基于声发射与机器视觉融合的焊接裂纹在线监测系统研究学术报告

一、研究团队与发表信息
本研究由中国核工业华兴建设有限公司的徐运波（高级工程师）团队完成，成果发表于《国外电子测量技术》2025年5月第44卷第5期，DOI编号10.19652/j.cnki.femt.2505026。

二、学术背景与研究目标
焊接裂纹是工业装备安全的重要威胁，传统检测方法（如目视检测、超声检测）存在效率低、漏检率高、环境适应性差等问题。随着智能制造技术的发展，多模态传感与机器学习为焊接质量实时监控提供了新思路。本研究旨在开发一种结合声发射（Acoustic Emission, AE）与机器视觉（Machine Vision）的在线监测系统，通过改进YOLOv7算法与多模态数据融合，实现焊接裂纹的高精度、实时检测，降低工业事故风险。

三、研究流程与方法
1. 系统设计与算法开发
- 声发射信号处理：采用高灵敏度传感器（±0.1mV/μbar）采集焊接应力波信号，结合自适应抗混叠滤波电路（20–400kHz）抑制电磁干扰。通过主成分分析（PCA, Principal Component Analysis）与小波变换降噪，提取损伤特征；采用支持向量机（SVM, Support Vector Machine）和卷积神经网络（CNN）分类裂纹类型。
- 机器视觉优化：引入光敏传感器动态调节成像环境，改进YOLOv7算法：
- 频域注意力机制：通过快速傅里叶变换（FFT）增强小目标特征提取能力（式6）。
- 动态频带裁剪：基于频带能量密度函数（式7）优化计算资源分配。
- 多模态融合：声发射数据与图像数据通过无线传输模块同步至处理中心，结合ISO 5817-2014标准进行裂纹分级预警。

1. 实验验证

   • 硬件平台：Intel Core i5-12490F CPU、NVIDIA RTX 3070Ti GPU，集成PCIe-6361数据采集卡和多光谱工业相机（动态范围80dB）。
     
   • 数据集：焊接裂纹声发射与图像联合数据集（WCAEIJ），含10,000个样本（声发射与图像各5,000）。
     
   • 对比算法：传统YOLOv7、Edge-NCC及YOLOv7-tiny。

2. 实际应用测试
   在某钢铁厂进行3个月实地测试，评估系统在高温、电磁干扰等复杂环境下的性能。

四、主要研究结果
1. 算法性能
- 改进YOLOv7平均响应时间1.83ms，较传统YOLOv7（2.88ms）提速36.5%，显存占用降低56.8%（峰值3.22GB）。
- 频域注意力机制使小裂纹检测灵敏度提升42%，误检率降至0.78%（传统方法3.12%）。

1. 检测精度

   • 表面裂纹分辨率达0.48±0.03mm，优于人工检测（1.20±0.35mm）；复合裂纹检出率94.37%，质量损失减少72.35%。
     
   • 三维重构空间定位误差（X/Y/Z）为0.¹³⁄₀.¹¹⁄₀.15mm，显著低于对比算法。

2. 经济性与稳定性

   • 设备投资回报周期3个月，单件检测成本降低至传统方法的1/7。
     
   • 72小时连续运行故障率仅0.23次，参数漂移补偿率89.73%。

五、结论与价值
本研究通过多模态传感与算法创新，实现了焊接裂纹的实时、高精度监测。其科学价值在于：
1. 提出频域注意力机制与动态频带裁剪的数学建模方法，为小目标检测提供新思路；
2. 验证声发射与机器视觉融合在工业质检中的可行性。
应用价值体现在降低人工依赖、提升检测效率（裂纹识别速度提升2.5倍），对预防重大工业事故具有重要工程意义。

六、研究亮点
1. 技术创新：首次将光敏传感器与偏振滤波技术结合，解决金属反光干扰问题；
2. 算法优势：改进YOLOv7在显存占用与响应速度上均优于主流算法；
3. 多模态协同：声发射与图像数据互补，提升复杂环境下的鲁棒性。

七、局限与展望
当前系统尚未集成裂纹修复决策模块，未来可引入专家系统实现智能化闭环控制。此外，扩大数据集覆盖更多材料与工艺类型将进一步增强模型泛化能力。