机器人焊接质量控制：AI视觉检测、无损检测和ISO 5817缺陷分级（2026）
机器人焊接质量控制结合了四个层面：对电弧电压、电流和送丝速度进行在线过程监控；在焊接前、焊接中和焊接后对焊缝进行人工智能视觉检测；对安全关键接头进行无损检测（超声波检测、射线检测、磁粉检测、渗透检测或可视化检测）；以及根据 ISO 5817 / ISO 6520 验收标准和 AWS D1.1 等规范进行结构化缺陷分级。这些层面共同作用，将焊接缺陷率从人工操作通常的 5% 至 8% 降低到校准后的机器人系统的 1% 以下。
质量控制堆栈概览：每一层捕获什么
在深入分析每一层之前，下表列出了每种方法的检测内容、每单元格的成本范围以及结果的可用速度。了解这些差异是决定哪种组合更适合特定生产环境的第一步。
| 质量控制方法 | 检测内容 | 保障范围 | 增量成本（每单元） | 结果速度 |
|---|---|---|---|---|
| 在线过程监控（电弧参数） | 电压/电流漂移、送丝异常、气流损失——这些工艺偏差在演变成缺陷之前就已经存在。 | 100% 电弧开启时间 | 2,000 美元至 8,000 美元（传感器 + 日志记录） | 实时（毫秒） |
| AI视觉——焊前（接头几何形状） | 间隙、错位、接头配合超出公差 | 100%的关节 | 与焊后视觉硬件共享 | 每次扫描耗时1-3秒 |
| AI视觉——过程内（熔池） | 电弧不稳定性、不完全聚变特征、飞溅异常 | 弧长的100% | 10,000美元至25,000美元（高速摄像机+红外线） | 实时，延迟约100毫秒 |
| AI视觉——焊后（焊缝轮廓） | 底切、重叠、欠填充、表面孔隙率、珠粒几何形状偏差 | 100% 焊缝表面 | 15,000 美元至 55,000 美元（3D 轮廓仪 + 边缘计算） | 每个关节5-30秒 |
| 超声波检测（UT/PAUT） | 内部缺陷：未熔合、裂纹、厚度≥6mm的材料中存在体积夹杂物 | 抽样或100%安全接头 | 0 美元（外包）– 45,000 美元（细胞内 PAUT） | 每节关节所需时间（离线） |
| 射线检测（RT） | 整个接头横截面存在内部缺陷；CJP焊接规范强制要求 | 法规规定的批次抽样 | 按焊缝或按批次外包 | 胶片电影的小时数换算成数字电影的分钟数 |
| 磁性颗粒（MT） | 铁磁材料的表面和近表面裂纹 | 抽样的 | 500-3,000美元（设备） | 每次测试耗时15-30分钟 |
| 染料渗透剂（PT） | 任何材料中的开放表面裂纹和孔隙 | 抽样的 | 200-1,500美元（耗材） | 每次测试耗时30-60分钟 |
| 视觉测试（VT） | 表面几何形状、倒角、重叠、尺寸不符 | 抽样或100%手工 | 仅劳动 | 每关节所需时间（分钟） |
第一部分——在线过程监控
在线过程监控是机器人焊接质量控制的第一道关卡。它并非在缺陷发生后才进行发现，而是追踪导致缺陷的过程变量，并在电弧继续传播之前标记偏差。
电弧参数：电压、电流和送丝速度
在 GMAW（MIG/MAG）焊接过程中，电源以 1 kHz 或更高的采样率记录电弧电压和焊接电流。波形监测软件将实时信号与焊接工艺评定过程中建立的参考波形进行比较。如果电压持续下降超过设定值 ±3 V，则表明存在焊嘴问题、焊缝错位或保护气体问题。电流偏差与送丝速度的变化相关，而送丝速度的变化会影响熔深和焊缝几何形状。ABB 的 SmartPower 模块和林肯电气的 CheckPoint 数据记录平台等系统均实现了这种波形异常检测，并根据参数稳定性为每个焊缝分配一个焊接质量指标。
