焊缝表面缺陷AI视觉识别技术
一、技术定义与原理
焊缝表面缺陷AI视觉识别技术是一种基于计算机视觉与深度学习算法的智能化质量检测手段。该技术通过熔池相机（Weld Pool Camera）实时采集焊接过程中的熔池图像，以及焊后图像采集系统获取焊缝成型后的表面影像，利用卷积神经网络（CNN）、YOLO系列目标检测模型及语义分割算法，对焊缝表面进行逐帧/逐段分析，自动识别并分类气孔（Porosity）、咬边（Undercut）、驼峰（Excessive Reinforcement）、未填满（Lack of Fill）及飞溅超标（Excessive Spatter）等典型表面缺陷，并精确标记缺陷位置坐标、尺寸参数及严重等级。
其核心原理可归纳为三个层次：
- 图像采集层：采用高分辨率工业相机（通常≥500万像素）、红外/可见光双波段光源、熔池专用滤光片，在焊接过程中以≥30fps的帧率实时获取熔池形态图像；焊后通过线阵/面阵相机沿焊缝方向匀速扫描获取全长度表面图像。
- 图像处理层：对原始图像进行去噪（非局部均值滤波）、对比度增强（CLAHE自适应直方图均衡化）、焊缝区域分割（基于边缘检测与形态学操作）等预处理，提取焊缝轮廓特征与表面纹理特征。
- 智能判定层：基于标注数据集训练的多任务深度学习模型，同步完成缺陷检测（Detection）、缺陷分类（Classification）与缺陷定位（Localization），输出结构化缺陷报告。
二、所属大类与业务定位
该技术条目归属于"熔池相机与质控软件"大类，在科雷丁技术（山西）有限公司的技术能力体系中处于智能判定方向，其核心业务定位为缺陷前移拦截。
在双金属复合材料与堆焊制造的产业链条中，传统质量管控模式依赖于焊后人工目视检测（VT）或磁粉检测（MT）进行缺陷筛查，存在检测滞后、漏检率高、返修成本大等痛点。AI视觉识别技术将质量判定环节从"焊后检验"前移至"焊接过程中"乃至"焊道成型瞬间"，实现缺陷的实时感知与即时预警，从根本上改变质量管控的时间窗口，形成"过程可控、结果可溯"的闭环质量管理体系。
在科雷丁技术的技术架构中，该能力与以下模块形成协同：
- 熔池相机实时监控系统（数据采集端）
- 焊接参数自动调控系统（反馈控制端）
- 返修定位与工艺优化系统（执行端）
- 焊接工艺评定数据库（知识沉淀端）
三、技术目的与价值
3.1 缺陷前移拦截的核心目的
传统焊接质量管控遵循"先焊后检、检后返修"的串行模式，缺陷发现时往往已造成材料浪费、工时损失与工期延误。AI视觉识别技术将缺陷拦截点从焊后前移至焊接过程中，实现：
- 实时性：焊道成型后≤5秒内完成缺陷判定与标记
- 精确性：缺陷定位精度≤±1mm，尺寸测量误差≤±0.5mm
- 自动化：全流程无需人工干预，7×24小时连续作业
- 可追溯性：每条焊缝生成完整缺陷图谱与电子质量档案
3.2 量化价值分析
| 价值维度 | 传统人工检测 | AI视觉识别 | 改善幅度 |
|---|---|---|---|
| 缺陷检出率 | 75%~85% | ≥96% | +11~21个百分点 |
| 检测速度（m/h） | 5~15 | 50~120 | 5~8倍提升 |
| 返修率降低 | 基准 | 降低40%~60% | 显著 |
| 质量数据可追溯 | 纸质记录，易丢失 | 全数字档案，永久保存 | 质的飞跃 |
| 单件检测成本 | 基准 | 降低60%~75% | 大幅降低 |
四、关键工艺与实施要点
4.1 可识别缺陷类型与判定标准
