焊接，也稱作熔接，是一種以加熱、高溫或者高壓的方式接合金屬或其他熱塑性材料如塑料的制造工藝及技術。

現代焊接的能量來源有很多種，包括氣體焰、電弧、激光、電子束、摩擦和超聲波等，隨著工業的發展和科技的不斷進步，焊接智能裝備憑借其輸出能量大、焊接速度快、適用性強的優勢已在航空航天、汽車、3C電子等制造業中得到廣泛應用。

在這些行業應用過程中，市場也不斷對焊接加工品質提出了更高的需求，例如更多類型材料的焊接能力、焊點焊面的完整度與連續性、焊接品質的檢測效率等。

焊接焊點外觀檢測的必要性

焊接作為工業生產中不可或缺的環節，對產品質量有著重要的影響。焊接過程中由于參數設置和運行 過程等因素影響焊接部件的缺陷難以避免。

如裂紋、夾渣 、氣孔 、未焊透 、未熔合等，這些缺陷對安全生產以及產品質量構成嚴重威脅。因此，有效地檢測出焊接過程中出現的缺陷對產品質量和生產制造都十分重要。

傳統的缺陷檢測方式采用人工檢測，缺點是成本高，且檢測效率隨用工時間的延長迅速降低。后來，X射線探傷和超聲波探傷的引入對于焊接缺陷檢測提供了新的方法，這些方法有易于檢測內部缺陷的優點，但成本高，成像欠清晰等問題始終困擾著這些檢測方法。因此如何盡可能減少在生產過程中人工評定法的主觀性、差異性成為各個行業及客戶的主要訴求。在此背景下，配備高效智能的外觀缺陷檢測系統變得尤為重要。

隨著工業機器視覺的發展，深度學習在圖像特征學習中的獨特優勢使其在表面缺陷檢測中具備重要的實用價值，成為了工業智能檢測領域的主流研究方向。

基于深度學習的焊接焊點缺陷檢測

深度學習主要包含卷積神經網絡和Faster R-CNN兩種網絡模型，通過利用算法模型自動學習的特點，不再受限于復雜多變的環境，可自動提取缺陷特征，最終實現自動檢測。

一方面，避免了傳統算法中人工提取特征的局限性和復雜性；

另一方面，深度學習在自然語言處理、圖像分類和圖像分割等領域已獲得了廣泛應用，為外觀缺陷檢測系統的研發奠定了堅實基礎。

基于深度學習的焊接、焊縫、焊點等缺陷自動檢測系統如圖所示 ，由工業攝像機 、計算機 、采集卡 、光源 、工件及工件運動控制裝置組成 。

1. 圖像獲取：①工業相機與光學鏡頭、②照明光源、③傳感器、④圖像采集卡；

2. 圖像處理：⑤PC平臺、⑥視覺處理軟件、⑦控制單元。

工業相機和圖像采集卡采集目標區域的圖像 ，在計算機中進行實時自動處理和分析，系統的核心在于圖像處理。

工業現場中，采集的圖像并非僅限于缺陷存在的區域，往往是待檢對象所處的整個區域，這個區域通常包括光源、背景工件、背景板等諸多因素，尤其是某些情況下，實際檢測對象需要與光源 “交叉 ” 。因此，為了得到最終的檢測結 果需要諸多步驟實現目標區域的逐步鎖 定，并最終利用缺陷檢測的相關技術對感興趣區域進行最終檢測以判斷是否存在缺陷問題。

為了實現這樣的目標，首先需要考慮將目標對象與背景進行分割，得到初步目標 (預定位 )，通過具體檢測目標的相關特征進一步鎖定檢測對象，然后在得到檢測對象的基 礎上鎖定感興趣區域，最后對感興趣區域進行檢測判斷是否存在缺陷并標記。

以PCB焊點缺陷檢測為例

針對 PCB 板的正反面進行檢測，PCB 焊點缺陷檢測主要有四種類型：多錫、少錫、焊錫合適和漏焊。

照明方式的設計

考慮到光源與鏡頭的相對位置以及相關的光學原理等因素，照明方式有很多種，常用的方式有同軸光源照射、背光光源照射等，下面對照明方式進行設計比較。

考慮到 PCB 板特點以及環形照射優點：PCB 基板對光線反射能力弱，焊點反射能力強；焊點分布有一定的范圍；環形照射會減弱陰影出現。因此選用的光源為環形光源， 每個 LED 燈珠向內側傾斜 30 度， 減弱了反光影響。

機器視覺檢測方案總體設計

采用機器視覺和圖像處理技術對 PCB 焊點缺陷進行檢測， 機器視覺檢測系統的重要組成部分如下：

1、運動系統：由控制器、驅動器、電機、導軌等組成；

2、光學系統：由圓環形光源、圖像采集卡、工業相機、光學鏡頭、實驗支架以及實現相機采集圖像的控制軟件等組成；

3、圖像處理檢測系統：主要是 PCB 焊點圖像檢測識別算法，包括多曝光圖像融合、圖像預處理、特征提取、焊點缺陷檢測分類等；

4、系統軟件：在 PC 機上，根據相關系統軟件，對采集到的焊點圖像進行一系列圖像處理， 得出測試數據并進行分析。