焊缝表面缺陷AI视觉识别技术
一、技术定义与核心原理
焊缝表面缺陷AI视觉识别技术是基于机器视觉与深度学习算法，利用熔池相机（In-Process Camera）或焊后图像采集设备，对焊接过程中及焊后形成的焊缝表面进行实时或离线检测，自动识别气孔（Porosity）、咬边（Undercut）、驼峰（Excessive Reinforcement）、未填满（Underfill）、飞溅超标（Excessive Spatter）等典型表面缺陷，并在焊缝上精确标记缺陷位置、类型及严重程度的智能质控技术。
该技术属于在线质量监控（In-Process Quality Monitoring）范畴，其核心原理可分解为以下层次：
- 图像采集层：熔池相机（通常配备窄带滤光片与红外/可见光双通道）在焊接过程中以高帧率（≥50fps）采集熔池及近缝区图像；焊后阶段则通过工业相机+线激光位移传感器获取焊缝表面三维轮廓与二维灰度信息。
- 图像处理层：对原始图像进行去噪、对比度增强、归一化、图像配准（Image Registration）等预处理，消除电弧光干扰、烟尘遮挡、视角畸变等噪声因素。
- 特征提取与识别层：基于卷积神经网络（CNN）或Transformer架构的训练模型，对预处理后的图像进行缺陷分类与定位。常用网络架构包括YOLOv7/v8（目标检测）、U-Net（语义分割）、ResNet（分类）等。
- 判定与反馈层：根据预设的缺陷等级判据（符合相应标准），对识别结果进行自动判定，输出缺陷类型、坐标位置、尺寸参数及合格/不合格结论，并触发联动动作（如报警、参数调整、返修标记）。
二、所属大类与业务定位
该技术归属于熔池相机与质控软件大类，定位为智能判定方向，技术目的明确指向缺陷前移拦截——即将质量判定节点从传统的焊后离线检测前移至焊接过程中或焊后即时，实现缺陷的早期发现与拦截，避免不合格品流入后续工序或交付环节。
在科雷丁技术（山西）有限公司的整体技术架构中，该技术处于"感知—判定—执行"闭环的中间判定环节，上承熔池相机硬件采集系统，下接返修定位系统与焊接参数自动调整系统，是构建智能化焊接产线的核心软件能力之一。
三、技术目的与核心价值
3.1 缺陷前移拦截
传统焊接质量控制依赖焊后目视检测（VT）或无损检测（NDT），缺陷发现时往往已产生大量返修成本甚至报废损失。AI视觉识别将检测节点前移至焊接过程中或焊后即时，实现：
- 焊接过程中的实时预警与参数干预，减少缺陷产生概率
- 焊后即时判定，避免不合格焊缝进入下一道工序
- 缺陷数据积累与分析，为工艺优化提供数据支撑
3.2 质量一致性保障
AI视觉识别消除了人工目视检测中因检测人员经验差异、疲劳、主观判断导致的漏检与误判问题，确保每一道焊缝均按照统一标准进行判定，实现质量一致性。
3.3 数据驱动的质量追溯
每次检测均生成结构化的缺陷数据（类型、位置、尺寸、时间戳），与焊接参数、材料批次、操作人员等关联，形成完整的焊接质量数据链，支持质量追溯与持续改进。
3.4 效率与成本优势
AI视觉识别的检测速度远超人工作业的目视检测（可达实时或近实时），显著缩短质检周期，降低人工成本，同时减少因漏检导致的后期返修与质量事故损失。
四、关键工艺与实施要点
4.1 缺陷类型识别参数
| 缺陷类型 | 英文标识 | 典型特征 | 关键检测参数 | 严重等级判定依据 |
|---|---|---|---|---|
| 气孔 | Porosity | 圆形或椭圆形凹坑，表面可见气泡痕迹 | 孔径（mm）、数量密度（个/cm²）、分布形态 | GB/T 3323、ASME Section IX |
| 咬边 | Undercut | 焊缝边缘母材凹陷，连续或间断 | 深度（mm）、长度（mm）、连续率 | GB/T 19418、AWS D1.1 |
