异种材料接头混合焊接中表面缺陷的自动图像分析，以提升产品全生命周期性能

《Materials Today Communications》：Automatic image analysis of surface defects in hybrid welding of dissimilar joints for lifecycle enhancement

　　徐志恒
南昌航空大学材料科学与工程学院，中国江西省南昌市330063

摘要
在激光-弧光混合焊接不同铝合金接头时产生的表面缺陷会成为裂纹的主要起源，但工艺验收往往依赖于主观检查和密集的参数探索。本研究提出了一个端到端的框架，将在线焊接表面成像转化为定量且与疲劳相关的质量指导，应用于AA6061-T6/DP590合金的激光引领混合焊接。通过距离触发成像、可控照明、像素到毫米的校准和平场校正，确保了成像的稳定性。U-Net分割模型表现出强大的性能，其交并比（IoU）分别为0.92/0.89/0.88（训练/验证/测试），测试集的平均精度（AUPRC）为0.91。后处理技术实现了缺陷的实例级量化，并将多个描述符整合到一个缺陷严重度指数（DSI）中，该指数具有高重复性（DSI CV < 2.5%）并与其他专家测量的结果高度一致（N = 50个感兴趣区域）。利用DSI作为响应变量，通过训练在N = 45种工艺条件下的XGBoost模型预测缺陷严重度，并通过基于SHAP的解释，确定了一个推荐的低缺陷操作窗口，该窗口通过验证实验得到了确认。根据DSI阈值对疲劳S-N行为进行了分层（低≤0.20，中0.20-0.60，高>0.60），结果显示在较低的DSI下疲劳寿命系统性地更长，从而建立了一个可部署的接受/监控/返工决策框架，将表面质量直接与生命周期性能联系起来。

1. 引言
轻量化多材料设计越来越多地结合铝合金和先进的高强度钢材，以减轻车辆重量，同时保持抗撞性、刚度和可制造性。然而，可靠的异种材料连接受到热性能不匹配、熔化/流动不对称以及脆性界面反应的限制，这些因素缩小了稳定的工艺窗口并增加了缺陷敏感性[1]、[2]、[3]。在铝合金-钢材系统中，局部过热和过度混合会促进Fe-Al金属间化合物（IMC）的形成，并导致化学和机械性能的急剧梯度变化，这提高了缺口敏感性，并在循环载荷下加速裂纹的起始[4]、[5]。因此，对于生产相关的接头而言，表面完整性比外观更为关键：焊趾处的咬边、飞溅物修改的几何形状以及与孔隙相关的不连续性会成为应力集中点，即使宏观上的熔滴连续性看起来是可以接受的，也可能降低疲劳耐久性[6]、[7]。这些挑战直接推动了先进异种材料连接技术的优先发展，并结合计算工具来减少不必要的试验，通过改进的质量控制和参数优化来延长组件寿命[1]、[2]、[3]。基于激光的连接方法提供了高能量密度，同时净热输入相对较低，而激光-弧光混合焊接进一步结合了激光的穿透性和方向性以及弧光驱动的填充物稳定性和间隙桥接能力，从而在苛刻的异种材料配置中实现更高的生产率和更好的熔滴形成[8]、[9]、[10]。然而，混合焊接可能会由于激光-弧光相互作用和不稳定传递而表现出不同的缺陷机制，包括在高行进速度下的咬边、以飞溅为主的条件、熔合不足的迹象以及聚集的孔隙问题，所有这些问题都因铝合金对典型的有限工艺窗口而加剧[10]、[11]。因此，有效的工艺验收需要快速和客观地映射多参数空间中的缺陷机制，而不是依赖于主观的视觉检查和重复的破坏性切割，后者会增加成本和开发时间[11]、[12]。

最近的研究强调了焊接参数和工艺优化在决定不同铝合金和多材料系统的焊接质量和机械性能方面的关键作用[2]、[3]、[31]、[32]。例如，在TIG焊接的不同航空航天铝合金中的参数敏感研究表明，接头配置和工艺条件的变化可以显著影响拉伸强度，在次优条件和优化条件之间的改进超过80%。同样，实验设计（DoE）和响应面方法已被广泛采用，以系统地探索参数相互作用并优化焊接质量，从而提高不同铝合金接头的强度、硬度和减少缺陷。最近的进展也突显了持续存在的挑战，如孔隙、熔合不足和热影响区（HAZ）软化问题，这些问题仍然严重依赖于工艺控制和材料兼容性。在线监测已经从点检测（例如，光发射、光电二极管、声学）发展到基于成像的检测，其中线扫描和区域扫描系统在生产规模上捕获熔滴外观和缺陷特征[12]、[13]、[14]。成像对于表面驱动的失效机制特别重要，因为它直接测量了疲劳裂纹经常发生的焊趾和熔滴表面[6]、[14]。然而，两个障碍限制了其广泛应用：（i）对照明变化、纹理、弧光条纹和屏蔽窗口污染的敏感性；（ii）缺乏一个可解释的定量指数，将复杂的缺陷场压缩为适用于工艺优化和车间准入的实际、可重复的质量决策[13]、[14]、[15]。深度学习分割通过学习空间上下文并在代表性的焊接成像数据集上进行训练来改进泛化能力，从而解决缺陷定位问题[16]、[17]。U-Net架构被广泛用于数据有限情况下的像素级分割，其性能通常使用交并比（IoU）和精确度-召回率（PR）指标来评估，以考虑缺陷检测中常见的类别不平衡[16]、[17]、[18]。对于制造应用，分割必须与后处理和实例级分析相结合，以便将缺陷掩模转换为在操作条件下稳定的描述符，具有物理意义，并适合作为优化目标或质量控制特征[17]、[18]、[19]。

