归功于其固有的效率、可重复性及易于维护，在过去的十年中，激光在汽车制造中的使用大幅增加。虽然大多数基于激光的系统主要用于切割零件，也有很大一部分被用在其他应用中，例如焊接、打标和增材制造。
　　在激光焊接过程中，工艺参数的改变会影响焊接点的质量、尺寸和特性。发生任何这样的变化都可能会影响焊接部件的机械性能，从而导致使用时出现故障。因此，为了确保焊接点的质量，激光焊接过程的监测和控制已变得极为重要。

　　为了执行这个任务，三家欧洲公司和研究机构的研究人员正在努力研制激光焊接监测和控制系统。在一项名为Laser equipment ASessment for High impact innovation in the manufactuRing European industry (LASHARE)的欧盟资助项目的支持下，西班牙New Infrared Technologies公司、西班牙AIMEN Centro Tecnológico公司和意大利Centro Ricerche Fiat公司联手开发一套系统，利用非冷却中红外传感器捕获和处理焊接过程的图像，能够确定焊接钢板的质量。
　　激光焊接
　　激光焊接主要应用于汽车工业中，因为它能够产生非常深和窄的焊缝。在激光焊接系统中，激光功率熔化并部分汽化金属，形成被称为“小孔（keyhole）”的一个腔（见图1）。

　　图1：如果具有熔化金属的足够辐照量的激光束聚焦在工件表面或工件内部，就形成了小孔。通过在焊接过程中测量熔池的热特性，就可以确定任何潜在故障的性质。
　　为了确保激光焊接工艺的焊接质量，可以通过测量和表征由它们传播的各种形式的电磁辐射，从而对小孔及其周围熔池的热分布和几何尺寸进行监测和控制。
　　有许多这样的辐射可被测量。例如，熔池中熔融材料产生红外（IR）区域的电磁辐射，而其上方的等离子体发射可见光和紫外辐射。由于材料蒸发、加热和膨胀导致的空气位移，也会产生空中传播的声波。
　　目前，大多数焊接监控系统探测至少其中一个参数。与这些传统测量技术相比，使用高速红外区域成像器将有望提供几项重要的优势。然而，在过去像量子IR探测器这样的装置，因其高复杂性和高成本，使得之前阻碍了其应用。尽管也有像微测辐射热计或热释电装置这些成本较低的替代品，但慢响应时间是它们根本的限制。
　　但是，NIT公司最近已经开发出了一款名为Tachyon的IR成像器，允许对焊缝周围的热空间分布，以及在焊接过程中该分布如何变化进行测量。另外，该装置可以以足够快的速率获取图像数据，以确保可以捕获可能存在任何缺陷的图像。
　　Tachyon装置──用于欧盟财团合作伙伴所开发的系统中──是一款量子IR成像器，已经与Si-CMOS读出电路集成为一体。在焊接监控系统中，传感器用于在非冷却操作下以高达10 kHz的帧率，捕获低分辨率为32×32像素的图像，成本与传统的IR光斑探测仪相当。
　　NIT成像器的高采样频率很突出，因为这使得装置能够以比造成焊接缺陷的焊接现象频率（发生频率可能高达5kHz）至少快两倍的速度捕获图像。所以这也是事实，它可以捕获图像──不像大多数光斑探测仪那样，不能提供某个区域内温度分布的相关信息，或者与热传导过程动力学相关的数据。
　　成像过程
　　为了确定IR成像仪在激光焊接应用中的潜力，研究人员进行了一项实验——利用NIT设备替换标准CMOS相机中的成像器。相机上没有装配特定的光学装置；宽带成像器部署在无镜头的相机中，捕获1~5 µm近红外和中红外波长的光束。为了对焊接过程成像，相机被固定到瑞典Permanova Lasersystem公司生产的WT03激光焊接头上，装有德国罗芬公司生产的功率为4.4 kW的Nd：YAG激光器，功率范围在2700~4000 W之间。
　　相机与激光器共轴安装在瑞士ABB公司的IRB 6600机器人上，以便能够在焊接过程中直接捕获熔池的图像。六轴IRB 6600机器人以20~45 mm/s的速度移动激光器，将两块不同的镀锌钢板搭焊在一起，而相机捕获该过程的图像。在焊接过程中，成像器捕获的数据通过USB 2.0接口传输到基于PC的系统，对图像进行实时分析，并对缺陷进行分类（见图2）。