气体流量和焊炬状态监测
保护气体流量在调节器处进行监测，在配备仪器的系统中，也在焊枪本体处进行监测。如果流量低于合格的最低值（通常实心焊丝GMAW焊接为12-18升/分钟），质量流量传感器会触发焊接停止信号，从而防止因气体覆盖不足而导致的气孔。焊枪状态传感器监测喷嘴阻力（可作为飞溅积聚的指标）和焊嘴磨损情况，以便在焊嘴磨损导致接触点偏移和焊缝定位不良之前及时更换焊枪。
电弧开启时间作为质量信号
自动记录的每个焊点的电弧开启时间可提供周期级的质量信号。通常需要 18 秒电弧开启时间的焊点在 14 秒内完成焊接，表明电弧过早熄灭，这可能导致未熔合事件。序列级可追溯性日志将电弧开启时间、峰值电流和电压稳定性与焊点 ID 关联起来，从而能够在无损检测 (NDT) 的下游环节发现缺陷时进行根本原因分析。
根据美国焊接学会 (AWS) 汇编的行业数据，机器人焊接可将焊接缺陷率从人工操作中常见的 5% 至 8% 降低到经过适当校准的机器人系统中的 1% 以下。剩余的低于 1% 的缺陷主要源于夹具未对准和耗材管理不善，而非焊接工艺本身的问题。因此，在线参数监控是发现这些残留缺陷模式并防止其造成废品的主要手段。
第二部分——AI视觉检测（核心质量层）
人工智能视觉检测现已涵盖焊接的全部三个时间阶段：电弧启动前（焊前接头验证）、焊接过程中（熔池和电弧光监测）以及焊接后（焊后焊缝轮廓分析）。每个阶段都使用不同的传感器硬件，并提供不同的质量控制值。
焊前：接头几何形状验证
在机器人开始焊接之前，激光线扫描仪或结构光3D相机会捕捉接头几何形状。系统会根据合格的焊接工艺规程 (WPS) 限值检查根部间隙、接头对准情况和进给角度。如果接头超出公差范围、间隙超过WPS最大值或存在会导致焊缝偏离中心的错位，系统会在焊接时间被浪费之前发出暂停和警报。
该领域的领先系统包括 Meta Vision MV（集成 EtherCAT，常见于汽车车身修理厂）、Servo-Robot（广泛应用于结构制造）、Scansonic（可耐受高能环境）和 Octopuz（基于点云的软件路径校正）。焊前扫描还可以校正机器人焊接路径中因零件尺寸差异造成的误差，这正是单元组件指南中所述的焊缝跟踪激光轮廓仪的主要功能。
过程监测：电弧光轮廓和熔池监测
高速摄像机（每秒10,000至50,000帧）经滤波处理，可捕捉电弧发射波长范围内的电弧光轮廓和熔池几何形状。红外热成像摄像机同时绘制热影响区（HAZ）的温度分布图。这些信号共同表明，在后续焊接工序之前，熔合尚未完全：如果熔池在焊接速度和电流保持不变的情况下突然变窄，则表明焊缝间隙坍塌或基体金属受到污染。
实际上，图像处理层是计算量最大的层。边缘推理板（NVIDIA Jetson 或同等产品）运行轻量级 CNN 模型，这些模型在已标注的弧形异常图像上进行训练，可在 50-100 毫秒内对每一帧进行分类。完整的 NVIDIA Metropolis 流水线部署在高产量汽车生产单元中，其中多个摄像头画面同时运行。
焊后：焊缝轮廓和缺陷分类
焊后焊缝轮廓分析采用三维激光轮廓仪生成焊缝横截面点云。该轮廓仪测量焊缝宽度、高度、咬边深度、搭接延伸范围和焊趾角度，这些参数直接对应于 ISO 5817 验收等级要求。基于已标注焊缝缺陷数据集训练的深度学习模型可对表面特征进行分类：咬边（ISO 5817 类型 5011）、搭接（5041）、焊缝填充不足（5012）、表面气孔（2017）以及与合格焊缝轮廓的几何偏差。
