基于视觉机器学习方法的轻量化结构自冲铆接(Self-Piercing Rivet, SPR)接头微计算机断层扫描(micro-Computed Tomography, μ-CT)检测研究

《Engineering Applications of Artificial Intelligence》：On Micro-CT inspection of SPR joints in lightweight structures using vision-based machine learning approach

　　

本研究提出一种基于自定义视觉驱动人工智能(AI)模型的新颖无损检测(NDI)方法，用于评估自冲铆接(SPR)接头质量——这是轻量化车身制造中的关键连接工艺。该AI模型以系统性改良SPR接头的微计算机断层扫描(μ-CT)图像为训练集，可准确检测并量化由材料不均、制造偏差及尺寸公差交互引起的缺陷。这些通过无损方式获得的累积缺陷参数被集成至数值模拟中，以评估结构性能与耐久性。传统检测技术依赖假定或平均化的缺陷特征，与之不同，所提方法为疲劳(fatigue)与完整性分析提供直接的、数据驱动的输入量。最终形成的基于AI的无损检测框架显著提升了缺陷检测及结构评估的精度与可靠性，为先进制造系统中更安全、更具预测性且经济高效的质量评价提供有效途径。

论文解读：基于μ-CT与视觉机器学习的轻量化结构SPR接头无损检测与质量评定研究

研究背景与意义

自冲铆接(Self-Piercing Rivet, SPR)因无需预钻孔、无热影响且适合异种轻质合金连接，已成为汽车轻量化制造的主流工艺。然而，材料属性波动、工装公差及铆接过程的不均匀性易导致铆钉倾斜（angular misalignment / SPR tilt）、锁扣(interlock)不足或底板剩余厚度(minimum bottom thickness)不达标等几何缺陷，这些缺陷会诱发非对称应力分布，降低接头强度与疲劳寿命。传统质量评估依赖破坏性金相截面分析（只反映单一剖面且毁坏工件）或基于经验假设赋予有限元疲劳分析中的质量因子(merit factor)，无法定量获取真实制造偏差；既有μ-CT（micro-Computed Tomography，微计算机断层扫描）研究多关注成像分辨率与缺陷可视性，缺乏自动化几何特征提取及与结构分析的定量关联。为此，Chuah W Q, Tennakoon R, Easton M, Das R, Hoseinnezhad R, Bab-Hadiashar A 开展本研究，构建了μ-CT成像与基于视觉的深度学习(Deep Learning, DL)模型相结合的自动检测框架，从多角度剖面提取SPR三个关键几何参数并计算最大倾斜角和品质因数(merit coefficient, M)，实现非破坏性、定量化的接头质量评估，该文发表于《Engineering Applications of Artificial Intelligence》。

主要关键技术方法

研究人员采用Simufact仿真软件生成含不同铆钉类型、板材材质（DC04钢、A6061-T6铝合金）及板厚组合的1202张合成μ-CT截面图像，辅以180张真实SPR接头μ-CT扫描图像（板材为AA5754-O、DP800、AlSi10MgMn-T7，含不同胶粘剂与铆头顶高配置），由专家手动标注关键点并转为高斯热力图。构建带跳跃连接的四层编码–解码U-Net卷积神经网络(Convolutional Neural Network, CNN)，输出各关键点归一化热力图，以像素级二元交叉熵(Binary Cross-Entropy, BCE)为损失函数，用Adam优化器先以合成数据预训练100轮(epoch)，再以真实μ-CT数据微调100轮。通过电火花加工(Electrical Discharge Machining, EDM)在铆钉杆部引入单处或多处人工凹槽模拟不对称/对称缺陷，对制好的SPR接头（AA6061-T6板材，5.0 mm杆径钢沉头铆钉）进行μ-CT扫描（170 kV, 90 μA, 16.3 μm体素），经Feldkamp算法重建后输入训练好的U-Net模型自动检测铆头顶部位移(p)、锁扣距离(u)、底板最小厚度(t)，进而按公式求取各剖面参数均值、偏离度(d_j(i))、非均匀倾斜角α^?（取所有剖面中锁扣点与底厚点偏离角的最大值）及品质因数M = √[ū2+u?2+p?2] / (λ? + √[ū2+u?2+p?2])，其中λ?为各剖面三维参数向量相对其均值的均方根偏差。

