基于目標檢測的焊接電弧形態在線定量檢測

何衛隆，王平,2，張愛華,2，梁婷婷，馬強杰

(1.蘭州理工大學 電氣工程與信息工程學院，甘肅 蘭州 730050；2.甘肅省工業過程先進控制重點實驗室，甘肅 蘭州 730050)

焊接電弧是在一定的電壓、電流參數和環境條件下，在具有適當距離的兩電極之間產生的強烈持久的氣體放電現象[1].電弧燃燒行為和形態變化會直接導致焊接電流和電弧電壓的動態改變，進而影響焊縫成形及焊接接頭質量.對電弧形態及其動態行為和特征參數進行深入研究，可以實現對焊接質量的監測和控制[2].

應用于4～5 mm窄坡口的超窄間隙焊接須先將特制焊劑帶置于坡口兩側壁，再對電弧加以約束以抑制側壁坡口電弧攀升，進而有效控制電弧在坡口的加熱區域，使側壁根部熔合良好，線能量低至0.6kJ/mm，對熱輸入敏感的先進材料焊接有重要的價值[3-4].在該方法中，焊劑片對電弧的約束效果是焊接好壞的關鍵.當焊劑片的熔化面積小于焊劑片對電弧的固壁約束面積時，電弧約束良好、加熱集中且密度高，兩側熔合良好.焊劑片的熔化面積和焊劑片對電弧的固壁約束面積等價于焊劑片被熔化的高度和電弧的長度[5].當焊縫的底部側壁熔寬大于坡口寬度時，電弧能夠充分加熱坡口兩側壁和坡口根部，焊接接頭熔合良好，底部側壁熔寬由電弧寬度決定[6].在焊接過程中，當坡口的寬度和焊劑片的融化高度已知時，在線定量監測電弧長和寬的動態變化就能夠實時感知焊縫的熔合狀態，實現焊接質量的在線監測.

已有研究通過電弧形態來分析焊接過程的穩定性，監測焊接過程，尋找最佳焊接參數[7-8].在熔化極氣體保護焊中，電弧形態獲取以視覺傳感為主，電弧形態檢測的方法可以分為2個類別：在線和離線.在線檢測方面，Li等[9]提出閾值分割的方法，在線檢測旋轉電弧窄間隙熔化極活性氣體保護焊(metal active gas arc welding, MAG)電弧中心坐標和電弧面積以實時監測焊接狀態；王聰等[10]提出水域分割的形態學處理方法，將在線提取的熔化極氣體保護焊(gas metal arc welding, GMAW)電弧的輪廓信息反饋至工控機以調整焊接參數；Jamrozik等[11]使用感興趣區域提取和閾值分割方法，結合簡易相機標定，粗略提取手工電弧焊中電弧的長度，建立手工焊教學輔助系統.離線檢測方面，程世佳等[12]對電弧圖像進行二值化、閾值分割和邊緣提取后，獲得電弧關鍵點的像素坐標，求得電弧面積和周長；Zhu等[13]通過ImageJ軟件手動測量鋁合金窄間隙GMAW焊接方法中電弧弧長和電弧翹度，分析焊縫熔深和焊縫側壁熔深的關系.以上研究都是利用傳統的圖像處理算法，檢測速度最高只能達到10 幀/s，提取的形態特征有電弧弧長、輪廓和中心坐標等，很少有研究提取電弧的寬度.在線同時檢測電弧實際長和寬的研究較少，關于定量描述電弧的長和寬，Jamrozik等[11]所提標定方法的測量精度無法滿足要求.隨著Faster R-CNN[14]、SDD[15]、YOLO系列[16-19]等目標檢測網絡的出現，采用檢測錨框的高和寬分別表示電弧的長和寬來檢測電弧形態的方法使電弧形態在線檢測成為可能.目標檢測網絡在實際工業問題中已經有廣泛應用，郝琨等[20]通過改進Mobilenet-YOLOv3目標檢測網絡，實現水下生物檢測；董紅召等[21]在YOLOv5網絡中添加角度預測分支，解決了再生物品分揀場景中旋轉目標難檢測的問題.

