焊接是全球制造業(yè)涉及的最關(guān)鍵工藝之一，對(duì)于連接和熔合材料以形成堅(jiān)固可靠的結(jié)構(gòu)至關(guān)重要。通過監(jiān)測(cè)焊縫對(duì)母材的熔透，可以確保焊縫的質(zhì)量和完整性。由于其動(dòng)態(tài)特性和高溫，直接觀察焊接接頭，尤其是液-固界面，可能具有挑戰(zhàn)性。

過去，傳感器用于從氣液界面收集焊接數(shù)據(jù)，為操作員提供熔深部位的間接推斷。

焊接本身就是一個(gè)復(fù)雜的過程。實(shí)現(xiàn)對(duì)焊接過程的一致和精確監(jiān)控涉及在主動(dòng)焊接期間的某個(gè)時(shí)候檢測(cè)、測(cè)量和跟蹤焊弧和熔池。不同的材料冶金、波動(dòng)的輸入功率參數(shù)、保護(hù)氣體成分以及電線質(zhì)量和位置只是使準(zhǔn)確監(jiān)測(cè)變得困難的一些變量。為了克服這些挑戰(zhàn)，熱成像和實(shí)時(shí)數(shù)據(jù)分析等先進(jìn)技術(shù)正在徹底改變焊接領(lǐng)域，并使焊工能夠?qū)崿F(xiàn)對(duì)其工藝的無與倫比的理解。

?先進(jìn)的監(jiān)控技術(shù)如何改進(jìn)焊接工藝

熱成像技術(shù)可以將對(duì)焊接過程的理解提升到一個(gè)全新的水平。通過將高質(zhì)量的熱圖像與適當(dāng)?shù)?a href="http://www.brongaenegriffin.com/tags/機(jī)器視覺/" target="_blank">機(jī)器視覺工具相結(jié)合，盡管典型焊接環(huán)境中的光和熱存在變化，但可以有效地對(duì)熔池、焊槍尖端質(zhì)量和冷卻焊道等焊接特征進(jìn)行成像和分析。機(jī)器視覺技術(shù)可以從圖像中提取特征和數(shù)據(jù)，以便使用形狀分析、邊緣檢測(cè)、模式匹配和溫度分析來表征焊縫的特征。

例如，使用機(jī)器視覺，可以通過將其溫度特性與焊接場(chǎng)景的其余部分分割來識(shí)別熔池邊界。分割后，當(dāng)熔池移動(dòng)或變形其形狀時(shí)，可以測(cè)量和跟蹤所得熔池區(qū)域的特定幾何參數(shù)，例如形狀、面積和位置。當(dāng)在狹窄空間、有限的照明和攝像機(jī)角度等因素變化的復(fù)雜情況下仍然可以檢測(cè)到熔池時(shí)，這一點(diǎn)尤其有價(jià)值。

圖?1：使用?Blob?工具?（Xiris）?分割的熱圖像的熔池

采用機(jī)器視覺和AI實(shí)現(xiàn)更智能的焊接解決方案

盡管在焊接工藝中使用傳統(tǒng)機(jī)器視覺方面取得了重大進(jìn)展，但仍然存在一些挑戰(zhàn)。使用經(jīng)典機(jī)器視覺識(shí)別焊接場(chǎng)景中需要跟蹤的物體（通常是電弧、焊縫和熔池）的第一步可能具有挑戰(zhàn)性，因?yàn)樗羞@些特征的光強(qiáng)度可能足夠相似，導(dǎo)致每個(gè)物體的像素?cái)?shù)量減少或增加。

在機(jī)器視覺中，多種算法協(xié)同工作以檢測(cè)和跟蹤視頻中的對(duì)象。這種方法在大多數(shù)情況下是有效的，但在熔池的情況下，由于熔池與周圍金屬之間的顏色或?qū)Ρ榷炔町惒蛔悖摷夹g(shù)難以檢測(cè)橢球體形狀。為了解決這個(gè)問題，可以采用其他技術(shù)，如邊緣檢測(cè)、降噪和圖像平均，來有效地跟蹤和記錄熔池。