生产部署中使用的商业视觉软件平台包括 Cognex VisionPro（广泛用于二维表面检测）、MVTec HALCON（因其脚本灵活性而成为复杂三维轮廓分析的首选）以及 Intel Geti（提供云辅助模型训练和部署管理）。特定应用领域的检测方案包括用于柔性制造单元的 Inspekto S70 和用于对安全关键型航空航天和压力容器焊缝进行 X 射线集成检测的 Yxlon HBR-DL。
根据行业部署数据，基于人工智能视觉的焊接检测对表面和近表面缺陷的检出率可达96%至99%，而以生产速度进行的训练有素的人工目视检测（VT）的检出率约为87%。人工智能系统的误报率也低于人工目视检测，因为该模型在每次测量中都应用一致的决策阈值，避免了人工检测员长时间工作后出现的疲劳效应和阈值漂移。
第 3 节 — 无损检测 (NDT) 方法
焊接规范要求对安全关键接头进行无损检测，仅靠目视或人工智能视觉检测无法替代。每种方法都有其特定的检测范围；根据接头类型和材料厚度选择合适的检测方法是符合规范的检测方案的基础。
超声波检测（UT/PAUT）
超声波检测利用高频声波来检测厚度为 6 毫米或以上的材料内部的缺陷。相控阵超声波检测 (PAUT) 无需移动探头即可通过电子方式控制声波在多个角度进行扫描，一次扫描即可生成焊缝横截面的 S 形扫描图像。由于 PAUT 能够提供更佳的体积覆盖范围、数字化成像和永久记录，因此已基本取代了结构件和压力容器焊缝检测中传统的单探头超声波检测。AWS D1.1 附录 K 认可 PAUT 作为全熔透焊缝检测的替代方法，前提是已制定合格的检测程序。
射线照相测试（RT）
射线照相（RT）利用X射线或伽马射线辐射，在胶片或数字探测器上对焊缝横截面进行成像。它仍然是检测整个焊缝厚度范围内体积缺陷、气孔团簇、夹渣和未熔透接头的参考方法。AWS D1.1标准强制要求对易断裂构件进行RT检测，ASME第九卷则强制要求对某些承压焊缝类别进行RT检测。数字射线照相（DR）和计算机断层扫描（CT）已将胶片周转时间从数小时缩短至数分钟，并支持复杂接头几何形状的三维体积重建。
磁粉测试（MT）
磁粉探伤（MT）通过施加磁场并注入铁磁性颗粒悬浮液，检测铁磁性材料表面及近表面的缺陷（裂纹、焊缝、冷焊缝等）。垂直于磁力线的缺陷处会明显积聚颗粒。磁粉探伤快速、便携且成本低廉，是结构钢制造中角焊缝和坡口焊缝的标准初筛方法。磁粉探伤无法检测奥氏体不锈钢或铝（非铁磁性材料），且仅能检测断裂或接近表面的缺陷。
渗透检测 (PT)
渗透探伤法 (PT) 将低粘度渗透液涂覆于清洁的焊缝表面；毛细作用将渗透液吸入表面裂纹中。停留一段时间后，涂覆显影剂，使渗透液显露出来。PT 适用于任何材料，包括铁磁性材料、不锈钢、铝和钛，是检测非铁磁性焊缝表面裂纹的标准方法。该方法要求表面清洁干燥，并控制停留时间，因此不太适合高通量在线检测，但非常适合作为样品批次的定期检查。
视觉测试（VT）
视觉检测 (VT) 是最简单、成本最低且最常用的检测方法。经过培训的检测员会检查焊缝表面是否存在可见缺陷，例如咬边、重叠、表面裂纹、焊缝填充不足以及轮廓几何形状是否符合标准或参考模板。AWS D1.1 第 6 条规定，在应用任何其他无损检测 (NDT) 方法之前，必须对所有焊缝进行视觉检测。人工智能视觉检测系统在功能上是视觉检测的自动化和仪器化形式，其覆盖率可达 100%，并具有一致的阈值和文档记录功能。
第 4 节 — 缺陷分类：ISO 6520-1 和 ISO 5817 分级
ISO 6520-1 提供了焊接缺陷的参考分类系统，按类型将其分为六类。ISO 5817 根据每种缺陷的尺寸限制，将这些缺陷类型映射到验收等级 B（最严格）、C（中等）和 D（最宽松）。基于 ISO 6520-1 分类训练的 AI 视觉模型生成的输出可以直接映射到 ISO 5817 的验收/拒绝决策。