除了检测之外，对计算技术和参数优化的关注还推动了预测建模和可解释的分析，将工艺设置与缺陷结果联系起来。基于梯度提升的树模型（如XGBoost）在结构化的工艺数据集上表现优异，而SHAP归因和部分依赖工具提供了对特征效应和相互作用的透明洞察，从而能够以较少的试验次数实际识别低缺陷操作窗口[20]。从生命周期的角度来看，关键的制造问题不仅在于缺陷的位置，还包括哪些缺陷特征最为有害，以及如何通过客观的严重度指数来支持接受/返工决策，同时减少返工、报废和验收时间。在不同铝合金和混合材料系统中，材料组合和接头配置的选择对焊接完整性起着决定性作用。像AA6061和AA7075这样的铝合金因其良好的强度重量比而被广泛使用，但它们的异种连接受到热导率、熔化行为以及HAZ中金属间化合物形成和软化敏感性的差异的挑战。这些材料依赖的特性需要稳健的工艺控制和缺陷敏感的质量评估方法，以确保在服务条件下的可靠性能。因此，本研究提出了一个端到端的框架，用于AA6061-T6/DP590合金激光引领激光-弧光混合焊接中的自动表面缺陷分析，该框架统一了：（i）具有平场校正和距离触发采集的稳健在线成像；（ii）具有定量验证的U-Net分割；（iii）具有重复性控制的基于描述符的DSI公式；（iv）结合确认实验和高效优化概念的XGBoost + SHAP工艺窗口细化；（v）使用基于DSI的分层和部署决策概念的生命周期导向验证。研究概念和工作流程总结在图1A-F中。与主要关注焊接参数优化或单独缺陷检测的先前研究不同，本研究引入了一个统一的框架，将在线成像、基于深度学习的缺陷分割、描述符级量化和生命周期导向的疲劳验证整合在一个工作流程中。本研究的创新之处在于提出了一个缺陷严重度指数（DSI），作为一个物理上可解释和可重复的指标，它直接将表面缺陷特征与疲劳性能联系起来，从而实现了数据高效的过程优化和适用于不同混合焊接系统的可部署的质量决策。

下载：下载高分辨率图像（768KB）
下载：下载全尺寸图像

图1. 激光-弧光混合焊接不同铝合金接头中自动表面缺陷分析的研究概念和工作流程。(A) 不同接头几何形状和成像定义，显示了顶部视图焊接路径、用于表面缺陷分析的视觉感兴趣区域（ROI），以及用于金相分析和硬度绘制的A-A′截面，突出了Al/钢界面的热不匹配和金属间化合物（IMC）形成风险。(B) 激光-弧光混合焊接配置（激光引领），以及关键可控参数（激光功率PL、行进速度V、送丝速度WFS、保护气体流量Qgas、焦点偏移Δf和激光-弧光距离dLA），以及一个交互区域示意图，说明了激光预热/穿透和弧光填充物稳定化对缺陷的缓解。(C) 在线成像站示意图，集成了区域扫描相机、环形照明、光学屏蔽、距离触发采集（Δx）和像素到毫米的校准/平场校正，以及ROI几何形状（LROI,WROI）。(D) 从混合焊接和在线表面成像到基于U-Net的缺陷分割、缺陷地图/特征提取、缺陷描述符计算和缺陷严重度指数（DSI）的端到端工作流程，随后是基于XGBoost的预测和基于SHAP的可解释性分析，以及一个生命周期模块，用于支持接受/返工决策和工艺窗口细化，以减少试验和返工。(E) 关键贡献：自动化缺陷量化、数据高效的过程验收和生命周期导向的决策支持。(F) 代表低和高质量DSI的示例，显示了原始表面ROI、U-Net掩膜叠加、缺陷描述符（Af、密度、Lmax）以及相关的相对疲劳风险分层。

2. 材料和方法
2.1. 材料和接头配置（AA6061-T6 / DP590）
不同材料对包括AA6061-T6铝合金和DP590双相钢。样品被制备成矩形板，并组装成适合激光-弧光混合焊接的生产相关不同配置，使用刚性夹具保持沿焊接路径的一致对齐。焊接前，接触表面经过机械研磨（P320 SiC）、用丙酮脱脂，并用压缩空气干燥，以最小化氧化物和污染物的影响。焊接路径方向被固定，并用作所有后续表面成像描述符（缺陷方向）和截面提取的参考轴。

为了实现表面质量和次表面完整性之间的关联，通过与成像相同区域的垂直于焊接方向的路径提取了金相截面（A-A′）以进行缺陷量化[21]、[22]。所有切割位置都参考距离触发采集坐标，以确保表面ROI和截面特征之间的空间对应。

2.2. 激光-弧光混合焊接设置和实验设计（DoE）
焊接使用激光引领的激光-弧光混合配置（激光 + MIG/GMAW）进行。主要可控输入是激光功率PL、行进速度V和WFS。混合几何形状保持不变，以隔离PL、V和WFS的主要影响：焦点偏移Δf=0mm（聚焦在工作表面参考平面上），激光-弧光距离dLA=3.0mm，保护气体流量Qgas=20L·min?1。整个过程使用商用纯氩气（99.99%）进行保护。

