一家汽车零部件厂用AI视觉做焊接质量在线检测：完整实施记录

去年年初，一家做汽车排气管和消音器的浙江工厂找到我们。他们的弧焊工位一直靠人工目检+抽检来判断焊接质量，但漏检问题越来越严重——客户退货的批次里，好几起都是焊接飞溅过大或焊道有气孔导致的。

老板说了一句让我印象很深的话："我知道有漏的，但不知道漏了多少。因为抽检就是碰运气。"

这篇文章记录我们用AI视觉方案帮他们做焊接在线全检的全过程。和之前做的几个AI视觉项目都不一样——焊接检测的光学条件和常规检测完全不是一回事。

一、现场情况摸底

去车间蹲了两天，摸清了基本情况。

• 产线情况：5条弧焊产线，每条线2-3个焊接工位，全部人工焊接（MAG焊）。日产能约1200件排气管/消音器组件
• 当前质检方式：每批次抽检20%，焊接完成后等工件冷却到室温，质检员拿卡尺量焊脚尺寸、目测飞溅和表面气孔。一个工件完整检查要3-5分钟，只能抽检
• 主要缺陷类型：焊接飞溅过大（占比约45%）、焊道气孔（约25%）、焊脚尺寸不足（约20%）、焊道裂纹（约10%）
• 环境条件：车间温度常年在35度左右，弧焊时有大量烟尘和弧光闪烁，振动很大（旁边就是冲压线）
• 节拍要求：每个工件焊接完成后，检测必须在15秒内完成——否则跟不上产线节拍

这些条件摆在这，常规的静态拍照质检方案肯定不行。弧焊车间有三大难题：弧光干扰、烟尘污染、检测节拍要快。

二、方案设计

方案的核心思路是：在焊接完成后、工件还没移走的短暂窗口期内，用高速相机配合特种光源在焊接区拍一组照片，然后通过AI模型实时判断焊道质量。

硬件选型

相机：选了200万像素全局快门工业相机，配合滤光片。全局快门能避免焊接飞溅的拖影问题。最后测试下来，在不损失画质的前提下，最快拍到清晰图像的快门速度是1/2000秒。

镜头：定焦25mm工业镜头，配合窄带滤光片（中心波长660nm）。目的是过滤掉大部分弧光干扰——弧光光谱很宽，但通过窄带滤光+主动补光，可以大幅降低弧光对成像的影响。

光源：用了660nm红色LED同轴光源。为什么选这个波长？因为MAG焊的弧光在660nm附近的能量相对较弱，配合窄带滤光片能把背景弧光压到很暗，只让补光照明区域亮起来。

边缘AI网关：部署了一台边缘AI网关（NVIDIA Jetson Orin NX级别），负责相机采集、运行推理模型、输出检测结果。所有计算都在本地完成，不依赖车间网络。

检测方案

我们设计了两个检测工位串联的方案：

• 工位一（焊缝形态检测）：焊接完成后，焊枪移开，相机立即拍摄焊道照片。检测项：焊脚宽度、焊道连续性、表面气孔、裂纹。这个工位的难点在于拍摄时机——焊接刚停的瞬间焊缝区域还有余热导致的"热雾"效应，拍出来模糊。需要延迟约0.5-1秒等热雾散去再触发拍照。
• 工位二（飞溅检测）：焊接完成后，工件移动到下一工位，用背光方式拍摄工件整体。检测项：飞溅附着量、热影响区变色范围。这个相对简单，因为工件已经冷却了一些，光源干扰少。

模型方面，用了两个模型：一个语义分割模型（识别焊道轮廓，测量焊脚宽度和气孔），一个目标检测模型（识别飞溅区域大小和密集度）。两个模型在边缘AI网关上串行运行，单帧推理时间控制在约80ms，满足节拍要求。

三、实施过程

第一阶段：光学方案验证（2周）

这个阶段花的时间远超预期。焊接检测的光学设计太难了。

第一次尝试：直接用普通LED面光源+不加滤光片。结果拍出来的图像是一片白色——弧光直接把相机饱和了，啥也看不见。

第二次尝试：加ND减光镜。确实能看到焊道了，但图像细节丢失严重，气孔和微裂纹根本分辨不出来。

第三次尝试：窄带滤光片+同轴光源。终于拍到了清晰的焊道图像——在较暗的背景下，焊道区域被补光照亮，对比度明显。但问题来了：不同焊道的反光特性不一样。有的焊道表面比较光滑（反射强），有的表面粗糙（漫反射强），导致同一组曝光参数下有的区域过亮有的过暗。