    图2：中红外相机与激光器共轴安装在机器人上，以便能够在焊接过程中捕获熔池的图像。六轴机器人以20~45 mm/s的速度移动激光器，将两块不同的镀锌钢板搭焊在一起，相机同时捕获该过程的图像。
　　为了对整个焊接表面的热分布提供视觉指示，利用Matlab编写的定制软件读取相机捕获的图像，并识别图像中最亮的点。这样做之后，在每幅32×32像素的图像中产生一个1×32像素的矩形切片，包含了图像中最亮的点。然后，这些图像切片在软件中缝合在一起，形成连续的矩形图像，实时提供横跨焊接点热分布的视觉指示。
　　采用这种技术，来自传感器的图像被用来确定两块焊接板之间的不良熔接。图3所示为经过激光焊接头一次加工后捕获的连接顶部和底部的可见图像。从材料顶部的图像来看，焊接过程似乎已经成功。然而，焊接点底部的可见图像表明，激光并没有完全穿透材料。IR相机捕获的焊接点顶部的图像，表明缺陷的产生归因于焊接熔池的变形，从而导致焊接点顶部的不均匀热分布。

    图3：从材料顶部的可见光图像来看，焊接过程似乎已经成功。然而，焊接点底部表面的图像表明，激光并没有完全穿透材料。IR相机捕获的焊接点上表面的图像，表明缺陷的产生归因于焊接熔池的变形，从而导致焊接点上表面的不均匀热分布。
　　机器学习
　　尽管这种焊缝周围热分布的视觉指示是有用的，该研究项目的最终目标是使基于PC的系统能够分析相机捕获的数据，以自动识别故障并进行分类。为了达到这个目的，研究人员已经开发出了一套机器学习系统，其能够对四种常见类型的焊接缺陷进行分类。这些缺陷的产生是穿透不够造成的，归因于金属板之间的间隙过大、片材自身变形、缺乏焊缝以及存在开孔等众多因素。
　　为了训练和测试机器学习系统，从焊接过程中获取的图像中，产生好的焊接和有缺陷的焊接的图像数据集。随后，这些图像被贴上标签，表明它们是代表好的焊接还是有缺陷的焊接。再根据它们代表的缺陷类型，对有缺陷的焊接的图像进一步分类。
　　由于图像采集过程中产生了大量数据，减小了数据集的大小，以便使系统能够进行缺陷探测和分类。为了达到这个目的，采用主成分分析（PCA）技术，将每组图像的高维空间减少为低维子空间。最后，采用PCA数据的低维数据集训练支持向量机（SVM），分析数据集并识别它的模式，代表四种不同类型的焊接缺陷。
　　一旦机器学习系统开发出来了，对其进行分析，以检查它确定四种类型缺陷的效果。为了达到这一目的，传感器的原始图像数据在焊接操作期间传输到PC上。然后，PC上的软件对数据集应用PCA降维技术，产生一组新的数据。然后，K近邻算法（KNN）进行第一次分类，即代表好的焊接还是有缺陷的焊接，之后SVM将有故障的焊接进一步对缺陷类型进行分类。
　　进行了许多这样的焊接操作后，分析机器学习系统对缺陷类型分类的效果成为可能。分析结果显示探测到的、真阳性（TP）、假阳性（FP）和假阴性（FN）缺陷数量。从这些结果建立了一个混淆矩阵，使机器学习算法的性能得以显现（见表1）。

    表1：通过进行多次焊接操作，对机器学习系统的缺陷分类有效性进行了分析。结果显示了探测到的、真阳性（TP）、假阳性（FP）和假阴性（FN）缺陷数量。从这些结果建立了一个混淆矩阵，使机器学习算法的性能得以显现。
　　尽管传感器设置在标准的激光头中，没有任何类型的改动，但大部分的焊接缺陷被检出，成功率高达98.8％，并且只有10.4％的缺陷类型没有被正确识别。然而结果清楚地表明，该系统对分辨金属板之间的间隙以及开孔，比检测变形和缺乏焊接更为有效。
　　进一步的研究目前正在进行，以确定机器学习系统是否可以进一步优化，以提升其缺陷分类性能。未来的改进也将允许以更快的速率对缺陷进行探测和分类。最终目标是开发一套系统，可以识别缺陷，并利用这些数据来控制焊接工艺参数，以确保焊接质量。