| 缺陷类型 | 英文标识 | 典型成因 | AI识别特征 | 判定阈值（示例） |
|---|---|---|---|---|
| 气孔 | Porosity | 保护气体不足、电流过大、母材污染 | 圆形/椭圆形暗色斑点，边缘清晰 | 单个直径≥1mm或密集气孔面积占比≥2% |
| 咬边 | Undercut | 电流过大、焊枪角度不当、焊接速度过快 | 焊缝边缘连续/断续凹陷沟槽 | 深度≥0.5mm且连续长度≥10mm |
| 驼峰/余高超标 | Excessive Reinforcement | 焊丝送进速度过快、焊接电流不足 | 焊缝表面凸起，余高超过设计值 | 余高超出设计值±1mm |
| 未填满 | Lack of Fill | 多层焊道间未充分熔合、填充不足 | 焊道间隙未覆盖，呈凹陷状 | 凹陷深度≥0.5mm |
| 飞溅超标 | Excessive Spatter | 电流过大、保护气体流量不足、母材含碳量高 | 焊缝两侧不规则金属颗粒分布 | 飞溅密度≥5颗/cm²或单颗直径≥2mm |
4.2 图像采集系统关键参数
| 参数项 | 熔池实时采集 | 焊后表面扫描 |
|---|---|---|
| 相机类型 | 面阵工业相机（CMOS） | 线阵/面阵工业相机 |
| 分辨率 | ≥250万像素 | ≥500万像素（面阵）/ ≥4096像素（线阵） |
| 帧率/扫描速度 | ≥30fps | ≥1m/min（线阵） |
| 光源配置 | 红外/可见光复合光源+窄带滤光片 | LED环形光/条形光+漫射罩 |
| 景深要求 | ≥15mm | ≥10mm |
| 空间分辨率 | ≥0.1mm/pixel | ≥0.05mm/pixel |
| 防护等级 | IP65以上，耐高温≥200℃ | IP65以上 |
4.3 AI模型架构与训练要点
- 模型选型：采用YOLOv8/YOLOv9或RT-DETR作为缺陷检测主干网络，结合U-Net进行缺陷区域精细分割，多任务联合训练实现检测+分类+定位一体化输出。
- 数据集构建：针对双金属堆焊场景，采集涵盖不同母材（碳钢、不锈钢、镍基合金）、不同堆焊层（过渡层、工作层）、不同焊接位置（平焊、横焊、仰焊、立焊）的图像数据，标注样本量≥50,000张。
- 数据增强策略：采用随机翻转、旋转、亮度/对比度扰动、弹性形变、模拟噪声注入等手段扩充训练数据，提升模型泛化能力。
- 推理优化：部署TensorRT加速推理引擎，单帧推理延迟≤50ms，满足焊接过程实时性要求。
- 持续学习机制：建立模型在线更新流程，将新发现的缺陷样本纳入增量训练集，定期（月度/季度）更新模型权重。
4.4 与返修定位的联动机制
AI视觉识别系统输出的缺陷信息并非孤立的检测报告，而是与返修作业流程深度联动的闭环控制节点：
- 缺陷自动标记：系统输出缺陷类型、位置坐标（焊缝起点为原点，沿焊缝方向为X轴）、尺寸参数及严重等级。
- 返修工单自动生成：根据缺陷类型与严重程度，自动生成返修工单，明确返修范围、返修方法建议（打磨去除/补焊填充/局部重焊）。
- 返修路径规划：对于多点缺陷，系统自动规划最优返修顺序与路径，减少无效移动。
- 返修后复检：返修完成后，系统自动对返修区域重新扫描，确认缺陷消除并更新质量档案。
- 工艺反馈：将缺陷统计数据反馈至焊接工艺参数数据库，为后续工艺优化提供数据支撑。
五、执行标准与验收依据
5.1 相关标准体系
| 标准编号 | 标准名称 | 适用内容 |
