汽车制造领域中有着很高的质量标准。当然，这高质量标准也适用于白车身的焊接过程。坚固的白车身焊接的重要性是不言而喻的。令人感到高兴的是：无缝自动焊接可以确保高品质的白车身焊接。但是，自动焊接技术也会出现一些不同的焊接缺陷，这都是影响白车身焊接质量的挑战。例如，需要准确识别焊缝中的裂缝，确保焊缝的完整性，找出不合适的焊缝模式。这也正是DGH集团公司面临的挑战。这家总部位于西班牙Valladolid市，为各行各业提供创新产品的西班牙公司最近并入了ADF集团，研发了一种能够通过焊缝图像自动检测焊缝质量的检验设备。它所使用的是MV Tec公司基于AI人工智能算法的Halcon软件和DGH公司的图像处理软件。该软件能够将合格或者不合格的检测结果发送给PLC可编程序控制系统。PLC可编程序控制系统自动控制着车身的下一步处理方法。Halcon是MV Tec公司设计的、标准的工业图像处理（机器视觉）软件。Halcon机器视觉软件是总部地址位于德国慕尼黑的家族企业MV Tec公司开发的。该家族企业自1996年成立以来就一直致力于独立于硬件系统的、适合工业应用的图像处理软件，并逐步发展成为这一技术领域中的领跑者。在这一领域中，Halcon软件系统能够为不同客户提供各种性能强大的深度学习算法软件。

DGH集团公司开发了一种利用安装在机器人上的摄像头和照明设备自动检测焊缝质量的检测系统

光学检测

深度学习是人工智能的一种游戏方式。在工业图像处理技术领域中，利用深度学习技术可以实现越来越多的、过去不可能实现的应用。另外，它还可以大幅提高现有应用程序的性能。DGH集团公司的逐步发展壮大也得益于这一技术的不断进步。受一家法国大型汽车集团公司的委托，DGH集团公司开发了一种自动检测MIG金属惰性气体保护焊焊缝质量的自动化检测设备。“到目前为止，这样的检测一直都是由经验丰富的老员工来完成的。因为这不是简单检查一下不同焊接工艺的焊缝质量是否正常的工作。在使用这种新设备时我们也将员工经验融入其中。将他们的知识和经验纳入专业培训中。只有使用深度学习才能实现所需的图像识别可靠性。”DGH公司创新和技术总监Guillermo Martin先生介绍道。发明这一检测技术的主要目的是：确保所有焊缝都满足最高的焊接质量要求。另外，新的自主质量检验方法的最大优势是实现了自动化的焊缝质量检验。更快的检验速度、更高的检测可靠性与准确性以及明确的检测结果一致性 。

制造这样的测量设备也会有一些挑战。Guillermo Martin先生介绍说：“我们非常清楚：这样的焊缝检测系统是建立在机器视觉技术基础之上的系统。传统的传感器和2D视觉系统都在焊缝的复杂性上功败垂成。遇到的第一个挑战是要开发一种可持续发展的焊缝质量，并能安全可靠地检测不同焊缝类型缺陷的检测方案。另外，遇到的第二个挑战是将质检员丰富的焊缝质量检测经验融入到这一系统中；这正是深度学习应用程序所具备的能力。最后，遇到的第三个挑战是：在最短的时间内完成焊缝质量检测的全过程。之所以要求最短的检测时间是因为汽车生产的节拍非常快。”法国汽车生产厂实施焊缝质量检测的过程如下：当车身抵达焊缝质量检查站时会立即发出PLC可编程序控制系统控制各种焊缝检测过程的信号。在检查站的触发器发出信号之后，安装在检查站的2D摄像机就可以拍摄出单独的或者连续的焊缝焊接照片，并通过Gif-E-Vison千兆以太网通信协议开发的相机接口标准传输到机器视觉软件系统中，并在那里处理拍摄到的焊缝照片。检测的内容只是判定焊缝是否异常。该设备能够可靠地检查各种焊接工艺中产生的焊缝、坡口和焊点。

然后将数据发送到PLC可编程序控制系统中，并将这些数据可视化地显示在屏幕上。由DGH集团公司开发的焊缝检测程序是在工业计算机基础上开发的。该系统还监控、管理着与焊接和制造设备相连的PLC可编程序控制系统以及多个2D摄像机。整套设备的核心就是Halcon机器视觉软件。

深度学习方法

为了可靠地检测出焊缝的质量缺陷，图像处理软件采用了两种深度学习方法。第一种是被称之为“实例分割”的深度学习方法：利用这种方法可以定位焊缝图片的各个相关位置。这种深度学习方法能够按照像素级的精度将拍摄到的图片分割为许多区域。下一步就是对各个区域进行“异常检测”。

