摘要

针对传统汽车焊缝缺陷检测依赖人工、精度低、效率不足，以及现有机器视觉方法对微小缺陷敏感度低、复杂背景干扰大的问题，提出一种融合注意力机制的AI检测模型。该模型以改进YOLOv8为基础架构，引入空间与通道注意力模块强化焊缝缺陷特征提取，结合类镜面缺陷检测中的LED结构光投射与相位偏折术提升缺陷深度量化能力，构建“二维特征识别-三维深度验证”检测体系。实验结果表明，模型对裂纹、气孔、未熔合等典型缺陷平均检出率达96.3%，最小可检尺寸0.15mm，检测速度25帧/秒，综合性能优异，可满足汽车制造实时高精度检测需求。

关键词

汽车焊缝缺陷；视觉检测；注意力机制；YOLOv8；相位偏折术；LED结构光

正文

一、引言

在汽车制造中，车身车架、底盘等关键部件的焊缝质量直接决定整车结构强度与安全性能。行业数据显示，汽车故障中30%以上与焊缝缺陷相关，裂纹、气孔等隐性缺陷易在长期使用中引发结构失效，高效精准的焊缝检测是质量控制核心环节。

传统检测以人工目视与超声探伤为主，人工检测受主观因素影响大，对宽度＜0.2mm的微小裂纹检出率不足70%，效率仅3-5件/小时，难以适配高节拍生产线；超声探伤虽能检测深层缺陷，但成本高、操作复杂，无法满足在线实时检测。现有机器视觉方法中，传统边缘检测技术受焊接弧光、飞溅干扰，误检率超15%；常规深度学习模型对焊缝与背景区分度不足，易误判表面杂质，且对微小凹陷缺陷敏感度低。为此，本文结合类镜面缺陷检测中的LED结构光与相位偏折术，提出融合注意力机制的AI模型，解决技术痛点。

二、相关技术基础

2.1相位偏折术原理

相位偏折术是类镜面缺陷检测的核心三维测量技术，通过向被测物体投射正弦条纹，采集条纹变形图像，经相位计算、展开与梯度积分重建三维轮廓。在焊缝检测中，该技术借助多幅不同相位的正弦条纹，捕捉焊缝表面因缺陷产生的微小形变，生成深度图像量化缺陷深度——如气孔导致的条纹凹陷、未熔合引发的条纹断裂，可直观区分真实缺陷与表面杂质，弥补二维视觉局限。

2.2LED结构光投射技术

类镜面缺陷检测系统中，LED灯珠屏幕是核心结构光投射装置。其通过控制电路实现1/4条纹周期的相移控制，投射多幅正弦条纹图像，刷新速率达10μs级，远超传统LCD显示屏，能精准模拟正弦波波动，确保焊缝表面条纹纹理清晰。同时，LED灯珠按136行×240列分布、间距3.5mm，可独立控制行列亮灭，灵活切换横竖条纹，全面覆盖焊缝区域，捕捉多方向缺陷特征。

2.3注意力机制原理

注意力机制通过权重分配强化关键特征、抑制冗余信息，适配焊缝检测需求。本文采用混合注意力机制：①空间注意力模块：对焊缝图像特征图进行全局平均池化与卷积，生成权重图，突出缺陷区域像素权重，减少车身其他部件、工作台面等背景干扰；②通道注意力模块：基于特征通道相关性，评估通道重要性，强化裂纹边缘、气孔灰度变化等缺陷特征通道权重，弱化无关颜色、亮度通道信息，提升缺陷敏感度。

三、检测模型与系统设计

3.1模型整体架构

融合注意力机制的焊缝缺陷检测模型以YOLOv8为基础框架，在骨干网络与特征融合层间嵌入混合注意力模块，结构分三部分：①特征提取层：采用CSPDarknet53骨干网络，通过残差连接与卷积提取多尺度特征，浅层特征图对应微小裂纹，深层对应中大型未熔合缺陷，实现全尺寸覆盖；②注意力增强层：串联空间与通道注意力模块，先聚焦焊缝区域，再筛选关键缺陷特征通道，双重强化特征表达，降低背景干扰；③检测输出层：采用PAN结构实现特征融合，输出缺陷类别、边界框坐标与置信度，同时生成缺陷区域特征掩码，为三维深度验证提供定位，提升检测效率。

