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（AI-based Visual Inspection of Weld Surface Defects）是一种基于计算机视觉与深度学习算法的在线质量监控手段，利用熔池相机（Molten Pool Camera）实时采集焊接过程中的熔池图像，或焊后相机采集焊缝成形图像，通过卷积神经网络（CNN）、U-Net语义分割模型及目标检测算法（YOLO系列），对焊缝表面典型缺陷进行自动识别、分类、定位与量化评估，实现缺陷的"前移拦截"——即在缺陷尚未形成实质性质量事故之前，于焊接过程中或焊后即刻完成判定并触发预警。
该技术的核心原理包括三个层面：
- 图像采集层：采用工业级高速相机（帧率≥200fps）配合窄带滤光片或红外波段成像，在弧光强干扰环境下获取高对比度熔池图像或焊后表面图像，分辨率通常不低于1280×1024像素，确保微米级缺陷特征可辨识。
- 特征提取与识别层：基于深度学习的缺陷检测模型，对气孔（Porosity）、咬边（Undercut）、驼峰（Camel Hump/Excessive Reinforcement）、未填满（Incomplete Fill/Underfill）、飞溅超标（Excessive Spatter）等五类典型缺陷进行特征学习与实时推理，输出缺陷类型、位置坐标、面积占比及严重程度等级。
- 联动决策层：识别结果实时回传至焊接控制系统或返修定位系统，触发参数自动补偿、报警停机或返修工单自动生成，形成"检测—判定—处置"闭环。
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，定位为焊接质量在线监控体系中的智能判定核心模块。在科雷丁技术（山西）有限公司的整体技术架构中，它处于焊接过程监控链的末端判定环节，与熔池成像采集、焊接参数实时调控、焊接过程记录与追溯系统协同工作，构成完整的智能焊接质量管控体系。
从业务定位看，该技术是连接"过程监控"与"结果验收"的关键桥梁——将传统的焊后人工目视检测（Visual Inspection, VT）从离线抽检模式升级为在线全检模式，大幅缩短质量反馈周期，降低返修成本，提升产品一次合格率（First Pass Yield, FPY）。
三、技术目的与核心价值
3.1 缺陷前移拦截
传统焊接质量检测依赖焊后人工目视或无损检测（NDT），缺陷发现滞后于焊接完成，返修成本高、周期长。AI视觉识别技术将缺陷判定节点前移至焊接过程中或焊后即刻，实现：
- 实时预警：焊接过程中检测到异常熔池形态（如驼峰征兆、飞溅激增）时，系统可在数秒内发出预警，为操作员或自动控制系统提供参数调整窗口。
- 焊后即刻判定：焊道完成后，焊后相机立即采集图像并输出缺陷报告，避免缺陷遗留至后续工序（如水压复合、机加工）后才发现，造成不可逆损失。
- 数据闭环：所有缺陷数据自动归档，支持焊接参数优化回溯与工艺持续改进。
3.2 量化交付价值
- 焊缝表面缺陷检出率提升至≥95%（对比人工目视约70-80%）
- 焊后质量判定周期从小时级缩短至秒级
- 返修定位精度达±1mm，减少无效打磨与材料浪费
- 减少人工目视检测的主观差异与疲劳误判
- 支持远程质量审计与数字化交付
四、关键工艺与实施要点
4.1 缺陷识别能力矩阵
| 缺陷类型 | 英文术语 | 典型成因 | AI识别特征 | 严重程度分级 | 处置建议 |
|---|---|---|---|---|---|
| 气孔 | Porosity | 保护气体不足、母材/焊丝污染、电流过大 | 圆形/椭圆形暗色凹陷，边缘清晰 | 按面积占比：Ⅰ级≤1%、Ⅱ级1-3%、Ⅲ级＞3% | Ⅰ级记录放行；Ⅱ级评估返修；Ⅲ级强制返修 |