| 驼峰 | Excessive Reinforcement | 焊缝余高超过允许值，呈凸出形态 | 余高（mm）、宽度变化率 | GB/T 19418、NB/T 47014 |
| 未填满 | Underfill | 焊缝填充不足，低于母材表面 | 凹陷深度（mm）、长度（mm） | GB/T 19418、ASME Section IX |
| 飞溅超标 | Excessive Spatter | 焊道表面及近缝区大量飞溅颗粒 | 飞溅密度（个/cm²）、颗粒尺寸分布 | 企业标准/客户技术要求 |
4.2 图像采集系统配置要求
| 配置项 | 熔池相机（在线） | 焊后检测相机（离线/近线） |
|---|---|---|
| 相机类型 | 工业面阵/线阵相机，耐高温 | 高分辨率工业面阵相机 |
| 帧率/分辨率 | ≥50fps，1024×768以上 | ≥5MP，支持线激光三维扫描 |
| 光源配置 | 窄带滤光片（抑制电弧光） | 白光/蓝光灯源+线激光位移传感器 |
| 安装位置 | 焊枪侧方/上方，距离焊缝30-80mm | 焊后工位固定/移动扫描 |
| 采集时机 | 焊接过程中实时 | 焊接完成后即时 |
| 主要检测能力 | 熔池形态、飞溅、咬边趋势 | 气孔、驼峰、未填满、余高、完整形貌 |
4.3 AI模型训练与部署要点
| 环节 | 关键要求 | 技术说明 |
|---|---|---|
| 数据集构建 | ≥5000张标注样本/缺陷类型 | 涵盖不同焊接位置、材料、参数组合；含正样本（合格）与负样本（各类缺陷） |
| 标注规范 | 统一缺陷等级与边界标注标准 | 采用COCO/VOC格式；边界框+类别+严重等级标签 |
| 模型架构 | YOLOv7/v8或U-Net | 检测类任务用YOLO系列；分割类任务用U-Net；分类任务用ResNet/EfficientNet |
| 训练策略 | 迁移学习+数据增强 | 预训练权重微调；增强手段包括旋转、亮度调整、噪声添加、CutMix/Mosaic |
| 推理部署 | 边缘端/本地服务器 | TensorRT/ONNX Runtime加速；推理延迟≤200ms（单帧） |
| 模型迭代 | 持续学习机制 | 新缺陷样本定期补充训练；误判/漏判案例反馈优化 |
4.4 与返修定位的联动机制
AI视觉识别系统输出缺陷坐标后，与返修定位系统联动，实现自动化的返修引导：
- 缺陷坐标映射：将相机坐标系下的缺陷位置转换为工件坐标系，考虑焊缝走向、机器人路径等空间关系。
- 返修区域标记：在工件上通过视觉投影或机械标记方式，精确标出需要返修的区域范围。
- 返修参数推荐：根据缺陷类型与严重程度，自动推荐返修焊接参数（电流、电压、速度、层数等）。
- 返修后复检：返修完成后自动触发复检流程，确认缺陷消除且未引入新缺陷。
五、执行标准与验收依据
5.1 缺陷判定标准
| 标准号 | 标准名称 | 适用内容 |
|---|---|---|
| GB/T 19418 | 焊缝外观检验 | 焊缝表面缺陷（咬边、余高、未填满等）的允许偏差与等级判定 |
| GB/T 3323 | 焊缝无损检测 射线检测 | 气孔等内部缺陷的等级划分（与表面缺陷关联判定） |
| GB/T 11345 | 焊缝无损检测 超声检测 | 表面缺陷与内部缺陷的关联评估 |
| NB/T 47014 | 承压设备焊接工艺评定 | 核电/压力容器领域焊接缺陷验收等级 |
| ASME Section IX | Welding, Brazing, Fusing and Joining Qualifications | ASME规范下焊接缺陷的允许范围 |
