5 月 21 日，2025 STcon 智慧技术及应用大会在苏州启幕，“LaserFocusCon 激光聚会”作为激光行业分会场，汇集了国内外行业专家学者及优秀企业代表，德擎光学受邀参与探讨先进激光技术与智能制造。

德擎光学联合创始人兼技术总监白天翔博士在会上做专题演讲，分享 AI 时代的激光焊接缺陷检测进阶。

以下为演讲全文，欢迎与我们交流探讨。

*内容同步刊发于《激光世界》2025年5月刊

激光焊接具有热输入小、精度高、速度快等特性，是精密制造的关键工艺。也正由于激光焊接具备高精密特性，因此微小的过程异常也可能造成质量缺陷。

德擎光学研发团队 2024 年发布 AI 技术与光电检测深度融合的专利检测技术，并且在真实产线上测试、验证，尝试突破传统检测瓶颈，现已实现更高效、更精准的质量控制。

传统焊接检测痛点

激光焊接涉及复杂的物理冶金过程，如熔池动态、热积累、晶粒生长等，过程中易产生气孔、裂纹、翘曲变形等缺陷。

由于激光焊接过程呈现明显的多光谱辐射特性——可见光波段表征金属蒸汽喷发量和飞溅程度，反射激光表征工件对激光的吸收情况，近红外波段则反映熔池的温度波动情况，所以激光焊接在线检测的主流方案是光电探测：通过实时监测焊接过程中产生的光辐射，并将光辐射转化为电信号，再对电信号进行实时分析与异常识别，及时发出告警，从而辅助实现过程干预与质量控制，降低缺陷发生率。

统的光电探测对焊接过程的检测算法，一般是将当前焊接信号与正常信号生成的基准进行比对，提取差异并计算如信号的波动极限、平均偏移量、方差等信号特征，然后依据是否超出设定阈值范围进行缺陷检出。

实际应用中，由于检测系统的准确性依赖于特征选取，以及每个特征的阈值设定范围，因此在激光加工检测应用场景中，需要不断地根据 NG 工件的信号特点来新增提取的特征。

为了保证所有的 NG 工件都能被检出，人为划定的特征阈值范围会相对较窄。该检测方式的优势是初期仅需少量数据便可建立基准设定阈值，便于快速部署。但劣势也很明显——检测精度和效率都高度依赖人工经验，无法如计算机一样遍历所有特征阈值范围组合，导致一定比例的 OK 工件被误判为 NG 工件（即“过杀”）。

德擎光学的解题思路：

自动调参 + AI 融合检测

为了克服因依赖人工经验而产生的不稳定性，有效降低“过杀率”，德擎光学团队通过AI技术将现有检测流程进一步优化，实现了基于 AI 的自动参数调节。

只需要导入与人工调参相同的少量 OK 和 NG 信号样本，AI 自动调参即可通过数据驱动的算法，分析各个信号特征的重要性以及对判定结果的贡献度，结合预先训练的工艺库模型，得出最优的阈值范围组合。该组合能在确保零“漏杀”的前提下实现最小化“过杀”的结果。

而在自动调参下已最小化的“过杀率”的基础上，德擎光学研发团队为了进一步提升检测准确率，采用了基于深度学习的 AI 检测模型，实现传统算法与 AI 算法融合检测。

采用深度学习

进一步降低 50% “过杀率”

虽然传统检测算法采用人工设计的特征可以区分绝大部分 OK 和 NG 信号，但对于波形相近的样品却无能为力，因此德擎光学研发团队采用了基于深度学习的端到端模型进一步提升检测的准确率。

根据真实产线数据统计，AI 融合检测有效降低了 50% 的“过杀”，大幅提升精密制造产线的检测精准度，减少工件浪费，提升生产效率。

Step 1. 钻研真实产线的缺陷数据

德擎光学研发团队基于自研的焊接缺陷检测系统 WDD（Welding Defect Detection）在真实产线在线采集的加工结果，构建了高覆盖、高标签质量的产线数据集，并以此训练出一个“取于产线，用于产线”的智能检测系统。

在实际应用中，NG 数据样本往往难以获得，而德擎光学团队得益于多年来对激光焊接机理的深入研究，以及对产线NG信号关联的故障模式分析，通过模拟缺陷信号，实现最少仅需要 50 个 NG 样本，即可生成超过 50,000 个模拟 NG 样本的数据增强算法，解决了 AI 模型训练的数据不平衡问题。

Step 2. 训练机器学习模型

依据以上产线数据与深度学习神经网络设计思路，德擎光学团队构建了一个面向焊接缺陷检测的AI模型。其模型框架灵活，可拓展包括卷积神经网络（CNN）、递归神经网络（RNN）、随机森林（RF）、支持向量机（SVM）等多种算法结构。

之后，德擎团队应用真实产线NG数据对模型进行多轮微调，使其学习得到的缺陷分布贴近实际工况下的缺陷分布，最终得到一个微调子模型；重复这一步，则得到多个微调子模型，随后采用集成模型方法，将多个微调子模型集成为统一的机器学习模型。该模型经多轮验证，具备稳定判定数据符合性的能力，可直接应用于产线部署。

经过训练后，AI 选取 WDD 在线监测的 NG 结果，进行智能再判，更新判定结果提升判定准确性。至此，AI 模型成功应用于激光加工过程的缺陷检测，输出缺陷判定结果（OK/NG）、缺陷类型及工艺改进措施。

Step 3. 传统算法与 AI 算法融合

通过将现有多光谱光学检测算法与 AI 检测算法之间进行融合，德擎光学实现了在“零漏杀”的条件下降低“过杀”数，大幅节省极大生产成本。

对于每一个工件而言，先使用传统算法对其进行初步判定，当传统算法对其判定为 OK，则不进行下一步判断，使用传统算法的结果作为最终结果；当传统算法对其判定为 NG，则进入 AI 检测流程进行复判，使用 AI 检测结果作为最终结果。

传统算法具有快速部署的优势，其初步判定结果可有效提高AI检测模型训练数据的收集效率；随着 AI 检测模型训练完成，则可运用其精准的判别能力进一步降低“过杀率”。

在 WDD+AI 融合检测以外，德擎光学还在探索基于 AI 的多传感器检测技术，将焊前控制、焊中监测、焊后测量等环节的传感器数据均接入 AI 服务器，通过模型训练实现自动故障诊断。德擎光学激光焦点测量仪 LFS（Laser Focus Sensor）、激光功率监测仪 LPM（Laser Power Monitor）、激光焊接过程熔深测量仪 WDM（Welding Depth Measurement）、光学断层扫描测量仪 OTS（Optical Tomography Scanner）等产品，都将在 AI 融合检测的赋能下，为客户提供更加高效且精准的质量检测数据。

未来，德擎光学将与更多客户开展联合研发，进一步提升 AI 自动故障诊断的功能表现，并通过数字孪生技术实现工艺参数的实时闭环优化。随着这套系统在 3C 电子、动力电池等领域的快速渗透，中国智造正在激光焊接领域树立起新的质量检测标杆。