使用结构化的DoE来高效覆盖工艺空间，而不会进行穷尽性的网格划分。具体来说，激光功率（P）和行进速度（V）在基于初步稳定性试验和文献报道的混合焊接机制选定的有界连续范围内变化，而WFS被离散化为三个代表性水平（低、中、高），以捕捉熔滴形成和缺陷行为的沉积驱动转变。采样策略遵循每个WFS水平上的空间填充方法，确保覆盖低热输入和高热输入的工艺范围，而不会产生条件冗余。因此，得到的N = 45种条件代表了对工艺窗口的平衡探索，能够识别出机制转变（良好、边界、缺陷），同时保持实验效率。PL?V平面在代表低、中、高沉积水平的离散WFS水平上被采样，从而得到N = 45种不同的工艺条件。对于每个条件，记录了命令和测量的工艺值（如果从机器日志中可以获得），并用于缺陷映射和预测建模。一个简单的生产率指标是根据行进速度和沉积相关项计算得出的：Π=V×WFS，并仅作为比较指标，以可视化探索窗口内的质量-生产率权衡。

2.3. 在线成像硬件、采集控制和校准
使用配备固定焦距镜头和恒定强度环形照明的工业单色区域扫描相机获取顶部视图焊接表面图像。所有实验都在受控实验室条件下进行，环境温度保持在22-25°C，相对湿度为45-55%。这些条件在焊接、成像和数据采集期间得到监控，没有引入工艺稳定性或图像质量的可观察变化。实施了光学屏蔽（挡板/罩）和保护窗口，以抑制弧光条纹并保护光学设备免受飞溅物和烟雾沉积的影响。图像采集是在焊接方向的固定增量Δx=1.0mm处距离触发的，以确保独立于行进速度（v）的小时间域波动的空间采样。