| AWS D1.1 | Structural Welding Code - Steel | 钢结构焊接缺陷外观验收标准 |
| API 1104 | Welding of Pipelines and Related Structures | 管道焊接缺陷外观与无损检测验收 |
| ISO 5817 | Quality levels for imperfections in welds | 焊缝缺陷质量等级（A/B/C三级）国际通用标准 |
| NACE SP0169 | Guidelines for Welding in Refinery Environments | 石化环境焊接缺陷控制要求 |
5.2 系统验收指标
| 验收指标 | 技术要求 | 验证方法 |
|---|---|---|
| 缺陷识别准确率（Precision） | ≥95%（各缺陷类型） | 标注测试集验证 |
| 缺陷检出率（Recall） | ≥90%（各缺陷类型） | 标注测试集验证 |
| 定位精度 | ≤±1mm（焊缝长度方向） | 人工比对验证 |
| 推理延迟 | ≤200ms/帧 | 系统性能测试 |
| 误报率 | ≤5% | 连续运行统计 |
| 系统可用性 | ≥99.5% | 7×24运行记录 |
六、常见风险与控制措施
| 风险类型 | 风险描述 | 控制措施 |
|---|---|---|
| 漏检风险 | 模型对特定缺陷类型识别不足，导致不合格焊缝放行 | 建立缺陷样本库持续扩充；定期用标准试板验证模型性能；设置漏检阈值报警 |
| 误报风险 | 将正常焊缝特征误判为缺陷，导致不必要的返修 | 优化数据增强策略；引入置信度阈值分级；误报案例反馈训练 |
| 图像质量风险 | 烟尘遮挡、电弧光干扰、视角偏移导致图像质量下降 | 优化相机防护罩设计；采用自适应曝光与滤光策略；图像质量预检模块 |
| 工艺适应性风险 | 不同焊接工艺（TIG/MIG）、材料、位置下模型泛化能力不足 | 分工艺/分材料建立子模型；迁移学习策略；现场数据增量训练 |
| 标准一致性风险 | AI判定标准与人工/标准判定存在偏差 | 建立标准对照验证流程；定期与持证检验员交叉比对；标准更新同步模型更新 |
| 数据安全与知识产权 | 缺陷数据与模型训练数据涉及企业核心工艺信息 | 数据本地化部署；模型加密保护；权限分级管理 |
七、在公司三条技术路线中的应用场景
7.1 TIG/MIG堆焊路线
在双金属复合材料与堆焊制造的核心工艺路线中，AI视觉识别技术发挥以下关键作用：
- 过渡层与堆焊层质量监控：对309L过渡层、316L/625/630堆焊层等关键焊道进行逐道检测，确保余高、咬边、气孔等缺陷在允许范围内，避免因表面缺陷导致后续热处理或机加工问题。
- 多层多道焊的逐道质控：在厚层堆焊（如耐磨堆焊层厚度≥3mm）中，对每一道焊道进行在线检测，防止底层缺陷累积影响最终堆焊层质量。
- 异种钢焊接界面缺陷识别：在碳钢/不锈钢、碳钢/镍基合金等异种钢堆焊中，特别关注界面区的裂纹倾向与气孔缺陷，AI视觉可辅助识别早期裂纹萌生迹象。
- 堆焊层表面平整度控制：对堆焊后表面余高与波纹度进行三维扫描检测，确保满足后续机加工余量要求，减少机加工损耗。
7.2 水压复合路线
在水压复合（Hydroforming/Bonding）工艺中，AI视觉识别技术的应用场景包括：
- 预焊焊缝质量检测：水压复合前的预焊（通常为TIG或MIG定位焊）焊缝质量直接影响复合接合面的完整性。AI视觉识别可快速检测预焊焊缝的气孔、未填满等缺陷，确保复合前焊缝质量合格。
- 复合后界面焊缝外观检查：复合完成后，对复合界面区域的焊缝外观进行快速筛查，识别因复合应力导致的表面裂纹或变形。