ISO 6520-1 缺陷组
| 组（编号范围） | 缺陷类型 | 常见例子 | 典型检测方法 |
|---|---|---|---|
| 第 1 组（100 人） | 裂纹 | 纵向裂纹（101）、横向裂纹（102）、热裂纹（104）、坑状裂纹（107） | 超声波检测、射线检测、磁共振检测、渗透检测、人工智能视觉（表面裂纹） |
| 第 2 组（200 人） | 插孔 | 孔隙率（2011）、虫洞（2015）、表面孔隙率（2017）、收缩腔（202） | RT（体积）、UT、AI视觉（表面孔隙） |
| 第 3 组（300 人） | 固体夹杂物 | 炉渣夹杂物（301）、熔剂夹杂物（302）、氧化物夹杂物（3041）、金属夹杂物（304） | RT、UT（PAUT 用于较大的包涵体） |
| 第 4 组（400 人） | 融合和渗透不足 | 融合不足（401）、穿透不完全（402）、根穿透不足（4021） | UT（PAUT）、RT；根面人工智能视觉（访问权限有限） |
| 第 5 组（500 人） | 形状和尺寸不完美 | 底切（5011）、重叠（5041）、填充不足（5012）、过度凸起（503）、角度偏差（508） | AI视觉（3D珠状轮廓分析）、VT、量规 |
| 第 6 组（600 人） | 其他缺陷 | 电弧冲击（601）、飞溅（602）、撕裂表面（6011）、研磨痕迹（6012） | VT、AI视觉、MT |
ISO 5817 验收等级 B、C、D
ISO 5817:2023 为钢、镍、钛和铝的熔焊接头定义了三个验收质量等级。D 级（中等质量）尺寸公差最大，适用于一般制造。C 级（中等质量）是结构应用和大多数工业制造的标准。B 级（严格质量）适用于安全关键结构、压力设备和汽车主要结构，这些应用对疲劳强度和断裂强度要求很高。
举例来说：深度为 0.5 毫米的咬边（5011 型）在 D 级验收标准下可接受，在 C 级验收标准下勉强合格（对接焊缝的限值为 0.5 毫米），在 B 级验收标准下不合格（对接焊缝的限值为 0.25 毫米）。针对特定验收标准配置的 AI 视觉系统会将其检测阈值设定为 ISO 5817 相关表格中的尺寸限值，从而实现自动合格/不合格判定。
第 5 节 — 验收标准映射：AWS D1.1、EN 15085 和 ISO 3834
除了 ISO 5817 标准之外，遵循行业特定规范的制造商必须将其检验计划与这些规范中的验收标准相匹配。下表总结了机器人焊接应用的主要规范及其质量范围。
| 代码/标准 | 适用范围 | 视觉（VT）需求 | RT/UT要求 | 质量水平参考 |
|---|---|---|---|---|
| AWS D1.1（结构钢） | 北美结构钢制造和安装 | 所有焊缝100%合格（第6条） | 对 CJP 拉力构件和断裂临界构件进行 RT 或 UT 检测 | 按接头类别和载荷类型验收 |
| AWS D1.2（铝） | 结构铝焊接 | 100% VT | 根据关节类别选择放射线 (RT) 或超声 (UT) 检查；薄铝片首选放射线检查。 | 与D1.1类似的分类方法，适用于铝微观结构 |
| AWS D1.6（不锈钢） | 结构不锈钢焊接 | 100% VT | RT 或 PT（MT 不适用于奥氏体钢） | 这些标准考虑了HAZ附近的致敏风险。 |
| EN 15085（轨道车辆） | 铁路车辆及部件焊接 | CL1 安全关键接头 100% | CL1关节100%采用RT或PAUT检查；CL2/CL3关节取样 | ISO 5817 B级（CL1）；C级或D级（较低临界性） |