電弧是高速運動的對象，要求網絡檢測速度快且易部署在工業現場.現有的目標檢測網絡結構復雜，精度和速度無法同時滿足要求.本研究在YOLOv5s網絡的基礎上提出超窄間隙焊接電弧形態在線檢測網絡YOLO-SEC主要工作如下：1) 建立超窄間隙電弧數據集LUT-Arc.2) 設計ADShufflenet、LC3和Conv-Maxpool模塊，使用單檢測層推理結構，降低原網絡的計算量和參數量，提高網絡推理速度.3) 使用k-means+算法聚類數據集的預設錨框，引入定位損失函數EIoU[22]，提高檢測錨框約束電弧的精準度.4) 在預測框繪制函數中，引入單目線性相機標定算法，實現電弧尺寸的定量描述.

1 系統流程

本研究通過目標檢測網絡檢測錨框的高和寬代替電弧的長和寬，實現電弧形態的在線定量檢測，檢測網絡的設計和訓練是實現電弧形態準確檢測的關鍵.如圖1所示，焊接電弧形態檢測的流程為1）通過數據采集系統采集電弧視頻，進行分幀、增強和標注處理，建立數據集；2）根據電弧圖像特點，設計并訓練YOLO-SEC；3）在電弧目標檢測平臺上運行YOLO-SEC，對新的電弧圖像進行在線處理，實現在線檢測.

圖1 焊接電弧形態檢測流程Fig.1 Process of welding arc shape detection

2 電弧圖像獲取和數據集構建

2.1 數據采集平臺

圖像采集和現場實驗在超窄間隙焊接平臺上完成，焊接對象是長為20 cm的低碳鋼試樣.焊接工藝參數如表1所示，其中bg為試樣坡口寬度,U為焊接電壓，vf 為送絲速度，v為焊接速度.工況1代表正常工況，工況2代表異常工況，電弧圖像數據在這2種工況下隨機獲取.如圖2所示，焊接電弧圖像采集系統主要由焊接電源、焊接機構、PLC、工控機、數據采集卡、高速相機和圖像處理計算機組成.相機選用CrashCam 4010高速相機，為了確保電弧圖像的一致性，設定光圈大小為F8，曝光時間為10 us，并配備810±10 nm濾光片和UV鏡.在進行電弧采集時，鏡頭和焊道水平距試樣35 cm，相機和焊槍由PLC控制進行同步運動.

表1 焊接實驗的工藝參數Tab.1 Process parameters of welding experiment

圖2 焊接電弧圖像采集系統示意圖Fig.2 Diagram of welding arc image acquisition system

2.2 超窄間隙焊接電弧數據集

構建超窄間隙焊接電弧數據集LUT-Arc.電弧形態會隨著焊接工況的變化而變化，為了提高網絡泛化能力和魯棒性，設定如圖3所示的4種電弧圖像類型.電弧前景和背景的區分度大，少量數據就可以訓練出高精度的檢測網絡，因此隨機選擇415張采集圖像，以旋轉和加噪聲的方式進行數據增強，最終得到1 245張圖片，使用Labelimg標注圖像，按照8∶2隨機劃分為訓練集和驗證集，數據集不同類型電弧的數量N如表2所示.

表2 LUT-Arc數據集焊接電弧類型構成Tab.2 LUT-Arc data set welding arc type composition

圖3 LUT-Arc數據集中典型焊接電弧圖像Fig.3 Typical welding arc images in LUT-Arc data set

3 YOLO-SEC電弧形態檢測網絡

電弧形態在線定量檢測的關鍵是檢測網絡對電弧定位的準確性和高效性.將多目標檢測網絡YOLOv5s直接用于電弧形態檢測任務，面臨以下問題：網絡的主干網絡層數深、檢測層數量多，計算量過剩，導致網絡體積大，檢測速度慢；電弧預測錨框定位精度低，錨框的寬和高以像素點表示，電弧的長、寬無法量化.本研究在YOLOv5s網絡（5.0版本）的基礎上設計檢測器，具體過程如下.