从每个帧中提取了一个20 mm × 10 mm的固定ROI（沿行进方向的长度×宽度）用于分析。使用位于工作距离的精确点网格目标进行像素到毫米的校准；得到的比例因子应用于所有几何描述符（面积和长度）[23]。应用平场校正来补偿照明不均匀性和 vignetting：在相同的照明设置下捕获了一个参考图像Iflat（无论照明是否开启），并且每个ROI Iraw都进行了校正：Icorr=IrawIflat+?×Iflat￣，其中Iflat￣是平均平场强度，?是一个小常数，用于防止除法不稳定。在平场校正后，通过对每个感兴趣区域（ROI）进行缩放，将其范围调整到第1-99百分位数，以减少漂移同时保持缺陷的对比度，从而实现了强度归一化。2.4. 真实标注和数据集分割专家标注是在覆盖观察到的表面状态（正常、边缘、有缺陷）和纹理多样性（铝侧外观、钢侧外观以及界面附近的珠状区域）的ROI上生成的。每个ROI被标记为一个二进制掩码，用来标记与疲劳风险相关的表面不连续性，包括底部缺口/趾部凹槽、坑状凹陷、飞溅物引起的不规则性以及不连续性边缘。标注规则被一致地执行：（i）仅标记真实的几何不连续性（而非无害的反射率变化），（ii）包括趾部起源的凹槽和锋利的底部缺口边缘，（iii）排除没有地形变化的均匀氧化物着色，（iv）要求标记的特征最小尺寸为3×3像素，以避免噪声标签。数据集被划分为训练/验证/测试子集，使用不重叠的焊缝长度段来防止空间泄漏。在训练期间应用了数据增强技术（随机翻转/旋转、轻微的亮度/对比度抖动以及轻微的模糊处理），以提高对纹理和照明变化的鲁棒性[24]。2.5. U-Net模型、训练协议和评估指标U-Net编码器-解码器架构通过跳跃连接生成了一个用于缺陷像素的Sigmoid概率图，然后使用在验证集上选定的单一固定阈值将其转换为二进制掩码，以最大化IoU（交并比）。所有模型开发和分析程序（U-Net分割、XGBoost回归和SHAP解释）都是使用与最近关于数据驱动焊接质量评估的文献一致的验证过的库和标准配置来实现的。训练使用了复合损失函数（Dice + 二元交叉熵）来处理类别不平衡和边界敏感性问题。优化过程采用了Adam算法（初始学习率1×10^-3）、批量大小为8，并基于验证集的IoU值在15个周期后进行早停。最终模型被选为最佳验证检查点。性能评估使用了训练/验证/测试分割上的IoU值，以及对保留的测试集进行的精度-召回分析（通过PR曲线下的面积AUPRC）来反映类别不平衡情况。此外，还对那些在校正和归一化后仍显示眩光残余、运动模糊和反射率变化的ROI进行了额外的定性检查，以确认分割行为的稳定性。2.6. 缺陷实例提取、描述符和DSI预测的二进制掩码通过连接组件标记转换为缺陷实例。为了稳定实例的几何形状，应用了孔洞填充和形态学闭合（3×3核）。每个实例都被拟合成一个椭圆，以获得主轴长度Li和相对于焊缝方向的平面内方向θi。计算了以下ROI级别的描述符：• 面积分数Af=∑iAiAROI• 缺陷密度ρ=NAROI• 最大主轴长度Lmax=max?i(Li)，其中主轴长度是通过将每个连接的缺陷实例拟合成椭圆得到的，最大值对应于ROI内所有检测到的缺陷中的最大主轴长度。这个描述符能够捕捉到最严重拉伸不连续性的特征范围，而不受缺陷方向的影响。• 聚类指数（基于最近邻）C=1?d?nn/d?nn,rand，其中d?nn是缺陷质心之间的平均最近邻距离，d?nn,rand是具有相同密度的空间随机点集的预期平均值（针对2D泊松过程分析计算得出）。• 方向惩罚Pθ=∑iAi∣sin?(θi)∣∑iAi，该惩罚更强烈地针对垂直于焊缝方向的缺陷。每个描述符都使用数据集导出的最小-最大值范围归一化到0|1，并汇总到缺陷严重性指数DSI=∑kwkx?k中，权重wk设定为0.2以避免主观偏差，并保持指数的一致性和可重复性。DSI用于生命周期分层的阈值被固定为低≤0.20、中0.20-0.60和高>0.60。2.7. DSI预测建模和可解释性整个建模和可解释性工作流程在图1D中进行了总结。训练了一个U-Net编码器-解码器架构，该架构通过跳跃连接产生了一个用于缺陷像素的Sigmoid概率图，然后使用在验证集上选定的单一固定阈值将其转换为二进制掩码，以最大化IoU。所有模型开发和分析程序（U-Net分割、XGBoost回归和SHAP解释）都是使用与最近关于数据驱动焊接质量评估的文献一致的有效库和标准配置来实现的。训练采用了复合损失函数（Dice + 二元交叉熵）来处理类别不平衡和边界敏感性问题。优化使用了Adam算法（初始学习率1×10^-3）、批量大小为8，并基于验证集的IoU值在15个周期后进行早停。最终模型被选为最佳验证检查点。性能评估使用了训练/验证/测试分割上的IoU值，以及对保留的测试集进行的精确度-召回分析（通过PR曲线下的面积AUPRC）来反映类别不平衡情况。还对那些在校正和归一化后仍显示眩光残余、运动模糊和反射率变化的ROI进行了额外的定性检查，以确认分割行为的稳定性。2.6. 缺陷实例提取、描述符和DSI预测的二进制掩码通过连接组件标记转换为缺陷实例。为了稳定实例的几何形状，应用了孔洞填充和形态学闭合（3×3核）。每个实例都被拟合成一个椭圆，以获得主轴长度Li和相对于焊缝方向的平面内方向θi。计算了以下ROI级别的描述符：• 面积分数Af=∑iAiAROI• 缺陷密度ρ=NAROI• 最大主轴长度Lmax=max?i(Li)，其中主轴长度是通过将每个连接的缺陷实例拟合成椭圆得到的，最大值对应于ROI内所有检测到的缺陷中的最大主轴长度。这个描述符能够捕捉到最严重拉伸不连续性的特征范围，而不受缺陷方向的影响。• 聚类指数（基于最近邻）C=1?d?nn/d?nn,rand，其中d?nn是缺陷质心之间的平均最近邻距离，d?nn,rand是相同密度的空间随机点集的预期平均值（针对2D泊松过程分析计算得出）。• 方向惩罚Pθ=∑iAi∣sin?(θi)∣∑iAi，该惩罚更强烈地针对垂直于焊缝方向的缺陷。每个描述符都使用数据集导出的最小-最大值范围归一化到0|1，并汇总到缺陷严重性指数DSI=∑kwkx?k中，权重wk设定为0.2以避免主观偏差，并保持指数的透明性和可重复性。DSI用于生命周期分层的阈值被固定为低≤0.20、中0.20-0.60和高>0.60。2.7. DSI预测建模和可解释性整个建模和可解释性工作流程在图1D中进行了总结。训练了一个XGBoost回归器，将焊接输入PL|V|WFS映射到DSI。超参数通过5折交叉验证在45种条件的数据集上进行了调整，目标是最小化MAE（平均绝对误差）。最终模型通过MAE、RMSE和R2在保留的折叠上进行评估，然后用于在代表性的WFS水平上生成DSI预测响应表面[25]。模型可解释性利用SHAP值来量化特征贡献和交互作用，并使用部分依赖图（PDP）来可视化单因素趋势并识别低DSI最佳区间。然后，在基线和模型推荐的设置下进行了确认实验，重复相同的焊接和在线成像流程，以验证DSI的减少以及相关的效率提升。2.8. 金相学、SEM-EDS、EBSD和显微硬度通过成像的ROI区域提取横截面，将其安装在导电树脂中，并使用标准的金相研磨和抛光工艺处理至0.05微米级胶体二氧化硅。横截面分析有助于识别关键焊接区域，包括熔合区（FZ）、铝/钢界面区域以及两侧的材料的热影响区（HAZ），随后将这些区域与表面缺陷严重性和机械响应相关联。铝使用Keller试剂（10-20秒）进行蚀刻，以显示熔合区和热影响特征；钢侧在抛光状态下进行了界面评估。SEM成像捕捉了界面形态和缺陷相邻区域。EDS线扫描穿过界面，量化了作为交互区范围的成分过渡宽度。EBSD在靠近界面的铝侧使用0.5微米的步长进行，应用了标准清洁工艺以生成逆极图和边界统计信息。显微硬度测试在异质接头处使用Vickers压头以HV0.2（1.96N）的压头和10秒的停留时间进行，参考点位于铝/钢界面位置x=0.2。2.9. 疲劳测试和裂纹起始定义疲劳测试是为了根据DSI类别分层生成S-N数据。提取试样时确保保留了焊趾区域，并且加载轴始终与焊缝方向对齐。