第四次尝试：动态曝光补偿。根据上一个工件的焊接参数（电流、电压、焊接速度），预测当前焊道的反光特性，动态调整曝光时间。这个方案在测试中效果不错，但实现起来稍微复杂——需要从焊接电源上读实时参数。

教训：焊接视觉检测的瓶颈90%在光学，10%在算法。如果照片拍不清楚，模型再强也白搭。这个项目里花在"怎么拍清楚"上的时间，超过了模型训练和调试的时间总和。

第二阶段：数据集构建和标注（3周）

数据采集环节遇到了几个麻烦：

• 正常件好找，缺陷件得等：正常焊道照片当天就能拍几百张，但各种类型的缺陷照片需要花时间等焊接异常发生。一些常见缺陷（飞溅过大、气孔）产量大一些，一周能收集到几十例。但裂纹和未熔合这类严重缺陷很少见，最后用了加速试验——故意调偏焊接参数来生成缺陷样本
• 标注难度大：焊道缺陷的边界很模糊。什么叫"气孔过大"？直径超过多少算缺陷？一家质检员和另一家判断标准不完全一致。最后我们做了一个标注规范文档：气孔直径超过1.5mm算缺陷，飞溅覆盖面积超过焊道总面积的5%算超标，焊脚宽度低于图纸要求的90%算尺寸不足
• 数据增强：做了多种数据增强——亮度随机变化（模拟不同的焊接余热状态）、随机噪声（模拟烟尘干扰）、随机旋转和仿射变换（模拟工件放置位置的微小偏差）

最终标注了约5200张图像，其中正常件3200张、各类缺陷件2000张。按7:2:1分成训练集、验证集和测试集。

第三阶段：模型训练和优化（2周）

语义分割模型用了U-Net结构（ResNet-18 backbone），目标检测模型用了YOLOv8n。部署到边缘AI网关上做了量化（FP16→INT8），推理速度从原来的约200ms降到了约80ms单帧。

训练过程中发现了一个比较棘手的问题：焊道类型不同，模型的精度差异很大。排气管的焊道比较规则（环形焊），检测精度较高（mIoU约0.87）。但消音器壳体上的焊道形状不规则、长短不一，模型在这些件上的表现明显差一些（mIoU约0.72）。

解决方法：把数据集按焊道类型做了分层，对消音器类焊道数据做了过采样（oversampling），训练周期比排气管类多一倍。最终消音器焊道检测的mIoU从0.72提高到了约0.81。

第四阶段：现场联调和试运行（3周）

联调阶段暴露了N个问题：

• 弧光干扰仍然存在：虽然加了滤光片，但在相邻工位同时焊接时，弧光从侧面打在工件上的散射光还是会干扰成像。解决方案是加了物理遮光板。
• 烟尘附着镜头：弧焊车间的烟尘很大，相机镜头上一天下来就蒙了一层灰，图像质量明显下降。配了气吹式自动清洁装置，每次拍摄前自动吹一下。
• 工件晃动：夹具在焊接过程中热胀冷缩，同一个工装上的工件位置每天都有微小变化。好在数据增强时做了仿射变换，模型对这种偏移有一定的容忍度。但还是加了一个简单的ROI自动定位——通过图像预处理找到焊道的粗略位置，再裁剪出ROI区域输入模型。
• 温度影响相机：车间35度+焊接热辐射，相机外壳温度到了55度以上，偶尔出现图像噪点增多的问题。加装了隔热罩和小风扇。
• 产线工人抵触：一开始工人觉得"装个摄像头来盯着我们"，反复解释了几次——这是看焊道不是看人，而且检出的缺陷可以帮助他们及时调整焊接参数。后来一位焊工师傅发现AI能看出他换了焊丝之后飞溅减少了，他反而开始主动看检测结果来调整操作。

四、实际效果

系统试运行了2个月后，我们统计了几个关键指标：

另外有两个意料之外的收获：

一个是焊接参数的优化反馈。AI检测的数据能跟具体焊工、当班次、焊接参数关联起来。以前一个焊工如果某天飞溅特别多，他自己可能不知道，班组长也未必注意到。现在系统能自动生成每天/每周的焊接质量统计——哪个工位、哪个参数设置下缺陷率高。有个焊工师傅看到数据后，自己调整了送丝速度和气体流量，飞溅率下降了约一半。