1) 通過設計3種輕量化模塊Conv-Maxpool、AD-Shufflenet和LC3，分別替代骨干網絡(Backbone)中的Focus模塊、C3模塊和頸網絡(Neck)中的C3模塊.裁剪原網絡的檢測層，降低參數量，提高檢測速度.

2) 提出k-means+算法對LUT-Arc數據集預設錨框重新聚類，引入定位損失函數EIoU.在不影響網絡體積及推理速度的情況下，提高電弧的定位精度.

3) 針對電弧長和寬無法量化的問題，將單目線性相機標定算法加入預測框繪制函數，在焊接前標定出真實點和像素點的對應關系.

3.1 YOLOv5s網絡介紹

如圖4所示，YOLOv5s目標檢測網絡由輸入端、骨干網絡、路徑聚合網絡[23]和檢測端組成.輸入端對電弧圖像進行數據增強、自適應錨框計算；骨干網絡采用CSPDarknet53[24]網絡結構，在不同的圖像粒度上聚合形成圖像特征；路徑聚合網絡對提取的圖像特征進行拼接并傳輸到檢測端；檢測端對圖像特征進行預測，生成邊界框和預測類別.

圖4 基線網絡YOLOv5s的結構圖Fig.4 Structure diagram of baseline network YOLOv5s

3.2 網絡結構的改進

3.2.1 LC3模塊和Conv-Maxpool模塊設計 在YOLOv5s中，C3模塊實現在骨干網絡和頸網絡中提取特征，如圖5(a)所示，它有2條分支，分支1先通過卷積層(斜底紋方塊)降低通道數量，再經過多個Bottleneck模塊(豎底紋方塊)；分支2只經過卷積層降低通道數量.將2個分支的輸出進行Concat，再經過卷積層后輸出.Concat是將2路特征圖進行張量拼接，實現通道信息融合的操作，該操作雖然能夠豐富語義特征，但會增加特征圖的維度，增加計算量.在頸網絡中，輸入特征圖經主干網絡完成特征提取，特征圖語義趨于類似，因此使用Add操作代替Concat操作.Add操作是張量相加，不會擴充維度，比Concat操作更節省參數和計算量.基于此，創建如圖5(b)所示的LC3模塊，替換頸網絡中的C3模塊，使網絡輕量化.

圖5 C3模塊和LC3模塊的網絡結構Fig.5 Network structure of C3 module and LC3 module

原網絡中Focus模塊是對輸入圖片進行切片處理，將W-H平面上的信息轉換到通道維度，再用3×3的卷積提取特征，如圖6(a)所示.Focus模塊包含大量的Concat操作，使計算量增加，對輕量化網絡不友好.基于此，設計如圖6(b)所示的Conv-Maxpool模塊，先對特征圖進行卷積，再進行最大池化下采樣，實現與Focus模塊相同的作用，但參數量降低了1/5.

圖6 Focus模塊和Conv-Maxpool模塊的網絡結構Fig.6 Network structure of Focus module and Conv-Maxpool module

3.2.2 AD-Shufflenet主干網絡設計 AD-Shufflenet

模塊由高性能神經網絡Shufflenet V2[25]架構改進而來，用作新網絡的主干模塊.如圖7所示，Shufflenet v2包含2個基本單元，其中一個實現特征提取，是主干單元；另一個進行2倍下采樣，提升通道數量，增加特征的豐富性.Shufflenet V2主要結構包括通道分割(channel split)、逐通道卷積(depthwise convolution, DWConv)和通道混洗(channel shuffle).通道混洗包含分組卷積操作(group convolution, GConv) ，通道分割將輸入特征的通道數一分為二，逐通道卷積是分組卷積的分組數等于通道數的特例.分組卷積會大幅降低卷積層的參數量，假設輸入的特征圖大小為W×H×C，卷積核的大小為k×k，卷積核的個數為n.傳統卷積層的參數量NPC滿足