测试在室温下的实验室空气中以恒定振幅和20Hz的频率进行。失效定义为未发生断裂的1×10^7次循环。裂纹起始分数Ni/Nf是通过表面复制方法确定的。在固定的循环间隔处取复制样本，Ni定义为检测到超过100微米的表面裂纹的第一个循环计数；Nf是直到最终断裂的循环计数。这种定义区分了以起始为主的行为和以传播为主的行为，并能够将表面缺陷严重性与疲劳响应联系起来。2.10. 统计学和可重复性通过对相同焊接位置进行重复成像并在不变的光学设置下重新计算描述符和DSI，评估了表面量化的重复性，结果显示DSI的CV（变异系数）< 2.5%。手动与自动化验证使用了测试集中的50个ROI来比较关键描述符和DSI，使用等价性分析（MAE和R2）。跨DSI类别的统计比较使用了Kruskal-Wallis检验，显著性阈值为p < 0.05，必要时进行了Dunn的事后检验。3. 结果3.1. 实验设计空间、缺陷类别和候选窗口结构化的实验设计空间有效地在离散的WFS水平上采样了PL-V空间，揭示了制度转换，而无需进行全覆盖式网格划分（图2A）。利用量化的DSI，将工艺空间划分为正常、边界和有缺陷的表面类别，这实现了客观的筛选，并为后续的模型指导细化提供了一个初始的候选低缺陷窗口（图2B）。将这些类别与由行进速度和沉积相关设置衍生的生产率指标相结合，显示了明显的质量-产量权衡：提高速度可以提高产量，但除非通过适当的激光输入和稳定的填充物输送来平衡，否则会增加进入高DSI类别的可能性，使得候选窗口成为一个实际的质量受限操作区域（图2C）。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图2. 铝-钢异质接头激光-电弧混合焊接的实验设计空间和缺陷类别映射。（A）实验（DoE）矩阵的结构设计，涵盖了激光功率PL和行进速度，WFS水平通过标记形状编码，热输入区域指示用于指导工艺空间的有效覆盖。（B）基于DSI的工艺图，显示了焊接表面质量类别（正常/边界/有缺陷），WFS水平被叠加，高缺陷窗口被突出显示；等高线阴影代表了用于可视化的插值/预测的DSI场。（C）生产率指标（衍生的沉积速率）与行进速度的关系，以及来自（B）的候选窗口，展示了生产率-质量权衡和在较高速度下的质量受限区域。（D）不同类别下的代表性顶视图表面外观（相同比例），显示了正常珠状物、趾部底部缺口、以飞溅物为主导的表面、孔洞簇以及严重的底部缺口/不连续性，以及相应的PL|V|WFS条件和DSI类别。（E）正常、边界和有缺陷接头的代表性横截面宏观图（相同比例），将表面缺陷严重性与内部完整性特征联系起来，包括趾部缺口/底部缺口、气孔/空洞、未熔合和过度穿透，以及界面区域的插图和相关的加工条件。不同类别下的代表性表面展示了与DSI映射一致的明显缺陷特征，包括连续的珠状物（正常），局部化的趾部底部缺口段和间歇性的坑洞（边界），以及以严重底部缺口/不连续性、飞溅物引起的粗糙度或聚集的坑洞为主的缺陷情况（有缺陷）（图2D）。横截面宏观图提供了支持性的完整性背景，表明更严重的表面条件更有可能与内部问题相符合，如缺口状的趾部几何形状、气孔/空洞、未熔合特征或过度穿透（图2E）。总的来说，实验设计空间为指导识别缺陷窗口和在选择预测建模和确认实验之前的候选操作条件提供了一个高效的初次框架。3.2. 成像鲁棒性和数据集可信度在线成像站（区域扫描相机、恒定强度环状照明、光学屏蔽和保护窗口）在激光-电弧混合焊接条件下提供了稳定的焊接表面ROI采集，使得沿珠状物的空间采样一致，便于下游的分割和量化（图3A）。平场校正显著减少了视野范围内的空间强度不均匀性，提高了对比度的一致性，并减少了由于阴影造成的缺陷可见性的偏差（图3B）。为了避免过度拟合于狭窄的外观分布，数据集被精心策划以包括铝-钢混合焊接中预期的表面纹理和反射率多样性，包括铝侧、钢侧和界面附近的外观，以及平滑、粗糙和受氧化物/反射率影响的表面（图3C）。这种多样性对于可信的部署至关重要，因为在不同焊接中的表面光度测量可能会因局部化学成分、氧化物状态和珠状物形态而显著变化。下载：下载高分辨率图像（856KB）下载：下载全尺寸图像图3. 自动焊接表面缺陷分割的成像控制、鲁棒性和数据集构建。（A）集成工业区域扫描相机、恒定强度环状照明、保护窗口和弧光抑制的光学屏蔽/挡板的在线成像站的照片；视野（FOV）、行进方向和一个示例原始ROI（与图1F和2D相同的比例）被标示出来。（B）平场照明评估显示了校正前后视野范围内的空间强度分布，包括中心线强度剖面和定量均匀性指标（平均强度、变异系数和峰对峰值不均匀性），以确保可重复的表面成像。（C）表面纹理多样性拼贴图（相同比例），展示了铝侧、钢侧和界面外观的覆盖范围，以及平滑、粗糙和受氧化物/反射率影响的珠状表面。（D）鲁棒性挑战案例展示了典型的采集伪影（眩光/过度曝光、运动模糊和弧光/杂散光污染）以及相应的预处理/处理结果（标准化+平场校正、去模糊/拒绝和杂散光校正后的输入）。（E）数据集组成和按DSI类别划分的训练/验证/测试分割，仅在训练期间应用了数据增强。（F）用于监督学习的真实标注示例，显示了一个代表性的测试ROI、专家标记的二进制掩码，以及用于模型训练和评估的叠加图。明确包括了反映生产相关采集伪影的鲁棒性挑战案例，包括局部眩光/过度曝光、运动模糊和杂散光污染，并使用与部署对齐的预处理和数据处理规则进行了管理：当ROI仍可解释时进行标准化和校正，当模糊或饱和度妨碍了可靠的缺陷解释时则拒绝帧（图3D）。数据集组成和按DSI类别的分割确保了保留的测试集包含了需要无偏见性能评估的具有挑战性的边界和高严重性案例，而不是主要由简单的正常样本主导（图3E）。最后，使用基于生命周期相关不连续性（趾部缺口/底部缺口、坑状凹陷和飞溅物引起的不规则性）的一致缺陷定义生成了专家真实标注掩膜，提供了与缺陷图的预期下游用途（用于严重性索引和疲劳风险分层）相匹配的监督。3.3. U-Net分割性能和实例流程U-Net分割模型和训练协议稳定收敛，并从训练数据到验证数据和测试数据展示了清晰的泛化能力（图4A、B）。IoU学习曲线显示了早期收敛，并通过提前停止避免了过拟合，最终性能分别为IoU ≈ 0.92（训练）、0.89（验证）和0.88（测试）（图4B）。这些值表明模型学会了超出背景纹理的缺陷形态，并在未见过的焊接区域保持了性能，这对于在异质珠状物外观下的可靠在线质量筛查至关重要。下载：下载高分辨率图像（939KB）下载：下载全尺寸图像图4.基于U-Net的表面缺陷分割与后处理，用于定量缺陷分析。(A) 用于缺陷分割的U-Net架构，展示了包含跳跃连接的编码器-解码器结构，这些连接从经过平场校正和标准化的输入ROI映射到二值缺陷掩膜输出（sigmoid），以及主要的训练配置（Dice + BCE损失；Adam优化器）。(B) 训练行为展示了使用IoU在训练集和验证集上的收敛性和泛化能力，包括最佳验证检查点、提前停止以及最终的训练/验证/测试IoU值。(C) 逐步分割流程示例，针对一个代表性的表面ROI（相同比例），展示了原始输入、预处理（去噪/增强）、U-Net掩膜覆盖以及预测的二值掩膜。(D) 后处理和实例分析将预测的掩膜转换成用于DSI计算的缺陷实例和特征几何形状，包括孔洞填充、形态学闭合、连通分量标记、椭圆拟合以及最终的缺陷列表（例如，面积和Lmax）。(E) 定性分割结果涵盖了不同的缺陷类型（低DSI健康、中DSI边界、以飞溅为主和高DSI孔洞簇），以及泛化/应力测试示例，显示在光照、纹理/反射率和采集变化下的稳定覆盖效果（报告了ΔIoU变化）。定性示例展示了从平场校正和标准化的ROI到掩膜覆盖以及二值缺陷预测的完整分割工作流程（图4C）。随后的后处理序列包括孔洞填充、形态学闭合、连通分量标记和椭圆拟合，这些操作将像素掩膜转换为具有稳定几何形状的缺陷实例，从而能够一致地测量面积、主轴长度和方向，以进行DSI计算（图4D）。在各种缺陷类型中，模型都能保持对凹陷边缘和聚集凹坑特征的清晰边界，并且在纠正后的实际纹理和光照变化下仍然表现稳健，支持在部署相关的成像条件下的可重复量化（图4E）。

