由于手工焊接生产效率低、工作环境恶劣,焊接机器人在各个领域得到越来越广泛的应用。但是传统示教再现型机器人需要耗费大量时间进行重复示教,且其焊接质量往往会受到装夹误差、焊接时的热变形等因素的影响。为此,本课题在国家科技重大专项“五千台具有完全自主知识产权的面向机床自动化生产的机器人开发及产业工程”(编号:2015ZX04005006)和广东省科技重大专项“面向数控机床与机器人集成一体化技术的研究”(项目编号:2014B090920001)的资助下,深入研究了基于激光视觉的焊缝跟踪技术,并基于判别式目标跟踪和深度强化学习实现了在强噪声背景下对焊缝的准确检测。为了获得焊缝图像中像素坐标到机器人三维坐标的转化关系,本文设计了一套基于三线激光的结构光视觉传感器并对其进行了标定工作。首先完成了相机和激光平面的标定,获得了所需参数,然后完成了相机与机器人之间的手眼标定。根据标定结果可以得到焊缝图像的二维像素坐标到机器人的三维坐标之间的转换关系。针对强噪声背景下难以进行焊缝检测的问题,提出了基于判别式目标跟踪的焊缝检测算法。首先在焊接开始前通过形态学处理、骨架提取等传统图像处理方法检测初始焊缝特征点。然后在焊接开始后,通过判别式目标跟踪算法对焊缝特征点进行检测。但是长期检测以及持续的强噪声干扰会导致上述的焊缝检测算法的检测结果出现偏差。为了修正上述检测算法的检测误差,本文基于卷积神经网络和深度强化学习提出了一个焊缝精调网络和两个焊缝配准网络。焊缝精调网络将修正动作离散化,使用REINFORCE算法进行网络训练。焊缝配准网络将对检测结果的修正过程描述为一个图像配准过程,分别使用深度确定性策略梯度算法和接近性策略优化算法训练网络学习相应的配准关系。为了验证本文提出的焊缝检测算法的可行性,本文进行了一系列仿真,结果表明焊缝精调网络和焊缝配准网络均具有较高的鲁棒性和精确性。同时,本文搭建了一套基于六自由度焊接机器人的激光视觉焊缝跟踪平台,该平台主要包括焊接机器人及配套设备、激光视觉传感器、工业控制计算机等。在该平台上针对多种焊缝类型及轨迹进行了焊缝跟踪实验,实验结果表明:在弧光和飞溅干扰的强噪声环境下,系统能精确地进行焊缝特征点的提取,焊缝跟踪平均误差较小且焊接轨迹平滑,能满足实际焊接生产的需求。