圖7 Shufflenet V2模塊和AD-Shufflenet V2模塊的網絡結構Fig.7 Network structure of Shufflenet V2 module and AD-Shufflenet V2 module

分組卷積是將輸入特征圖分小組后按小組單獨進行卷積計算（假設分組數為g，則每小組的特征圖大小為W×H×C/g，對應小組需要卷積核的空間大小為k×k×n/g），最后將各個小組進行拼接.分組卷積的卷積層參數NPG滿足：

對比式(1)和(2)可以看出，分組卷積將傳統卷積的參數量壓縮至原來的1/g.由于分組卷積各小組彼此沒有信息交流，通道混洗實現了跨小組的信息融合，增強了信息表達能力.

根據輕量級網絡的設計準則“當網絡的輸出通道和輸入通道相同時，計算機的內存占用最低”可以確定，在Shufflenet V2的2個基本單元中，逐通道卷積前后的1×1普通卷積的作用是增強逐通道卷積通道間信息融合的能力，但是前后重復使用存在冗余，為此將后面的1×1卷積裁剪掉，降低網絡的計算量.分析Shufflenet V2的計算量分布發現，逐通道卷積的計算量占比較小，再根據式(2)可知，逐通道卷積上卷積核的大小對卷積層計算量的影響較小，因此將3×3卷積核改為5×5卷積核，以提高網絡特征提取的能力.裁剪和修改的模塊如圖7中虛線框所示.通過卷積核的裁剪和放大分別改進Shufflenet V2網絡的基本單元1和基本單元2得到的AD-Shufflenet模塊如圖7(d)所示.

3.2.3 單檢測層設定和k-means+錨框聚類 基線網絡共有3個檢測層.當輸入的圖像尺寸為640×640時，路徑聚合網絡輸出分辨率分別為20×20、40×40、80×80的3個融合特征圖，檢測層分別預測大、中、小3種尺度的目標.考慮到電弧圖像普遍較小且比較均衡，為了使網絡輕量化，只保留80×80的小目標檢測層.該檢測層由主干網絡輸出和第2個AD-Shufflenet模塊的輸出特征融合組成.

檢測層設定完成后，須設定預設錨框(bboxes)的尺寸.YOLOv5s采用k-means算法聚類數據集得到預設錨框，并采用變異遺傳算法在聚類過程中調整錨框.k-means算法用歐氏距離度量bboxes到每個簇的距離，較大邊界框的尺寸誤差比較小邊界框的大.為了提高聚類效率，優化k-means算法，提出k-means+算法.為了使邊界框交并比的大小與邊界框尺寸無關，根據交并比的重疊度選取更優錨框

式中：L為樣本點到聚類中心的距離，A為樣本框大小，B為聚類框大小，U為聚類邊界框和聚類中心框的交并比.k-means+算法步驟如下: 1) 在所有的bboxes中隨機挑選k個作為簇的中心，本研究取k=3；2) 按式(3)計算每個bboxes離每個簇的距離，計算最近的簇中心，并分配到最近的簇中；3) 根據每個簇中的bboxes重新計算簇中心；4) 重復步驟3）、4），直到每個簇中元素不在發生變化.如表3所示為k-mans與k-means+的聚類效果對比.可以看出，k-means+算法的錨框的適應度F和召回準確率RP均優于k-mean算法，與k-means+遺傳算法的聚類效果相當，但是k-means+算法在聚類效率方面占優.

3.3 定位損失函數的改進

在電弧形態檢測網絡中，預測框準確度直接決定檢測精度，在目標檢測網絡中，預測框準確度由定位損失函數決定.YOLOv5s采用CIoU[26]損失函數.CIoU考慮重疊面積、中心點距離和寬高，但無法準確描述真實框和預測框長寬之間的差異.EIoU優化CIoU，以邊長損失代替長寬比損失項.本研究使用EIoU作為YOLO-SEC的定位損失函數.