| ISO 3834（质量要求） | 熔焊质量管理框架标准；被 EN 1090、EN 15085 等标准引用 | 根据所引用的产品标准 | 根据所引用的产品标准 | ISO 3834-2（综合版）、-3（标准版）、-4（基础版） |
| ASME 第 IX 卷（压力容器） | 美国及全球锅炉、压力容器和管道参考 | 根据建筑规范（ASME VIII Div.1） | 对于Div.1中压力阈值以上的P值节点，RT是强制性的。 | 不支持 ISO 5817 直接映射；适用 ASME QW 和 UW 验收标准。 |
根据美国焊接学会（AWS D1.1:2020，条款 6.9）的规定，所有焊缝在进行任何其他无损检测之前都必须经过目视检测。这项要求使得目视检测（VT）——以及作为其仪器化替代方案的自动化人工智能视觉检测——成为完整检测流程的必要入口，而非可选步骤。机器人焊接作业若能记录每个焊缝 100% 的人工智能视觉检测结果，即可满足本条款的文档要求，并为每个生产批次生成可审核的质量记录。
第六节——人工智能部署在焊接质量系统中的投资回报率
将 AI 视觉检测添加到现有机器人焊接单元的商业理由基于三个可衡量的改进：更高的缺陷检测率、更低的误报率（从而减少不必要的废品）以及降低通过自动筛选的生产批次的下游无损检测频率。
检测率提升
由合格的检验员在生产速度下对机器人焊接输出进行人工视觉检测 (VT)，对表面和近表面缺陷的检出率约为 87%，但在班次结束和高生产压力下，这一数值会进一步下降。根据行业部署数据，部署在机器人焊接单元上的 AI 视觉系统对相同缺陷类型的检出率始终保持在 96% 至 99%。这 9 至 12 个百分点的差距直接转化为更少的表面缺陷漏检，从而降低了下游装配或客户交付环节的缺陷检出率。
视觉硬件的成本
在现有单元（3D激光轮廓仪、带边缘推理功能的工业PC、集成软件）上增加焊后AI视觉功能的硬件成本，对于焊后焊缝轮廓分析配置而言，增量成本为25,000美元至55,000美元。在同一硬件平台上增加焊前接头扫描功能，则需增加5,000美元至15,000美元。采用高速摄像机和红外热成像技术进行全过程熔池监控是成本最高的层级，需增加10,000美元至25,000美元，主要用于航空航天、压力容器和安全关键型铁路焊接，而非一般制造。总而言之，在一个单元上集成完整的三阶段AI视觉功能，相比基础机器人单元，增量成本为40,000美元至80,000美元。
复仇司机
在中等产量的结构件制造车间，每班次需检测 300 个焊缝接头，将检测率从 87% 提高到 97% 可避免每 1,000 个接头中大约 30 个缺陷漏检。假设每次在生产过程中发现的返工成本平均为 75 美元（而每次漏检到下游装配环节的成本则超过 400 美元），仅缺陷检测一项每年每个车间就能节省约 50,000 万至 120,000 万美元，具体金额取决于产量和返工成本。在这些参数下，50,000 万美元的视觉硬件投资可在 6 至 14 个月内收回成本。当视觉系统提供的工艺能力数据支持与客户商定的减少抽样方案时，降低无损检测频率还能带来更多因应用而异的成本节约。
实际上，最重要的部署变量并非视觉硬件本身，而是它所监控的工艺库的质量。如果焊接单元遵循高质量的焊接工艺规程 (WPS)，且夹具重复性稳定，耗材管理一致，则能充分发挥 AI 视觉的优势，提高检测率。而工艺变异性高的焊接单元则会产生较高的误报率，因为模型无法区分真正的缺陷和由接触嘴磨损或电源校准漂移引起的参数偏差。因此，先解决工艺稳定性问题，再添加 AI 视觉作为监控层，比在已经产生临界焊缝的工艺中添加视觉功能，效果要好得多。
五步质量控制架构：传感器到MES
