随着我国制造业的发展深入,焊接技术成为大国制造的重要一个环节。在机器人焊接时,需要定位焊接试件位置,人工示教定位存在低效率、重复性劳动过多的缺点。光电传感测量技术的不断更新、加上机器视觉传感的算法不断推出,让机械设备在作业过程中减少对人工示教的依赖性,自动化识别焊接试件位置,明显提高焊接机器人的作业效率。但是焊接机器人在作业过程中尚不能完成CAD图纸到工件之间的有效匹配,还需要人工干预,智能自动化程度有待提高。为此,开展焊接机器人自动将CAD图纸与实际工件进行匹配的研究具有明显的现实意义。论文的具体开展的工作有如下内容:（1）对比了Two-Stage和One-Stage框架下不同目标检测网络的性能,在充分考虑实际焊接场景下,采用Two-Stage框架下的Faster RCNN目标检测算法,并采集不同工况下的焊接试件,并对其进行数据增强与标注。采用迁移学习的思路,将经典的六种卷积神经网络:VGG-16、VGG-19、Res Net-50、Goog Le Net、Alex Net和Lenet-5在公开数据集上进行预训练,保留其权重并作为RPN进行训练。结果表明利用VGG-16作为RPN使得网络综合性能更好,其中当学习率为0.0001和Epochs为45时,网络在训练集上的精度达到了95.75%,保证参数量足够的同时能够保证实时运行的效果,并且绘制的P-R曲线能够覆盖整个坐标轴区。（2）研究了CAD图纸中的DXF数据格式的结构类型和提取方式,通过C++编程方法完成了焊接试件DXF标准文件信息的提取,同时为了图形可视化,将其映射到三维空间下,丰富了整体提取的可观察性能,为后文与识别到的焊接试件区域提供了对比依据。（3）将Faster R-CNN目标检测框结果作为ROI,减小了计算机开销调度的工作量。使用各向异性滤波算法,证明了算法的去噪保边的稳定效果。在此基础上使用基于渐变边缘模型的Zernike矩亚像素焊件边缘检测算法,利用机器和视觉传感器标定关系,将检测到的结果与DXF标准数据进行对比,在排除实际焊接试件存在加工误差的情况下,利用标定关系将获取的图像坐标信息转换到世界坐标系中求解线段长度。在软件系统中对比DXF格式文件,对其进行识别与匹配。综上所述,课题解决了在现在焊接工业中非线性嘈杂环境中识别焊接试件的问题,利用追求精确效能的Faster R-CNN目标检测网络提取ROI,利用基于Zernike矩的亚像素算法进一步处理验证,利用CAD图纸的DXF文件格式对提取到的焊接试件进行比对和匹配,从而提升焊接机器人的自动化焊接水平,在生产中有一定的实用价值。