白车身在保护车内乘客安全方面有着不可忽视的作用,尤其是在发生交通事故时,白车身的制造质量对整车的安全举足轻重。白车身上采用最多的连接方式是点焊连接,焊点的质量直接影响着整个白车身的安全性,所以对白车身焊点质量的检测有着非常重要的意义。然而目前对于白车身焊点质量的检测是由人工执行,但是这种人工检测的手段存在着效率低下、人工成本高、不能及时反馈生产线等缺点,所以开发一种能够及时反馈焊点质量情况的装备变得非常迫切。为了满足焊点质量自动化检测对焊点位置的高要求,本文对焊点的精确定位方法进行研究。本文的主要研究内容如下:1、焊点感兴趣区域（ROI）选取。由于基于卷积神经网络的算法有着准确的目标识别能力和很大程度的抗干扰的能力,本文将基于卷积神经网络的目标检测算法应用到焊点的ROI提取任务上,考虑到焊点的大小分布以及焊点质量检测场景对实时性的要求,最终选择采用Tiny-YOLOv3算法对焊点的感兴趣区域进行自动选取。实验表明,经过训练的Tiny-YOLOv3算法有着较强的焊点识别定位能力,通过预测框的扩展,成功选取出准确的、保留焊点所有轮廓信息、几乎不含噪声的焊点感兴趣区域,非常有利于焊点的精细定位。2、焊点轮廓提取。根据焊点的类圆属性,本文采用基于传统图像处理的圆检测算法作为焊点轮廓提取的基本算法。为了尽可能在保留足够多焊点轮廓信息的基础上,减少含有的噪声,通过对比不同的图像去噪、图像增强、图像边缘检测算法,从而选择效果最佳的算法,改善焊点图像质量。为了实现更高效的边缘点采样和检测,本文提出了基于直角三角形采样策略的圆检测算法（RTCD）,实现了更有效的边缘点采样。为了进一步提高算法的精度和鲁棒性,本文提出基于像素距离约束和像素角度约束的优化策略来增强算法的鲁棒性,实验表明提出的RTCD算法在焊点轮廓提取任务上表现出很好的实时性能,轮廓提取速度比CHT和RHT提高近10倍。3、焊点的精确定位方法研究。由于焊点质量超声波检测对于焊点的位置有很精确的要求,并且Tiny-YOLOv3算法和RTCD算法都不能满足实际的定位需要,所以本文探索将二者结合的方法来实现焊点的精确定位。采用Tiny-YOLOv3算法对焊点感兴趣区域进行选取,之后在ROI框的基础上采用RTCD算法进行焊点的精细定位。实验表明,这种结合的方法比单独采用Tiny-YOLOv3算法或者RTCD算法能实现更精确的焊点定位,并且该方法鲁棒性很强,不易受到复杂环境因素的影响,比如明暗不均的光线,铁锈和油污等。并且本文采用超声波的方法进一步验证了Tiny-YOLOv3+RTCD组合方法的有效性。超声波实验表明,该组合方法比单独使用Tiny-YOLOv3算法有更好的超声波波形,对焊点的定位更精确。