深度学习在焊接熔池特征提取中的应用

引言

现代制造业针对焊接质量控制提出了更高的要求，传统依靠人工经验的熔池监测方法已无法满足高精度、高效率的生产需求。焊接熔池作为反映焊接质量的关键信息载体，其形态特征直接关联着焊缝成形质量和内部缺陷的状况。深度学习技术凭借强大的特征学习能力和模式识别优势，为焊接熔池的智能化监测提供了全新的解决方案，推动着焊接技术朝着数字化和智能化的方向发展。

1 深度学习熔池特征提取应

1.1 深度学习技术概述

深度学习技术基于多层神经网络架构， 借端到端学习机 始数据到高级语义特征自动映射。卷积神经网络运用局部连接和权重 发现复杂视觉模式和空间结构关系。深度网络层次化表示学习 义特征，借助多尺度特征融合技术，同时捕获局部细节和全局 技术不用人工设计特征描述算子，能够自适应地学习数据里的内在规律和特征表示。 领域呈现出优异性能，为复杂图像识别和分析任务提供有效解决方案。

1.2 焊接熔池特征提取

焊接熔池属于高温液态金属区域，会呈现复杂几何形态与动态变化特征，其图像信息承载着焊接过程关键质量参数。熔池边界清晰度反映固 衡状态 宽度、面积、长宽比等直接关联焊接热输入与材料流动特性。MIG 激光深熔焊接中小孔效应产生的高亮度区域和周围熔池形成显著灰度 和凝固过程动力学特征，这些形态变化可通过图像处理技术进行捕获和量化分析，传统特征提 理复杂光照条件和动态变化方面存在局限性，难以满足现代焊接质量控制的精度要求。

2 深度学习熔池特征提取关键技术

2.1 U-Net 在熔池边界分割中的应用

U-Net 网络通过同步处理编码和解码过程，直接开展焊接熔池图像的边界识别任务，编码器在接收原始熔池图像之后，逐层压缩空间信息并提取抽象特征，有效滤除弧光干扰和飞溅噪声对边界检测的影响[1]。解码器把压缩的特征信息重新映射到原始图像尺寸，通过上采样操作恢复熔池边界的精确位置信息，跳跃连接在这个过程当中发挥着关键作用，将编码器各层的细节特征直接传递给解码器对应层，确保熔池边界的微小变化和渐变区域得到准确识别，该网络在处理MIG 焊接的椭圆形熔池的时候，能够自动适应熔池形状的动态变化，准确分离熔池区域与母材背景。对于激光焊接里小孔和熔池共存的情况，U-Net 借助多尺度特征融合机制区分不同亮度区域，实现对复杂熔池形态的精确分割，输出的二值掩码直接用于后续几何参数计算。

2.2 CNN 在熔池形态特征识别中的应用

卷积神经网络借助层次化的特征学习过程，直接从熔池图像里提取并量化形态特征参数，浅层卷积核在作用于熔池图像的时候，自动检测边缘轮廓和亮度梯度的变化，捕获熔池与背景对比信息及表面纹理细节。深层卷积操作会扩展感受野的范围，整合局部特征进而形成对熔池整体形态的语义理解，自动计算熔池几何中心、长轴方向和形状参数，池化层在特征提取过程当中降低计算复杂度，同时增强网络对熔池位置偏移的容错能力，确保算法在焊枪轻微抖动情况下稳定提取特征。全连接层把卷积得到的特征向量映射为具体的熔池状态类别，直接输出熔透程度、焊缝偏差和缺陷类型等质量判断结果，该网络在实际焊接过程中持续分析熔池形态变化，当检测到异常特征模式时立即触发质量预警，为焊接参数调整提供实时反馈信息。

2.3 深度学习特征提取系统集成应用

深度学习算法和焊接设备进行集成，依靠实时图像处理流水线达成熔池特征的连续监测与工艺控制。高速相机依照预设帧率采集熔池图像，图像预处理模块马上开展去噪和对比度增强操作，保证输入深度学习模型的图像质量符合算法要求，U - Net 分割网络和 CNN 识别网络并行开展工作，前者输出精准的熔池区域掩码，后者基于分割结果计算几何参数和状态特征。特征融合算法对多个网络的输出结果进行综合分析，生成熔池质量评价指标和参数调整建议，控制系统接收特征分析结果之后，通过 PID 控制算法或者模糊控制逻辑调节焊接电流、焊接速度和保护气流量等工艺参数。一旦熔池形态偏离正常范围，系统自动触发参数补偿机制，把熔池特征调整到预设目标范围之内，该闭环控制过程以35ms 的响应速度持续运行，确保焊接过程中熔池状态实时优化和质量稳定。

3 深度学习熔池特征提取应用效果

3.1 不同焊接工艺中的应用验证

在汽车制造领域中，基于注意力机制改进的U-Net 模型成功应用于MIG 焊接生产线，实现了对低碳钢搭接接头熔池的实时监测。此系统在高速焊接工况以焊速 n 的情况下持续稳定运行，准确捕捉熔池宽度范围在5.2 - 6.8mm 之间的动态变化，并成功识别出 3 起未熔 在船舶厚 板激光-MAG 复合焊应用当中，多尺度特征融合网络有效区分锁孔效应与熔池区域，使X80 管线钢焊接的熔 预测误差控制在 ±0.15mm 以内[2]。在航天器铝合金结构件脉冲焊接过程中，该系统通过分析熔池振荡频率与形貌关联特征，提前预警2 起气孔生成趋势，为工艺参数动态调整提供关键决策依据。

3.2 特征提取精度与效率评估

产线实测数据显示，深度学习熔池特征提取系统连续8 小时运行分割准确率达 98.2% ，而传统图像处理方法仅 74.6%. 。几何参数提取精度显著提升，熔池面积测量误差从传统方法 7.3%降至 2.1% ，并且长度方向测量标准差由 0.42mm 优化到 0.15mm。系统 TensorRT 加速后，单帧处理时间稳定在 15 - 20ms 区间，可满足高速焊接毫秒级实时控制需求。在存在强烈弧光干扰的铝合金脉冲焊接工况下，基于注意力机制的识别算法准确率保持在93.5% ，较传统阈值分割方法65.7%有显著鲁棒性优势[3]。

结语

深度学习技术在焊接熔池特征提取领域有强大应用潜力和创新价值，借助端到端特征学习机制，可以智能识别与解析复杂动态熔池形态。经过不同焊接工艺实践验证，基于深度学习的监测系统具有优异适应性、稳定性和工程适用性，能为焊接过程质量控制提供突破性技术方案。随着算法架构和模型加速方法的持续演进，该项技术会推动焊接智能制造体系构建，加速焊接工艺朝数字化、智能化方向转型升级，为现代制造业高质量发展注入核心创新动力。

参考文献

[1] 马晓锋, 夏攀, 刘海生, 史铁林, 王中任. 全位置焊接熔池的深度学习检测方法[J]. 机械工程学报,2023,59(12):272-283.

[2] 王皆佳,郭志阳,沈玉国,周超,赵柏淦.基于深度学习的焊接图像识别技术应用研究[J].计算机应用文摘,2025,41(5):85-87.

[3] 申佳美子,杜裕民.基于注意力机制与改进U-Net 网络的视觉图像增强方法[J].佳木斯大学学报(自然科学版),2025,43(3):43-45+91.