3.4. 描述符验证、重复性和DSI行为
定义的掩膜衍生描述符能够捕捉焊接表面不连续性的严重性和空间组织，从而实现不同工艺条件下的定量比较（图5A）。自动测量的面积分数Af、缺陷密度ρ和最大主轴长度Lmax与保留的测试集上的专家/手动测量结果高度一致（N = 50个ROI），这一点通过测量范围内的低偏差得到了证明（图5B）。同时，对测试集进行的精确度-召回率分析显示AUPRC约为0.91，证实了尽管在大部分健康的焊珠表面上存在明显的类别不平衡，但该描述符仍能可靠地区分缺陷像素（图5C）。这些结果共同支持所提取描述符作为稳定且物理上可解释的输入的有效性，适用于工艺映射和生命周期相关分析。

下载：下载高分辨率图像（501KB）
下载：下载全尺寸图像
图5. 定量缺陷描述符、验证、重复性和DSI公式。(A) 从分割掩膜中提取的表面缺陷描述符的示意图，包括主轴长度Lmax、缺陷面积A、方向θ（相对于行进方向）、面积分数Af=∑Ai/AROI、缺陷密度ρ=N/AROI，以及基于最近邻间距的聚类指数。(B) 使用精确度-召回率曲线和AUPRC，在测试集上验证自动量化的结果，并报告了R2和MAE。(C) 在选定阈值下，通过精确度-召回率曲线展示了测试集上的分割性能。(D) 通过箱形图和重复实验中的变异系数总结了DSI的重复性。(E) DSI定义为标准化指标的加权和，以及代表低、中、高DSI类别的严重性分离示例。

