允许±1-2 mm）。
图 17焊接路径对比：(a) 工件 1； (b)工件2； (c)工件3； (d) 工件4。
效率方面，完整流程平均耗时1.4秒。与现有方法对比，在保证多视角适应性和环境鲁棒性的前提下，这个速度具有明显优势。
03 创新点① 模型无关的焊缝提取框架
不依赖任何CAD模型，仅从点云数据出发，通过几何约束自动识别焊缝。这解决了实际生产中理论模型与实物存在偏差的痛点。
② 深度学习+几何算法的有机结合
用PointNet++做语义分割，滤除环境干扰；用改进RANSAC做多平面拟合，提取几何参数。分割算法提供干净的输入，几何算法保证精度和可解释性，两者优势互补。
③ 多尺度点云配准方法
针对传统ICP在复杂工件上容易陷入局部最优的问题，提出多层级体素降采样+自适应搜索距离的策略。从图9的结果看，这种方法在平板和复杂工件上都稳定提升了配准精度。
④ 基于质心的平面参数优化
巧妙利用平面内点分布特性，通过质心邻域二次拟合，解决了平面交线附近过分割导致的参数偏差问题。优化后的平面角度误差降低96%，距离误差降低97%，效果显著。
⑤ 完整的工程化解决方案
从手眼标定、TCP标定，到点云采集、分割、配准、拟合、路径生成，再到机器人指令输出，形成了一个完整的闭环。这套方案在运行时间、工件适应性、环境鲁棒性等方面优于现有方法。
04 总结与展望
这项研究给钢结构焊接自动化带来了一套实用的技术方案。通过编码结构光相机获取高精度点云，结合深度学习分割和多视角配准，实现了复杂工件的全自动焊缝提取与路径生成。四个工件的验证结果表明，方法在精度、效率、鲁棒性上都达到了工业应用的水平。
未来研究将聚焦于以下几个方向：
🔸 曲线焊缝处理：目前的几何模型基于平面相交，适用于角焊缝。对于管件相贯线等曲线焊缝，需要引入更复杂的几何模型，比如B样条曲面拟合。
🔸 动态避障与路径优化：在实际焊接场景中，夹具、支撑等可能干扰机器人运动。需要将路径生成与实时避障结合起来，在保证焊接质量的前提下优化机器人姿态。
🔸 多机器人协同：大型钢结构件往往需要多台机器人协同焊接。如何在共享工作空间中规划无碰撞、高效率的协同路径，是一个值得深入的问题。
🔸 在线学习与自适应：不同材质、不同板厚对焊接参数有不同要求。如果能从历史焊接数据中学习，根据焊缝特征自动推荐焊接参数，可以进一步提升自动化水平。
🔸 极端工况适应性：高反光表面（如不锈钢、铝合金）对3D视觉仍是挑战。需要结合偏振成像、多曝光融合等技术，提升在极端工况下的数据质量。
从示教编程到离线编程，再到现在的视觉引导自主编程，焊接机器人正在变得越来越智能。这套方案让我们看到，在不久的将来，工人只需要把工件放到工位上，剩下的都交给机器人自己——识别、规划、焊接，一气呵成。