DOI: https://doi.org/10.1016/j.jajp.2026.100377
تاريخ النشر: 2026-01-30
المؤلف: Matteo Moscatelli وآخرون
الموضوع الرئيسي: أنظمة الرؤية الصناعية واكتشاف العيوب
نظرة عامة
تتناول الورقة البحثية تطوير نظام متقدم لتتبع اللحامات لعمليات اللحام بالليزر الروبوتي، مع معالجة القيود التي تواجهها الطرق التقليدية التي تعاني من الأخطاء بسبب التثبيت، وتنوع الأجزاء، وانعكاسية المواد. يستخدم النظام المقترح نهج رؤية قائم على التعلم العميق، معتمدًا على بنية YOLO (تنظر مرة واحدة فقط) لاكتشاف اللحامات وشبكة عصبية تلافيفية (CNN) تعتمد على MobileNet لتقدير عرض الفجوة. يسمح هذا التصميم المبتكر بالتتبع في الوقت الحقيقي والتحديد الدقيق لمواقع اللحامات، حتى في ظل ظروف الإضاءة والسطح الصعبة، مما يعزز دقة وكفاءة عمليات اللحام عالية السرعة.
تشير النتائج إلى أن النظام يحسن بشكل كبير من مرونة اللحام بالليزر الروبوتي، لا سيما في الوصلات المستقيمة في الفولاذ المقاوم للصدأ وسبائك الألمنيوم. من خلال تمكين التعديلات في الوقت الحقيقي لمسار اللحام بناءً على موقع اللحام المكتشف وعرض الفجوة، يعوض النظام بفعالية عن الأخطاء التصنيعية ويوسع نطاق التشغيل عبر مواد وأنسجة سطحية متنوعة. تهدف الأبحاث المستقبلية إلى تعزيز قدرات النظام من خلال دمج تحليل الهندسة ثلاثية الأبعاد للتكوينات غير المستوية وتطوير حل لحام مستقل بالكامل يمكنه توليد مسارات لحام بشكل تكيفي استجابة لتغيرات العملية. يعد هذا التقدم نحو نظام مستقل بالكامل بتقليل التدخل البشري مع ضمان نتائج لحام عالية الجودة ومتسقة عبر تطبيقات متنوعة.
مقدمة
تناقش مقدمة الورقة الأهمية المتزايدة للحام بالليزر الروبوتي في التصنيع الحديث، مع تسليط الضوء على مزاياه مثل الدقة العالية، والكفاءة، والتشوه الحراري الأدنى. لقد وسعت القدرة المتزايدة على تحمل تكاليف المستشعرات ومصادر الليزر من تطبيقه عبر صناعات متنوعة، بما في ذلك السيارات، والطيران، والقطاعات الناشئة مثل التنقل الكهربائي. على الرغم من هذه التقدمات، غالبًا ما يظل اللحام الروبوتي محدودًا لمسارات الوصلات الأبسط، مما يتطلب أنظمة تتبع لحام فعالة لاستيعاب التباينات بين الأجزاء. يجب أن تعمل هذه الأنظمة ضمن تسامحات صارمة، عادةً على نطاق حجم بقعة الليزر، مما يطرح تحديات غير موجودة في عمليات اللحام التقليدية.
لمعالجة هذه التحديات، تؤكد الورقة على دمج أنظمة رؤية متقدمة وطرق تحديد موضع اللحام، مع التركيز بشكل خاص على نهج التعلم العميق لتتبع اللحام في الوقت الحقيقي وتقدير عرض الفجوة. تواجه تقنيات معالجة الصور التقليدية بالألوان الرمادية قيودًا في البيئات الديناميكية بسبب الظروف المتغيرة، بينما توفر نماذج التعلم العميق، مثل YOLOv8 لاكتشاف اللحام وMobileNetv1 لتقدير الفجوة، متانة وقدرة على التكيف محسنة. تقدم الأبحاث تحققًا تجريبيًا في بيئة صناعية، مما يوضح أن هذه الطرق المبتكرة تعزز دقة تتبع اللحام وتدير الظروف المتغيرة بفعالية، مما يعزز قدرات اللحام بالليزر الروبوتي للأشكال الهندسية المعقدة وإنتاج الدفعات الصغيرة في بيئات التصنيع الذكية.
