文/白天翔，德擎光學

激光焊接具有熱輸入小、精度高、速度快等特性，是精密制造的關鍵工藝。也正是由于激光焊接具備高精密特性，因此微小的過程異常也可能造成質量缺陷。

德擎光學研發(fā)團隊2024年發(fā)布 AI 技術與光電檢測深度融合的專利檢測技術，并且在真實產線上測試、驗證，嘗試突破傳統(tǒng)檢測瓶頸，現已實現更高效、更精準的質量控制。

傳統(tǒng)焊接檢測痛點

激光焊接涉及復雜的物理冶金過程，如熔池動態(tài)、熱積累、晶粒生長等，焊接過程中易產生氣孔、裂紋、翹曲變形等缺陷。

由于激光焊接過程呈現明顯的多光譜輻射特性，可見光波段表征金屬蒸汽噴發(fā)量和飛濺程度，反射激光表征工件對激光的吸收情況，近紅外波段則反映熔池的溫度波動情況。所以激光焊接在線檢測的主流方案是光電探測：通過實時監(jiān)測焊接過程中產生的光輻射，并將光輻射轉化為電信號，再對電信號進行實時分析與異常識別，及時發(fā)出告警，從而輔助實現過程干預與質量控制，降低缺陷發(fā)生率。

圖1：激光焊接在線檢測主流方案的光電探測原理。

傳統(tǒng)的光電探測對焊接過程的檢測算法，一般是通過比對當前焊接信號與正常信號生成的基準，提取差異并計算如信號的波動極限、平均偏移量、方差等信號特征，然后依據是否超出設定閾值范圍進行缺陷檢出。實際應用中，由于檢測系統(tǒng)的準確性依賴于特征選取、以及每個特征的閾值設定范圍，因此在激光加工檢測應用場景中，需要不斷根據NG工件的信號特點來新增提取的特征。

為了保證所有的NG工件都能被檢出，人為劃定的特征閾值范圍會相對較窄。該檢測方式的優(yōu)勢是初期僅需少量數據便可建立基準設定閾值，便于快速部署。但劣勢也很明顯——檢測精度和效率都高度依賴人工經驗，無法如計算機一樣遍歷所有特征閾值范圍組合，導致一定比例的OK工件被誤判為NG工件（即“過殺”）。

德擎光學的解題思路：自動調參+AI融合檢測

為了克服因依賴人工經驗而產生的不穩(wěn)定性，有效降低“過殺率”，德擎光學團隊通過AI技術將現有檢測流程進一步優(yōu)化，實現了基于AI的自動參數調節(jié)。只需要導入與人工調參相同的少量OK和NG信號樣本，AI自動調參即可通過數據驅動的算法，分析各個信號特征的重要性以及對判定結果的貢獻度，結合預先訓練的工藝庫模型，得出最優(yōu)的閾值范圍組合。該組合能在確保零“漏殺”的前提下，實現最小化“過殺”的結果。

而針對自動調參下已最小化的“過殺率”，德擎光學研發(fā)團隊為了進一步提升檢測準確率，采用了基于深度學習的AI檢測模型，實現傳統(tǒng)算法與AI算法融合檢測。

采用深度學習進一步將“過殺率”降低50%

雖然傳統(tǒng)檢測算法采用人工設計的特征，可以區(qū)分絕大部分OK和NG信號，但對于波形相近的樣品卻無能為力。德擎光學研發(fā)團隊采用了基于深度學習的端到端模型，進一步提升檢測的準確率。

根據真實產線的數據統(tǒng)計，AI 融合檢測有效降低了 50% 的“過殺”，大幅提升了精密制造產線的檢測精準度，減少工件浪費，提升生產效率。

圖2：德擎光學AI融合檢測有效降低了 50%的“過殺”。

（1）鉆研真實產線的缺陷數據

德擎光學研發(fā)團隊基于自研的焊接缺陷檢測系統(tǒng) WDD（Welding Defect Detection）在真實產線在線采集的加工結果，構建了高覆蓋、高標簽質量的產線數據集，并以此訓練出一個“取于產線，用于產線”的智能檢測系統(tǒng)。在實際應用中，NG數據樣本往往難以獲得，而德擎光學團隊得益于多年來對激光焊接機理的深入研究，以及對產線NG信號關聯的故障模式分析，利用函數擬合方式構造模擬缺陷信號，實現僅需要至少50個NG樣本，生成超過50,000個模擬NG樣本的數據增強算法，解決了AI模型訓練的數據不平衡問題。

（2）訓練機器學習模型

依據以上產線數據與深度學習神經網絡設計思路，德擎光學團隊構建了一個面向焊接缺陷檢測的預訓練AI模型。其模型框架靈活，可拓展包括卷積神經網絡（CNN）、遞歸神經網絡（RNN）、隨機森林（RF）、支持向量機（SVM）等多種算法結構。

得到預訓練模型后，德擎團隊應用真實產線NG數據對模型進行多輪微調，使其學習得到的缺陷分布貼近實際工況下的缺陷分布，最終得到一個微調子模型；重復這一步，則得到多個微調子模型，隨后采用集成模型方法，將多個微調子模型集成為統(tǒng)一的機器學習模型。該模型經多輪驗證，已具備穩(wěn)定判定數據符合性的能力，可直接應用于產線部署。

經過訓練后，AI選取WDD在線監(jiān)測的NG結果，進行智能再判，更新判定結果提升判定準確性。至此，AI模型成功應用于激光加工過程的缺陷檢測，輸出缺陷判定結果（OK/NG）、缺陷類型及工藝改進措施。

圖3：德擎光學AI降“過殺”機制。

（3）傳統(tǒng)算法與AI算法融合

通過將現有多光譜光學檢測算法與AI 檢測算法之間進行融合，德擎光學實現了在“零漏殺”條件下降低“過殺”數，大幅節(jié)省生產成本。

對于每一個工件而言，先使用傳統(tǒng)算法對其進行初步判定，當傳統(tǒng)算法對其判定為OK，則不進行下一步判斷，使用傳統(tǒng)算法的結果作為最終結果；當傳統(tǒng)算法對其判定為NG，則進入AI 檢測流程進行復判，使用AI 檢測結果作為最終結果。傳統(tǒng)算法具有快速部署的優(yōu)勢，其初步判定結果可有效提高AI檢測模型訓練數據的收集效率；隨著AI檢測模型訓練完成，則可運用其精準的判別能力進一步降低“過殺率”。

圖4：德擎光學AI降“過殺”效果圖。

在WDD+AI融合檢測以外，德擎光學還在探索基于AI的多傳感器檢測技術，將焊前控制、焊中監(jiān)測、焊后測量等環(huán)節(jié)的傳感器數據均接入AI服務器，通過模型訓練實現自動故障診斷。德擎光學激光焦點測量儀 LFS（Laser Focus Sensor）、激光功率監(jiān)測儀 LPM（Laser Power Monitor）、激光焊接過程熔深測量儀 WDM（Welding Depth Measurement）、光學斷層掃描測量儀 OTS（Optical Tomography Scanner）等產品，都將在AI融合檢測的賦能下，為客戶提供更加高效且精準的質量檢測數據。

未來，德擎光學將與更多客戶開展聯合研發(fā)，進一步提升AI自動故障診斷的功能表現，并通過數字孿生技術實現工藝參數的實時閉環(huán)優(yōu)化。隨著這套系統(tǒng)在3C電子、動力電池等領域的快速滲透，中國智造正在激光焊接領域樹立起新的質量檢測標桿。