天车焊缝AI视觉在线检测：深度学习识别裂纹与气孔缺陷

天车主梁的焊缝质量直接决定天车的使用寿命和安全系数。一条不起眼的焊接裂纹在交变载荷下扩展几年，就可能引发主梁断裂——我们做过结构安全评估的老车，有三成的疲劳裂纹源头在焊缝处。然而传统的焊缝检测靠人工目视+磁粉探伤，效率低不说，检测结果还因人而异。

AI视觉检测这两年最大的突破不在于模型有多深，而在于把工业相机+光源+推理引擎打包成一套能上产线的方案。天车制造厂每天要焊接几十米的主梁焊缝，靠眼睛看不过来。用YOLOv8加一套合适的光学系统，焊缝上的裂纹不到1mm宽都能识别出来，一块GPU同时跑4路相机毫无压力。

本文讲的是从相机选型到模型部署的完整技术方案。系统硬件投入5~12万，包含工控机、工业相机、光源和AI软件。一条焊缝检测时间从人工的5~10分钟降到15秒，检出率从人工的70~80%提升到92%以上。

一、系统总体架构

焊缝AI检测系统采用流水线式架构，每个环节处理完就往下一个模块传数据：

二、工业相机与光源系统

焊缝检测最难的不是AI模型，而是拍出一张能用的照片。天车焊缝表面有焊渣、飞溅和氧化皮，普通相机拍出来对比度低、反光严重，AI再强也白搭。

相机选型：推荐12MP工业面阵相机（4096×3000），像元尺寸3.45μm，卷帘快门。配25mm定焦工业镜头，工作距离300mm时视野约200×150mm，单像素分辨率约0.05mm——这个分辨率下0.5mm的裂纹占10个像素，足够AI识别。帧率不需要太高，15fps就够了（焊缝检测是停位检测，不是随行检测）。

光源方案：焊缝表面是有纹理的，需要结构光或条形低角度照明来凸显缺陷。推荐蓝色条形光源（波长460nm）30°照射角，配合同波段的窄带滤光片，能有效滤除弧光干扰。一套光源含控制器约3000~5000元，是整套系统中容易被低估但绝不能省的部分。

三、AI模型训练与部署

3.1 数据集构建

天车焊缝缺陷检测的数据集来源有两个：一是从制造现场采集的真实缺陷图像（最有价值，但缺陷样本少），二是通过数据增强合成的缺陷图像（补足样本量）。推荐混合使用：真实图像500~1000张 + 合成增强至3000~5000张。

缺陷分类按GB/T 3323-2023《焊缝无损检测》标准分为四类：

标注工具推荐LabelImg或CVAT，每张图像标注后输出为YOLO格式（类别 + 中心x + 中心y + 宽度w + 高度h，均归一化到0~1）。

3.2 模型选型与训练

推荐YOLOv8s（small版本，约11M参数），精度和速度的平衡点最好。训练配置：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8s.pt")

# 训练（RTX4060约3小时完成300epoch）
results = model.train(
    data="weld_dataset.yaml",
    epochs=300,
    imgsz=640,
    batch=16,
    lr0=0.01,
    augment=True,
    device=0  # GPU
)

# 验证
metrics = model.val()
print(f"mAP@0.5: {metrics.box.map50:.3f}")
print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

训练完成后用TensorRT优化推理速度：YOLOv8s在RTX4060上的原始推理延迟约12ms，经TensorRT FP16优化后降至4~5ms，4路相机轮询单次推理不超过35ms，满足在线检测的实时性要求。

# TensorRT导出
model.export(format="engine", dynamic=True, half=True)

# 推理
import tensorrt as trt
import pycuda.driver as cuda

engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine(
    open("yolov8s_weld.engine", "rb").read())
# 单帧推理时间约5ms (RTX4060)

四、在线检测系统部署

系统安装在天车主梁焊接生产线的末端工位。焊接完成后的主梁自动流转到检测工位，工业相机对四条主焊缝（两条上盖板+两条下盖板）分别成像。每条焊缝拍摄3~5张图像（覆盖整条焊缝长度），AI自动检测并标记缺陷位置。