另一个是质检记录的数字化。以前验厂审核时，焊接质检记录全是手写表格，审核员翻着看也不放心。现在系统自动生成每件产品的焊接检测报告（图片+检测结果），可追溯可导出。

五、踩坑清单

这个项目踩了不少坑，挑几个值得记下来的：

1. 弧光干扰比想象中严重得多。我们一开始以为加了滤光片就万事大吉，实际到现场发现相邻工位的弧光散射进来照样影响成像。物理遮光板+滤光片组合才能解决。
2. 热雾效应。焊接刚停的瞬间，焊道上方有一层热空气造成的"雾"（热梯度导致的折射率变化），拍出来是模糊的。必须等约0.5-1秒再触发拍照。
3. 镜头烟尘。弧焊车间的烟尘量超出了我们的预期，用气吹式自动清洁也不够彻底，后来每周还要人工清洁一次。
4. 不同焊道的反光特性差异。光滑焊道和粗糙焊道需要的曝光参数完全不同，单一曝光参数无法覆盖所有情况。
5. 温度对相机的长期影响。55度以上的环境温度会显著增加CMOS传感器的暗电流噪声，表现为图像上的随机亮点。隔热+风扇是必要的。
6. 缺陷标注规范的一致性。不同标注员对"气孔过大"的判断标准不同，必须提前制定量化标准并做好标注审核。
7. 焊道类型之间的模型迁移性差。在排气管焊道上训练较好的模型，直接用到消音器焊道上精度下降很多。需要按焊道类型分别微调或者做分层训练。
8. 工人接受度管理。让工人相信"这不是监控摄像头而是辅助工具"需要时间。让工人看到检测结果能帮他们优化焊接操作，他们才会主动配合。
9. 产线停机时模型没法更新。所有模型推理在本地运行，但模型更新需要联网下载新权重。有一次产线网络断了2天，新训练的模型版本推不上去。后来加了离线更新方案——U盘拷权重文件到网关本地。

六、个人的思考

做完这个项目，我对焊接视觉检测有了几点比较深的感受：

焊接检测是AI视觉里比较特殊的一类。做普通的外观检测（PCB、包装、印刷），光学设计相对成熟，问题更多在模型层面。但焊接检测首先是一个光学问题——在弧光、高温、烟尘的恶劣环境下拍到一张合格的图像，这件事本身就占了项目的一半工作量。

真实产线的条件永远比想象的恶劣。35度车间、55度相机温度、弧光散射、油烟附着——这些是标准实验室环境里根本不会遇到的问题。做工厂项目的经验就是：永远把"现场条件比预期差50%"作为设计前提。

数据闭环的价值被低估了。很多工厂做AI质检只是为了筛选不良品，但忽略了检测数据本身——每个焊道的缺陷记录、每个焊工的质量统计、每个参数设置下的缺陷率变化——这些数据可以用来反过来优化焊接工艺。这才是长期价值所在。

这类项目适合渐进式推进。如果一开始就说"我给你们每条线都装一套"，老板肯定犹豫。先装一条线试跑一到两个月，效果可见了再推进剩下的产线，这种方式双方都轻松。

七、给你的建议

如果你也在考虑焊接视觉检测，几点供参考：

1. 别急着选相机和模型——先到产线上搞清楚您的弧焊类型（MAG/MIG/TIG/激光焊），每种焊接的弧光特性和烟尘量完全不同，方案设计差别很大
2. 光学验证阶段至少留出2-3周时间。拍不到清晰图像之前，别开始任何模型方面的工作
3. 缺陷样本不够是常态，主动设计加速试验（有意偏调焊接参数）来生成缺陷样本，比被动等缺陷发生快得多
4. 先覆盖检出率较高的缺陷类型（飞溅、气孔），再逐步增加难以检测的类型（裂纹、未熔合）
5. 不要忽视环境防护——高温、粉尘、振动都会影响设备寿命。工业相机和边缘网关建议加装工业防护外壳（IP65以上）
6. 让焊工参与进来。他们对焊接过程的了解比任何算法工程师都深，他们的经验可以帮助你理解哪些缺陷是关键的、哪些是可以接受的