熔池是焊接工艺综合作用的结果,包含了丰富的焊接质量信息。但由于焊接环境复杂而导致熔池参杂许多噪声信息,影响图像特征的表达;此外,熔池图像特征学习模型存在准确率低,实时性差的问题。因此,为有效解决上述问题,提出形态学去雾算法以改善图像质量;为获得性能更优的模型,提出Alexnet-LSTM焊接质量预测优化模型。以弧焊机器人工作站为基础,搭建视觉监测平台,包括硬件设备和图像采集软件的安装与调试。通过大量探索试验,确定合理的试验方案,完成了不同质量等级的熔池图像采集任务。为滤除熔池图像中的烟雾和飞溅干扰,提出形态学去雾算法预处理图像。该算法采用暗通道先验理论和导向滤波器滤除图像中的烟尘干扰,采用15×15形态学算子消除飞溅。计算去雾图像的灰度特征和纹理特征,灰度特征结果表明该算法滤除了图像中的烟雾,提高了图像信息丰富度,纹理特征结果表明该算法处理的图像纹理变化更有规律。为确定熔池到焊缝映射关系,划分合理的焊接质量等级,提出熔池-焊缝评价模型。该评价模型具体设计包括选定评价指标、确定影响因素集、获得整体评价结果。最终获得了从优到劣六种不同等级焊接质量标准,制定不同的焊接质量优化策略方案。为了保证熔池图像数据集的合理性,取部分图像进行扩充操作,形成容量为12000的数据集。提出Alexnet-LSTM焊接质量预测优化模型。首先采用Alexnet卷积神经网络模型训练数据集,确定最优学习率为0.0001,最佳卷积核尺寸为9×9;然后采用长短期记忆网络单独训练,确定最优学习率为0.0001,最佳隐藏层数为200。上述两种模型单独训练的准确率不能同时达到高准确率低损失值的目的,于是采用Alexnet-LSTM模型进行训练。该模型将LSTM模型加入到Alexnet网络中第五层卷积层后,实现对卷积特征的筛选。实验结果表明,所提优化模型稳定收敛的平均准确率达91.46%,且平均损失值为0.32,较Alexnet准确率提高17.46%,较长短期记忆网络损失值减少0.87。综上,形态学去雾算法的提出,有效解决了熔池图像烟雾和飞溅干扰的问题。熔池-焊缝评价模型的设计为制定焊接工艺规范优化策略奠定了基础。焊接质量预测优化模型的研究,为解决焊接实时监测问题提供了新思路,保证了焊缝成形的稳定性和优良率。