基于机器视觉的焊缝缺陷检测研究报告

基于机器视觉的焊缝缺陷检测研究报告摘要焊接作为现代制造业中最广泛应用的连接工艺之一，其质量直接决定结构件的承载能力、疲劳寿命与安全性能。焊缝缺陷的早期发现与准确识别是保证焊接结构服役可靠性的关键环节。传统人工目视检测与常规无损检测方法在检测效率、客观性和自动化集成能力方面存在固有局限。本报告围绕基于机器视觉的焊缝缺陷检测技术展开系统研究，从成像方案设计、图像预处理、特征提取到缺陷分类识别，构建完整的检测技术路线，分析多种算法在焊缝气孔、裂纹、咬边、未熔合等典型缺陷识别中的性能表现，并在此基础上讨论当前技术难点与未来发展方向。研究结果表明，融合结构光三维成像与深度学习的检测方案能够在复杂工业环境下实现高精度、高效率的焊缝缺陷自动识别，具备显著工程应用价值。1.引言焊接结构广泛应用于船舶、压力容器、汽车、轨道交通及航空航天等高端装备领域。焊接过程中受工艺参数波动、材料特性差异、操作环境干扰等因素影响，焊缝内部及表面不可避免地产生各类缺陷。据行业统计，焊接缺陷引发的结构失效在机械装备事故原因中占据相当高的比例，焊缝质量检测因此成为制造流程中不可逾越的质量控制环节。目前工程中常用的焊缝检测手段主要包括目视检测、射线检测、超声检测、渗透检测和磁粉检测等。目视检测依赖检测人员经验，劳动强度大、主观性强，且难以形成可追溯的量化记录。射线与超声检测虽然能够探查内部缺陷，但设备成本高、检测周期长，且对表面缺陷的敏感性有限。渗透与磁粉检测仅适用于表面或近表面缺陷，且操作流程繁琐。随着智能制造战略的深入推进，生产线对在线、实时、无损、可量化的焊缝质量评价手段的需求日益迫切。机器视觉技术以光学成像为基础，结合图像处理与模式识别算法，能够实现焊缝外观形貌的非接触式快速获取与自动判读。近年来，工业相机分辨率的提升、LED与激光光源的成熟、嵌入式计算平台算力的增强以及深度学习算法的突破，共同推动了机器视觉在焊缝缺陷检测领域的实用化进程。与人工检测相比，机器视觉系统具有检测速度快、重复性好、判定标准统一、检测结果可数字化存储等显著优势。本报告旨在系统研究基于机器视觉的焊缝缺陷检测方法，重点分析成像系统设计、图像预处理算法、缺陷特征表达与分类模型四个核心环节的关键技术，并通过实验对比验证各方法的有效性，为工程应用提供技术参考。2.焊缝缺陷类型与检测需求分析焊缝缺陷依据其几何形态、空间位置和形成机理可划分为多种类型。在机器视觉检测语境下，依据缺陷在图像中的表现形式，可将其归纳为以下几类。气孔是最常见的焊缝体积型缺陷，由熔池中气体在凝固前未能逸出而形成，在图像中表现为近似圆形或椭圆形的暗斑或亮斑，边缘较为光滑，尺寸从亚毫米到数毫米不等。气孔的存在减小了焊缝有效承载截面积，密集气孔群可能引发应力集中。裂纹是危害性最大的焊缝缺陷类型，具有尖锐的端部和狭长的几何特征，在图像中表现为细长的暗线或不连续线状特征。裂纹可能在焊接过程中产生，也可能在服役阶段萌生扩展，对结构安全构成严重威胁，是检测中不允许漏检的关键缺陷。咬边是沿焊缝与母材交界处形成的凹陷沟槽，在图像中表现为焊缝边缘的连续或断续暗带。咬边削弱了接头截面并造成应力集中，是评价焊缝外观质量的重要指标。未熔合与未焊透属于平面型缺陷，分别发生在焊缝金属与母材之间或焊接接头的根部区域。这类缺陷在表面图像中可能表现为沿焊缝方向的线状轮廓异常，与正常焊缝纹理的灰度分布存在差异。从检测需求角度看，焊缝缺陷检测需要解决以下核心问题：第一，高灵敏度，能够捕捉微小缺陷的微弱图像信号；第二，高可靠性，尤其对于裂纹等危险缺陷保持极低的漏检率；第三，强鲁棒性，在焊缝表面粗糙度变化、氧化色差、弧光干扰、飞溅颗粒等多种干扰因素存在时仍能稳定工作；第四，可量化，能够输出缺陷位置、尺寸、类型等信息，为质量分级和工艺反馈提供依据。3.机器视觉成像方案设计3.1光源与照明方式焊缝表面具有明显的三维起伏形貌和金属反光特性，合理的光源与照明设计是获取高质量缺陷图像的首要前提。