EIoU損失函數示意圖如圖8所示，實線框表示目標的真實框，wgt、hgt和bgt分別為其寬、高和中心點；虛線框為預測框，w、h、b分別為其寬、高和中心點；雙實線框為預測框和真實框的最大外接矩形，cw、和c分別為其寬、高和對角線長度.中心點損失Ldis通過歸一化中心點的距離，給電弧分配更近的預測框，提高中心點的定位精度，邊長損失Lasp直接減小預測框B和真實框Bgt的高度和寬度的差異，使預測框回歸更精確.

3.4 預測框繪制函數的改進

YOLO-SEC的預測定位錨框由預測框繪制函數plot_one_box以像素為單位繪制并顯示，定量檢測的關鍵是得到電弧的實際尺寸.本研究在plot_one_box中加入基于單目視覺的線性相機標定，該方法可以求出世界坐標系（電弧前平面）到圖像坐標系（電弧像平面）轉換的隱參數矩陣M[27].設預測錨框左上角點A和左下角點B的像素坐標分別為(u1,v1)和(u2,v2)，電弧長度d的計算過程如下.

1) 建立相機內外參數模型

2) 將標定板與焊絲共面，世界坐標系建立于標定板上，則zw=0，將式(8)簡化代入式(7)，得到

m9=pz≠0，消去zc并除以m9，得到

3) 基于harris亞像素角點提取方法搜索并識別角點，通過特征點的像素坐標與已知的世界坐標求解隱參數矩陣M，

4) 由式(10)和(11)得到特征點圖像坐標系與世界坐標系之間的轉換關系為

特征點的世界坐標為

5)將點A、B像素坐標代入式(13)，得到世界坐標分別為(xw1,yw1)，(xw2,yw2)，則電弧長度

為了驗證線性相機標定方法的性能，探究測量長度、標定板角點數量對測量結果的影響，實驗結果如圖9所示.在角點個數NCP＞10的前提下，任意變化測量長度lm，標定算法都比較穩定且精度較高.為了驗證標定算法的精度，選用尺寸符合國標的螺絲、螺母和焊絲作為參照物進行多次如圖10所示的測量試驗，結果如表4所示.實際長度l和測量長度lm的平均相對誤差E＜0.5%，說明該方法具有較高的精度.

表4 不同參照物實際測量結果Tab.4 Actual measurement results of different reference objects

圖9 不同變量對標定方法性能影響的測試結果Fig.9 Test results of effects for different variables on performance of calibration method

圖10 不同參照物實際標定圖像Fig.10 Actual calibration images of different reference objects

YOLO-SEC的網絡結構如圖11所示.骨干網絡由Conv-Maxpool模塊和16個AD-Shufflenet模塊組成，實現特征提取.頸網絡由1個Conv模塊、1個Upsamping模塊和1個Concat模塊組成，實現特征的聚合與拼接.LC3模塊為電弧檢測端，對圖像特征進行預測，生成邊界框和預測類別.

圖11 YOLO-SEC的網絡結構圖Fig.11 Network structure diagram of YOLO-SEC

4 實驗和分析

4.1 實驗環境和評價指標

采用Pytorch-1.7.1深度學習框架，操作系統為Windows10，GPU為NVIDA RTX 1050，處理器為Intel(R) Core(TM) i5-9300H 2.40 GHz，對YOLO-SEC和對比網絡進行訓練和測試，訓練過程中所有網絡均不使用預訓練模型.圖像的大小為640×640，批量大小（batch size）為8，訓練迭代次數（epoch）為200.采用Adam優化，初始學習率（learning rate）為0.01.

