近日，机电设计与知识工程研究所胡洁教授、戚进副研究员团队提出了一种新颖的两阶段“粗到精”检测框架（CTFAD），通过结合YOLOv8目标检测算法和集成学习分类模型，显著提升了焊接缺陷检测的准确性和效率，为汽车制造中开放场景的焊接质量智能检测提供了重要技术支撑。研究成果以“Coarse-to-fine vision-based welding spot anomaly detection in production lines of body-in-white”为题，发表在Journal of Manufacturing Systems上。博士生刘玮洁为第一作者，胡洁教授、戚进副研究员为共同通讯作者。
在汽车制造中，白车身（Body-in-White, BIW）结构的焊接质量直接关系到车辆的安全性和可靠性。传统的焊接缺陷检测方法，如超声波检测和射线检测存在成本高、效率低等问题。而基于计算机视觉的检测方法虽然具有快速、非接触的优势，但在复杂工业环境中仍面临原始采集数据分辨率高、数据不平衡、实时性要求高等挑战。
为此，研究团队提出了一种两阶段的CTFAD框架，在粗检测阶段，利用YOLOv8高效定位焊接点区域，生成候选区域；在细分类阶段，通过集成卷积自编码器、ResNet分类器和Transformer分类器，结合投票算法对候选区域进行精确分类，显著提升了小尺度缺陷的检测能力。
实验结果表明，CTFAD框架在真实工业数据集上的检测准确率和召回率均优于传统端到端方法，同时满足了生产线上高实时性的需求。此外，团队还开发了一套集数据采集、处理、分析和报警功能于一体的智能检测系统，并在实际生产线上验证了其有效性。
研究创新地提出了一种模块化的“粗到精”检测框架，兼顾了检测效率和精度；设计了基于投票算法的分类模块，显著提升了模型在数据不平衡场景下的鲁棒性；开发了一套完整的焊接缺陷智能检测系统，为工业应用提供了可扩展的解决方案。研究为智能制造中的焊接质量检测提供了新思路，未来可通过优化模型轻量化和多传感器融合进一步提升性能。
论文链接：https://doi.org/10.1016/j.jmsy.2025.05.003
代码开源地址：https://github.com/wj-liu0730/ctfad-jms
学院OA系统
jAccount登录
ENGLISH
地址：上海市东川路800号上海交通大学闵行校区981博天娱乐最新版本
邮编：200240
Email：sjtume@sjtu.edu.cn