|---|---|---|
| GB/T 3323-2005 | 金属熔化焊焊接接头射线照相 | 缺陷分类与评级参考 |
| GB/T 11345-2013 | 焊缝无损检测 超声检测 | 表面缺陷与内部缺陷关联判定 |
| GB/T 19866-2005 | 焊接 焊接质量要求 | 焊缝表面质量等级划分 |
| GB/T 34252-2017 | 焊接 焊缝外观质量分级 | 外观缺陷分级与验收 |
| NB/T 47013.1-2015 | 承压设备无损检测 第1部分：范围 | 压力容器焊缝检测要求 |
| ASME BPV Code Section IX | 锅炉及压力容器规范 第IX卷 | 焊接工艺评定与验收 |
| ASME Section V Article 2 | 无损检测 第2章 射线检测 | 缺陷接受标准 |
| ASTM E165/E165M-22 | 无损检测 磁粉检测标准实践 | 表面缺陷检测对照 |
| ISO 5817:2014 | 焊接质量要求 熔焊焊缝中的缺陷 | 缺陷分级（B/C/D级） |
| ISO 13919:2019 | 焊缝几何形状与尺寸 | 余高、咬边等几何参数验收 |
| API 510 | 压力容器检验规范 | 在役设备焊缝缺陷评估 |
| API 1104 | 管道与管道组件的焊接 | 管道焊缝外观验收标准 |
| NACE SP0199 | 金属覆盖层的机械加工 | 堆焊层表面质量要求 |
| EN ISO 3959 | 焊接—焊缝缺陷描述 | 缺陷术语与图示标准 |
5.2 AI识别系统验收指标
| 验收指标 | 要求值 | 验证方法 |
|---|---|---|
| 缺陷检出率（Recall） | ≥95% | 标准试板测试+实际焊缝对比 |
| 误报率（False Positive Rate） | ≤5% | 无缺陷区域误判统计 |
| 缺陷定位精度 | ≤±1.0mm | 与人工测量对比 |
| 缺陷尺寸测量精度 | ≤±0.5mm | 与卡尺/千分尺对比 |
| 单帧推理延迟 | ≤100ms | 系统性能测试 |
| 系统可用率 | ≥99.5% | 连续运行72小时测试 |
| 数据保存完整性 | 100% | 日志审计与数据校验 |
六、常见风险与控制措施
| 风险类型 | 风险描述 | 影响程度 | 控制措施 |
|---|---|---|---|
| 光照干扰 | 焊接弧光过强导致图像过曝，缺陷特征丢失 | 高 | 采用窄带滤光片+自适应曝光控制；熔池相机加装遮光罩 |
| 飞溅遮挡 | 大量飞溅覆盖焊缝表面，干扰图像采集 | 中高 | 焊前增加气体流量；增加气帘保护；算法中引入飞溅过滤模块 |
| 模型过拟合 | 训练数据集中于特定工况，对其他工况泛化不足 | 高 | 扩充多工况训练集；采用域自适应（Domain Adaptation）技术 |
| 振动干扰 | 焊接过程振动导致图像模糊 | 中 | 相机安装减振支架；增加曝光时间补偿；多帧融合处理 |
| 热变形 | 高温导致相机镜头热畸变，影响测量精度 | 中 | 采用耐高温镜头+热补偿算法；定期标定 |
| 误判导致过修 | 将正常焊缝特征误判为缺陷，导致不必要的返修 | 中 | 设置置信度阈值（≥0.85）；低置信度结果转人工复核 |
| 数据安全风险 | 焊接工艺数据泄露 | 高 | 本地化部署；数据加密存储；访问权限分级管理 |