部署参数：

V. Key Points for Project Implementation

1. 打光比模型更重要。 这是做机器视觉的第一条铁律。我们第一次试跑时用了普通环形光源，焊缝反光严重，裂纹根本拍不出来。想了解更多天车故障诊断的综合方法，可以参考我们之前的起重机预测性维护与PHM系统方案。。 这是做机器视觉的第一条铁律。我们第一次试跑时用了普通环形光源，焊缝反光严重，裂纹根本拍不出来——YOLOv8再强也认不出看不见的东西。换成低角度蓝色条形光源后，缺陷对比度提升了3倍以上，模型mAP从68%直接跳到89%。光源的投入在整套系统里只占不到10%，但对效果的影响占80%。

2. 缺陷样本不够怎么办。 真实缺陷样本少是所有工业视觉项目的共性。我们的做法：先用模拟缺陷（线切割在试板上加工人工缺陷）采集500张，训练一个初版模型；上线后用初版模型做预筛选，人工确认后把真实缺陷图像加入训练集迭代。三个迭代周期后，模型在真实数据上的表现就能超过模拟数据训练的版本。

3. 误检和漏检的取舍。 焊瘤和咬边的视觉特征和焊渣飞溅有重叠，误检率天然比裂纹高。工程上的处理策略：裂纹和气孔设高置信度阈值（≥0.7）直接判定为不合格；咬边和焊瘤设低阈值（≥0.4）标记为"待人工确认"。这样既保障了高危缺陷不漏检，又不会因为误检太多让操作员失去耐心。

4. 和产线PLC怎么对接。 检测系统输出一个开关量信号给PLC（通过Modbus TCP或数字I/O），当检测到裂纹或气孔时触发报警灯+传送带停止。XML格式的检测报告通过FTP上传到MES系统存档。对接不需要改产线原有的PLC程序——检测系统作为独立设备，只输出OK/NG信号。

5. 定期校准不能忘。 相机和光源的衰减会影响检测一致性。建议每月用标准校验板（带已知缺陷的试板）跑一次校准流程，连续3次检测结果与标准偏差超过10%时，系统自动提醒校准或更换光源。

Conclusion

焊缝AI视觉检测不是新技术——汽车制造和管道行业已经用了好几年了。天车行业的特殊性在于焊缝长（一根30米主梁有四条纵向焊缝）、表面状态复杂（焊渣飞溅多）、缺陷标准参照国标GB/T 3323执行。把这些条件适配好，AI视觉在天车焊缝检测上的效果不输给人工，效率和一致性还远高于人工。

我们在一台32吨桥式起重机主梁焊接线上跑了半年的实测数据：累计检测焊缝286条，AI检出裂纹类缺陷17处（其中人工首检遗漏2处），整体检出率94.6%，单条焊缝平均耗时12秒。后续计划把检测数据接入天车数字孪生平台，把每台天车的焊缝缺陷记录和服役后的结构健康监测数据做关联分析。

Frequently Asked Questions

问：AI焊缝检测能替代人工探伤吗？
答：不能完全替代，但能显著降低人工工作量。AI视觉检测主要做表面缺陷的快速筛查（裂纹、气孔、咬边、焊瘤），检出率92%以上。对于内部缺陷（未熔合、夹渣等），仍然需要超声波或X射线探伤。推荐的工作模式：AI做100%快速筛查 → AI标记的可疑区域由人工重点探伤确认 → AI未标记的区域抽样探伤复核。这个流程下人工探伤工作量减少约70%。

问：这套系统需要什么样的产线改造？
答：需要在天车主梁焊接线的末端增加一个检测工位，包括相机支架（约1.5m×1.5m龙门架）、光源安装架、工控机柜。相机距焊缝表面约300mm，固定安装，不需要运动机构（天车主梁通过辊道流转到检测工位后停止拍照）。电气上需要提供一个AC220V电源插座和局域网接口。产线改造总成本（含安装调试）约1~3万。

问：表面有锈蚀或油漆的焊缝还能检测吗？
答：可以，但准确率会受影响。AI模型训练时如果加入了带锈蚀/油漆的样本，检测精度下降约5~10个百分点。建议在喷漆前做焊缝检测——这是天车制造工艺中本来就有的工序节点（焊接完成→焊缝检测→喷漆），不需要为此改变生产流程。如果是服役中的天车补焊检测，可以先打磨焊缝表面再拍照。