焊接是全球制造業涉及的最關鍵工藝之一，對于連接和熔合材料以形成堅固可靠的結構至關重要。通過監測焊縫對母材的熔透，可以確保焊縫的質量和完整性。由于其動態特性和高溫，直接觀察焊接接頭，尤其是液-固界面，可能具有挑戰性。

過去，傳感器用于從氣液界面收集焊接數據，為操作員提供熔深部位的間接推斷。

焊接本身就是一個復雜的過程。實現對焊接過程的一致和精確監控涉及在主動焊接期間的某個時候檢測、測量和跟蹤焊弧和熔池。不同的材料冶金、波動的輸入功率參數、保護氣體成分以及電線質量和位置只是使準確監測變得困難的一些變量。為了克服這些挑戰，熱成像和實時數據分析等先進技術正在徹底改變焊接領域，并使焊工能夠實現對其工藝的無與倫比的理解。

?先進的監控技術如何改進焊接工藝

熱成像技術可以將對焊接過程的理解提升到一個全新的水平。通過將高質量的熱圖像與適當的機器視覺工具相結合，盡管典型焊接環境中的光和熱存在變化，但可以有效地對熔池、焊槍尖端質量和冷卻焊道等焊接特征進行成像和分析。機器視覺技術可以從圖像中提取特征和數據，以便使用形狀分析、邊緣檢測、模式匹配和溫度分析來表征焊縫的特征。

例如，使用機器視覺，可以通過將其溫度特性與焊接場景的其余部分分割來識別熔池邊界。分割后，當熔池移動或變形其形狀時，可以測量和跟蹤所得熔池區域的特定幾何參數，例如形狀、面積和位置。當在狹窄空間、有限的照明和攝像機角度等因素變化的復雜情況下仍然可以檢測到熔池時，這一點尤其有價值。

圖?1：使用?Blob?工具?（Xiris）?分割的熱圖像的熔池

采用機器視覺和AI實現更智能的焊接解決方案

盡管在焊接工藝中使用傳統機器視覺方面取得了重大進展，但仍然存在一些挑戰。使用經典機器視覺識別焊接場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性，因為所有這些特征的光強度可能足夠相似，導致每個物體的像素數量減少或增加。

在機器視覺中，多種算法協同工作以檢測和跟蹤視頻中的對象。這種方法在大多數情況下是有效的，但在熔池的情況下，由于熔池與周圍金屬之間的顏色或對比度差異不足，該技術難以檢測橢球體形狀。為了解決這個問題，可以采用其他技術，如邊緣檢測、降噪和圖像平均，來有效地跟蹤和記錄熔池。

這種機器視覺技術可以改善物體跟蹤，使其更加精確，即使物體部分或完全被遮擋，從而簡化識別水坑后的測量。

但是，在某些情況下，需要更好的技術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驅動用于增強熔池監控和參數優化

傳統的對象檢測過程依賴于識別對象與其背景之間的亮度水平差異，或查找對象存在的邊緣。焊接的高溫環境使用計算機視覺直接觀察液-固界面變得更加復雜。為了克服這個問題，使用熱像儀來收集場景溫度的2D圖像。對于這樣的圖像，對象分割絕對比僅使用可見光成像更容易。

然而，即使是最好的經典機器視覺技術也無法一直分割所有特征。可以采用AI（人工智能）技術來提高場景分割的質量，以便更好地提取數據。此外，其他頂部傳感器可用于從焊接界面收集原始數據。這種間接方法涉及識別與熔透狀態變量相關的現象，例如不完全熔透、熔深和背面熔透寬度。

為了使用AI增強模型預測，需要多個數據源，尤其是在復雜的焊接工藝、材料特性、溫度變化和其他焊接參數不斷變化的情況下。這些源可以包括熔池反射圖像、熔池池振蕩圖像和溫度場。使用AI處理引擎集成和分析所有數據源，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進行實時焊縫監測

來自美國肯塔基大學的RuiYu等人最近進行了一項研究，證明了基于AI/深度學習的實時監測對焊縫熔深的有效性。研究人員強調了動態調整焊接參數的必要性，以及由于焊接過程中熔深狀態的不可觀察性而難以進行實時現場監測。

論文中使用的數據集由焊接過程的熱圖像組成。這些圖像使用深度學習算法進行處理，以識別和跟蹤熔池的輪廓和溫度模式，并取得了可喜的結果。這項研究強調了熱焊接相機通過卓越的圖像質量和實時數據處理來增強焊縫熔深監測的潛力。

結論：通過AI監測技術提高焊接質量

SWIR熱像儀技術、經典機器視覺和AI技術正在徹底改變焊接精度、性能和整體質量。檢測和跟蹤焊接電弧和熔融水坑所帶來的挑戰凸顯了每種機器視覺應用的獨特性。在一種情況下有效的技術在另一種情況下可能不夠用，這凸顯了全面了解各種機器視覺算法及其特定用例的重要性。通過利用SWIR熱像儀技術和先進的溫度模式檢測，現代焊接系統可以實現前所未有的可靠“電弧接通”性能，確保高質量焊接并提高制造的整體生產力。

源自網絡

審核編輯 黃宇