研究结果

5.1 Defect generation / 5.2 Joint properties / 5.3 Defect parameters / 5.4 Sample and image preparation

研究人员制备了含人为对称缺陷（4处均匀分布缺口，4-US、4-LS组）与不对称缺陷（单侧缺口位于铆杆上部US或下部LS或中部MS，方位E/N/W，如1-LS-E、1-US-W等）的SPR拉伸试样，并与无缺陷普通接头对比。μ-CT扫描后在四个方位剖面（0°–180°, 45°–225°, 90°–270°, 135°–315°）提取几何参数。

6.1 Measurement of SPR joint quality parameters

U-Net模型在真实μ-CT测试集上关键点检测精度达PCK@10 = 0.72、PCK@50 = 0.93、目标关键点相似度(Object Keypoint Similarity, OKS) = 0.82，证明模型可在噪声与制造波动下稳健定位铆钉头部、锁扣内缘及底板内表面等关键位置，可靠输出p、u、t。

6.2 Evaluation of misalignment (SPR tilt)

研究将SPR倾斜分为均匀倾斜（刚体转动，各特征点转角一致α）与非均匀倾斜（各点转角α₁′≠α₂′≠α₃′，伴随局部非轴对称变形）。非均匀倾斜产生更显著的非对称应力场，对疲劳性能影响更大。通过多剖面参数偏离度d_j(i)=|param(i)?mean(param)|估算局部弧线偏移并换算为等效倾斜角，取锁扣与底厚点各剖面最大偏离角的全局最大值记为α^?，可有效量化实际中最不利的倾斜程度。

6.5 Validation of merit parameters through artificial fault analysis

统计结果显示：对称四缺口组（4-US、4-LS）的各参数标准差较小，α^?仅为2°–3°，M ≈ 0.96–0.98，接近理想接头；不对称单缺口尤其位于铆钉下部（1-LS-E α^?= 26.16°, M = 0.893；1-LS-N α^?= 19.70°, M = 0.874）引起显著参数周向波动，α^?大幅升高而M明显下降。单因素方差分析(one-way ANOVA)表明接头状态对α^?(p = 0.004)与M(p = 0.018)均有显著影响，严重不对称缺陷组与普通组相比α^?增加15.7°–18.0°(p < 10??)、M降低0.064–0.081(p < 10??)，证实M与α^?能灵敏反映缺陷严重程度及几何不对称度。

6.6 Model performance and limitations

仅用真实数据训练严重过拟合(PCK@10 = 0.13)，仅用合成数据训练可学基础几何但遇真实伪影泛化受限(PCK@10 = 0.48)；先合成预训练再真实数据微调的策略取得最优性能(PCK@10 = 0.72, PCK@50 = 0.93, OKS = 0.82)。极端噪声或严重变形情况下精度略有下降，需扩充真实μ-CT训练集。

6.8 Improvements of the proposed framework over existing inspection methods

相较破坏性金相截面（单剖面、破坏样品、无法捕捉非均匀倾斜）、抽样力学试验（只获失效载荷不溯源几何偏差）及既有μ-CT目视判读或单纯关键点检测（无多剖面聚合与结构分析接口），本框架：(a)全自动多剖面测量消除人为判读差异；(b)首次量化SPR倾斜（含非均匀分量）并通过偏离度计算α^?与M；(c)合成–真实混合训练缓解小样本问题；(d)直接将实测M、α^?作为有限元疲劳工具（如ANSYS Fatigue Tool、Abaqus FE-Safe）的输入替代经验假设值，打通无损检测至结构完整性评价的定量桥梁。

讨论与结论翻译

研究表明，结合μ-CT与基于视觉的机器学习模型可无损、自动地从多个剖面提取SPR接头锁扣距(u)、铆头顶部位移(p)及底板最小剩余厚(t)，据此计算品质因数M（理想接头M = 1，缺陷致M ∈ (0,1]）与最大倾斜角α^?，二者与人工引入缺陷的不对称程度呈强相关性——不对称缺陷增大α^?并降低M。该框架克服了传统单剖面破坏性检测与经验赋值疲劳质量因子的局限，为轻量化结构机械连接的质量控制与数据驱动耐久性分析提供了可量化、非破坏性的新途径；未来工作将把M与α^?嵌入有限元疲劳仿真以建立几何偏差–疲劳寿命关联，并拓展至压铆(clinching)、搅拌摩擦焊(friction stir spot welding)等其他连接工艺。