在实际的汽车生产线中,进行焊接作业的汽车门板类型会随着工厂生产的需要而发生改变,这会导致汽车门板的焊接部件和焊点信息发生变化,如果采用传统的焊接机器人,就需要每次根据汽车门板类型重新进行示教,这样必然会极大的降低了汽车生产的效率,因此为了辅助焊接机器人的焊接作业,从而提高汽车门板焊接生产的效率,本文分别研究了基于传统图像处理算法和基于卷积神经网络的焊件和焊点识别算。本文的主要研究内容如下。首先,介绍了本文的研究背景,针对传统汽车门板焊接生产过程中存在的问题,阐述了本文研究的意义。随后对汽车门板焊接部件和焊点识别问题进行了分析,包括汽车门板焊接技术和汽车门板焊接生产线的工艺流程,明确了焊接部件和焊点识别的目标和任务,并给出相应的技术路线。其次,研究利用传统的图像处理算法来识别汽车门板中焊接部件和焊点。根据汽车门板的焊接特点,本文提出了将Canny边缘检测与SSAD(序贯相似性检测)算法相结合的焊接部件识别方法,在焊点识别过程中,利用已经识别的焊接部件对汽车门板图像进行分割,并通过霍夫变换算法识别出分割后图像中焊点的位置和数量,从而极大的提高了焊点识别的准确度和效率。然后,研究基于卷积神经网络的算法来识别汽车门板中的焊接部件和焊点。根据对焊接部件和焊点识别目标的分析以及YOLO v1算法存在的缺点,本文使用了改进版的YOLO v3算法来进行焊接部件和焊点识别,改进版的YOLO v3算法由于引进了ResNet网络中的Residual结构能够大幅提高对焊点等小目标的识别准确度,通过实验结果证明了改进版YOLO v3算法的有效性。最后,对传统算法和YOLO算法的实验结果进行了对比分析,比较了这两种算法各自的优缺点,并给出了它们在不同场景下的使用条件。