随着现代制造业的快速发展,焊接作为制造业中重要的加工工艺发挥着越来越重要的作用。K-TIG焊接是一种高效的深熔焊接方法,可不开坡口一道焊透中厚板,具有很高的焊接效率,因此,实现K-TIG焊接过程的自动化具有非常重要的意义。本文针对K-TIG焊接过程中强弧光以及对接焊间隙很小的特点,对K-TIG焊缝跟踪过程进行了研究,可为K-TIG焊接应用的自动化打下坚实基础,具有重要的研究意义。本文搭建了K-TIG焊缝跟踪平台,其中的视觉系统采用具有高动态视觉范围的HDR相机,以同时获得高亮度的电弧区域和低亮度的焊缝区域。采用传统标定法对该HDR相机进行了标定,并通过标定实验运用最小二乘法拟合出了固定K-TIG焊接高度下HDR相机中的实际距离与像素距离之间的转换关系,为K-TIG焊接偏差的获取打下了基础。为了能够从K-TIG焊接图像中提取出锁孔入口,本文通过Mask-RCNN模型精确地识别出K-TIG锁孔入口,并以此为基础采用HSV颜色空间转换、双边滤波、图像二值化、去除小孔洞以及锁孔入口中心提取等图像处理算法提取出K-TIG焊接锁孔入口中心,再通过焊缝ROI选取、高斯滤波、图像二值化、拉普拉斯边缘检测以及Hough直线检测等图像处理算法提取出待焊间隙中心线,并最终求出K-TIG焊接锁孔入口中心到K-TIG焊接待焊间隙中心线的距离即为检测到的焊接偏差。最后,通过焊接实验验证了该算法检测焊接偏差的精度达到了±0.226mm。为了使本文提出的基于Mask-RCNN的焊接偏差检测算法能达到焊缝跟踪的实时性要求,本文通过Open VINO将该偏差检测算法部署到二代神经网络计算棒上进行推理加速,加速后该算法的推理平均速度达到了15.65fps,可以满足K-TIG焊缝跟踪的实时性要求。为了验证本文提出的基于Mask-RCNN的焊缝跟踪系统的跟踪精度,本文设计了两种不同工况下的焊缝跟踪实验,在平面直线焊缝跟踪实验过程中该系统的跟踪精度为±0.218)8)8)8),在平面曲线焊缝跟踪实验过程中该系统的跟踪精度则为±1.398)8)8)8),可以满足K-TIG焊接焊缝跟踪精度要求。