本项目针对激光焊接质量检测需求，开发一套覆盖焊前预处理、焊接过程监测与焊后缺陷检测的全流程算法系统，旨在突破传统人工检测效率低、实时性差的瓶颈。项目以焊缝熔深为核心指标，创新性融合工业相机视觉检测与谱域光学相干断层扫描（OCT）技术。通过OCT技术对焊接熔池进行微米级分辨率的三维成像，结合视觉传感器实现焊接区域多模态数据采集。系统设计包含三大模块：焊前通过图像匹配技术实现焊缝精确定位；焊中利用OCT实时监测熔池深度动态变化；焊后集成机器学习算法对气孔、裂纹等缺陷进行分类识别。项目创新点在于将传统图像处理（如阈值分割、形态学修复）与深度学习模型结合，并首次在工业场景中实现OCT技术与激光焊接的在线协同应用，为汽车制造、航空航天等领域提供高精度、低成本的焊接质量闭环控制方案。

1.构建多维度检测体系

  焊前实焊缝定位，确保激光束精准聚焦；焊中通过OCT技术实时获取熔池深度数据，监测频率达到工业级实时性要求；焊后建立缺陷数据库，支持缺陷的智能识别。

2.提升检测精度与效率

  熔深检测平均误差控制在9%以内，缺陷识别综合准确率≥95%，检测速度较传统方法提升30%，满足高速焊接产线需求。

3.技术融合与产业化应用

  攻克OCT信号在金属强反射表面的噪声抑制难题，开发专用滤波算法；搭建软硬件协同平台，将算法嵌入企业现有焊接设备，形成可量产的质量检测系统，降低企业质检成本20%以上。

4.数据驱动工艺优化

  建立焊接参数-熔深-缺陷的关联模型，为工艺参数智能调节提供数据支撑，目标减少焊接缺陷发生率50%

1. 焊前定位与焊后检测：

（1）焊前定位：能够将输入视频源中焊缝与给定焊缝模板实时匹配，标定出视频源中焊缝模板的中心点，并把中心点坐标距离视频源图像中心点的距离实时输出。同时，能够生成虚拟焊缝模板与虚拟匹配窗口来进行测试。

（2）焊后检测：能够检测放于文件夹中的焊缝图片，并检测焊缝图片是否异常，检测完毕后，输出检测报告，同时，能够生成虚拟的正常焊缝图片与缺陷焊缝图片，用于进行测试。

2. 焊接缺陷识别：

（1）完成了多种光电传感器对激光焊接过程监测信号的数据分析，通过时频域分析与小波变化等多种方法提取了不同焊接缺陷对应的信号特征。

（2）设计了基于卷积神经网络的激光焊接缺陷识别模型，能够通过传感器监测信号识别多种缺陷，准确率可达90%以上。

3. 谱域OCT成像算法开发：

（1）完成了从 SD-OCT 光谱数据到焊缝结构识别的全流程实现，包括直流去除、光谱整形、k 空间重采样、色散补偿与逆傅里叶变换等步骤，支持基于二维图像与点云的深度信息成像。

（2）实现了点云深度数据的自动分类、深度曲线拟合与焊缝特征计算，具备良好的结构识别能力与数据解释性。

（3）以 20,000 帧数据为例，最快算法下处理速度约为9000fps，深度误差控制在 ±100 μm 以内，具备面向大规模焊缝分析与实时应用的可行性与鲁棒性。