汽车生产对质量标准要求极高，这自然也适用于白车身（BIW）的焊接工艺。车身稳定性的重要性不言而喻，对于车身壳体的焊接，目前最值得关注的是如何全自动、无缝地实现高质量的焊接连接。

保证焊接质量的挑战性在于：焊接过程中可能出现多种影响车身焊接质量的缺陷，例如裂纹、焊缝不完整和焊接图案不规则等。要保证车身品质，就必须要精准地识别出这些缺陷。

西班牙自动化专业公司 DGH致力于为多个行业提供创新的流程自动化解决方案。受到法国一家大型汽车集团的委托，DGH 的专家团队开发了一套自动化系统，用于检测通过惰性气体保护焊接（MIG 焊接）工艺实现的金属部件之间的焊接质量。

这套检测系统全面自主地提升了整个检测流程的一致性、速度、可靠性和准确性，帮助汽车客户精准地攻克了保证车身焊接质量这一难题。

机器视觉检测方案

DGH开发的是一套基于机器视觉的解决方案，该方案是采用MVTec 公司的HALCON 软件及深度学习工具开发的。

这套检测系统能够自动捕捉焊点的图像，随后立即由HALCON软件中的 AI 算法和 DGH 的机器视觉软件对捕获的图像进行检测，并将检测结果—— 合格（OK）或不合格（NOK）发送给PLC，再由PLC相应地控制车身的后续处理流程。

MVTec HALCON是 MVTec 公司的标准机器视觉软件，该公司自1996年成立以来，一直致力于开发独立于硬件的工业机器视觉软件，并且已经成为该领域的技术领导者之一，这在一定程度上得益于其提供了多种强大的深度学习算法。

生产中的深度学习：焊接质量的光学检测

深度学习是人工智能（AI）的一种类型。在机器视觉领域，深度学习使得越来越多的应用得以实现，包括一些此前无法实现的应用。与此同时，深度学习还能显著提升现有应用的性能。

DGH充分利用了AI领域的这些技术进展。“此前，这项检测工作一直由资深的检验员完成，因为从不同工艺中判断焊接质量是否合格，绝非易事。因此在开发新系统时，我们融入了这些资深检验员的经验，用他们的知识训练底层深度学习网络。只有借助深度学习技术，才能实现所需要的稳定的识别率。”DGH创新与技术总监Guillermo Martín解释道。

DGH新开发的检测系统，其主要目标是确保所有焊缝都达到极高的质量标准。此外，这种全新的自主质量检测旨在发挥自动化的根本优势，即相比于人工决策的主观性，该系统能够实现更快的速度、更高的可靠性、准确性和决策一致性。

开发此类系统面临诸多挑战。“我们很清楚，必须基于机器视觉来构建系统。传感器或传统的 2D/3D 视觉系统无法应对焊缝的复杂性。因此，第一个挑战是开发可行的解决方案，能够可靠地检测不同类型的缺陷；第二个挑战是将资深检验员的专业知识转化为深度学习应用；最后，第三个挑战是在短时间内完成检测流程，因为生产周期非常紧张。”Martin解释道。

目前这家法国汽车制造商的工厂中运行的系统工作流程如下：当车身到达检测站时，PLC 会触发各类检测流程。检测站接收到触发信号后，搭载的2D相机会逐个或依次拍摄焊接点的图像，并通过 GigE Vision 协议传输到机器视觉软件中进行处理。系统会检测焊缝周围是否存在异常，能够可靠地检测不同焊接工艺产生的各类焊点、焊缝和焊斑。随后将检测结果发送至 PLC，并且会在屏幕上显示相应的结果。

该检测应用是由 DGH 在工业 PC 上开发的，系统会持续监控与生产车间的PLC及多台 2D 相机的通信。MVTec HALCON 机器视觉软件是整个设备的核心。

检测系统中使用的深度学习方法

为了可靠地检测出缺陷，该检测系统中使用了两种深度学习方法。首先是“实例分割”，用于在拍摄的图像上定位相关区域（即焊缝）；这种深度学习技术能以像素级精度为不同的已训练对象分配类别。其次是“异常检测”，这种方法可以实现自动化表面检测，能够精准识别任何类型的缺陷。

