AI焊接缺陷偵測：气孔、裂紋和未熔合
焊接缺陷每年給製造商造成數十亿美元的返工、廢品和保修索赔損失。汽車車身焊接中一個未被檢測到的裂紋可能導致灾難性故障。航太部件中的气孔缺陷可能直到零件投入使用時才显現。傳統檢測方法--目視檢查、X射線和超声波檢測--速度慢、成本高，而且往往在生產周期的後期才能發現缺陷。
AI視覺檢測正在革新焊接品質控制，它能在焊接點即時檢測缺陷，準確率超過人工檢測員和傳統自動化方法。
AI可檢測的關鍵焊接缺陷
不同的焊接工藝--激光焊接、電阻點焊、電弧焊--會產生不同的缺陷特徵。以下是影響結构完整性和產品品質的最關鍵缺陷：
1. 气孔和气泡
原因：凝固過程中气體被困在熔融焊池中，通常由污染、保護气體不當或潮湿引起。
影響：使焊缝強度降低30-50%，產生應力集中點，可能導致過早失效。
AI檢測：透過視覺識別表面气孔，透過焊缝冷却階段的熱成像分析識別內部空洞。
2. 裂紋（熱裂紋和冷裂紋）
原因：冷却過程中的熱應力（熱裂紋）或氢脆（冷裂紋）。材料選擇和焊接參數是關鍵因素。
影響：可能随時間扩展，導致灾難性結构失效。航太和壓力容器應用要求零容忍。
AI檢測：使用高解析度成像和在數千個裂紋樣本上訓練的模式識別演演演算法檢測小至50微米的微裂紋。
3. 未熔合和未焊透
原因：熱输入不足、接頭準備不當或污染導致母材無法完全熔化和熔合。
影響：產生在載荷下會失效的弱接頭。常見於厚材料或多道焊。
AI檢測：分析焊缝幾何形状、表面紋理和熱影響區特徵以識別熔合缺陷。
4. 飛溅和表面污染
原因：焊接電流過大、气體流量不當或母材污染導致熔融金属喷射。
影響：A級表面的外观缺陷、潜在腐蚀點以及對後續塗層工藝的干擾。
AI檢測：識別飛溅圖案、尺寸和分布，以確定焊接參數最佳化需求。
5. 咬邊和重疊
原因：行進速度過快或焊接角度不當導致沟槽（咬邊）或材料堆積過多（重疊）。
影響：降低疲劳壽命的應力集中點。重疊可能干擾零件裝配。
AI檢測：使用3D成像或與AI分析整合的激光轮廓量測來量測焊缝轮廓。
為什麼傳統焊接檢測方法不足
延遲檢測的高成本
在零件已經移至下游後透過目視檢測發現的焊接缺陷，修複成本是在焊接點發現時的10倍。如果缺陷到達最終裝配，成本乘以100倍。如果到達客戶手中，考虑到召回、保修工作和品牌損害，成本可能超過1000倍。
傳統檢測方法面臨重大局限性：
目視檢測
- • 只能檢測表面缺陷
- • 受檢測員疲劳和偏見影響
- • 不同班次結果不一致
- • 對於大批量生產太慢
- • 漏掉視覺阈值以下的微缺陷
X射線檢測
- • 設備和操作成本高
- • 辐射安全問題
- • 吞吐量慢（每個焊點幾分钟）
- • 需要經過培訓的射線照相技术人員
- • 無法以生產速度在線進行
超声波檢測
- • 需要耦合剂和表面準備
- • 僅限於可接近的焊接位置
- • 扫描速度慢
- • 複雜幾何形状難以自動化
- • 設備和操作員培訓成本高
破壞性檢測
- • 破壞樣品零件
- • 只提供統計品質資料
- • 缺陷可能發生在樣品點之間
- • 對於小批量生產成本高
- • 結果滞後生產數小時或數天
AI視覺如何改變焊接檢測
Overview.ai的OV80i視覺系統將先進硬體、邊緣AI處理和專門為焊接缺陷偵測訓練的深度學習演演演算法結合在一起：
即時在線檢測
與離線檢測方法不同，AI視覺在焊接點運行：
- 即時反馈：焊接完成後100毫秒內檢測到缺陷
- 100%檢測：每個焊點都經過驗證，而非統計抽樣
- 過程控制整合：根據缺陷趨勢自動調整焊接參數
- 減少廢品：在額外增值操作之前識別不良焊點
多模態感測實現全面檢測
OV80i支援多種成像模式，可組合使用以實現最高檢測精度：
- 高解析度RGB成像：以8MP解析度捕獲表面缺陷、飛溅和焊缝幾何形状
- 熱成像整合：监測焊池温度和冷却速率以預測內部缺陷
- 結构光3D：量測焊缝轮廓、熔深和尺寸精度
- 多角度捕獲：最多4個同步相機實現完整的焊接檢測覆蓋
在數百萬焊點上訓練的深度學習模型
Overview.ai的焊接缺陷模型在大量資料集上預訓練，可針對您的特定應用進行微調：
產業應用和成功案例
汽車：白車身點焊檢測
