人工智能在激光加工領域應用的最新進展

去年，德國行業協會SPECTARIS在弗勞恩霍夫激光技術研究所（ILT）和德國聯邦數字產業協會（BITMi）的支持下，組織了一場關于人工智能在光電子領域應用的專題研討會。與會代表主要來自工業界，包括微軟、蔡司、傳音、奧迪普雷泰克視像、百超、黑鳥機器人系統、4D Photonics GmbH等知名企業，同時弗勞恩霍夫激光技術研究所等研究機構以及多所高校的專家學者也參與了會議。

在總計27場報告中，部分內容探討了人工智能在光學設計中的潛在應用，但總體而言，研討會的重點集中在工業激光技術中人工智能的實踐與發展。目前，AI助手能夠幫助激光操作員在海量知識庫中快速定位對應教程，或優化激光切割的軌跡規劃。但更值得關注的是AI如何輔助復雜決策，例如在激光焊接或激光增材制造過程的質量控制中發揮作用。

對此，亞琛工業大學光學系統技術講席教授、弗勞恩霍夫激光技術研究所部門主任Carlo Holly在報告中總結道：“我們正從基于數據的AI，邁向數據與物理規律融合驅動的AI。”弗勞恩霍夫激光技術研究所團隊此前開發了高速激光材料沉積工藝（EHLA）。該工藝中超過100個參數會影響涂層質量，因此將工藝移植到另一種材料通常需要進行1500次實驗與分析，耗時長達兩年。

通過建立工藝代理模型并采用貝葉斯AI優化模型，Holly團隊將實驗數量銳減至僅需17次試驗，即可確定最優工藝參數。當然，尋找合適的模型與優化策略仍是持續研究的課題。令人鼓舞的是，當前研究已顯示工藝優化時間可從數月縮短至分鐘級。而自動化工藝優化，正是邁向閉環過程控制的必經之路。

在數據標注量減少90%的情況下實現機器學習

當工藝優化因先驗知識而受益時，機器學習卻可能從相反的方向獲得突破。Holly在SPECTARIS研討會上通過“免標注機器學習”的概念揭示了這一反直覺現象。其同事Julius Neuß隨后基于鋁合金電池殼激光焊接實驗，展示了該技術在焊接過程質量控制中的實際應用。

圖1：源自Scansonic公司圖像數據標注程序的截圖。該公司的SCeye過程監控系統可提供激光加工過程中的高清圖像，為智能化實時決策提供依據。本圖像由集成SCeye系統的Scansonic ALO4-O設備生成

Neuß首先將新方法與經典監督學習流程進行對比：在監督學習框架下，操作員必須手動標注焊縫的每個特征——焊絲位置、熔池形態、焊道幾何形狀、氣孔及飛濺物（圖1）。即使是小規模數據集，這項工作也會迅速變得勞動密集型。更重要的是，人工智能僅能學習被明確標注的特征，其模型魯棒性完全受限于標注數據集的多樣性與質量。

圖2：經過自監督學習后的焊接圖像分割效果（對比圖1）

自監督學習則采取了截然不同的技術路徑。Neuß團隊未使用標注缺陷圖像進行訓練，而是基于海量未標注原始焊縫圖像，采用自監督學習框架data2vec與視覺基礎模型DINOv2對視覺轉換器模型進行預訓練。該模型通過預測輸入圖像中被屏蔽或增強區域與其上下文的關系，自主學習生成局部與全局圖像特征的內部表征（即向量）。這些潛在向量捕捉了數據的內在結構特征，使其能夠高度適配下游焊接任務（圖2）。

模型完成預訓練后，僅需極少量標注樣本即可實現精調。在Neuß的實驗中，僅用40至55幀標注圖像，就能達到與使用數千標注樣本訓練的傳統模型相當的分割質量。這種預訓練網絡不僅加速了訓練進程，還對光照變化、光學元件污染等生產環境變量，表現出更強的魯棒性——這在真實生產場景中至關重要。

此外，Neuß還展示了預訓練模型如何直接用于異常檢測。通過將每幅圖像轉化為數值向量，并在該潛在空間中追蹤偏差，系統能夠在完全無需標注的情況下識別工藝漂移。這種能力為新型過程監控方案開辟了道路——即使在標注資源受限的情況下，仍可實現規模化應用。

激光焊接并非唯一的研究領域。考慮到輸入參數的潛在數量，激光增材制造顯得更為復雜。BCT公司的Thomas Kosche與弗勞恩霍夫ILT的Max Zimmermann展示了他們在增材制造AI輔助工藝開發方面的研究成果。該團隊同樣采用了專家標注數據與自動標注相結合的方式。他們發現傳感器數據（不限于圖像）中存在多類特征，并確認偏差可追溯至傳感器錯位或激光功率波動等問題。最終，團隊成功降低了局部過熱現象及其導致的形狀畸變（圖3）。

圖3：人工智能顯著提升了激光材料沉積（LMD）工藝水平。采用恒定激光功率的LMD工藝會產生回火色（上圖，藍色區域），而通過AI預測優化激光功率的工藝則有效減少了過熱現象，并將Z軸凈形狀偏差降低至原先的三分之一（下圖）

數據即新黃金

Holly為研討會聽眾得出了一個重要結論：當人工智能能夠從未標注數據中學習時，理論上它幾乎可以從任何圖像中獲取知識。隨著數據訪問量的增加，AI要么能發現新的特征類別，要么能以更高的精度描述現有特征。

當前人工智能軟件已十分普及，數據正成為決定性資源。為此，弗勞恩霍夫激光技術研究所的研究人員正在構建一個跨工藝圖像數據庫用于預訓練。截至2025年10月，該數據庫已收錄約250萬張圖像——這無疑是從開發者視角出發的戰略布局。

然而從用戶端來看，人工智能工具正在快速占領工廠車間——多位與會者在研討會上證實了這一趨勢。這類技術部署并不局限于激光加工領域：一套用于評估激光焊縫的系統，往往也能遷移應用于其他連接技術。正如奧迪公司的Jan Weberpals在會議問答環節所述，雖然早期實施方案需要長達兩年周期，但現有模型的訓練時間已縮短至僅需兩周。

市場接納度持續攀升

“所有人都需要人工智能。”一位參會者指出——不過當客戶被要求主動采取措施時往往產生抵觸情緒。一旦需要提供破壞性或非破壞性測試數據來訓練AI，用戶的熱情就會迅速消退。雖然人工智能工具仍需解釋說明，但用戶興趣已毋庸置疑地高漲，這甚至成為銷售談判中的關鍵籌碼。

“生產領域的人工智能正在加速發展，”Holly表示，“它能大幅提升質量控制的效率，并已開始逐步接管過程控制。”經過多年的算法研發，行業焦點已決定性轉向數據領域。掌握相關數據集的企業將能開發出比以往更快速、更安全、更穩健的工具。生產領域的人工智能已帶來顯著的生產力提升，而其真正的潛力才剛剛開始顯現。

來源：榮格-《國際工業激光商情》

原創聲明：
本站所有原創內容未經允許，禁止任何網站、微信公眾號等平臺等機構轉載、摘抄，否則榮格工業傳媒保留追責權利。任何此前未經允許，已經轉載本站原創文章的平臺，請立即刪除相關文章。