基于深度学习的异常检测可以自动检测被测物体的表面，并可靠地检测出各种异常，即被测物体的各种缺陷。“我们的异常检测有两大优势：一个是检出率非常高，且很稳定。另一个优势是：基础神经网络的训练非常简单。因为深度学习神经网络的学习与训练中主要参照‘合格焊缝’的照片进行学习的，也就是参照没有质量缺陷的焊缝照片进行学习的。当出现‘不合格焊缝’的照片时就可以很好的区分‘合格’与‘缺陷’之间的门槛值，找出焊缝中的缺陷。这一异常评判得出的门槛值，也就是异常检测网络判断合格与否的临界值。然而，这一临界值并不是深度学习模型训练的一个组成部分。在这样的深度学习训练中我们所需的合格焊缝照片的数量很少。常规焊缝检测技术中，照片中众多不同的焊缝缺陷是很难归类的；更不用说采集到所有焊缝缺陷的图像了。此时，我们的深度学习方法就有着非常明显的优势了。”Guillermo Martin先生介绍道。通过在深度学习训练中使用不同焊缝照片能够可靠地检测出焊缝的缺陷。焊缝的合格与不合格取决于门槛值的大小。因此，临界值就是深度学习方法中的一个重要参数：它决定了被测焊缝与合格图片之间的差异到底有多大。用户可以按照自己的技术要求设置这一参数；从而有可能将透明度带入人工智能决策的“黑盒子”中。 

深度学习技术要求在使用之前首先要利用图片资料对深度学习的神经网络进行训练，教会它们如何识别“真伪”。所使用的图片资料必须在训练前做好标记。DGH公司就是使用MV Tec公司的深度学习工具做这些标记的。利用这一免费工具客户能够轻松完成图片资料的识别标记；然后方便地训练神经网络。为此，DGH公司首先收集了各种焊缝的图片资料。这些图片资料中包含了企业员工积累的专业技术知识和丰富的经验。专业员工仔细检查每一张图片以确保它们是能够用于神经网络训练的“好图片”。如果使用的图片资料是有错误的“坏图片”就会得到错误的训练结果。准备好这些“好图片”，也就是合格产品的图片资料之后，就可将它们加载到深度学习工具中并在那里按照实例分割技术做好标记。此时可以使用名为“智能标签”的专业工具：用户只需在焊缝区域中点击计算机鼠标，就可以在整个焊缝区域内自动地完成实例分割了。这就可以确保深度学习工具根据图片资料的相关区域进行训练。法国汽车制造商的员工也参与到这一步工作中。他们知道图片资料中的哪些区域包含着有关焊接连接的重要信息以及包含了焊接连接的检验区域到底应有多大。标记了需要检测的焊缝区域大小之后，就是对这一区域进行“分割”了。区域分割时，50%的区域是按照采集到的图片资料进行分割的，25%需要人工确认，剩下的25%需要经过测试。在深度学习工具中只需按一下鼠标就可以轻松地完成训练、验证确认和测试三项任务了。完成上述工作之后就可以将训练后的模型保存在深度学习工具中，用Halcon机器视觉软件无缝加载到Maschine Vision软件系统中。现在，软件系统已经做好运行的所有准备工作了。

检测设备的核心组件

“DGH公司与MV Tec公司的合作已经有十多年之久了，因此非常了解Halcon软件系统的算法，了解这一工具具有极其强大的性能。因此我们非常信任MV Tec公司开发的Halcon软件系统。”DGH公司的Guillermo Martin先生说。由于汽车生产节拍非常快，因此神经网络的训练和训练速度也遇到了巨大的挑战。此外，还对机器视觉软件提出了一个新的要求：金属表面的光线反射及不同的光线照射条件等难题。

DGH集团公司能够应对所有的挑战并提供所需的高质量设备。“2024年年初时第一台焊缝质量检测设备已经在法国汽车生产厂中投产使用了。焊缝质量检测设备的成功运行也促使我们在2024年4月再次下单订购第二套焊缝质量检测设备了。”Guillermo Martin先生高兴的说道。尤其是在专业技术人员短缺的大环境中，购置焊缝质量检测设备的目的是减少质检过程中对专业技术人员的依赖，提高质量检验过程的自动化程度。基于机器视觉和人工智能的自动化已经被证实了可以最大程度减少错误，确保焊缝质量检测结果的一致性。这也就是为什么Guillermo Martin先生相信：尽管各种图像处理系统已经在不同行业领域和生产过程中得到了广泛的应用，但仍然有很大的增长潜力——例如在高要求和复杂应用中使用深度学习解决方案。