| 咬边 | Undercut | 电流过大、焊速过快、焊枪角度不当 | 焊缝边缘连续/间断凹陷，深度可量化 | 按深度：Ⅰ级≤0.5mm、Ⅱ级0.5-1.0mm、Ⅲ级＞1.0mm | Ⅰ级记录；Ⅱ级补焊；Ⅲ级强制返修 |
| 驼峰/余高超标 | Camel Hump / Excessive Reinforcement | 焊速过慢、送丝量过大、层间温度过高 | 焊缝中部隆起，轮廓偏离设计余高 | 按超出设计余高比例分级 | 超差即触发焊速/送丝参数修正 |
| 未填满/欠填 | Incomplete Fill / Underfill | 焊速过快、送丝不足、坡口间隙过大 | 焊缝中部低于母材平面，存在凹陷 | 按凹陷深度分级 | 强制补焊至满足成形要求 |
| 飞溅超标 | Excessive Spatter | 保护气流量不足、电压过高、焊丝伸出长度不当 | 母材表面散在颗粒状附着物，密度可量化 | 按单位面积飞溅点数分级 | 超标触发清理工序或参数调整 |
4.2 系统实施关键参数
| 实施要素 | 推荐配置/要求 | 说明 |
|---|---|---|
| 熔池相机帧率 | ≥200 fps（高速场景≥500 fps） | 确保捕捉熔池瞬态变化，避免运动模糊 |
| 焊后相机分辨率 | ≥2448×2048（500万像素） | 满足微米级缺陷辨识需求 |
| 图像采集时机 | 焊后延迟0.5-2s（视材料冷却速率） | 避免高温氧化干扰成像，同时防止冷却收缩影响形貌 |
| AI推理延迟 | ≤200ms（单帧） | 满足实时预警需求 |
| 模型训练样本量 | 每类缺陷≥5000张标注图像 | 确保模型泛化能力，覆盖不同焊接位置、参数组合 |
| 缺陷定位精度 | ≤±1mm（相对焊缝坐标系） | 满足返修定位联动需求 |
| 光源配置 | 环形LED补光+窄带滤光（可见光/红外双模式） | 抑制弧光干扰，增强缺陷对比度 |
| 边缘计算平台 | NVIDIA Jetson Orin / 同等算力（≥20 TOPS） | 现场部署，避免网络延迟与数据传输瓶颈 |
4.3 AI模型架构与训练策略
焊缝表面缺陷AI视觉识别系统通常采用多任务学习（Multi-task Learning）框架，在单一网络中同时完成缺陷检测（Detection）、分类（Classification）和分割（Segmentation）三项任务：
- 检测分支：基于YOLOv8或RT-DETR架构，输出缺陷边界框（Bounding Box）及置信度，实现快速定位。
- 分割分支：基于U-Net或DeepLabV3+架构，对缺陷区域进行像素级分割，精确计算面积占比与形貌参数。
- 分类分支：基于ResNet/EfficientNet骨干网络，对缺陷类型进行多分类判定。
训练策略方面，采用数据增强（旋转、翻转、亮度/对比度扰动、噪声注入）模拟实际焊接场景的多变性，并通过迁移学习（Transfer Learning）在预训练模型基础上微调，降低对标注数据量的依赖。模型持续迭代采用主动学习（Active Learning）策略，优先标注模型置信度低的"困难样本"，加速模型收敛。
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 3375-2017 | 焊接术语 | 缺陷术语定义与分类依据 |
| GB/T 19418-2018 | 焊缝中的缺陷——分类和实例 | 缺陷类型识别标准 |
| NB/T 47013.1-2015 | 承压设备无损检测 第1部分：通用要求 | 目视检测（VT）基本规范 |
| ASME BPV Code Section V Article 2 | Visual Examination | 目视检测验收标准（压力设备） |
| ASME Section IX | Welding, Brazing, and Fusing Qualifications | 焊接工艺评定中表面成形要求 |
