近日，我校機械工程與自動化學院曹龍超博士課題組青年教師蔡旺在激光加工過程智能監測方面取得了重要的研究進展。相關成果以“Real-time tracking method for motion spatter in high-power laser welding of stainless steel plate based on a lightweight deep learning model”為題發表在計算機科學領域中科院一區Top期刊《Expert Systems with Applications》（ISSN：0957-4174）上。該論文的第一單位為77779193永利官网，第一作者為77779193永利官网蔡旺博士，通訊作者為77779193永利官网曹龍超特聘教授。
激光焊接具有能量密度高、焊縫深寬比大、焊接速度快和易于實現自動化等優點，是軌道交通、海工裝備等領域不鏽鋼中厚闆構件高質高效制造的重要手段。不鏽鋼中厚闆高功率激光焊接過程穩定性易受加工環境、拼裝狀态和工件變形等因素影響，産生飛濺缺陷。飛濺的大量形成會減少熔融金屬，導緻焊縫産生未填充、咬邊等焊接缺陷；此外，飛濺會污染工件、夾持機構和防護鏡片，清除飛濺需要額外的工序，增加制造成本，降低生産效率。近年來，焊接缺陷在線智能監測技術逐漸成為學科前沿和研究熱點，該技術能夠根據焊接過程信号精準預測缺陷。然而，高功率激光焊接過程中金屬蒸汽噴發劇烈，飛濺易被其遮擋，且飛濺具有體積小、數量多、移動快等特點，對運動飛濺監測方法提出了極高要求。
為此，本文提出了一種基于輕量化深度學習模型和多目标跟蹤算法的運動飛濺跟蹤方法。首先，搭建了基于高速相機的高時空分辨原位觀測平台，并提出了基于線性點運算的金屬蒸汽幹擾去除方法，突出了飛濺的形态和亮度特征；然後，構建了基于深度學習的輕量化飛濺檢測模型，并提出了飛濺标簽自動生成方法，可快速獲得足量的高辨識度訓練數據，以對模型進行充分訓練，驗證結果表明，飛濺檢測模型的運行速度是基礎模型的5.11倍，飛濺檢測準确率為96.71%；最後，提出了基于檢測結果和DeepSORT算法的運動飛濺跟蹤方法，以區分不同飛濺和關聯同一飛濺，準确獲取了飛濺尺寸、速度、數量、軌迹等特征，實現了飛濺的快速、準确監測。本研究為激光焊接過程運動飛濺實時跟蹤提供了一種新穎且可靠的方法，為焊接過程狀态監測和焊縫質量評估提供了可靠的數據支撐。
圖1 構建的輕量化飛濺檢測模型YOLO-Spatter
圖2 激光焊接過程運動飛濺跟蹤效果
近年來，在學校的大力支持下，機械工程與自動化學院大力引進高水平人才，并為引進人才和團隊的發展提供必要條件。學院多策并舉，在激發中老年教師積極性的同時，組織了年輕的科研隊伍，發揮“傳幫帶”作用，為機械學科發展凝心聚力。
論文鍊接：https://www.sciencedirect.com/science/article/pii/S0957417424012521
