一种基于深度神经网络的激光焊缝关键点自动检测方法

本发明公开一种基于深度神经网络的激光焊缝关键点自动检测方法，通过双目工业相机实时采集焊缝图像，利用端到端多任务深度神经网络回归焊缝关键点的三维坐标，网络包含残差骨干、多尺度特征融合、置信度分支及坐标回归分支，并引入注意力机制以抑制弧光与飞溅干扰。本方法的MLLA‑YOLO新型多层线性注意力网络结构，融合多尺度信息引导机制与动态感受野控制能力，具备出色的跨尺度关键点感知能力，即便面对不同几何形状的V型焊缝结构，也能保持高精度和强鲁棒性的关键点检测性能，输出最终关键点轨迹。本发明无需人工参与或外部标靶，可在复杂工业环境下实现焊缝关键点的全自动、实时、高精度检测，单帧推理时间≤10ms，平均绝对误差≤0.05mm，MLLA‑YOLO在多种焊缝样式下同样可实现≤0.05mm的平均定位误差，具有良好的通用性与工程适应性，能显著提升激光焊接质量控制精度。