| 系统兼容风险 | 与现有焊接设备/PLC系统通信不兼容 | 中 | 采用OPC UA/Modbus TCP通用协议；预留多种接口 |
七、在公司三条技术路线中的应用场景
7.1 TIG/MIG堆焊路线中的应用
在双金属复合材料的TIG/MIG堆焊制造中，焊缝表面质量直接决定堆焊层的服役性能与使用寿命。AI视觉识别技术在以下环节发挥关键作用：
- 过渡层堆焊监控：在碳钢/不锈钢过渡层（如309L/309）焊接过程中，实时监测熔池形态与焊道成型，及时发现咬边、未填满等缺陷，确保稀释率控制在设计范围内。过渡层缺陷若未及时发现，将影响后续工作层的结合质量。
- 工作层多层堆焊质控：镍基合金（如Inconel 625、Stellite 6）工作层通常需3~5层堆焊，每层焊道均需逐道检测。AI系统自动识别层间未填满、气孔等缺陷，确保各层均匀致密。
- 大厚度堆焊层均匀性控制：对于厚度≥6mm的堆焊层，系统监测焊道宽度一致性、余高均匀性，确保堆焊层厚度偏差在±0.5mm以内。
- 管道环焊缝堆焊：在复合管制造中，内壁堆焊的环焊缝需逐段检测，AI系统配合旋转工装实现全周向覆盖检测。
7.2 水压复合路线中的应用
水压复合（Hydrostatic Explosion Cladding, HEC）工艺中，虽然复合界面由静水压爆炸形成，但复合后的机加工与后续焊接修复环节仍需严格的表面质量管控：
- 复合板边缘密封焊缝检测：水压复合工艺中，复合板/管边缘需焊接密封焊缝以承受高压，该焊缝的表面质量至关重要。AI系统检测密封焊缝的气孔、咬边等缺陷，防止水压试验时发生泄漏。
- 复合层修复焊接质控：复合板加工过程中若局部复合层损伤，需进行局部补焊修复。AI系统确保修复焊缝的表面质量满足ISO 5817 B级及以上要求。
- 复合管端部坡口焊缝：复合管在组对焊接时，端部坡口焊缝需同时保证母材侧与复合层侧的质量。AI系统分别对两侧焊缝进行独立检测与判定。
7.3 爆炸焊复合路线中的应用
爆炸焊（Explosive Cladding）工艺中，AI视觉识别主要应用于复合后的辅助焊接与质量验证环节：
- 爆炸焊复合板拼焊焊缝检测：多块爆炸焊复合板拼焊成大型构件时，拼焊焊缝的表面质量直接影响整体性能。AI系统对拼焊焊缝进行全长度扫描，识别气孔、未填满等缺陷。
- 爆炸焊复合管对接焊缝：复合管段对接焊接时，AI系统确保焊缝表面质量满足API 1104或ASME B31.3管道规范的要求。
- 爆炸焊波纹界面区域表面评估：爆炸焊复合界面呈波纹状，加工后表面可能残留微小波纹痕迹。AI系统区分正常加工痕迹与焊接缺陷，避免误判。
- 复合层厚度均匀性辅助验证：通过焊后表面图像分析堆焊层余高分布，间接验证复合层厚度均匀性。
八、对公司资质建设与客户价值的贡献
8.1 资质建设支撑
- NB/T 47014焊接工艺评定支撑：AI视觉识别系统提供的精确缺陷数据，可作为焊接工艺评定（WPS/PQR）中外观质量评定的客观依据，支撑承压设备（NB）资质的申请与维护。
- ASME认证支撑：ASME认证对焊接质量管控体系有严格要求，AI视觉识别系统作为智能化质量管控工具，体现企业的质量管控能力与技术先进性，助力ASME Stamp认证。
- API Q1质量体系认证：API Q1对过程控制与质量记录有明确追溯要求，AI系统的全自动缺陷记录与电子档案功能天然满足该要求。
- ISO 9001/ISO 3834质量管理体系：AI视觉识别系统为质量管理体系中的"过程监控"与"不合格品控制"要素提供技术手段，支撑体系审核。
