近日，機電設計與知識工程研究所胡潔教授、戚進副研究員團隊提出了一種新穎的兩階段“粗到精”檢測框架（CTFAD），通過結(jié)合YOLOv8目標檢測算法和集成學習分類模型，顯著提升了焊接缺陷檢測的準確性和效率，為汽車制造中開放場景的焊接質(zhì)量智能檢測提供了重要技術支撐。研究成果以“Coarse-to-fine vision-based welding spot anomaly detection in production lines of body-in-white”為題，發(fā)表在Journal of Manufacturing Systems上。博士生劉瑋潔為第一作者，胡潔教授、戚進副研究員為共同通訊作者。
在汽車制造中，白車身（Body-in-White, BIW）結(jié)構(gòu)的焊接質(zhì)量直接關系到車輛的安全性和可靠性。傳統(tǒng)的焊接缺陷檢測方法，如超聲波檢測和射線檢測存在成本高、效率低等問題。而基于計算機視覺的檢測方法雖然具有快速、非接觸的優(yōu)勢，但在復雜工業(yè)環(huán)境中仍面臨原始采集數(shù)據(jù)分辨率高、數(shù)據(jù)不平衡、實時性要求高等挑戰(zhàn)。
為此，研究團隊提出了一種兩階段的CTFAD框架，在粗檢測階段，利用YOLOv8高效定位焊接點區(qū)域，生成候選區(qū)域；在細分類階段，通過集成卷積自編碼器、ResNet分類器和Transformer分類器，結(jié)合投票算法對候選區(qū)域進行精確分類，顯著提升了小尺度缺陷的檢測能力。
實驗結(jié)果表明，CTFAD框架在真實工業(yè)數(shù)據(jù)集上的檢測準確率和召回率均優(yōu)于傳統(tǒng)端到端方法，同時滿足了生產(chǎn)線上高實時性的需求。此外，團隊還開發(fā)了一套集數(shù)據(jù)采集、處理、分析和報警功能于一體的智能檢測系統(tǒng)，并在實際生產(chǎn)線上驗證了其有效性。
研究創(chuàng)新地提出了一種模塊化的“粗到精”檢測框架，兼顧了檢測效率和精度；設計了基于投票算法的分類模塊，顯著提升了模型在數(shù)據(jù)不平衡場景下的魯棒性；開發(fā)了一套完整的焊接缺陷智能檢測系統(tǒng)，為工業(yè)應用提供了可擴展的解決方案。研究為智能制造中的焊接質(zhì)量檢測提供了新思路，未來可通過優(yōu)化模型輕量化和多傳感器融合進一步提升性能。
論文鏈接：https://doi.org/10.1016/j.jmsy.2025.05.003
代碼開源地址：https://github.com/wj-liu0730/ctfad-jms
學院OA系統(tǒng)
jAccount登錄
ENGLISH
地址：上海市東川路800號上海交通大學閔行校區(qū)機械與動力工程學院
郵編：200240
Email：sjtume@sjtu.edu.cn