“‘异常检测’对我们而言有两大关键优势：一方面，它的检测率非常高并且非常稳定；另一方面，底层神经网络的训练也很简单，这是因为训练深度学习网络主需要焊点的‘好图像’，也就是无缺陷焊缝的图像。异常检测网络仅用‘好图像’就能完成训练，并不需要‘缺陷图像’。不过，少量缺陷图像有助于找到区分合格与不合格焊缝的最佳阈值 —— 这个阈值应用于异常检测网络输出的‘异常分数’。阈值的确定不属于训练环节，因此我们只需要少量图像，这非常实用，因为‘好图像’很容易快速获取，而大量缺陷图像则难以收集，更不用说获取所有可能缺陷的图像了。这正是深度学习的明显优势。”Guillermo Martín解释道。

对于与训练图像存在差异的焊缝图像，系统能够可靠地检测出异常或缺陷。合格与不合格的判定界限由所谓的“阈值”决定。阈值是深度学习方法中的一个参数，用于规定待检测图像与已训练“好图像”的最大允许偏差值。用户可自由设置该参数，从而让AI决策的“黑箱”变得更加透明。

深度学习的重要准备：图像标注与神经网络训练

深度学习技术要求神经网络在投入运行前用图像进行训练，这些图像在训练前必须先进行标注。DGH 使用 MVTec 的Deep Learning Tool深度学习工具完成这项前期工作。通过这款免费工具，可以轻松标注图像数据并便捷地进行训练。

为了进行训练，DGH首先收集了焊缝图像，在该过程中也借鉴了员工的经验 —— 他们会检查每张图像，以确保训练使用的主要是“好图像”，若误用“坏图像”，则会导致训练结果失真。随后，将这些收集到的“好图像”导入Deep Learning Tool深度学习工具，并针对实例分割技术进行专门标注，为此，提供了Smart Label Tool智能标注工具，用户只需用鼠标点击选中焊接区域，Smart Label Tool 智能标注工具就会自动完成焊点的标注，确保深度学习工具仅基于图像的相关区域进行训练。

汽车制造商的员工也参与了这一步骤，他们清楚图像中哪些区域包含焊点的重要信息，以及焊点周围的标注框应设为多大。图像标注完成后，会进行数据集分割，通常按 50% 用于训练、25% 用于验证、25% 用于测试的比例划分。在Deep Learning Tool深度学习工具中，只需点击按钮就能轻松完成训练、验证和测试。训练好的模型会被保存，随后加载到 HALCON 中进行推理——这得益于Deep Learning Tool深度学习工具与 HALCON 的无缝兼容性。至此，软件即可投入运行。

机器视觉软件是检测系统的核心组件

“DGH 与 MVTec合作已超过十年，因此我们熟悉他们强大的工具和算法。这也是我们在这个项目中同样选择信赖 MVTec HALCON 的原因。”Guillermo Martín透露。由于生产周期紧张，使得在训练和速度方面面临挑战。此外，机器视觉软件还面临另一项挑战：金属表面的反光和多变的光照条件，让工作环境十分复杂。

DGH成功克服了所有挑战，交付了满足高质量要求的系统。“2024 年初，首套系统在该汽车制造商的工厂中投入运行。运行成功后，2024 年4月我们收到了该制造商的新请求，为其开发第二套焊接检测系统。”Guillermo Martín欣喜地表示。

该项目尤其实现了在劳动力短缺时期减少质量检测对熟练工人的依赖，进而提高了自动化程度。基于机器视觉和AI的自动化显著减少了错误，确保了焊接缺陷检测的一致性和可靠性。因此，Guillermo Martín认为，尽管多个行业和制造流程中已经广泛使用了机器视觉系统，但机器视觉的应用市场仍然存在增长潜力，例如在要求极高的复杂应用中，机器视觉结合深度学习的解决方案具备巨大的市场潜力。

图1：DGH 开发了一套自动化焊接检测系统，相机和照明装置安装在机器人上。（图片来源：DGH）

图2：机器视觉解决方案中显示了焊点及其在车身中的位置。（图片来源：DGH）

图3：焊点存在的明显差异。借助深度学习，机器视觉软件能够可靠地识别哪些焊点合格（OK）、哪些不合格（NOK）。