重复性测试进一步证明，所衍生的严重性指标对实际的采集变化具有鲁棒性：在相同焊接位置进行重复采集时，DSI的变异系数CV小于2.5%，表明DSI的变化主要由真实表面条件的变化驱动，而非成像噪声或阈值不稳定引起（图5D）。将DSI定义为标准化指标的加权和能够清晰地区分低、中、高严重性类别，这与外观差异以及预期的筛选和升级决策阈值相符（图5E）。这种区分对于部署至关重要，因为它提供了一个可以在参数扫描过程中跟踪的客观标量指标，可以作为窗口优化的目标，并且可以转化为实际的接受/监控/返工逻辑，而无需依赖主观的视觉判断。

3.5. 预测窗口优化和效率确认
为了将缺陷量化转化为可操作的工艺指导，训练了一个XGBoost回归模型，从焊接输入PL|V|WFS预测DSI，实现了超越离散工艺参数范围（DoE）的连续质量映射，并支持数据高效的窗口优化（图6A-F）。参数-描述符相关性提供了初步的合理性检查，并与预期的热输入和稳定性约束一致，其中行进速度和激光功率（P）对缺陷指标和DSI的影响最大（图6A）。SHAP分析量化了每个输入的贡献，并揭示了与激光-电弧耦合相一致的交互效应，确认了Vand PLin在驱动DSI中的主导作用，同时通过其在沉积稳定性和焊珠形成中的作用凸显了WFS的次要效应（图6B）。这些可解释的输出确保了学习到的模型不仅具有预测能力，而且在诊断上也有用，有助于识别为什么当偏离稳定运行范围时缺陷严重性会增加。

3.6. 金属学和机械学关联
金属学和微观力学表征表明，DSI捕捉的表面缺陷严重性反映了与疲劳相关的完整性机制，而不仅仅是一个纯粹的表面指标（图7A-F）。横截面配准和硬度遍历定义确保了成像表面ROI与分析的界面/趾部区域之间的一致空间对应关系，从而实现了表面严重性与次表面条件之间的直接关联（图7A）。SEM比较显示，在低DSI条件下，分析区域的界面形态相对平滑，而在高DSI条件下，缺陷附近的异常和应力集中趾部区域的局部分离特征更为常见（图7B）。与这些观察结果一致，参考界面（x=0）的显微硬度曲线表明，更高严重性的条件与界面和趾部附近的性质梯度变化相关，反映了更剧烈的热循环和/或缺陷驱动的应力局部化（图7C）。

3.7. 疲劳生命周期验证和部署概念
疲劳测试表明，DSI是有效的分层指标，可以反映生命周期性能，并提供了从在线表面检测到接受/监控/返工决策的实际桥梁（图8A-F）。按照固定DSI阈值（低≤0.20；中0.20-0.60；高>0.60）分组的S-N结果显示，在相似的应力幅度下，低DSI的疲劳寿命显著更长，这与应力集中严重性的降低和裂纹形成的延迟一致（图8A）。在模型推荐的低缺陷窗口内操作时，相对于窗口外的基线条件，疲劳寿命得到改善，验证了所提出工作流的效率与生命周期相结合的意图（图8B）。这一结果至关重要，因为它将计算指导的工艺优化直接与耐久性提升联系起来，而不仅仅是与视觉质量相关。

金属学和微观力学研究表明，DSI捕捉的表面缺陷严重性反映了与疲劳相关的完整性机制，而不仅仅是一个纯粹的表面指标（图7A-F）。横截面配准和硬度遍历定义确保了成像表面ROI与分析的界面/趾部区域之间的一致空间对应关系，从而实现了表面严重性与次表面条件之间的直接关联（图7A）。SEM比较显示，在低DSI条件下，分析区域的界面形态相对平滑，而在高DSI条件下，缺陷附近的异常和局部分离特征更为常见（图7B）。与此观察结果一致，参考界面（x=0）的显微硬度曲线表明，更高严重性的条件与界面和趾部附近的性质梯度变化相关，反映了更剧烈的热循环和/或缺陷驱动的应力局部化（图7C）。

疲劳测试表明，DSI是一个有效的分类指标，能够反映生命周期性能，并提供了从在线表面检测到接受/监控/返工决策的实际桥梁（图8A-F）。按DSI类别分组的S-N结果显示，在固定应力幅度下，低DSI的疲劳寿命更长（图8A）。在模型推荐的低缺陷窗口内操作相比窗口外的基线条件，疲劳寿命得到改善，这一点在代表性的应力幅度（σa=150MPa）下得到了验证，并以中位寿命增益的形式报告（图8B）。匹配的表面-裂纹证据加强了因果关系的证实：低DSI样本在ROI中显示出较少的缺陷场，而高DSI样本的起始位置与分割捕捉到的严重表面特征一致（图8C）。基于复制的跟踪进一步证明了随着DSI类别的增加，裂纹起始时间更早，这通过较低的起始分数Ni/Nf得到了证实，证实了表面严重性主要加速了启动主导的疲劳行为（图8D）。基于DSI的疲劳寿命等值模型表明，利用与DSI相关联的信息可以预测寿命趋势，预测值与实测值的行为在等值图中进行了总结（图8E）。最后，部署概念展示了完整的在线成像→U-Net→DSI计算流程，包括阈值逻辑（接受/监控/返工）以及预期的疲劳寿命范围，并包括了在推荐的低缺陷窗口内运行时DSI分布的定向变化（图8F）。

