文/白天翔，德擎光学

激光焊接具有热输入小、精度高、速度快等特性，是精密制造的关键工艺。也正是由于激光焊接具备高精密特性，因此微小的过程异常也可能造成质量缺陷。

德擎光学研发团队2024年发布 AI 技术与光电检测深度融合的专利检测技术，并且在真实产线上测试、验证，尝试突破传统检测瓶颈，现已实现更高效、更精准的质量控制。

传统焊接检测痛点

激光焊接涉及复杂的物理冶金过程，如熔池动态、热积累、晶粒生长等，焊接过程中易产生气孔、裂纹、翘曲变形等缺陷。

由于激光焊接过程呈现明显的多光谱辐射特性，可见光波段表征金属蒸汽喷发量和飞溅程度，反射激光表征工件对激光的吸收情况，近红外波段则反映熔池的温度波动情况。所以激光焊接在线检测的主流方案是光电探测：通过实时监测焊接过程中产生的光辐射，并将光辐射转化为电信号，再对电信号进行实时分析与异常识别，及时发出告警，从而辅助实现过程干预与质量控制，降低缺陷发生率。

图1：激光焊接在线检测主流方案的光电探测原理。

传统的光电探测对焊接过程的检测算法，一般是通过比对当前焊接信号与正常信号生成的基准，提取差异并计算如信号的波动极限、平均偏移量、方差等信号特征，然后依据是否超出设定阈值范围进行缺陷检出。实际应用中，由于检测系统的准确性依赖于特征选取、以及每个特征的阈值设定范围，因此在激光加工检测应用场景中，需要不断根据NG工件的信号特点来新增提取的特征。

为了保证所有的NG工件都能被检出，人为划定的特征阈值范围会相对较窄。该检测方式的优势是初期仅需少量数据便可建立基准设定阈值，便于快速部署。但劣势也很明显——检测精度和效率都高度依赖人工经验，无法如计算机一样遍历所有特征阈值范围组合，导致一定比例的OK工件被误判为NG工件（即“过杀”）。

德擎光学的解题思路：自动调参+AI融合检测

为了克服因依赖人工经验而产生的不稳定性，有效降低“过杀率”，德擎光学团队通过AI技术将现有检测流程进一步优化，实现了基于AI的自动参数调节。只需要导入与人工调参相同的少量OK和NG信号样本，AI自动调参即可通过数据驱动的算法，分析各个信号特征的重要性以及对判定结果的贡献度，结合预先训练的工艺库模型，得出最优的阈值范围组合。该组合能在确保零“漏杀”的前提下，实现最小化“过杀”的结果。

而针对自动调参下已最小化的“过杀率”，德擎光学研发团队为了进一步提升检测准确率，采用了基于深度学习的AI检测模型，实现传统算法与AI算法融合检测。

采用深度学习进一步将“过杀率”降低50%

虽然传统检测算法采用人工设计的特征，可以区分绝大部分OK和NG信号，但对于波形相近的样品却无能为力。德擎光学研发团队采用了基于深度学习的端到端模型，进一步提升检测的准确率。

根据真实产线的数据统计，AI 融合检测有效降低了 50% 的“过杀”，大幅提升了精密制造产线的检测精准度，减少工件浪费，提升生产效率。

图2：德擎光学AI融合检测有效降低了 50%的“过杀”。

（1）钻研真实产线的缺陷数据

德擎光学研发团队基于自研的焊接缺陷检测系统 WDD（Welding Defect Detection）在真实产线在线采集的加工结果，构建了高覆盖、高标签质量的产线数据集，并以此训练出一个“取于产线，用于产线”的智能检测系统。在实际应用中，NG数据样本往往难以获得，而德擎光学团队得益于多年来对激光焊接机理的深入研究，以及对产线NG信号关联的故障模式分析，利用函数拟合方式构造模拟缺陷信号，实现仅需要至少50个NG样本，生成超过50,000个模拟NG样本的数据增强算法，解决了AI模型训练的数据不平衡问题。

（2）训练机器学习模型

依据以上产线数据与深度学习神经网络设计思路，德擎光学团队构建了一个面向焊接缺陷检测的预训练AI模型。其模型框架灵活，可拓展包括卷积神经网络（CNN）、递归神经网络（RNN）、随机森林（RF）、支持向量机（SVM）等多种算法结构。

得到预训练模型后，德擎团队应用真实产线NG数据对模型进行多轮微调，使其学习得到的缺陷分布贴近实际工况下的缺陷分布，最终得到一个微调子模型；重复这一步，则得到多个微调子模型，随后采用集成模型方法，将多个微调子模型集成为统一的机器学习模型。该模型经多轮验证，已具备稳定判定数据符合性的能力，可直接应用于产线部署。

经过训练后，AI选取WDD在线监测的NG结果，进行智能再判，更新判定结果提升判定准确性。至此，AI模型成功应用于激光加工过程的缺陷检测，输出缺陷判定结果（OK/NG）、缺陷类型及工艺改进措施。

图3：德擎光学AI降“过杀”机制。

（3）传统算法与AI算法融合

通过将现有多光谱光学检测算法与AI 检测算法之间进行融合，德擎光学实现了在“零漏杀”条件下降低“过杀”数，大幅节省生产成本。

对于每一个工件而言，先使用传统算法对其进行初步判定，当传统算法对其判定为OK，则不进行下一步判断，使用传统算法的结果作为最终结果；当传统算法对其判定为NG，则进入AI 检测流程进行复判，使用AI 检测结果作为最终结果。传统算法具有快速部署的优势，其初步判定结果可有效提高AI检测模型训练数据的收集效率；随着AI检测模型训练完成，则可运用其精准的判别能力进一步降低“过杀率”。

图4：德擎光学AI降“过杀”效果图。

在WDD+AI融合检测以外，德擎光学还在探索基于AI的多传感器检测技术，将焊前控制、焊中监测、焊后测量等环节的传感器数据均接入AI服务器，通过模型训练实现自动故障诊断。德擎光学激光焦点测量仪 LFS（Laser Focus Sensor）、激光功率监测仪 LPM（Laser Power Monitor）、激光焊接过程熔深测量仪 WDM（Welding Depth Measurement）、光学断层扫描测量仪 OTS（Optical Tomography Scanner）等产品，都将在AI融合检测的赋能下，为客户提供更加高效且精准的质量检测数据。

未来，德擎光学将与更多客户开展联合研发，进一步提升AI自动故障诊断的功能表现，并通过数字孪生技术实现工艺参数的实时闭环优化。随着这套系统在3C电子、动力电池等领域的快速渗透，中国智造正在激光焊接领域树立起新的质量检测标杆。