基于SHAP的焊接熔池本征视觉特征挖掘及其在熔透状态识别中的鲁棒性研究

《Expert Systems with Applications》：What are the eigen visual features for penetration state recognition?

本文聚焦焊接质量在线监控的核心难题，提出了一种基于Shapley加性解释（SHAP）的本征视觉特征挖掘方法。通过Segment Anything Model 2 (SAM 2) 提取熔池图像特征，并在XGBoost、LightGBM等模型上验证了该方法的稳定性。研究表明，仅需13%的特征维度即可在强噪声环境下保持97.6%以上的分类性能，揭示了视觉特征与焊接过程机理的耦合关系。

　　

Highlight

本研究通过SHAP方法系统挖掘了熔透状态识别中的本征视觉特征，在强噪声和动态干扰下仍保持优异鲁棒性，为焊接质量智能监控提供了新范式。

Penetration states recognition

近年来，深度学习凭借其自动特征提取能力，在基于视觉的焊接熔透状态监控领域展现出巨大潜力。现有方法按时间维度可分为两类：

基于单帧图像的熔透状态监控。Wu等学者...（此处省略具体文献描述以去标识化）

Molten pool and keyhole area preprocess

图1展示了熔池与锁孔区域的详细预处理流程。首先对原始图像进行固定区域裁剪，针对锁孔区高亮特性采用大津法（Otsu's method）进行阈值分割，通过计算前景背景的类间方差自适应确定二值化阈值。

Experiment design

为探究熔池图像的本征视觉特征，实验从三个维度展开：本征特征选择方法、特征鲁棒性、以及特征与焊接工艺的耦合分析。

实验1：本征视觉特征筛选实验。本实验首先验证所提特征选择方法的稳定性，进而结合定量指标挖掘出对熔透状态判别具有核心贡献的特征子集。

Conclusion

为提升焊接熔透状态监控精度，本研究揭示了跨类别通用与特定类别专属的本征视觉特征，主要贡献包括：

1）验证了SHAP在特征贡献分析中的稳定性及其在不同焊接工艺条件下的泛化能力；

2）发现仅需13%原始特征维度即可在无噪声条件下保持99.2%-99.8%的全特征集分类精度；

3）通过特征与工艺机理耦合分析，揭示了抽象视觉特征与具体几何特征在表征特定熔透状态时的协同效应。