| ASTM E165/E165M | Standard Practice for Visual Examination of Welds | 焊缝目视检测程序与缺陷分级 |
| ISO 17637:2023 | Non-destructive testing—Visual testing | 目视检测通用要求 |
| ISO 5817:2014 | Welding—Imperfections in fusion-welded joints | 焊缝缺陷等级划分（B/C/D级） |
| API 1104 | Welding of Pipelines and Related Structures | 管道焊缝表面成形与缺陷验收 |
| NACE SP0778 | Repair of Coatings on Steel Subsea Pipelines | 修复区域表面质量要求 |
5.2 系统验收指标
- 检测准确率（Precision）：≥95%
- 召回率（Recall）：≥90%
- 误报率（False Positive Rate）：≤5%
- 漏检率（False Negative Rate）：≤3%（关键缺陷）
- 定位精度：≤±1mm
- 系统响应时间：≤500ms（从图像采集到判定输出）
- 连续运行稳定性：MTBF≥5000小时
5.3 与返修定位联动的验收要求
AI识别输出的缺陷坐标需与焊接轨迹坐标系对齐，误差≤±1mm，确保返修机器人或人工返修操作可精准定位缺陷位置。返修工单应自动包含：缺陷类型、位置坐标（沿焊缝长度方向及横向偏移）、严重程度等级、建议返修方案（打磨深度/补焊参数）。
六、常见风险与控制措施
| 风险类别 | 风险描述 | 控制措施 |
|---|---|---|
| 弧光干扰 | 强弧光导致相机过曝或传感器损伤 | 窄带滤光片+电子快门控制+传感器保护罩；熔池相机采用CCD传感器（耐强光） |
| 飞溅遮挡 | 飞溅颗粒附着镜头表面导致图像质量下降 | 气幕保护+自动清洁机构；相机安装位置优化（远离飞溅区域） |
| 模型过拟合 | 训练数据覆盖不足导致现场识别准确率下降 | 多场景数据采集（不同材料、位置、参数）；持续在线学习机制；定期模型评估与更新 |
| 误判导致过度返修 | 系统将正常形貌误判为缺陷，造成不必要返修 | 设置置信度阈值（≥0.85方触发报警）；人工复核确认环节；分级处置策略 |
| 漏检关键缺陷 | 系统未能识别严重缺陷，导致质量事故 | 关键缺陷漏检率≤3%的强制要求；定期标准件验证；与NDT（RT/UT）抽检交叉验证 |
| 环境适应性 | 高温、振动、粉尘等恶劣工况影响系统稳定性 | 工业级防护等级（IP65+）；宽温设计（-20℃~+60℃）；抗振安装设计 |
| 数据隐私与安全 | 焊接工艺参数与缺陷数据泄露 | 边缘计算本地部署；数据加密传输；访问权限分级管理 |
七、在三大技术路线中的应用场景
7.1 TIG/MIG堆焊技术路线
在双金属复合材料堆焊制造中，焊缝表面质量直接影响复合层的耐蚀性能与使用寿命。AI视觉识别技术在堆焊过程中的应用包括：
- 过渡层堆焊监控：在309L/312L过渡层TIG堆焊过程中，实时监测熔池形态，预防因过渡层稀释率异常导致的表面缺陷，确保过渡层与母材及面层的良好冶金结合。
- 面层堆焊质量保障：对316L、6Mo、Hastelloy C-276等面层堆焊道，逐道检测表面成形质量，特别是控制余高偏差（直接影响后续机加工余量）和咬边（应力集中源）。
- 多层多道堆焊一致性控制：通过逐道缺陷数据积累，评估堆焊工艺的一致性与稳定性，为焊接工艺评定（WPS/PQR）提供数据支撑。
- 返修精准定位：与堆焊返修工序联动，自动标记需返修的位置与范围，减少过度打磨导致的复合层厚度损失。
7.2 水压复合技术路线