實驗采用準確率P、召回率R、平均精度均值mAP0.5[28]作為網絡精度的評價指標.其中mAP0.5為所有類別AP的均值，通常作為評估精度的綜合指標.此外，本研究使用網絡單張圖片推理時間t、參數量NPC、浮點型計算量FLOPs及網絡體積V來評估網絡的輕量化程度.

4.2 消融實驗

設計消融實驗探究所提出的改進對網絡性能的影響.以YOLOv5s網絡為基礎，將Focus模塊替換為Conv-Maxpool模塊的網絡稱為YOLO-SECA；以YOLO-SEC-A為基礎，將Shufflenet V2作為主干網絡的網絡稱為YOLO-SEC-B；以YOLOSEC-B為基礎，將改進后的AD-Shufflenet模塊作為主干網絡的網絡稱為YOLO-SEC-C；在YOLOSEC-C網絡的基礎上將頸網絡中的C3模塊替換為LC3模塊，得到的網絡稱為YOLO-SEC-D；將YOLO-SEC-D網絡的定位損失函數修改為EIoU，得到的網絡稱為YOLO-SEC-E；將YOLO-SEC-E的錨框用k-means+聚類方法重新聚類，并聚合第4個AD-Shufflenet模塊輸出的特征圖信息的單檢測層的網絡稱為YOLO-SEC-F；在YOLO-SECF的基礎上，將聚合的特征圖改為第2個AD-Shufflenet模塊的輸出得到的網絡稱為YOLO-SEC.加入不同模塊的電弧檢測網絡的P-R曲線和消融實驗指標如表5和圖12所示.

表5 YOLO-SEC消融實驗的檢測指標對比Tab.5 YOLO-SEC ablation test index comparison

圖12 不同電弧檢測網絡的準確率-召回率曲線Fig.12 Precision-recall curves of different welding arc detection networks

對比YOLOv5s和YOLO-SEC-A的評估指標可知，Conv-Maxpool模塊的引入，降低了網絡的參數量和計算量，提高了推理速度，但傳統卷積的應用導致mAP0.5從YOLOv5s的97.8%降低到YOLO-SEC-A的97.4%.對比YOLO-SEC-B和YOLO-SEC-A的評估指標可知，主干網絡中引入輕量化模塊Shufflenet V2降低了參數量和網絡體積，檢測精度和推理速度均提高.對比YOLO-SEC-B和YOLO-SEC-C的評估指標可知，AD-Shufflenet模塊使網絡更輕量，mAP0.5從98.0%提高至98.1%.對比YOLO-SEC-C和YOLO-SEC-D的評估指標可知，引入LC3模塊Add操作使網絡輕量化，但由于特征圖減少，導致mAP0.5從98.1%降低至97.7%.對比YOLO-SEC-D和YOLO-SEC-E的評估指標可知，引入EIoU損失函數后mAP0.5從97.7%提高至98.1%.對比YOLO-SEC-E和YOLO-SEC-F的評估指標可知，單檢測層的設計降低了網絡的參數量，提高了網絡精度和檢測速度.對比YOLO-SEC-F和YOLO-SEC的評估指標可知，聚合第2個ADShufflenet模塊輸出的特征圖信息，網絡的精度和速度都是最佳的.對比YOLO-SEC和原網絡YOLOv5s的指標發現，網絡精度指標準確率P、召回率R和mAP0.5相較YOLOv5s分別提高了0.8%、2.4%和1.4%；網絡復雜度指標參數量NPC、FLOPs和網絡體積V相較YOLOv5s分別降低了78%、96%和97%，網絡的單張圖片推理時間從12.9 ms提高至3.1 ms.結果表明改進后的網絡在保證精度的同時，提高了檢測速度.

