假设你负责一条金属零部件产线,面前有两件刚焊完的工件:一件焊缝整齐、表面平顺,另一件飞溅明显,看着不太利落。

哪件质量更好?

直觉会把票投给前者。这很正常。外观是最容易获取的信息,焊偏、漏焊、表面裂纹等问题,也确实可能直接暴露在表面。

但如果问题变成“哪件能满足设计要求、可以放行”,仅凭这张外观选票,就不够了。

这里有个值得拆开的区别:焊缝外观检测,是焊接质量判断的一部分,不是整张质量合格证。

理解这个区别,才能知道AI视觉该放在哪个工位,报告里的“合格”该怎么读,以及哪些事情不能一股脑交给相机。

看起来好,为什么是个合理的起点?

焊缝表面不是无关紧要的“颜值”。

image_662679235587219.png

焊缝有没有漏掉、位置是否偏离、长度是否异常、表面是否存在咬边或裂纹,都可能影响后续质量判断。对于连续生产的工厂,把这些项目稳定检查出来,本身就有价值。

河北鹰眼智能科技集团有限公司就是这一环节的技术与装备提供方。其业务面向制造企业,提供AI视觉检测设备、机器人装备,以及软硬件集成和产线自动化改造服务,并非出具一张结论就结束的通用检测机构。

围绕焊接场景,鹰眼智能的焊缝AI视觉检测系统,将表面缺陷识别、三维尺寸测量、缺陷定位与机器人处理引导组合起来。这也提供了一个具体样本:工业视觉究竟能检查什么,又为什么需要和其他质量手段配合。

先别急着问“AI能不能替代质检”。

更有用的问题是:这道工序到底要确认什么?

如果任务是检查焊缝是否漏焊、偏移,以及表面有没有指定缺陷,视觉检测与任务直接相关。如果任务是确认接头内部质量、承载能力或者密封性能,就不能只看表面图像。

不是相机不努力,是题目已经换了。

表面这张照片,究竟少了什么信息?

可以把焊缝外观想成面包表皮。

表皮焦黑、开裂,你能发现一些问题;但表皮颜色均匀,不能直接证明里面已经烤熟。回到焊接,表面形貌同样只能提供特定范围的信息,不能自动揭示材料内部的全部状态。

常规光学视觉依赖可获取的表面光学信息。相机、光源和三维传感器可以帮助系统识别纹理、边缘、轮廓与高度,但不能因为装了AI,就获得穿透金属的能力。

因此,“未发现表面裂纹”不能直接改写成“内外均无裂纹”;“焊缝宽度符合设定范围”,也不能直接推出“接头强度满足设计要求”。

对于内部未熔合、未焊透、内部气孔等风险,通常需要依据材料、接头形式、工艺和适用标准,选择超声、射线等适当方法。涉及强度、密封性或疲劳性能时,还可能需要相应的试验与工艺验证。

这并不意味着每件产品都要把所有检测做一遍。

合理做法是先明确风险与验收要求,再分配检测任务。否则容易走向两个极端:要么用一张表面照片替代全部判断,要么认为看不到内部,视觉检测就没有价值。

前者把工具神化,后者又把工具提前退休了。

AI视觉的价值,是把表面问题检查得更具体

既然外观不能包办质量,为什么还要部署AI视觉?

因为“只能回答一部分问题”,不等于“这部分问题不重要”。尤其在连续生产中,检查的一致性、覆盖范围和结果可用性,都需要具体设计。

例如,只做图像分类,系统可能告诉你“这里疑似异常”;加入三维尺寸测量后,还能进一步确认相关几何参数是否越界。两种信息互相补充,但仍须服从明确的验收规则。

图片处理需求 (2)(1).png

鹰眼智能的焊缝AI视觉检测系统采用“外观+尺寸”双层确认机制:外观层通过深度学习识别表面不良;尺寸层通过AI与3D视觉算法测量相关几何参数,两层独立判定、交叉验证。

其资料列出的自动识别范围包括漏焊、焊偏、焊穿、飞溅、长度异常、表面气孔、起收弧缺陷、表面裂纹和咬边,共九类缺陷。同时,系统支持输出缺陷坐标、定量尺寸与分类结果,并引导机器人执行补焊、打磨等处理工序。

这些能力对应的是不同环节。

识别类型,回答“可能出了什么问题”;测量尺寸,回答“偏离了多少”;输出坐标,回答“问题在哪里”。处理引导则让结果有机会进入下一道作业,而不是只在屏幕上亮一个红框。

对读者而言,如果产线需要的是焊缝表面缺陷与几何尺寸在线检查,并希望把异常定位衔接到返修环节,这类能力就值得评估。

但“支持补焊引导”不等于任何缺陷都能自动修好。哪些缺陷允许返修、采用什么工艺、返修后如何复检,仍需要工艺与质量规则约束。机器人会执行动作,不代表它可以自行修改验收标准。

报告里的“合格”,先看它后面省略了什么

一份检测结果写着“OK”,最容易让人忽略的,恰恰是这个判断的适用范围。

它通常应该被理解为:在当前配置的检测项目、判定阈值和有效采集条件下,没有发现需要判为不合格的问题。

这里至少有三件事要核对。

先看检测项目,而不是先看结论颜色。

新对话 (1).png

检查了哪几段焊缝、哪些表面、哪些缺陷?遮挡区域是否被覆盖?机械臂换角度、工件翻转可以增加可见范围,但“360°检测”不等于对材料内部做了透视。

再看判定规则,而不是只看识别能力。

同一种表面特征,在不同产品、位置和验收要求下,判定可能不同。尺寸允许范围、缺陷等级和边界样本,应由明确的产品要求来约束,不能拿一套默认阈值通吃所有工件。

最后看统计口径,而不是孤立比较百分比。

检出率通常关注实际缺陷中有多少被发现;误检率关注正常对象被错误报警的情况,但具体统计单位与分母仍需确认。按工件、焊缝段还是缺陷点统计,意义并不一样。

因此,看到一个漂亮指标,应该接着问:样本是什么,缺陷怎么分布,哪些属于重大缺陷,是否包含实际生产中的反光、污染和换型情况?

数字不是不能信,而是要和它的使用说明一起看。

选设备之前,先把质量问题分给正确的方法

真正可执行的选型,不是先问“你们的AI有多强”,而是先整理一张任务表。

把需要控制的问题分开:哪些是可见表面缺陷,哪些是几何尺寸问题,哪些涉及内部质量,哪些需要性能试验。再为每一类问题写清验收依据、检测位置和异常处理方式。

如果主要任务落在焊缝外观与尺寸检查,并且工件能够稳定呈现、关键区域可以有效成像、检测节拍能够匹配产线,就适合进一步评估鹰眼智能相关系统的适配性。

评估时,应使用实际工件,包含正常件、典型缺陷件和容易产生争议的边界件,同时确认取像覆盖、换型配置、复核流程,以及异常如何进入返修和复检。设备支持在线标注与模型训练,也不意味着新模型可以不经验证就直接上线。

如果任务涉及内部缺陷、承载或密封要求,则应由相应专业人员依据标准确定其他检测与验证方法,让视觉检测承担它擅长的部分。

焊缝外观合格当然有意义。需要避免的,只是把“这一项通过”,理解成“所有问题都已解决”。

下一次看检测方案,先请对方把“合格”展开成一句完整的话:对什么对象,检查了什么,依据什么规则,又有哪些问题不在此次检测范围内。

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