水压复合（Hydrostatic Explosion Welding）工艺中，焊缝质量是决定复合界面结合强度的关键因素。AI视觉识别的应用场景：
- 复合管/板焊缝焊前筛查：对水压复合前的焊接接头进行表面缺陷全检，确保进入复合工序的焊缝无表面缺陷，避免复合后缺陷扩展导致结合失败。
- 复合后焊缝区域复检：水压复合过程中产生的残余应力可能导致焊缝区域形貌微变，焊后复检确保复合工序未引入新的表面缺陷。
- 复合接头质量追溯：将焊缝缺陷数据与复合工艺参数关联存储，建立"焊缝质量—复合参数—结合强度"的数据关联模型，优化复合工艺窗口。
7.3 爆炸焊复合技术路线
爆炸焊（Explosive Welding）对母材表面状态和焊接接头质量有严格要求。AI视觉识别的应用：
- 爆炸焊前焊接接头验收：爆炸焊复合板/管通常在爆炸焊前需完成焊接接头制备（如对接焊、角焊），AI视觉识别对焊接接头进行表面质量全检，确保符合爆炸焊工艺对焊缝表面状态的入料要求。
- 爆炸焊后表面缺陷筛查：爆炸焊过程中冲击波可能导致焊接接头区域产生微裂纹或表面形貌变化，焊后AI视觉筛查确保爆炸焊工序未引入表面缺陷。
- 多层复合板焊缝一致性监控：对多层爆炸焊复合板中各层焊接接头的表面质量进行批量检测与统计对比，确保各层质量一致性满足设计规范。
八、对公司资质建设与产品交付的作用
8.1 资质建设支撑
- 焊接工艺评定数据支撑：AI视觉识别系统积累的焊缝表面质量数据，可直接作为焊接工艺评定（WPS/PQR）中目视检测（VT）项目的客观记录，满足ASME Section IX、NB/T 47014等标准对工艺评定记录的要求。
- 质量管理体系升级：在线AI检测替代人工抽检，支撑ISO 9001质量管理体系中"过程控制"与"产品监视和测量"条款的升级，满足AS9100（航空航天）、ISO 3834（焊接质量保证）等高级别质量管理体系要求。
- 智能制造能力认证：该技术是公司申报智能制造示范项目、工业互联网创新应用案例的核心技术支撑，体现数字化焊接质量管控能力。
8.2 产品交付价值
- 一次合格率提升：通过缺陷前移拦截，将表面质量问题的发现节点从终检前移至焊接过程中，减少返工返修，提升一次合格率（FPY）至95%以上。
- 交付周期缩短：焊后即刻完成质量判定，无需等待人工检测排期，缩短质量反馈周期，加速产品流转。
- 数字化交付能力：每道焊缝的AI检测报告可自动生成结构化数据文件，随产品交付，满足客户对焊接质量可追溯性的要求，特别适用于核电、航空航天、LNG等高端领域。
- 远程质量审计：支持客户远程查看焊接过程图像与AI判定结果，增强客户信心，减少现场质量争议。
8.3 客户价值体现
"焊缝表面缺陷AI视觉识别技术不仅是一项质量检测工具，更是焊接制造从'经验驱动'向'数据驱动'转型的核心基础设施。它为科雷丁技术（山西）有限公司在双金属复合材料高端制造领域建立了可量化、可追溯、可优化的质量管控能力，为客户提供了超越传统交付模式的质量保障价值。"
具体客户价值包括：
- 减少因焊接表面缺陷导致的后期返修/报废损失，降低客户综合成本
- 提供焊接质量的客观数据证据，减少质量争议，加速验收流程
- 支持客户进行焊接工艺优化与供应商评估，提升供应链质量水平
- 为产品全生命周期质量管理提供焊接质量基线数据
九、技术演进方向
- 多模态融合：将AI视觉识别与熔池温度场、电弧声发射、焊接电流/电压波形等多源数据融合，构建焊接质量综合评估模型，提升缺陷预测的准确率与提前量。
- 预测性质量管控：从"缺陷检测"升级为"缺陷预测"，基于焊接过程参数趋势与熔池形态演化，在缺陷形成之前触发预警与参数补偿。
- 数字孪生集成：将AI视觉识别数据集成至焊接数字孪生系统，实现焊接过程的虚拟仿真与实时映射，支持工艺参数在线优化。
- 跨产品泛化：通过联邦学习（Federated Learning）等隐私保护技术，在保护各客户数据隐私的前提下，实现AI模型在多产品、多场景下的持续学习与泛化能力提升。