這種機(jī)器視覺技術(shù)可以改善物體跟蹤，使其更加精確，即使物體部分或完全被遮擋，從而簡(jiǎn)化識(shí)別水坑后的測(cè)量。

但是，在某些情況下，需要更好的技術(shù)來查找難以找到邊界的熔池的范圍。這就是AI的用武之地。

AI驅(qū)動(dòng)用于增強(qiáng)熔池監(jiān)控和參數(shù)優(yōu)化

傳統(tǒng)的對(duì)象檢測(cè)過程依賴于識(shí)別對(duì)象與其背景之間的亮度水平差異，或查找對(duì)象存在的邊緣。焊接的高溫環(huán)境使用計(jì)算機(jī)視覺直接觀察液-固界面變得更加復(fù)雜。為了克服這個(gè)問題，使用熱像儀來收集場(chǎng)景溫度的2D圖像。對(duì)于這樣的圖像，對(duì)象分割絕對(duì)比僅使用可見光成像更容易。

然而，即使是最好的經(jīng)典機(jī)器視覺技術(shù)也無法一直分割所有特征?？梢圆捎肁I（人工智能）技術(shù)來提高場(chǎng)景分割的質(zhì)量，以便更好地提取數(shù)據(jù)。此外，其他頂部傳感器可用于從焊接界面收集原始數(shù)據(jù)。這種間接方法涉及識(shí)別與熔透狀態(tài)變量相關(guān)的現(xiàn)象，例如不完全熔透、熔深和背面熔透寬度。

為了使用AI增強(qiáng)模型預(yù)測(cè)，需要多個(gè)數(shù)據(jù)源，尤其是在復(fù)雜的焊接工藝、材料特性、溫度變化和其他焊接參數(shù)不斷變化的情況下。這些源可以包括熔池反射圖像、熔池池振蕩圖像和溫度場(chǎng)。使用AI處理引擎集成和分析所有數(shù)據(jù)源，可以更全面、更完整地了解焊接過程。

圖?2：SWIR?熱像儀?（Xiris）?的?GTAW?冷卻焊道的清晰視圖?

案例研究：使用AI/DeepLearning進(jìn)行實(shí)時(shí)焊縫監(jiān)測(cè)

來自美國(guó)肯塔基大學(xué)的RuiYu等人最近進(jìn)行了一項(xiàng)研究，證明了基于AI/深度學(xué)習(xí)的實(shí)時(shí)監(jiān)測(cè)對(duì)焊縫熔深的有效性。研究人員強(qiáng)調(diào)了動(dòng)態(tài)調(diào)整焊接參數(shù)的必要性，以及由于焊接過程中熔深狀態(tài)的不可觀察性而難以進(jìn)行實(shí)時(shí)現(xiàn)場(chǎng)監(jiān)測(cè)。

論文中使用的數(shù)據(jù)集由焊接過程的熱圖像組成。這些圖像使用深度學(xué)習(xí)算法進(jìn)行處理，以識(shí)別和跟蹤熔池的輪廓和溫度模式，并取得了可喜的結(jié)果。這項(xiàng)研究強(qiáng)調(diào)了熱焊接相機(jī)通過卓越的圖像質(zhì)量和實(shí)時(shí)數(shù)據(jù)處理來增強(qiáng)焊縫熔深監(jiān)測(cè)的潛力。

結(jié)論：通過AI監(jiān)測(cè)技術(shù)提高焊接質(zhì)量

SWIR熱像儀技術(shù)、經(jīng)典機(jī)器視覺和AI技術(shù)正在徹底改變焊接精度、性能和整體質(zhì)量。檢測(cè)和跟蹤焊接電弧和熔融水坑所帶來的挑戰(zhàn)凸顯了每種機(jī)器視覺應(yīng)用的獨(dú)特性。在一種情況下有效的技術(shù)在另一種情況下可能不夠用，這凸顯了全面了解各種機(jī)器視覺算法及其特定用例的重要性。通過利用SWIR熱像儀技術(shù)和先進(jìn)的溫度模式檢測(cè)，現(xiàn)代焊接系統(tǒng)可以實(shí)現(xiàn)前所未有的可靠“電弧接通”性能，確保高質(zhì)量焊接并提高制造的整體生產(chǎn)力。

源自網(wǎng)絡(luò)

審核編輯 黃宇