研究中对比了三种典型照明方案。环形LED漫射照明通过大面积均匀光照降低金属表面的镜面反射效应，适用于获取焊缝整体轮廓和较大尺寸的表面缺陷信息，但平面型微小缺陷的对比度不足。同轴平行光照明利用分光镜将光线垂直投射至焊缝表面，对表面平整度变化敏感，有利于凸显咬边和未熔合等几何偏差类缺陷。低角度掠射照明使光线以近切线方向照射焊缝表面，微小的高度变化即产生显著的明暗差异，对表面裂纹和微小气孔的检出效果突出。对于气孔等三维体积型缺陷，多角度组合照明能够消除单一方向照明造成的阴影盲区。本研究采用环形光与低角度条形光复合照明方案，通过分别采集多光照条件下的图像序列并进行融合处理，有效提升各类缺陷的成像完整性。3.2结构光三维成像二维灰度图像蕴含的深度信息有限，对于表面起伏类缺陷的定量描述能力不足。线激光结构光三维成像技术通过激光三角测量原理获取焊缝表面的三维形貌数据。线激光器投射一条窄带激光至焊缝表面，工业相机从与激光平面成一定夹角的方向拍摄激光条纹的形变图像，经三角几何计算重建焊缝截面的高度轮廓。配合运动平台沿焊缝方向匀速扫描，即可获得完整的焊缝三维点云。结构光方案对焊缝余高、咬边深度、表面凹陷等几何量具有直接测量能力，测量精度可达微米量级。此外，三维数据不受表面颜色和纹理变化的影响，对金属氧化色差和油污干扰具有天然的抗性。其局限在于检测速度受扫描运动约束，且对深窄裂纹的灵敏度受到激光条纹成像分辨率的制约。3.3图像采集系统集成研究搭建的焊缝缺陷检测实验平台包括：高分辨率CMOS工业相机（分辨率2448×2048，帧率35fps）、线激光发生器（波长450nm，功率100mW）、环形LED光源（色温6500K）、精密直线运动平台（重复定位精度±5μm）及工控机（配置NVIDIAGPU用于深度学习推理）。相机与激光器安装在可调角度支架上，通过标定板完成相机内参标定和激光平面标定。焊接试板由六轴焊接机器人制备，包含人工预制缺陷和自然焊接缺陷两组样本。4.图像预处理与特征提取方法4.1图像预处理流程焊缝原始图像中包含大量噪声和无关信息，预处理的目的在于增强缺陷信号、抑制干扰成分并为后续分析提供规范化输入。本研究采用的预处理流程包括以下几个步骤。首先进行感兴趣区域提取。焊缝在整幅图像中通常只占据有限区域，通过边缘检测与直线拟合定位焊缝边界，将分析区域限定在焊缝及热影响区范围内，减少背景干扰并降低计算量。其次是图像滤波去噪。针对金属表面的散粒噪声和传感器噪声，对比了高斯滤波、中值滤波和双边滤波的去噪效果。中值滤波对椒盐噪声抑制效果显著，双边滤波在去除噪声的同时能够保持缺陷边缘的清晰度，对后续缺陷边缘提取最为有利。对比度增强环节采用自适应直方图均衡化与局部对比度增强相结合的策略。焊缝表面局部区域灰度差异微弱，全局增强方法无法兼顾不同区域的光照不均问题。限制对比度自适应直方图均衡化（CLAHE）将图像划分为重叠子块分别进行直方图均衡，有效提升了微小气孔和浅表裂纹的视觉显著性。针对结构光三维数据，预处理包括激光条纹中心提取、异常点剔除、缺失区域插值和表面平滑处理。条纹中心提取采用灰度重心法与Steger亚像素提取算法相结合，提取精度达到亚像素级别。4.2缺陷特征表达有效的缺陷特征是连接图像信号与分类决策的桥梁。本研究中特征的构建覆盖了灰度统计、纹理、几何形状和频域等多个维度。灰度统计特征包括缺陷候选区域的均值、方差、偏度、峰度及灰度共生矩阵衍生参数。气孔区域通常具有较暗或较亮的均匀灰度分布，与基材形成显著对比。裂纹区域灰度方差较大，沿裂纹走向呈现明显的方向性。几何形状特征包括区域面积、周长、圆度、长宽比、矩形度、致密度等。气孔由于形成机理的物理特性，形状趋向圆形，圆度通常大于0.8。裂纹的长宽比远大于其他缺陷类型，一般在5以上，且边缘粗糙度较高。咬边表现为沿焊缝方向的细长凹陷区域，其长轴方向与焊缝走向平行。纹理特征采用局部二值模式和Gabor滤波响应描述。LBP特征对光照变化不敏感，能够刻画焊缝表面微观纹理的规律性差异。