人工智能在激光加工领域应用的最新进展

去年，德国行业协会SPECTARIS在弗劳恩霍夫激光技术研究所（ILT）和德国联邦数字产业协会（BITMi）的支持下，组织了一场关于人工智能在光电子领域应用的专题研讨会。与会代表主要来自工业界，包括微软、蔡司、传音、奥迪普雷泰克视像、百超、黑鸟机器人系统、4D Photonics GmbH等知名企业，同时弗劳恩霍夫激光技术研究所等研究机构以及多所高校的专家学者也参与了会议。

在总计27场报告中，部分内容探讨了人工智能在光学设计中的潜在应用，但总体而言，研讨会的重点集中在工业激光技术中人工智能的实践与发展。目前，AI助手能够帮助激光操作员在海量知识库中快速定位对应教程，或优化激光切割的轨迹规划。但更值得关注的是AI如何辅助复杂决策，例如在激光焊接或激光增材制造过程的质量控制中发挥作用。

对此，亚琛工业大学光学系统技术讲席教授、弗劳恩霍夫激光技术研究所部门主任Carlo Holly在报告中总结道：“我们正从基于数据的AI，迈向数据与物理规律融合驱动的AI。”弗劳恩霍夫激光技术研究所团队此前开发了高速激光材料沉积工艺（EHLA）。该工艺中超过100个参数会影响涂层质量，因此将工艺移植到另一种材料通常需要进行1500次实验与分析，耗时长达两年。

通过建立工艺代理模型并采用贝叶斯AI优化模型，Holly团队将实验数量锐减至仅需17次试验，即可确定最优工艺参数。当然，寻找合适的模型与优化策略仍是持续研究的课题。令人鼓舞的是，当前研究已显示工艺优化时间可从数月缩短至分钟级。而自动化工艺优化，正是迈向闭环过程控制的必经之路。

在数据标注量减少90%的情况下实现机器学习

当工艺优化因先验知识而受益时，机器学习却可能从相反的方向获得突破。Holly在SPECTARIS研讨会上通过“免标注机器学习”的概念揭示了这一反直觉现象。其同事Julius Neuß随后基于铝合金电池壳激光焊接实验，展示了该技术在焊接过程质量控制中的实际应用。

图1：源自Scansonic公司图像数据标注程序的截图。该公司的SCeye过程监控系统可提供激光加工过程中的高清图像，为智能化实时决策提供依据。本图像由集成SCeye系统的Scansonic ALO4-O设备生成

Neuß首先将新方法与经典监督学习流程进行对比：在监督学习框架下，操作员必须手动标注焊缝的每个特征——焊丝位置、熔池形态、焊道几何形状、气孔及飞溅物（图1）。即使是小规模数据集，这项工作也会迅速变得劳动密集型。更重要的是，人工智能仅能学习被明确标注的特征，其模型鲁棒性完全受限于标注数据集的多样性与质量。

图2：经过自监督学习后的焊接图像分割效果（对比图1）

自监督学习则采取了截然不同的技术路径。Neuß团队未使用标注缺陷图像进行训练，而是基于海量未标注原始焊缝图像，采用自监督学习框架data2vec与视觉基础模型DINOv2对视觉转换器模型进行预训练。该模型通过预测输入图像中被屏蔽或增强区域与其上下文的关系，自主学习生成局部与全局图像特征的内部表征（即向量）。这些潜在向量捕捉了数据的内在结构特征，使其能够高度适配下游焊接任务（图2）。

模型完成预训练后，仅需极少量标注样本即可实现精调。在Neuß的实验中，仅用40至55帧标注图像，就能达到与使用数千标注样本训练的传统模型相当的分割质量。这种预训练网络不仅加速了训练进程，还对光照变化、光学元件污染等生产环境变量，表现出更强的鲁棒性——这在真实生产场景中至关重要。

此外，Neuß还展示了预训练模型如何直接用于异常检测。通过将每幅图像转化为数值向量，并在该潜在空间中追踪偏差，系统能够在完全无需标注的情况下识别工艺漂移。这种能力为新型过程监控方案开辟了道路——即使在标注资源受限的情况下，仍可实现规模化应用。

激光焊接并非唯一的研究领域。考虑到输入参数的潜在数量，激光增材制造显得更为复杂。BCT公司的Thomas Kosche与弗劳恩霍夫ILT的Max Zimmermann展示了他们在增材制造AI辅助工艺开发方面的研究成果。该团队同样采用了专家标注数据与自动标注相结合的方式。他们发现传感器数据（不限于图像）中存在多类特征，并确认偏差可追溯至传感器错位或激光功率波动等问题。最终，团队成功降低了局部过热现象及其导致的形状畸变（图3）。

图3：人工智能显著提升了激光材料沉积（LMD）工艺水平。采用恒定激光功率的LMD工艺会产生回火色（上图，蓝色区域），而通过AI预测优化激光功率的工艺则有效减少了过热现象，并将Z轴净形状偏差降低至原先的三分之一（下图）

数据即新黄金

Holly为研讨会听众得出了一个重要结论：当人工智能能够从未标注数据中学习时，理论上它几乎可以从任何图像中获取知识。随着数据访问量的增加，AI要么能发现新的特征类别，要么能以更高的精度描述现有特征。

当前人工智能软件已十分普及，数据正成为决定性资源。为此，弗劳恩霍夫激光技术研究所的研究人员正在构建一个跨工艺图像数据库用于预训练。截至2025年10月，该数据库已收录约250万张图像——这无疑是从开发者视角出发的战略布局。

然而从用户端来看，人工智能工具正在快速占领工厂车间——多位与会者在研讨会上证实了这一趋势。这类技术部署并不局限于激光加工领域：一套用于评估激光焊缝的系统，往往也能迁移应用于其他连接技术。正如奥迪公司的Jan Weberpals在会议问答环节所述，虽然早期实施方案需要长达两年周期，但现有模型的训练时间已缩短至仅需两周。

市场接纳度持续攀升

“所有人都需要人工智能。”一位参会者指出——不过当客户被要求主动采取措施时往往产生抵触情绪。一旦需要提供破坏性或非破坏性测试数据来训练AI，用户的热情就会迅速消退。虽然人工智能工具仍需解释说明，但用户兴趣已毋庸置疑地高涨，这甚至成为销售谈判中的关键筹码。

“生产领域的人工智能正在加速发展，”Holly表示，“它能大幅提升质量控制的效率，并已开始逐步接管过程控制。”经过多年的算法研发，行业焦点已决定性转向数据领域。掌握相关数据集的企业将能开发出比以往更快速、更安全、更稳健的工具。生产领域的人工智能已带来显著的生产力提升，而其真正的潜力才刚刚开始显现。

来源：荣格-《国际工业激光商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。