3.2视觉采集系统搭建

参考类镜面缺陷检测方案，搭建“LED结构光-图像采集-预处理”系统：①LED结构光模块：采用136行×240列LED灯珠屏幕，灯珠间距3.5mm，外侧依次设置增透膜、扩散膜与亚克力板——增透膜提升光线透过率，扩散膜使光线均匀，亚克力板优化折射，确保条纹清晰投射；②图像采集模块：选用2448×2048分辨率高帧率工业相机，搭配8mm定焦镜头，工作距离300mm，采集帧率25帧/秒，避免动态生产线图像拖影；③预处理模块：通过千兆以太网传输图像至工业计算机，采用高斯滤波去噪，结合对比度拉伸、直方图均衡化增强图像，提升缺陷与背景对比度。

3.3缺陷检测流程

检测分“二维初检-三维验证”两阶段：①图像采集与预处理：LED投射正弦条纹，相机采集图像，经去噪与增强后输入模型；②二维缺陷初检：模型通过注意力模块强化特征，输出缺陷位置、类别与置信度，置信度＞0.85判定为疑似缺陷，生成ROI区域；③三维深度计算：截取ROI区域条纹图像，基于相位偏折术计算折叠相位并展开，经梯度积分生成深度图像，量化缺陷深度；④缺陷确认与量化：对深度图像进行形态学处理（闭运算消内部噪点、开运算除外部干扰），深度差达阈值（0.05mm）则确认缺陷，输出长度、宽度、深度参数。

四、实验与结果分析

4.1实验数据准备

⑴数据集构建：采集低碳钢CO₂气体保护焊焊缝样本，涵盖裂纹（0.15-2mm）、气孔（0.2-1mm）、未熔合（0.3-1.5mm）等6类缺陷，原始图像5000张，按7:2:1划分为训练集3500张、验证集1000张、测试集500张；

⑵数据增强：通过随机旋转（-15°~15°）、缩放（0.8~1.2倍）、翻转、添加高斯噪声扩充数据集至14000张，避免模型过拟合。

4.2 实验设置

⑴硬件环境：工业计算机（Intel Core i7-13700K CPU、NVIDIA RTX 4090 GPU、64GB内存），Ubuntu22.04系统；

⑵软件环境：PyTorch2.0框架、OpenCV4.8库，Adam优化器（初始学习率0.001，批量大小16，迭代100轮）；

⑶对比模型：传统机器视觉方法（Canny+模板匹配）、基础YOLOv8模型，评估指标为平均检出率（mAP）、最小可检尺寸、检测速度、误检率。

4.3实验结果分析

⑴检测精度对比

检测方法	平均检出率（mAP，%）	最小可检尺寸（mm）	误检率（%）
Canny+模板匹配	78.2	0.3	18.5
基础YOLOv8	92.5	0.2	8.3
本文模型	96.3	0.15	4.2

由表可知，本文模型平均检出率较基础YOLOv8提升3.8个百分点，最小可检尺寸降低0.05mm，误检率降低4.1个百分点，验证了注意力模块与相位偏折术的有效性。

⑵检测速度对比

检测方法	检测速度（帧/秒）
Canny+模板匹配	5
基础YOLOv8	22
本文模型	25

本文模型检测速度达25帧/秒，优于基础YOLOv8，满足生产线20帧/秒实时需求，较传统方法提升5倍效率。

⑶深度量化精度

对50个气孔缺陷深度测量，与激光测厚仪对比，误差均＜0.02mm，误差率＜4%，证明相位偏折术可精准量化缺陷深度，避免误判。

五、结论与展望

本文提出的AI模型融合注意力机制与类镜面缺陷检测技术，显著提升汽车焊缝检测精度与效率，实验表明其综合性能优于传统方法，可应用于汽车制造场景。未来将优化注意力模块以适配角焊缝等复杂形态，同时结合RGBD相机纹理贴图优化技术，提升缺陷细节捕捉能力，推动检测技术向更高精度发展。

参考文献

[1]张昂，王敏雪，袁帅鹏，李建达.一种类镜面缺陷检测方法及系统：119169002B[P].2025-03-28.

[2]张昂，王敏雪，朱旭彪，胡江洪.基于机器视觉的精确码垛方法及系统：118220723B[P].2024-07-26.

[3]张昂，王敏雪，李叙，袁帅鹏.一种RGBD相机纹理贴图优化方法及系统：116894907B[P].2023-11-21.

[4]王敏雪，李琦，袁帅鹏，张昂.内径测量方法、装置及计算机可读存储介质：115876108A[P].2023-03-31.

...

阅读全文