4. 讨论
本研究表明，通过将分割的缺陷场转换为物理上可解释的描述符和DSI，在线焊接表面成像可以从定性检查提升为定量、可重复的决策变量。核心贡献不仅在于像素级别的定位，还在于将复杂的不连续性模式结构化为反映疲劳相关因素的指标，如趾部缺口严重程度、不连续性密度、特征缺陷长度尺度、空间聚类以及相对于载荷和裂纹扩展方向的方向。所得到的指数具有高重复性（DSI CV < 2.5%），从而能够在多参数混合焊接空间内实现稳健的制度映射和质量筛查。通过根据可测量的几何形状和组织结构而不是主观外观来定义严重程度，该框架支持在不同条件下的一致比较，并为过程资质认证和控制提供了可行的标量目标 [26]、[27]、[28]。
从过程到DSI关系的可解释性对于工程应用至关重要，模型的可解释性结果在数据驱动的预测和过程物理之间架起了一座透明的桥梁。SHAP排名和部分依赖性趋势一致表明，行进速度和激光功率（P）主导了缺陷严重程度，当激光穿透、电弧稳定性和填充金属转移共同影响焊缝形成和趾部几何形状时，这些因素会产生交互效应。这些发现非常重要，因为它们将预测模型从黑盒映射提升到了一个更加明确的层面：识别出的最佳参数区间和交互特征为参数优化提供了可操作的指导，同时保持了对已知的稳定性和有效热输入约束的一致性。因此，过程优化可以围绕高价值区域进行有针对性的确认，而不是进行广泛的试错搜索，这在不同系统具有狭窄的可行窗口时尤其有价值。
可靠的部署依赖于成像的稳健性，目前的结果表明，控制照明、平场校正和眩光抑制显著提高了测量的一致性；尽管如此，领域偏移仍然是一个实际风险。表面反射率的变化（氧化状态、涂层条件）、保护窗口污染、镜头老化、照明漂移或车间内的杂散光都可能降低缺陷的可见性，并在掩模预测和下游描述符中引入系统偏差。虽然增强措施提高了对中等变化的抵抗力，但尚未评估跨系统的通用性，这应被视为立即进行多线扩展的一个限制。因此，实际实施应包括定期的平场更新、窗口污染监控、周期性的像素到毫米的重新校准检查，以及使用参考ROI进行轻量级的漂移监控，以检测成像领域是否超出了训练范围 [29]、[30]。
该框架通过将快速制度映射与疲劳相关验证相结合，减轻了资质认证的负担，同时保持了生命周期的相关性，而不是将表面质量视为一个独立的KPI。DSI引导的窗口优化通过提前避免缺陷主导的阶段，集中了确认实验并降低了返工风险，而疲劳分层和起始跟踪表明表面指数能够捕捉到裂纹起始行为的有意义变化。模块化结构支持了可转移性：给定代表性的重新训练数据，成像和分割与材料无关，描述符集可以通过调整权重或在必要时添加额外指标来适应特定对的特征。主要限制包括：聚合指数可能掩盖罕见的高临界性特征；依赖于产品标准之间的一致标记定义；该方法并不声称能够直接检测内部缺陷；相反，它提供了一个与完整性和疲劳结果充分相关的表面衍生严重程度测量值，用于指导过程窗口和决策逻辑。

5. 结论
本研究开发了一个集成的在线成像和机器学习框架，用于激光-电弧混合焊接AA6061-T6/DP590不同接头中的定量表面缺陷评估。所提出的U-Net分割方法取得了高精度，IoU值分别为0.92/0.89/0.88（训练/验证/测试），AUPRC为0.91，能够在不同的表面条件下实现可靠的缺陷定位。缺陷严重程度指数（DSI）显示出高重复性（DSI CV < 2.5%），并与专家测量结果非常吻合，证实了其作为质量指标的稳健性。与传统视觉检测方法相比，该框架减少了主观性，并通过基于描述符的客观评估提高了缺陷量化的准确性。XGBoost模型成功预测了整个参数空间内的缺陷严重程度，而SHAP分析确定了主导过程参数，从而实现了有针对性的优化，而不是穷尽性的试错实验。疲劳验证进一步证实，较低的DSI条件显著提高了生命周期性能，不同严重程度阈值之间有明显的分界（低 ≤ 0.20，中 0.20-0.60，高 > 0.60），证明了表面质量与耐用性之间的直接联系。总体而言，所提出的框架为过程资质认证提供了一种数据高效且可部署的解决方案，降低了返工风险，并在不同焊接应用中提高了可靠性。

CRediT作者贡献声明
徐志恒：撰写 – 审阅与编辑、撰写 – 原稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、正式分析、数据管理、概念化。

利益冲突声明
作者声明没有利益冲突。