AI视觉检测在质量管理领域应用

一、项目背景

（一）产线与工艺概况

国内某知名锅炉制造工厂拥有 6 条 MPM 产线，采用 N 条单管道拼接焊装及多组管道拼接焊的焊接工艺，当前质控方式为人工目视检测。

（二）现存问题

焊接异常类型复杂多样，涵盖断弧、焊偏、气孔过多、焊道偏移等多种情况。人工检测模式下，存在诸多亟待解决的问题：

1. 工人耗时：现场工人除常规焊机操作外，还需对冷却管道进行二次检查，额外增加大量工作量。

2. 重复性劳动：平均每条生产线每次生产产生 20 条焊接线，若每半小时生产一次，八小时内将产生 320 条焊接线，工人需重复检查 320 次。

3. 测量疲劳：工人与检验人员在不间断检测中易产生视觉疲劳，进而导致漏检测问题。

二、需求分析

（一）核心目标

实现检验执行、问题标注、照片记录、统计分析的自动化，减少岗位工作量，解放人工，提升效率；达成设备数据采集实时化、检验过程 AI 识别化、质量结果智能统计与分析；从 MES 生产任务接入，记录每个产品质量状态，为后续不合格品处理的流程信息化奠定基础；积累焊接质量问题、工艺参数、质量方案数据知识库，通过持续迭代优化质量管理。

（二）系统建设需求

需构建五大核心系统，分别为 AI 视觉检测系统、数据采集监测系统、MES 系统集成、焊接质量分析系统以及焊接质量知识库，各系统协同运作，实现焊接质量全流程管控。

三、解决方案

（一）AI 视觉检测系统

1. 检测核心要求

• 检测方向：需同时满足多条焊接线路的上下双面检测，且两条焊线的间隔距离在 3CM 到 7CM 之间。

• 检测速度：需适配 MPM 焊接机不间断焊接的工况，确保实时检测，检测过程在生产线持续运行状态下进行。

• 检测环境：应对焊锡枪可能产生的间歇性高流明环境，解决强烈且变换的光照带来的检测难度。

2. 具体解决方案

• 定制化设备安装支架：配备可固定万向轮，可自由调整间距，增加遮光布，减少焊枪的强光干扰。

• 工业高速摄像头：采用工业级视觉识别摄像头，具备高帧率、高清晰度特性，通过多台设备复合识别方式，减少识别错误；搭配高光照补光灯，优化识别环境。

• 高性能推理机：保障识别速度和效率，实现快速识别。

• 瑕疵点标记：增加不影响焊接的油漆喷墨系统，在识别出焊接错误点时，快速标记需要补焊的点位周围，方便后期快速补焊。

3. 核心技术支撑

• 模型算法：采用 YOLO v12 模型，该模型通过对注意力机制和整体网络架构进行创新，实现了先进的物体检测精度，同时保持实时性能。不同版本适配不同场景，YOLOv12-N 适用于边缘设备、低延迟需求场景，mAP@0.5:0.95 达 40.6%，推理延迟（T4 GPU）1.64ms；YOLOv12-S 适用于实时监控、自动驾驶等场景，mAP@0.5:0.95 为 47.3%，推理延迟 2.1ms；YOLOv12-X 适用于高性能服务器、复杂场景分析，mAP@0.5:0.95 达 55.8%，推理延迟 6.8ms。

• 图像增强技术：

  • 直方图均衡：用于灰度图像对比增强，处理彩色图像时，先将 RGB 图像转换到 YCrCb 空间，仅对代表亮度成分的 Y 通道进行均衡化，避免颜色不均、失真。
  • 灰度世界算法：以灰度世界假设为基础，消除环境光影响，可通过固定值（8 位图像取 128）或计算增益系数确定 Gray 值，算法简单快速，但在图像场景颜色不丰富时可能失效。
  • Retinex 算法：基于视网膜 - 大脑皮层理论，通过估算环境光照射分量 L 来计算物体反射分量 R，L 通过高斯模糊和图像 I 做卷积运算求得，公式为 log (R)=log (I)-log (L)、L=G∗I（G 为高斯模糊滤波器，∗表示卷积运算）。

• 数据集拆分：数据量为 20000 张，提供多种拆分比例方案，包括训练集 70%、测试集 20%、验证集 10%；训练集 80%、测试集 15%、验证集 5%；训练集 95%、测试集 3%、验证集 2% 等。

4. （二）数据采集监控系统

1. 硬件配置：添加电流互感器、IO 硬件（数字输入采集终端 DI-4-W 等），通过电流互感器读取设备控制电机或负载线路的电流信号值，IO 模块读取互感器电流值，并将设备通电状态（开、关机状态或运行、待机状态）对接到 WTG-MDC 软件系统。

