上海交通大学杨建龙团队：基于OCT-金相纵切配准的激光焊接熔深在线感知方法(特邀)

      激光焊接因其高能量密度、加工精度高、热影响区小等优势，被广泛应用于汽车制造、动力电池封装、航空航天以及精密装备制造等关键工业领域。然而，在实际生产过程中，焊接质量的稳定性始终是制约激光焊接智能化发展的重要问题。其中，“焊缝熔深（penetration depth）”直接决定了焊接接头的强度和可靠性，是评价焊接质量最关键的指标之一。

      传统焊接监测方法通常通过熔池表面形貌、光辐射信号或声学特征等外部信息来间接推断熔深，但这些方法难以直接反映焊缝内部结构，且容易受到焊接工况变化、蒸汽羽流以及飞溅等因素的干扰。因此，实现焊接熔深的在线、高精度感知，是推动激光焊接实现闭环控制与智能制造的重要前提。

      针对这一行业痛点，上海交通大学研究团队提出了一种基于光学相干层析成像（OCT）与金相纵切配准的激光焊接熔深在线感知方法。该方法通过构建OCT信号与纵向金相图像的像素级配对数据集，首次实现了OCT信号与焊缝纵切金相图像的像素级时空对齐，并结合轻量级Transformer深度学习网络，实现对焊接熔深的实时、连续、高精度测量。

      实验结果表明，该方法在不同材料和焊接工艺参数条件下均具有良好的稳定性和泛化能力，其预测误差显著低于现有主流方法，为激光焊接智能感知与闭环控制提供了一种新的技术路径。

      激光焊接通过高能激光束照射工件，使材料瞬间熔化并形成“匙孔（keyhole）”。匙孔的深度直接决定了焊缝的熔深，进而影响接头的机械强度。然而，匙孔内部伴随着剧烈的金属蒸汽、等离子体羽流和飞溅，是一个极不稳定的动态环境。一旦匙孔波动或坍塌，就会产生气孔、咬边等缺陷，严重影响产品质量。

      传统的监测手段主要依赖于熔池表面形貌、高速相机成像、光谱或声学信号。这些方法如同“隔靴搔痒”，只能通过外部特征间接推断内部状态，对焊接功率、材料变化等工况扰动极为敏感，且难以提供用于闭环控制的精确深度反馈。

      光学相干层析成像（OCT） 的出现为这一难题带来了转机。作为一种非接触、高分辨率的成像技术，OCT可同轴集成于焊接头中，实时获取匙孔底部的深度反射信息。然而，OCT在实际应用中面临两大主要挑战：

      ①信号退化：高温蒸汽、多次散射及材料光学性质变化会导致OCT信号严重退化，干扰真实深度的提取。

      ②监督不足：传统的熔深验证依赖横切金相，只能提供焊缝上几个离散点的深度信息，导致数据驱动模型难以学习到完整的熔深演化规律。

      因此，如何从退化的OCT信号中稳定提取深度信息，并建立与真实冶金熔深的精确映射，成为当前激光焊接监测领域亟待突破的瓶颈。

      OCT信号本质上是一维深度序列（A-line）随时间展开的二维图像。传统的卷积神经网络（CNN）擅长捕捉局部纹理，但难以建模长距离的时序依赖。而匙孔的波动恰恰是一个连续变化的过程，前后帧的关联信息对稳定预测至关重要。为了从OCT数据中提取有效特征，研究团队设计了一种基于Transformer架构的轻量级深度学习网络。

      在该网络中，OCT图像中的每一条A-line信号被视为一个独立的输入Token，通过自注意力机制（Self-Attention）计算不同位置之间的相关性，从而捕获焊接过程中的深度变化模式。相比传统CNN，Transformer结构能够更好地建模长距离依赖关系和序列特征。此外，采用联合损失优化策略。模型不仅采用了一致性损失来缩小预测值与真值的偏差，还创新性地引入了连续性损失。该损失函数约束相邻预测点之间的平滑性，有效抑制了由蒸汽羽流或信号丢失引起的毛刺和突变，使预测曲线更加贴近真实的熔深演化过程。得益于这种设计，模型在保持高精度的同时，推理速度达到了34133 A-line/s，完全满足工业焊接对实时闭环控制的要求。

      本研究成功将OCT技术与深度学习相结合，通过创新的纵切金相配准方法，为激光焊接熔深感知开辟了新路径。该方法不仅解决了OCT信号易受干扰、监督标签稀疏的难题，还实现了精度与速度的双重突破，为高端制造领域的焊接过程智能控制奠定了坚实基础。

      展望未来，研究团队将向3D OCT扩展，实现匙孔拓扑与熔池体几何的三维可视化；同时探索多模态融合，结合光谱、声发射等多维信息，构建更全面的状态感知系统。最终目标是形成一套可在工业产线稳定运行的智能焊接闭环调控系统，助力智能制造迈向更高水平。