挑戰：汽車製造商每辆車需要進行3,000-5,000個電阻點焊。人工檢測在生產量下是不可能的。X射線抽樣會漏掉抽樣點之間的缺陷。
解決方案：AI視覺系統即時檢測每個點焊熔核直径和壓痕深度。與機器人焊接单元的整合可以在車身移至下一工位之前自動返修缺陷焊點。
結果：下游焊接故障減少94%，整體車身製造時間減少15%，4個月內實現投資報酬。
航太：激光焊缝完整性
挑戰：航太部件要求零缺陷的气密密封。傳統的渗透檢測需要數小時，只能提供透過/失败結果，沒有缺陷特徵。
解決方案：OV80i多相機設定在激光焊接過程中和焊接後立即從多個角度捕獲焊缝。AI即時檢測微裂紋、气孔和未熔合。
結果：100%在線檢測取代抽樣方法，檢測人工減少80%，為過程最佳化提供完整的缺陷資料。
重型設備：結构焊接品質
挑戰：重型設備製造商需要驗證車架和底盤中的厚截面焊接。超声波檢測速度慢且依赖操作員。
解決方案：在多道焊接過程中，AI視覺與熱成像相結合，提供關於熔深和道間潜在熔合缺陷的即時反馈。
結果：檢測周期加快60%，一次焊接品質提高，破壞性檢測需求減少。
實施路線圖
部署AI焊接檢測通常遵循以下時間表：
第1階段：系統設計和整合（第1-2周）
- • 現場調查以確定相機位置和照明要求
- • 設計PLC整合以與焊接单元通信
- • 安裝硬體製造和安裝
- • 邊緣運算基础設施設定
第2階段：資料收集和模型訓練（第3周）
- • 捕獲良好焊點和已知缺陷類型的影像
- • 使用基於瀏覽器的標注工具標記訓練資料
- • 訓練客製AI模型（1-2小時計算時間）
- • 對保留的測試集驗證模型精度
第3階段：生產驗證（第4-5周）
- • AI檢測與現有品質檢查并行運行
- • 將AI結果與破壞性檢測和人工檢測進行比较
- • 微調檢測阈值和靈敏度
- • 培訓操作員使用系統介面和警報處理
第4階段：全面生產部署（第6周+）
- • 過渡到自主在線檢測
- • 將缺陷資料與MES和品質管理系統整合
- • 根據缺陷趨勢實施自動過程控制
- • 使用生產資料持續改進模型
焊接檢測技术規格
硬體能力
- • 相機：最多4個8MP全局快門感測器
- • 幀率：每相機30 FPS（總計120 FPS）
- • 解析度：檢測小至50微米的缺陷
- • 照明：可調強度整合LED阵列
- • 處理：NVIDIA Orin NX 16GB邊緣AI
軟體功能
- • 模型：預訓練的焊接缺陷偵測
- • 客製：針對您的焊接類型進行微調
- • 介面：基於瀏覽器的設定和監控
- • 整合：REST API、MQTT、工業協定
- • 資料：用於缺陷歷史和分析的SQL資料庫
投資報酬計算示例
以下是中型汽車供應商的實際投資報酬場景：
AI視覺實施前的年度成本
- • 漏檢缺陷的返工和廢品：$850K
- • 人工檢測劳動力（3名檢測員）：$240K
- • X射線抽樣（設備和操作員）：$120K
- • 客戶退货和保修：$380K
- 年度總成本：$1.59M
AI視覺實施後
- • 系統投資（2個单元）：$180K
- • 年度軟體和支援：$30K
- • 返工減少（85%降低）：$128K
- • 退货減少（90%降低）：$38K
- 年度淨節省：$1.21M
- 投資報酬期：5.3個月
最大精度的最佳實践
- 針對焊缝表面特徵最佳化照明：使用低角度定向照明檢測裂紋，漫射照明檢測气孔，同轴照明檢測激光焊。
- 焊接後立即校準：在焊缝仍然温熱時檢測，以捕獲指示內部缺陷的熱特徵。
- 使用實際生產缺陷訓練模型：虽然預訓練模型提供了起點，但使用您特定的材料、焊接參數和缺陷模式進行微調可显著提高精度。
- 實施闭環控制：使用缺陷趨勢資料自動調整焊接參數，在缺陷發生之前預防。
- 維護全面的缺陷資料庫：儲存所有缺陷影像和分類，用於持續模型改進和根本原因分析。
未來：預測性焊接品質控制
下一代AI焊接檢測超越缺陷偵測，進入預測性品質控制：
- 焊接參數最佳化：AI分析焊接參數（電流、電壓、行進速度）與缺陷率之間的關系，推荐最佳設定
- 設備健康监測：在缺陷發生之前檢測指示電極磨損、保護气體污染或其他設備問題的模式
- 材料可追溯性：將缺陷率與材料批號關聯，識別問題批次
- 數位孪生整合：將AI視覺資料與焊接仿真模型結合，預測新設計的焊接品質