一个可用于生产的质量控制架构将上述检测层连接成一个数据流，该数据流从传感器传递到质量决策，最终到达生产记录。以下五步架构适用于从单工位配置到多工位生产线的各种机器人焊接单元。
- 传感器层。 在线过程监控传感器（电弧电压/电流波形、送丝速度、气体流量）、焊前激光扫描仪、在线高速摄像机（可选）和焊后三维轮廓仪均生成带有时间戳并标记有接头 ID 的数据流。1 kHz 的 EtherCAT 将电弧参数传感器与机器人控制器位置数据同步，从而能够将波形异常精确映射到焊缝上的具体位置。
- 边缘推断。 边缘计算模块（工业PC或专用AI加速板）对过程信号和视觉数据进行实时推理。分类模型会在机器人一次关节间转移时间内（通常为2-5秒）标记出可疑关节，以便操作员在机器人移动到下一个关节之前收到警报，从而实现过程内干预，而不是批次后返工。
- 缺陷分类。 标记的接头将根据 ISO 6520-1 分类标准按缺陷类型进行分类，并将缺陷严重程度与生产订单中配置的适用 ISO 5817 验收等级（B、C 或 D）进行比较。超过验收阈值的接头将被记录为不合格品；处于临界边界的接头将根据质量计划排队等待人工复检或无损检测。
- 可追溯性日志。 所有传感器读数、视觉图像、分类结果和操作员操作记录均写入可追溯性记录，该记录以关节 ID、零件序列号和生产批次为键。该记录支持内部质量分析（趋势检测、参数优化）以及符合 ISO 3834 或 EN 15085 标准的客户或监管机构审核要求。
- MES集成。 追溯日志实时向制造执行系统 (MES) 提供数据，更新生产批次的质量状态，标记返工订单，并触发需要按规定抽样的批次的无损检测 (NDT) 计划。双向集成使 MES 能够在作业切换时将焊接工艺参数 (WPS 设置) 推送至机器人控制器，从而降低多产品生产线上参数选择错误的风险。
领先供应商如何应对质量控制堆栈
发那科（FANUC）、ABB 和库卡（KUKA）均已将数据记录和参数监控功能集成到其焊接机器人控制器中。其中，ABB 的 WeldGuide 和 SmartPower 套件以及库卡的 ArcSense 模块是面向一级汽车零部件供应商的成熟解决方案。安川电机（Yaskawa Motoman）通过其 Weld Navigator 软件提供焊接工艺监控功能。ESTUN 则在其面向通用制造市场的中端焊接单元中增加了在线焊接监控功能。
EVST 通过其 EVS-AI 焊接系统提供完整的质量控制方案。该系统集成了 3D 视觉识别、RX 焊接工艺库（包含常用接头类型和材料组合的预认证参数）以及 EtherCAT 1 kHz 传感器同步功能，可实现电弧参数数据与机器人位置的精确同步。该系统的自学习引擎可在生产过程中自动优化焊接参数，无需手动重新示教，从而减少合格工艺参数与实际生产参数之间的偏差——这是长期生产过程中导致细微缺陷累积的常见原因。EVST 的焊接单元已获得 CE、SGS 和 TUV 第三方认证，符合出口市场 ISO 3834 和 EN 15085 质量体系审核的文件要求。其底层机器人平台采用符合 IATF16949 汽车级质量标准的工艺制造，涵盖从协作焊接臂到重型工业配置的全有效载荷范围，满足质量要求极高的生产线通常所需的各种焊接尺寸。 EVST 在 100 多个国家/地区部署现场工程支持，这在 QC 系统校准和重大夹具变更后的重新校准需要现场技术援助时是一个相关因素。
对于正在评估从机器人手臂和定位器到质量控制系统等完整集成方案的买家而言， 机器人焊接单元组件及集成指南 深入探讨了传感器和现场总线架构。文中还介绍了包括缺陷率降低在内的整个电池投资回报率建模。 机器人焊接单元投资回报率和投资回收期分析.
