隨著工業(yè)的發(fā)展和科技的不斷進步，激光焊接智能裝備憑借其輸出能量大、焊接速度快、適用性強的優(yōu)勢已在航空航天、汽車、3C電子等制造業(yè)中得到廣泛應用。在這些行業(yè)應用過程中，市場也不斷對焊接加工品質(zhì)提出了更高的需求，例如更多類型材料的焊接能力、焊點焊面的完整度與連續(xù)性、焊接品質(zhì)的檢測效率等。

激光焊后外觀缺陷檢測的必要性

激光焊接裝備在復雜的工業(yè)環(huán)境下，由于焊接工藝和焊接環(huán)境等多方面因素影響，焊接面容易產(chǎn)生各類焊接缺陷，焊接質(zhì)量的好壞也會直接影響到結(jié)構(gòu)的性能，因此焊后缺陷檢測成為了生產(chǎn)流程中極其重要的環(huán)節(jié)。 對于焊后外觀缺陷檢測，目前較多行業(yè)中仍主要以人工目測判定為主，而傳統(tǒng)的人工目測在自動化生產(chǎn)過程中，存在主觀性高、漏檢高、效率低、人力成本高等問題，因此如何盡可能減少在生產(chǎn)過程中人工評定法的主觀性、差異性成為各個行業(yè)及客戶的主要訴求。在此背景下，配備高效智能的外觀缺陷檢測系統(tǒng)變得尤為重要。隨著工業(yè)機器視覺的發(fā)展，深度學習在圖像特征學習中的獨特優(yōu)勢使其在表面缺陷檢測中具備重要的實用價值，成為了工業(yè)智能檢測領域的主流研究方向。 深度學習主要包含卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）和Faster R-CNN兩種網(wǎng)絡模型，通過利用算法模型自動學習的特點，不再受限于復雜多變的環(huán)境，可自動提取缺陷特征，最終實現(xiàn)自動檢測。一方面，避免了傳統(tǒng)算法中人工提取特征的局限性和復雜性；另一方面，深度學習在自然語言處理、圖像分類和圖像分割等領域已獲得了廣泛應用，為外觀缺陷檢測系統(tǒng)的研發(fā)奠定了堅實基礎。

以錫焊焊點外觀缺陷檢測為例

焊點檢測主要包含外觀檢測、電氣檢測等，其中外觀檢測是一種非破壞性檢驗方法，主要檢測焊料是否均勻完整、焊點表面是否連續(xù)圓滑且無過度光亮、焊點是否存在缺失、少錫、多錫、漏焊、燒傷、位置偏移等問題（如圖1所示）。外觀缺陷檢測系統(tǒng)能夠提前將大部分明顯不良品檢出，節(jié)省后續(xù)的檢測成本和時間。相比于傳統(tǒng)人工目測，依托機器視覺技術的焊點外觀缺陷檢測系統(tǒng)更直觀、更節(jié)省成本、更可靠、更精確、更快速。

圖1 形態(tài)各異的焊點圖像

下文將主要介紹外觀缺陷檢測系統(tǒng)的構(gòu)成、算法原理、焊點檢測效果。

一、 機器視覺系統(tǒng)主要由三大類構(gòu)成（如圖2所示）： 1. 圖像獲?。孩俟I(yè)相機與光學鏡頭、②照明光源、③傳感器、④圖像采集卡； 2. 圖像處理：⑥視覺處理軟件； 3. 硬件系統(tǒng)：⑤PC平臺、⑦控制單元。

圖2 機器視覺系統(tǒng)構(gòu)成

二、 算法原理及實現(xiàn)

外觀缺陷檢測系統(tǒng)采用先進的圖像視覺檢測技術，圖像處理技術對每幅圖像進行預處理、圖像分割等運算，以確定焊點位置、提取焊點信息、獲得表面缺陷問題、提示缺陷位置及顯示缺陷大小，最后輸出相應檢測信號上傳至MES系統(tǒng)。 而圖像處理系統(tǒng)是將基于形態(tài)學的傳統(tǒng)算法與基于大數(shù)據(jù)的深度學習有效結(jié)合一起，使得檢測過程更加精確精細。焊點的多形態(tài)特征及焊點復雜環(huán)境，使得深度學習這種應用于復雜環(huán)境的算法系統(tǒng)成為焊點外觀缺陷檢測系統(tǒng)的主要檢測手段。 圖像算法處理大概過程如圖3所示：

圖3 算法處理過程

圖像算法系統(tǒng)分為兩大組成部分，包含傳統(tǒng)算法與深度學習。

（1） 傳統(tǒng)算法模塊 基于形態(tài)學處理，獲得焊點位置信息，提取焊點位置。同時在深度學習提取的缺陷特征后，對其做進一步分析處理。

（2） 深度學習模塊 傳統(tǒng)算法在比較圖像效果復雜的情況下效果不佳，背景不均勻的環(huán)境下容易造成誤判。 深度學習網(wǎng)絡利用圖像灰度值、梯度值、梯度方向、位置信息、領域特征等多維度來學習目標特征，通過多參數(shù)來描述目標區(qū)域。因此相比傳統(tǒng)灰度值單維度描述目標特征具有更強的魯棒性，在滿足特定條件的應用場景下，理論上深度學習超越現(xiàn)有算法的識別、分割與分類性能。

在錫焊焊點外觀缺陷檢測系統(tǒng)中，形態(tài)各異的焊點特征為深度學習提供了大量有效的數(shù)據(jù)。在大數(shù)據(jù)的支持下，配合顯卡的強大算力，對深度學習模型進行大量驗證及優(yōu)化。深度學習高效、精確、有效的檢測能力得到了驗證，在后期大批量生產(chǎn)測試中，漏誤判達到了理想預期。

三、 效果展示

錫焊焊點檢測部分效果如圖4所示：

圖4 檢測效果展示

目前深度學習模型，在工作過程中需要有標簽的大量數(shù)據(jù)來進行監(jiān)督學習，而大量的缺陷圖像標記是一個難題。隨著科技的發(fā)展，引入無監(jiān)督學習會減少有監(jiān)督深度學習所需的大量數(shù)據(jù)，使系統(tǒng)的搭建更加方便快捷。集合有監(jiān)督與無監(jiān)督兩種模式，會使得錫焊焊點外觀缺陷檢測系統(tǒng)更加完善。

外觀缺陷檢測的未來發(fā)展趨勢

隨著生產(chǎn)需求不斷提高、技術水平高速更迭、生產(chǎn)設備自動化程度提高和生產(chǎn)規(guī)模的擴大，外觀缺陷檢測技術憑借高效、高質(zhì)量與高適用性已在3C電子、汽車、航空航天等智能制造領域擁有廣闊的應用空間和高效的應用價值，在技術層面不斷地向更精準化、智能化方向進行突破。助力生產(chǎn)品質(zhì)的同時，外觀缺陷檢測技術也能有效節(jié)省日漸昂貴的人力成本，為自動化智造生產(chǎn)提供更清晰全面的解決方案與發(fā)展方向。

審核編輯：郭婷