الطرق
تحدد قسم “تطوير النظام التجريبي” المنهجيات المستخدمة لبناء وتحسين الإعداد التجريبي للدراسة. يوضح اختيار المواد والمكونات، مع التأكد من أنها تلبي المواصفات اللازمة للتجارب المقصودة. تتضمن عملية التصميم اختبارًا وتكرارًا لتحسين أداء النظام وموثوقيته.
بالإضافة إلى ذلك، يركز القسم على دمج التقنيات المتقدمة التي تسهل جمع البيانات وتحليلها. يشمل ذلك تنفيذ أنظمة آلية لقياسات دقيقة واستخدام أدوات برمجية لمعالجة البيانات. الهدف العام هو إنشاء إطار تجريبي قوي يمكن أن ينتج نتائج قابلة للتكرار ودقيقة، مما يدعم الأهداف البحثية بفعالية.
المناقشة
تناقش الورقة البحثية نهجًا مبتكرًا مدعومًا بالذكاء الاصطناعي للحام بالليزر الروبوتي الذي يعزز تتبع اللحام وتقدير الفجوات من خلال معالجة الرؤية في الوقت الحقيقي. تفتقر الطرق التقليدية، التي تعتمد على مسارات محددة مسبقًا، إلى القدرة على التكيف في البيئات الديناميكية حيث يمكن أن تتغير ظروف الوصلات. يستخدم النظام المقترح تقنيات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs) وخوارزميات اكتشاف الكائنات، لاستخراج وتعديل مسارات اللحام ديناميكيًا. يسمح هذا النهج بتصحيحات مسار ماكروسكوبية وتعديلات محلية، مما يحسن دقة عملية اللحام. يتيح دمج نموذج تقدير عرض الفجوة مزيدًا من التعديلات في الوقت الحقيقي على معلمات اللحام، مما يعزز قدرة النظام على سد الفجوات بفعالية.
تؤكد الدراسة على أهمية تقنيات معالجة الصور القوية للتعامل مع الظروف المتغيرة مثل الإضاءة وانعكاسية المواد. تم إجراء تجارب محكومة لتحديد متطلبات الدقة لتتبع اللحام، مما يكشف أن انحرافًا أقصى قدره 300 ميكرومتر عن الحقيقة الأرضية ضروري للحفاظ على جودة اللحام. تم استخدام نموذج YOLOv8 لتقسيم اللحام بدقة، وتم تدريبه على مجموعة بيانات متنوعة لضمان التعميم عبر سيناريوهات لحام مختلفة. أظهرت المنهجية مقاييس أداء قوية، مع معدلات دقة واسترجاع عالية، مما يشير إلى قدرات تعلم وتعميم فعالة. بشكل عام، يقلل النظام المقترح بشكل كبير من الاعتماد على المسارات المبرمجة مسبقًا، مما يمكّن من التصحيحات في الوقت الحقيقي ويعزز موثوقية اللحام بالليزر الروبوتي في التطبيقات الصناعية.
DOI: https://doi.org/10.1016/j.jajp.2026.100377
Publication Date: 2026-01-30
Author(s): Matteo Moscatelli et al.
Primary Topic: Industrial Vision Systems and Defect Detection
Overview
The research paper discusses the development of an advanced seam-tracking system for robotic laser welding, addressing the limitations of conventional methods that struggle with errors due to fixturing, part variations, and material reflectivity. The proposed system utilizes a deep learning-based vision approach, employing the YOLO (You Only Look Once) architecture for seam detection and a MobileNet-based Convolutional Neural Network (CNN) for gap width estimation. This innovative design allows for real-time tracking and accurate identification of seam positions, even under challenging lighting and surface conditions, thereby enhancing the precision and efficiency of high-speed welding operations.