4.3 不同方法對比試驗

將YOLO-SEC的性能與通用目標檢測網絡SDD、YOLOv3、YOLOv4和輕量化目標檢測網絡YOLOv3-tiny、YOLOv4-tiny、YOLOv5 lite、YOLOv5 Nano的性能進行比較，結果如表6所示.對比不同網絡的精度指標mAP0.5，YOLO-SEC與YOLOv3網絡相當，優于其他通用檢測網絡；對比不同網絡的輕量化指標，YOLO-SEC都優于其他網絡.如圖13所示，以精度指標mAP0.5為縱坐標，分別以網絡體積V、計算量FLOPs和推理速度v為橫坐標，進行YOLO-SEC與輕量化網絡的性能對比，YOLO-SEC的各項對比指標均優于其他網絡.

表6 不同目標檢測網絡的檢測指標對比Tab.6 Comparison of test index for different object detection networks

圖13 YOLO-SEC與4種輕量化網絡檢測指標對比Fig.13 Comparison of comprehensive indicators for YOLO-SEC and four lightweight networks

傳統網絡在檢測速度上劣勢明顯，如圖14所示為輕量化網絡間的實際檢測效果對比.對于沒有明顯飛濺和火焰干擾的電弧圖像，各種網絡都能準確地定位電弧的位置，但是除了YOLO-SEC之外的其他網絡對約束不佳(含飛濺)的電弧圖像的識別都出現過度擬合的情況，YOLOv4-tiny檢測出2個預測框，YOLOv5 lite對約束不佳電弧圖像的識別出現欠擬合.對于飛濺和火焰都比較明顯的約束良好(含火焰)電弧圖像，YOLOv5 lite、YOLOv4-tiny、YOLOv5 Nano都對飛濺產生誤檢，YOLOv5 Nano網絡把火焰識別為電弧.綜合對比發現，在對比實驗的所有網絡中，只有YOLO-SEC對各種情況下電弧的識別和定位最準確，說明YOLO-SEC在電弧數據集LUT-Arc上的應用效果最優.

圖14 YOLO-SEC與4種輕量化網絡的實際檢測效果對比Fig.14 Comparison of detection effect for YOLO-SEC and four lightweight networks

4.4 實際檢測效果

為了測試電弧形態的實際檢測效果，在如圖15所示的檢測平臺進行現場實驗.1)用單目線性相機標定方法標定相機相，標定結果為0.1 μm/pixel.2）在坡口寬度為5.0 mm的試樣上，按照表1所示的2種工況各進行一道焊接實驗，以100 幀/s的采集速率分別采集2段時長為10 s的電弧視頻，并在檢測平臺進行實時檢測.如圖16所示，第一次焊接的第2.31 s，電弧約束正常，長度為8.1 mm，寬度為3.2 mm；第2.35 s，電弧約束良好(含火焰)，長度為7.3 mm，寬度為2.9 mm.第二次焊接的第7.71 s，電弧約束不佳(含飛濺)，長度為7.8 mm，寬度為5.2 mm；第7.97 s電弧約束不佳，長度為7.4 mm，寬度為5.4 mm.實驗結果表明，YOLO-SEC實現了對不用類型的電弧精準的定位和檢測.

圖15 上位機終端顯示界面展示Fig.15 Display interface of upper computer terminal

圖16 4種焊接電弧的實際檢測效果展示Fig.16 Actual detection effect of four types of welding arcs

5 結 語

本研究將深度學習目標檢測網絡應用在焊接電弧形態在線檢測領域.以YOLOv5s為基準網絡，針對超窄間隙電弧檢測任務的特點，對其網絡結構、損失函數和錨框繪制函數進行針對性的改進，提出輕量化的電弧檢測網絡YOLO-SEC；建立電弧目標檢測數據集LUT-Arc，實現電弧長和寬的在線定量檢測，對電弧狀態的監測有一定的指導意義.與YOLOv5s網絡相比，準確率、召回率、mAP0.5分別提高了0.8%、2.4%和1.4%；參數量、計算量FLOPs、網絡體積分別降低了78%、96%和97%，網絡的單張圖片推理時間從12.9 ms提高到3.1 ms.在未來的工作中，考慮將網絡部署在嵌入式設備上，緊密結合焊接機理，探究電弧形態與焊接工況的關系，更好地指導焊接過程.