在汽车生产中，始终如一地保持高质量是至关重要的。为了确保车身焊接连接符合标准，西班牙的自动化专家DGH集团开发了一套自动化检测应用，可识别焊缝异常。该系统依托MVTec HALCON机器视觉软件及MVTec深度学习工具，实现快速、精准的检测流程。
汽车生产对质量检测要求极高
汽车生产中，尤其是白车身焊接工艺，对质量标准要求极高。焊缝可能出现多种缺陷，如裂纹、不完整焊缝或焊接不规则等，需要精准识别。DGH集团受一家大型法国汽车集团委托，开发了针对金属惰性气体焊（MIG焊）及激光焊工艺的焊接连接自动检测系统。
机器视觉实现质量检测自动化
系统的主要目标是确保所有焊缝达到极高质量标准，同时发挥自动化带来的优势，即速度更快、可靠性更高、检测精度更高且结果一致。系统工作流程如下：当车身到达检测工位时，PLC触发各类检测流程。2D摄像头对焊缝进行单独或连续拍摄，并通过GigE Vision协议将图像传输至机器视觉软件进行处理。系统可靠检查各类焊接接头及焊点，识别激光焊工艺下的异常情况，检测结果传回PLC，并在显示屏上可视化展示。
深度学习实现出色的识别率
系统核心是MVTec HALCON机器视觉软件。为了可靠地检测所有缺陷，软件主要采用两种基于深度学习的技术。首先，使用实例分割（Instance Segmentation）技术，用于精确定位焊缝区域。通过深度学习可将像素级图像分配到不同训练类别。其次，异常检测（Anomaly Detection）技术通过自动化表面检测，精确识别各种偏差或缺陷。
DGH集团创新与技术总监Guillermo Martín表示：“异常检测带来两个关键优势：一是检测率极高且稳健；二是神经网络训练简单。训练主要依赖‘良品图像’，即无缺陷焊缝的照片，少量缺陷图像可帮助确定最佳阈值，从而区分良品与缺陷焊缝。大幅减少了获取缺陷图像的复杂性，这正是深度学习的优势。”
深度学习工具简化标注与训练
在神经网络训练前，需要对图像进行标注。DGH使用MVTec提供的免费深度学习工具完成此任务。通过该工具，可轻松标注图像并进行训练。DGH团队收集焊缝图像，并结合员工经验检查每张图像，确保以良品图像为主进行训练。图像导入工具后，利用实例分割技术进行标注，智能标注工具仅需点击焊缝区域即可自动框选，保证训练只基于焊缝相关区域。标注完成后，将数据集按50%训练、25%验证、25%测试划分，训练完成的模型通过深度学习工具无缝导入HALCON软件。
机器视觉与人工智能推动自动化
Guillermo Martín透露：“我们与MVTec合作已超过十年，非常熟悉其强大的工具和算法，因此在本项目中选择信任HALCON。”该软件克服了反光金属表面及光照变化的挑战，实现高鲁棒检测。首套系统于2024年初在汽车制造厂投运，运行稳定后，2024年4月应同一客户需求，实施了第二套焊缝检测系统。
通过机器视觉与深度学习，DGH集团成功实现了目标，大幅减少对人工熟练工的依赖，提高自动化水平。各类焊接缺陷均被稳定、可靠地检测到，缺陷率明显降低。
更多信息请访问：www.mvtec.com