Gabor滤波器组在不同方向和尺度上提取纹理响应，有效表达裂纹的方向性特征。三维几何特征从结构光获取的深度数据中计算，包括缺陷区域的深度均值、最大深度、体积、表面积比和截面轮廓曲率等。咬边缺陷的截面轮廓呈明显的V形或U形凹陷，深度特征与周围正常表面存在显著差异。频域特征通过二维傅里叶变换和离散余弦变换提取。焊缝正常纹理在频域中表现为沿焊缝方向的能量集中，而气孔和裂纹等异常区域产生频谱的局部扰动，可通过频域能量分布的变化进行检测。5.缺陷检测与分类算法研究5.1传统机器学习方法在深度学习大规模应用之前，传统机器视觉检测通常遵循“特征提取+分类器”的两阶段范式。本研究选取支持向量机（SVM）和随机森林作为代表性分类器进行实验评估。SVM以缺陷特征向量为输入，通过核函数将特征映射至高维空间，寻求最优分类超平面。采用径向基核函数，通过网格搜索与交叉验证确定惩罚系数C和核参数γ的最优组合。实验表明，SVM在四类缺陷（气孔、裂纹、咬边、未熔合）与正常焊缝的五分类任务中取得了89.7%的总体准确率。其中气孔与咬边的识别准确率较高，分别达到94.2%和91.5%；裂纹的召回率偏低，为83.6%，主要原因是细小裂纹的特征信号微弱，在特征空间中与焊缝表面纹理划痕存在交叠。随机森林通过集成多棵决策树提升分类稳定性，对特征尺度和噪声具有较好的鲁棒性。在相同特征集上，随机森林的总体准确率为87.3%，略低于SVM，但其对裂纹的召回率达到86.1%，显示出对不平衡类别的一定适应性。特征重要性分析表明，圆度、长宽比和深度均值是区分主要缺陷类型的核心特征，累计贡献率超过70%。传统方法的主要局限在于：特征设计依赖专业领域知识，难以覆盖所有缺陷形态变化；在焊接工艺变化或材料更换时，特征有效性可能下降，需要重新调整特征提取参数；对复杂背景和低对比度缺陷的适应能力有限。5.2深度学习方法卷积神经网络（CNN）能够自动从原始图像中学习层次化特征表示，避免了人工特征设计的主观性和不完备性。本研究分别构建了基于图像分类和基于目标检测的两类深度学习方案。第一类方案将缺陷检测转化为图像块分类问题。采用滑动窗口在焊缝图像上提取固定尺寸的图像块，输入CNN模型进行分类判断。比较了AlexNet、VGG16和ResNet50三种经典网络结构。在包含8000个标注图像块的数据集上训练，ResNet50表现最优，测试集五分类准确率达到95.8%，较VGG16提升3.2个百分点。深度残差结构有效缓解了深层网络的梯度消失问题，使模型能够学习到更丰富的缺陷语义特征。数据增强策略包括随机旋转、水平翻转、亮度扰动和弹性变形，将训练样本扩充至原始数据量的6倍，显著提升了模型的泛化能力。第二类方案采用端到端目标检测框架，直接输出缺陷的位置和类别。对比了YOLOv5和FasterR-CNN两种代表性检测网络。FasterR-CNN的检测精度更高，平均精度均值（mAP@0.5）达到91.4%，对裂纹的召回率提升至89.7%。YOLOv5在推理速度上具有明显优势，在GPU加速下达到62fps，满足实时检测需求，mAP@0.5为88.9%。对于在线检测场景，速度与精度的权衡取决于具体应用对节拍和漏检率的要求。针对数据集中裂纹样本数量少导致的类别不平衡问题，采用了焦点损失函数替代标准交叉熵损失，通过降低易分类样本的损失权重、提高难分类样本的权重，使裂纹类别的召回率提升了4.5个百分点。同时，在训练过程中引入在线困难样本挖掘策略，每轮迭代自动选取分类置信度最低的样本加入训练批次，进一步改善了模型对困难样本的判别能力。5.3二维与三维信息融合方法单一成像模态存在固有局限：二维灰度图像对深度类缺陷（如咬边深度、表面凹陷）的定量评价能力不足；三维形貌数据对细微的表面裂纹和颜色纹理类特征的表达能力有限。本研究提出了二维灰度与三维形貌特征融合的检测框架。融合策略在决策级进行。独立训练的二维CNN模型和三维点云分类模型分别输出各自的类别概率向量，通过加权平均或Dempster-Shafer证据理论进行融合决策。