根据国际机器人联合会 (IFR) 发布的《2025 年世界机器人报告》，焊接约占全球工业机器人总装机量的 23%，而随着数据驱动型制造的广泛推进，集成在线质量监控和视觉检测的新型焊接单元的装机量显著增长。这一应用趋势反映了价格适中的边缘计算硬件的普及以及客户日益严格的质量文档要求——这些因素正推动人工智能辅助焊接检测技术从汽车行业向通用结构制造领域扩展。
相关阅读和内部资源
- 机器人焊接自动化完全指南（2026）一篇涵盖工艺选择、单元设计和完整焊接应用领域的支柱文章
- 2026年十大焊接机器人品牌从集成支持、有效载荷范围和区域服务覆盖范围等方面对 OEM 厂商进行对比
- 机器人焊接单元组件及集成（2026）传感器层、现场总线架构、定位器类型和调试顺序
- MIG焊、TIG焊和激光机器人焊接对比（2026）按接头类型划分的工艺选择指南，兼顾质量和成本权衡
- 工业机器人安全标准：ISO 10218 和 CE 标志（2026 年）机器人焊接单元的安全系统要求
常見問題解答
AI视觉检测能否取代机器人焊接中的传统无损检测？
不完全如此。人工智能视觉检测可以100%覆盖生产过程中的表面和近表面缺陷，例如咬边、重叠、表面气孔和焊缝几何形状偏差。但它无法检测到相控阵超声检测（PAUT）或射线检测（RT）能够识别的体积性亚表面缺陷。对于符合AWS D1.1、ASME第九卷或EN 15085标准的安全关键焊缝，焊后无损检测（NDT）要求由适用规范规定，且为强制性要求。正确的配置方案是：采用人工智能视觉进行100%在线筛查，并对标记的焊缝或要求的抽样批次进行规范规定的无损检测。
何时需要对机器人焊接进行射线照相检测（RT）？
无论采用何种焊接工艺，规范都强制要求对特定类型的接头进行射线检测 (RT)。AWS D1.1 标准要求对主要结构连接受拉构件的所有全熔透坡口焊缝以及所有易断裂构件的焊缝进行 RT 或超声波检测 (UT)。ASME 第 IX 卷强制要求对超过规定使用阈值的承压焊缝进行 RT 检测。EN 15085 CL1 钢轨焊接标准要求对安全关键接头进行 100% 的 RT 或 UT 检测。经规范机构批准，已验证的机器人工艺能力（Cpk 数据）有时可以支持减少 RT 抽样方案，但这需要正式的资质文件。
如何控制人工智能焊接检测系统的误报？
误报率取决于训练数据集的质量、决策阈值的校准以及相机环境的稳定性。将决策阈值校准到可接受的误报率（通常为 2% 至 5%），该阈值需在涵盖实际焊缝几何形状和表面状况的预留数据集上进行验证。控制检测环境：保持工件定位的一致性，确保相机（对于过程内相机）免受电弧光干扰，并在焊后轮廓仪上实现均匀照明。采用两阶段审核流程——人工智能标记，操作员在 60 秒内确认——可在不降低检测覆盖率的情况下，有效控制误报剔除成本。
AI焊接检测模型需要哪些训练数据？
生产级模型需要针对每种缺陷类别收集数千张标注的焊接图像，涵盖您特定的接头类型、材料和表面状况。公共数据集可以作为训练的初始数据，但基于通用数据训练的模型在特定的生产条件下性能不佳。性能最佳的部署方案是将通用预训练与针对特定应用场景的微调相结合，每个缺陷类别使用 500 到 2,000 个标注的生产样本。主动学习流程（模型标记不确定的预测结果以供人工标注，然后重新训练）可以减轻基础模型部署后持续的数据收集负担。
AI视觉检测在成本和缺陷检测方面能为机器人焊接单元带来哪些好处？
根据是否包含焊前扫描、熔池过程监测或仅包含焊后焊缝轮廓分析，硬件增量成本在 25,000 美元至 80,000 美元之间。基于行业部署数据，在生产吞吐量速度下，人工智能视觉对表面和近表面缺陷的检测率从训练有素的人工视觉检测的约 87% 提高到 96% 至 99%。在中高产量生产中，通过减少废品、返工和下游无损检测频率，视觉硬件的投资回报期通常为 12 至 18 个月。
出境参考：
美国焊接学会 (AWS) D1.1 结构焊接规范 |
ISO 5817:2023，焊接：熔焊接头，质量等级 |
IFR 世界机器人 2025 报告 |
康耐视 VisionPro 软件 |
MVTec HALCON 机器视觉软件