- 复合管/复合板焊缝一致性监控：对长焊缝（如复合管环焊缝、复合板对接焊缝）进行全程扫描检测，确保焊缝质量沿长度方向的一致性。
7.3 爆炸焊复合路线
在爆炸焊（Explosive Cladding）工艺中，AI视觉识别技术的应用重点为：
- 爆炸焊后焊缝区域外观检测：爆炸焊复合板/管在复合区域可能存在飞溅、表面氧化、微裂纹等缺陷。AI视觉识别可在爆炸焊后进行快速外观筛查，识别需要修复的区域。
- 密封焊/封焊焊缝检测：爆炸焊复合管通常需要封焊（如TIG封焊）以实现密封。封焊焊缝的质量直接影响产品的密封性能，AI视觉识别可对封焊焊缝进行逐段检测。
- 复合层表面缺陷评估：爆炸焊复合层表面可能因冲击波产生微变形或表面粗糙度异常，AI视觉结合三维扫描可评估表面质量是否满足后续加工要求。
八、对公司资质建设、产品交付与客户价值的作用
8.1 资质建设支撑
- 焊接工艺评定（WPS/PQR）支持：AI视觉识别产生的结构化缺陷数据可作为焊接工艺评定中的质量验证证据，支撑NB/T 47014、ASME Section IX等标准的工艺评定要求。
- 质量体系认证（ISO 9001/ISO 3834）：智能化的在线质控能力是ISO 3834（焊接特殊条件）等质量管理体系认证的重要技术支撑，体现企业的质量管控水平。
- 核电/石化等高端市场准入：核电（RCC-E/RCC-M）、石化（NACE/API）等高端市场对焊接质量管控有严格要求，AI视觉识别技术可帮助企业满足这些市场的技术准入条件。
- 智能工厂/数字化车间认证：作为智能制造能力的重要组成部分，AI视觉识别技术可支撑企业申报智能制造示范工厂、数字化车间等资质。
8.2 产品交付保障
- 一次合格率（FPY）提升：通过缺陷前移拦截，将不合格品拦截在焊接工序内，显著提升一次合格率，减少返修与报废，降低交付成本。
- 交付周期缩短：在线/近线检测替代传统离线检测，减少质量等待时间，缩短整体交付周期。
- 质量数据交付：向客户交付结构化的焊接质量数据报告，提升产品交付的透明度与可信度，满足高端客户对质量追溯的要求。
8.3 客户价值体现
- 质量可靠性提升：AI视觉识别的客观性与一致性消除了人为检测的主观偏差，为客户提供更可靠的质量保障。
- 质量追溯能力：每道焊缝的检测数据可追溯至具体工艺参数、操作人员、时间等信息，满足客户（特别是核电、航空航天、石化等领域）对质量追溯的严格要求。
- 成本优化：减少返修与报废，降低客户的综合使用成本；减少人工检测成本，提升生产经济性。
- 技术竞争力：智能化质控能力作为企业的技术差异化优势，在市场竞争中形成技术壁垒，提升客户信任度与合作黏性。
九、技术发展趋势与展望
焊缝表面缺陷AI视觉识别技术正处于快速发展阶段，未来趋势包括：
- 多模态融合：融合视觉、声学（AE）、热成像、光谱等多源传感信息，提升缺陷识别的全面性与准确性。
- 大模型驱动：基于焊接领域大模型（Foundation Model）的少样本/零样本学习，降低新缺陷类型/新工艺的模型训练成本。
- 数字孪生集成：与焊接数字孪生系统集成，实现缺陷预测与工艺参数优化的闭环控制。
- 边缘智能：模型轻量化与边缘计算部署，实现更低延迟、更低成本的现场部署。
- 标准智能化：将ISO 5817等标准中的缺陷等级判据转化为可执行的AI判定规则，实现标准的数字化与自动化执行。
总结：焊缝表面缺陷AI视觉识别技术是科雷丁技术（山西）有限公司构建智能化焊接质控体系的核心能力之一。该技术通过"缺陷前移拦截"理念，将质量控制从被动检验转变为主动预防，在公司TIG/MIG堆焊、水压复合、爆炸焊复合三条技术路线中均有明确的应用场景与价值贡献。该技术的成熟应用将直接支撑公司在核电、石化、电力等高端市场的资质建设与产品交付竞争力，为客户提供更可靠、更透明、更具追溯性的焊接产品质量保障。