实验结果显示，融合后的总体准确率达到97.1%，较单模态最佳结果提升1.3个百分点。提升最为显著的是咬边缺陷，准确率从92.8%提升至96.4%，印证了深度信息对咬边类几何缺陷判别的重要价值。对于气孔与裂纹，三维信息的加入也带来了不同程度的小幅提升，表明融合策略在整体上优于任何单一模态。6.实验结果与分析6.1实验数据集实验使用两类焊接试板构建测试数据集。第一类为人工预制缺陷试板，在焊接前于坡口内预置异物、改变局部保护气体流量或调整工艺参数，产生已知类型和位置的气孔、未熔合缺陷；焊接后通过机械加工模拟咬边缺陷。第二类为自然焊接缺陷试板，由实际生产中的不合格焊接件筛选获得。所有试板均经过射线检测和渗透检测进行缺陷标注验证，确保标签的准确性。最终数据集包含焊缝图像共3600幅，其中含缺陷图像2876幅，正常图像724幅。缺陷类别分布为：气孔类892幅、裂纹类415幅、咬边类768幅、未熔合类561幅、未焊透类240幅。数据集按7:1.5:1.5的比例划分为训练集、验证集和测试集。6.2性能评估指标评估采用分类任务常用指标：精确率（Precision）、召回率（Recall）、F1分数和总体准确率。对于缺陷检测任务，召回率的意义尤为重要，漏检可能造成严重的质量安全隐患，因此将召回率作为首要优化目标，同时兼顾精确率以控制误报带来的后续复检成本。6.3结果对比二维灰度图像方案中，ResNet50模型在测试集上各缺陷类别的F1分数为：气孔0.962、裂纹0.894、咬边0.928、未熔合0.915、未焊透0.903，总体F1为0.926。裂纹类别的F1分数最低，主要受细小裂纹与表面划痕的区分困难影响。融合方案中，各缺陷类别的F1分数分别为：气孔0.968、裂纹0.913、咬边0.964、未熔合0.938、未焊透0.921，总体F1达到0.948。各主要指标均优于单一二维方案，尤其是在咬边和裂纹类别上的提升具有统计显著性。对于检测速度，ResNet50滑动窗口方案的吞吐量为每秒处理约18个图像块区域，完整焊缝图像的平均检测时间为2.3秒；YOLOv5目标检测方案平均检测时间为0.16秒，满足在线实时检测需求；融合方案由于需要同时采集二维与三维数据，完整检测周期为3.8秒，适用于离线或半在线检测工位。6.4误检与漏检分析对测试集中所有误检和漏检样本的回溯分析表明：误检的主要来源包括焊缝表面的飞溅颗粒被误判为气孔、打磨痕迹被误判为裂纹、焊缝余高局部不规则变化被误判为咬边。漏检主要集中在深度小于0.3mm的微裂纹和直径小于0.5mm的微小气孔，以及位于强烈弧光反射区域的低对比度缺陷。针对飞溅颗粒干扰，可通过引入缺陷面积阈值和圆度联合判断条件降低误报；对于打磨痕迹的干扰，融合三维深度特征后误判率显著下降，因为打磨痕迹在三维形貌中通常不呈现裂纹典型的尖锐V形截面特征。微裂纹的漏检与成像分辨率密切相关，提升相机分辨率或采用微距镜头进行局部高倍率复检是可行的改进路径。7.工程应用中的关键技术问题将实验室研究成果向工业现场转化面临多个工程技术挑战。首先是环境光干扰问题。焊接车间中弧光、环境照明和金属表面反射光的光照条件复杂多变，需要采用窄带滤光片配合激光光源或特定波长LED，从光学层面抑制环境干扰。本研究选用450nm蓝光线激光器并在相机前加装对应中心波长的窄带滤光片（半高宽10nm），有效消除了弧光干扰。其次是检测系统的适应性问题。不同焊接工艺（MIG、TIG、激光焊等）、不同材料（碳钢、不锈钢、铝合金等）的焊缝外观存在显著差异，单一固定参数的检测模型难以覆盖全部工况。工程中需要根据焊缝类型建立分类模型库，检测时先进行焊缝类型识别，再调取对应模型进行缺陷检测。或者采用迁移学习方法，在新工况下使用少量标注样本进行模型微调，快速适配新的生产条件。计算时效性是实现在线检测的关键制约因素。在保证检测精度的前提下，可通过模型轻量化技术（如知识蒸馏、网络剪枝、量化压缩）降低计算需求，或将推理任务部署到嵌入式GPU或