- 特种作业资质：智能化检测能力可作为企业技术实力证明，支撑特种设备制造许可（A级/B级）的资质申请。
8.2 产品交付价值
- 交付周期缩短：缺陷实时发现与即时返修，避免批量返工，整体交付周期缩短20%~35%。
- 产品合格率提升：一次交检合格率（First Pass Yield）提升至≥98%，减少客户验收阶段的争议。
- 质量档案数字化交付：每批次产品附带完整的AI检测报告（含缺陷图谱、位置坐标、尺寸数据），满足客户对质量可追溯性的要求。
- 定制化质量等级实现：可根据客户要求调整缺陷判定阈值（如从ISO 5817 C级提升至B级），灵活满足不同应用场景的质量需求。
8.3 客户价值创造
"AI视觉识别技术将焊接质量从'事后检验'转变为'过程保证'，为客户提供的不仅是合格的产品，更是可量化、可追溯、可验证的质量承诺。"
- 降低客户使用风险：堆焊层表面缺陷是服役中裂纹萌生的潜在源，AI系统的前置拦截显著降低产品在腐蚀、磨损工况下的早期失效风险。
- 满足客户审计需求：石油天然气（API）、核电（ASME）、化工（GB 150）等行业客户对供应商的质量管控能力有严格的审计要求，AI视觉识别系统提供的数字化质量档案可直接应对客户审核。
- 全生命周期质量数据：焊接过程数据与缺陷数据可纳入产品数字孪生模型，为客户的设备全生命周期管理提供基础数据。
- 成本节约传递：返修率降低带来的成本节约可向客户让利，增强产品竞争力。
九、技术实施路径与演进规划
9.1 分阶段实施路径
| 阶段 | 周期 | 目标 | 关键交付物 |
|---|---|---|---|
| 一期：基础能力建设 | 3~6个月 | 完成图像采集系统搭建与基础AI模型训练，实现焊后图像缺陷识别 | 图像采集硬件系统、基础检测模型（检出率≥90%）、缺陷数据库V1.0 |
| 二期：实时在线检测 | 6~12个月 | 实现熔池实时图像采集与焊接过程缺陷预警，与焊接设备联动 | 熔池实时监控系统、预警模型、设备联动接口 |
| 三期：闭环智能控制 | 12~18个月 | 实现缺陷检测→参数自动调整→返修定位的全闭环控制 | 闭环控制系统、返修路径规划算法、工艺参数自优化模块 |
| 四期：知识图谱与预测 | 18~24个月 | 建立焊接质量知识图谱，实现缺陷预测与工艺推荐 | 焊接质量知识图谱、缺陷预测模型、智能工艺推荐系统 |
9.2 技术演进方向
- 多模态融合：融合视觉图像、声学信号（焊接电弧声）、热成像数据，构建多模态缺陷检测模型，进一步提升检出率。
- 数字孪生集成：将AI检测结果集成至焊接数字孪生平台，实现焊接过程的虚拟仿真与实际检测的对比验证。
- 边缘智能部署：将AI模型部署至边缘计算设备，实现完全离线的实时检测，适应无网络环境的现场作业。
- 联邦学习：在保护各客户数据隐私的前提下，通过联邦学习机制共享模型知识，持续提升模型性能。
十、总结
焊缝表面缺陷AI视觉识别技术是科雷丁技术（山西）有限公司在智能制造与质量管控领域的重要技术布局。该技术通过将人工智能深度融入焊接制造过程，实现了从"被动检测"到"主动预防"的质量管控模式转变，为公司在双金属复合材料与堆焊制造领域的技术领先性提供了有力支撑。
该技术条目与"熔池相机与质控软件"大类的其他能力（如熔池形态监控、焊接参数自动调控、焊接过程数据记录等）形成完整的技术矩阵，共同构建起覆盖"感知—分析—决策—执行"全链条的智能化焊接质量管控体系，是公司实现高质量交付、满足高端客户需求、支撑资质体系建设的关键技术支柱。