目前波纹板的焊接还是使用人工手动焊接,工作效率相对较低,质量也不稳定。本文研究基于视觉的波纹板焊缝检测算法,结合波纹板自动跟踪焊接系统的实际需求开展理论与工程研究,具有很强的科学价值和现实意义。对于波纹板自动焊接,需要焊接的部件呈现为凸起的两片临近的金属薄片。由于焊缝的形状突出,激光投射在波纹板上无法形成连续的线条,难以获得有效的测量信息。因此,本文设计了一种基于被动视觉方法的焊缝检测跟踪系统,使用微型摄像头检测焊缝高低差信息,为焊枪的偏斜角度控制提供依据;同时,采用接触式传感器跟踪横向二维信息,使之能够有效对波纹板焊缝进行跟踪。波纹板焊缝检测当中最关键的步骤是相邻波纹板的边缘提取。在传统边缘提取方法中,研究者通常使用人工设计的特征来提取边缘。然而,若使用局部信息提取边缘时,其精度较差;若使用多种信息的边缘提取算法,则时间复杂度过高。本文引入深度学习进行焊缝检测,以克服传统方法的缺陷。深度学习在进行网络传播的过程中,会在神经网络中加入激活层,使得神经网络加入非线性因素,从而具有更强的适应性。本文使用指数线性单元激活函数优化深度学习网络,使得改善后的网络较之前网络能够更好、更快地收敛。在此基础上,本文使用基于深度学习的全嵌套边缘提取算法,依靠数据集自动学习边缘特征。与传统算法相比,深度学习算法不仅能学习局部特征,还能够针对整幅图片进行抽象整合,从而有效提高波纹板焊缝边缘的提取精度。全嵌套深度学习网络使用融合后的图像进行输出,具有边缘不连续的缺陷,本文结合波纹板焊缝的实际场景进行改进,使用边缘特征更明显的中间层输出图像,取得了良好的效果。在理论研究的基础上,本文结合所构建的波纹板焊接系统开展了实验测试,将改进的全嵌套边缘检测算法与传统算法进行效果对比。实验结果表明,本文提出的算法能够准确提取波纹板焊缝的边缘,明显优于传统算法,从而验证了本文算法的有效性。