2. 数据采集内容

   | 类型 | 数据说明 | 字段名 | 备注 | 数据类型 |
   |---|---|---|---|---|
   | 基本数据 | 设备编号 | DeviceID (PK)| 设备唯一编号 | STRING|
   || 公司 | CompanyNo | 公司代码（例如：1000）|STRING|
   || 工厂 | factoryNo | 工厂代码（例如：5802）|STRING|
   || 设备名称 | DeviceName | 设备名称 | STRING|
   || 设备类型 | DeviceType | 二级工艺编号 | STRING|
   || 设备状态 | Status|1：作业 2：待机 3：故障 4：关机 | INT|
   || 报警 | Alarm|0：正常 1：报警 | INT|
   | 焊接信息 | 送丝速度 | WireSpeed | 送丝速度 单位：M/MIN|FLOAT|
   || 焊接电流 | Current | 焊接电流 单位：A|FLOAT|
   || 焊接电压 | Voltage | 焊接电压 单位：V|FLOAT|
   || 焊接速度 | WeldSpeed | 焊接速度 单位：MM/S|FLOAT|
   || 焊丝用量 | Usage | 焊丝用量 单位：M|FLOAT|
   || 焊弧状态检测 | WeldDetect | 焊弧起弧状态，0：未起弧 1：起弧 | INT|

3. 系统架构：采用分布式设备数据采集系统，通过数采软网关（焊机群 1 对应数采软网关 1，焊机群 2 对应数采软网关 2）采集数据，经 MQTT 服务器传输至时序数据库，实现数据的稳定存储与传输。

4. 监控面板：可实时展示系统资源（CPU 使用率、内存使用率、硬盘使用率、网络使用率）、设备概览（子设备总台数、在线台数、离线台数）、网关状态（总网关数、在线网关数、离线网关数）等信息，支持设备 ID、设备名、报警信息等关键字查询。

（三）MES 系统集成

1. 数据交互内容：从 MOM系统获取生产任务号 + ID 号、零件编号、零件名称、工序号、派工信息、工艺参数等数据；向 MES 系统反馈二维码识别结果（生产任务号 + ID 号）、加工时间、质量情况、不合格点 + 不合格原因、不合格照片、加工参数 + 异常加工参数等信息。

2. 实现方式：需 MOM 系统具备相应接口支持，明确需求范围与技术路线，完成与 MOM 系统及其他软硬件系统的数据集成，实现生产任务与质量检测数据的无缝对接。

（四）焊接质量分析系统

1. 可视化展示：以实时视频方式进行检测，展示实时帧率、误差标记、检测位标记等信息；同时监控标记机器的材料剩余容量，避免出错。

2. 统计分析功能：进行实时监控和缺陷检测统计，分别统计 30 天、7 天、1 天的缺陷信息，提供 TOP3 和 TOP6 的缺陷分类统计，为质量优化提供数据支撑。

3. 数据关联分析：整合 AI 视觉检测系统、数据采集监控系统、MES 系统的数据，建立焊接参数与缺陷类型的关联分析模型，挖掘影响焊接质量的关键因素。

（五）焊接质量知识库

1. 知识库内容：涵盖生产任务 + 产品 ID、焊接时间、焊接参数（电流、电压、速度等）、不合格品照片、不合格原因、不合格标记、处理结果等信息。

2. 问题分析示例：针对常见缺陷，明确其发生原因及防止措施，例如气孔缺陷可能由母材不洁、焊丝有锈或焊药潮湿、点焊不良等原因导致，对应的防止措施包括焊接前清洁被焊部位、选用适当且干燥的焊丝、保证点焊焊道无缺陷且清洁等；未焊透缺陷可通过增加焊接电流和速度、降低电弧长度、优化开槽设计等方式预防。

3. 知识库迭代：通过归档、应用、更新、再应用的循环机制，持续丰富知识库内容，提升对焊接质量问题的预判与解决能力。

四、项目价值

（一）节省人力

无需人员手动分辨焊接缺陷，AI 自动完成检测与标记，电子数据可控可查，大幅减少人工工作量，降低人力成本。

（二）提升质量

AI 视觉检测系统识别精度高，且随着模型的持续训练与完善，识别问题的准确性不断提升，有效降低漏检、误检率，提升焊接产品质量。

（三）技术完善

形成完整的焊接质量问题数据库，建立问题与焊接参数的对应关系，为制定针对性的质量改进措施提供数据支持，推动焊接工艺与质量管理技术的持续优化。