The findings indicate that the system significantly improves the flexibility of robotic laser welding, particularly for butt joints in stainless steel and aluminum alloys. By enabling real-time adjustments to the welding trajectory based on detected seam position and gap width, the system effectively compensates for manufacturing inaccuracies and broadens the operational range across various materials and surface textures. Future research aims to enhance the system’s capabilities by incorporating 3D geometry analysis for nonplanar configurations and developing a fully autonomous welding solution that can adaptively generate welding trajectories in response to process variability. This progression towards a fully autonomous system promises to minimize human intervention while ensuring consistent high-quality welding results across diverse applications.
Introduction
The introduction of the paper discusses the growing significance of robotic laser welding in modern manufacturing, highlighting its advantages such as high precision, efficiency, and minimal thermal distortion. The increasing affordability of sensors and laser sources has broadened its application across various industries, including automotive, aerospace, and emerging sectors like e-mobility. Despite these advancements, robotic welding often remains limited to simpler joint paths, necessitating effective seam tracking systems to accommodate part-to-part variations. These systems must operate within stringent tolerances, typically on the scale of the laser spot size, which poses challenges not present in conventional welding processes.
To address these challenges, the paper emphasizes the integration of advanced vision systems and weld positioning methods, particularly focusing on deep learning approaches for real-time seam tracking and gap width estimation. Traditional gray-scale image processing techniques face limitations in dynamic environments due to varying conditions, while deep learning models, such as YOLOv8 for seam detection and MobileNetv1 for gap estimation, offer improved robustness and adaptability. The research presents experimental validation in an industrial setting, demonstrating that these innovative methods enhance seam tracking accuracy and manage variable conditions effectively, thereby advancing the capabilities of robotic laser welding for complex geometries and small-batch production in smart manufacturing environments.
Methods
The section on “Experimental System Development” outlines the methodologies employed to construct and optimize the experimental setup for the study. It details the selection of materials and components, ensuring they meet the necessary specifications for the intended experiments. The design process incorporates iterative testing and refinement to enhance the system’s performance and reliability.
Additionally, the section emphasizes the integration of advanced technologies and techniques that facilitate data collection and analysis. This includes the implementation of automated systems for precise measurements and the use of software tools for data processing. The overall aim is to create a robust experimental framework that can yield reproducible and accurate results, thereby supporting the research objectives effectively.
Discussion
The research paper discusses a novel AI-assisted approach for robotic laser welding that enhances seam tracking and gap estimation through real-time vision processing. Traditional methods, which rely on predefined paths, lack adaptability in dynamic environments where joint conditions can vary. The proposed system utilizes deep learning techniques, particularly Convolutional Neural Networks (CNNs) and object detection algorithms, to dynamically extract and refine welding trajectories. This approach allows for macroscopic trajectory corrections and localized adjustments, improving the precision of the welding process. The integration of a gap width estimation model further enables real-time adjustments to the welding parameters, enhancing the system’s ability to bridge gaps effectively.
The study emphasizes the importance of robust image processing techniques to handle varying conditions such as lighting and material reflectivity. Controlled experiments were conducted to define accuracy requirements for seam tracking, revealing that a maximum deviation of 300 μm from the ground truth is necessary to maintain weld quality. The YOLOv8 model was employed for precise seam segmentation, trained on a diverse dataset to ensure generalization across different welding scenarios. The methodology demonstrated strong performance metrics, with high precision and recall rates, indicating effective learning and generalization capabilities. Overall, the proposed system significantly reduces reliance on pre-programmed paths, enabling real-time corrections and enhancing the reliability of robotic laser welding in industrial applications.