MVTEC HALCON
在汽车制造中，质量标准非常严苛，尤其是在白车身（Body-in-White）的焊接工艺中。这类型的挑战在于可能出现多种不同类型的缺陷，例如裂纹、不完整的焊接缝以及不规则的焊接图案，这些问题都必须被精确识别。
位于西班牙巴利亚多利德的自动化专家 DGH 集团，现已并入 GROUPE ADF，正致力于应对这一挑战。DGH 的专家团队开发出一套自动化系统，用于检测 MIG 焊接与激光焊接过程中的焊点质量。
该项目实施的主要目标是确保所有焊缝达到极高的质量标准。此外，引入自主质量检测系统，旨在充分发挥自动化的核心优势：更高的检测速度、更强的可靠性、更高的精度以及过程中的一致性。
为实现这些目标，系统的工作流程如下：当车身到达检测工位时，PLC（可编程逻辑控制器）会触发多个检测流程。2D 相机会分别或连续拍摄焊接连接部位的图像，并通过 GigE Vision 协议将图像传输至机器视觉软件中进行处理。
系统能够稳定检测焊缝区域是否存在异常，包括通过不同激光焊接工艺形成的各类焊点、焊缝和连接部位。处理结果随后发送回 PLC，并在屏幕上可视化显示。
MVTec 的机器视觉软件 HALCON 是整个系统架构的核心。为了可靠地检测所有缺陷，软件主要采用了两种基于深度学习人工智能技术的方法。首先，使用 Instance Segmentation（实例分割） 精确定位图像中的相关区域，即焊缝。借助深度学习，该方法能够以像素级精度将对象划分为不同的训练类别。接下来使用的是同样基于深度学习的 异常检测（Anomaly Detection） 技术。该过程通过自动化表面检测，能够准确识别所有偏差，也就是各种类型的缺陷。DGH 的创新与技术总监 Guillermo Martín 表示：“异常检测对我们来说有两个关键优势：一方面，检测率非常高且稳定；另一方面，训练底层神经网络的过程非常简单。因为主要只需要焊缝的‘良品图像’，即没有缺陷的图像，就可以用于训练深度学习模型。少量‘缺陷图像’有助于确定一个最佳阈值，以区分良品与不良品焊缝。因此，我们只需要较少数量的良品图像，这些图像可以快速且轻松地获取。相比之下，收集大量缺陷图像要困难得多，更不用说几乎不可能涵盖所有潜在缺陷。这正是深度学习技术展现显著优势的地方。”
在使用深度学习对神经网络进行训练之前，必须先对所用图像进行标注。为此，DGH 采用了 MVTec 提供的免费深度学习工具（Deep Learning Tool）。借助该工具，图像数据可轻松完成标注并便捷地用于训练。DGH 首先收集了焊缝图像，并结合员工的专业知识，对每张图像进行审核，确保训练主要基于高质量图像。随后，这些图像被导入 Deep Learning Tool，并针对实例分割（Instance Segmentation）技术进行精确标注。通过智能标注工具（Smart Label Tool），用户只需点击焊缝区域，系统便会自动框选该部分，从而确保深度学习过程仅聚焦于图像中相关区域。完成标注后，图像数据集通常按 50% 用于训练、25% 用于验证、25% 用于测试的比例进行划分。最终，训练好的模型通过 Deep Learning Tool 无缝集成至 HALCON 机器视觉软件中并投入应用。
“我们与 MVTec 已合作超过十年，非常熟悉其强大的工具和算法。因此，我们也决定在本项目中继续信赖 MVTec HALCON。”Guillermo Martín 表示。该机器视觉软件成功克服了反光金属表面和光照变化带来的挑战，依然实现了稳定可靠的检测效果。“首套系统已于 2024 年初在该汽车制造商的工厂投入使用。在其顺利运行之后，2024 年 4 月，我们又收到该制造商的新请求，委托实施第二套焊缝检测系统。”Guillermo Martín 高兴地说道。通过这一项目，DGH 集团成功实现了所有目标：不仅降低了对质量检测中专业人力的依赖，也显著提升了自动化水平。借助机器视觉与人工智能，缺陷数量得以有效减少，各类焊接缺陷均能稳定、可靠地检测识别。
发布日期： 五月 07, 2025
