無損檢測機器人是用于代替人工無損檢測作業的自動化、智能化機器人工藝裝備系統，常應用于高空、高壓、高溫、輻射、密閉狹小空間的檢測環境或大量重復性被檢對象的檢測。目前國內外已經開發了適合于多種檢測作業工況、多種類型的無損檢測機器人系統，在其機構結構、運動控制、路徑規劃、視覺跟蹤、缺陷識別等關鍵技術上開展了大量研究。目前相關綜述工作主要針對橋梁和管道類的無損檢測機器人技術，包括機器人機構和空間定位、圖像識別、缺陷測量傳感器等技術方面[1-4]，而針對大型壓力容器的爬壁類無損檢測機器人技術尚無系統綜述。此外，焊縫是壓力容器的薄弱環節，其缺陷種類繁多，表面和內部多種缺陷的識別往往采用不同的檢測方法，因此，文章聚焦于爬壁類檢測機器人及焊縫缺陷識別中的人工智能技術，對其研究現狀和應用效果進行歸類分析，為無損檢測技術的自動化和智能化研究提供參考。 

1.   無損檢測機器人系統

大型壓力容器常具有檢測面積大、檢測任務重、容器體積大、環境復雜的特點，因此對爬壁類檢測機器人的結構重量、移動能力、定位精度、傳感集成等方面均提出了較高要求。目前，國內外研究學者已經開發出多種無損檢測爬壁機器人系統并實現了初步應用，現有無損檢測機器人系統如圖1所示。 

圖  1  現有的幾種無損檢測機器人系統結構示意

鄭亞東等[5]提出的一款無線遠程控制的LPG球罐檢測爬壁機器人如圖1（a）所示，其采用Wi-Fi通信實現爬壁機器人轉向、定速和定距的遠程控制。浙江省特種設備科學研究院設計的一款檢測機器人能夠實現大型承壓設備的多功能檢測，其實物如圖1（b）所示，該機器人具有視頻檢測、超聲測厚、磁粉檢測等功能[6]。 

由于壓力容器種類眾多、形狀復雜、應用環境特殊，針對各類復雜的檢測環境開展全方位檢測對無損檢測機器人的構型設計和運動控制提出了挑戰。上海交通大學提出了一種利用移動機器人和柔性機械臂組合的檢測機器人平臺，解決了電廠鍋爐帶鰭片的熱交換管無法人工檢測的問題[7]。武漢大學基于“臂腕分離”原則提出了一種六自由度串聯機器人構型，該機器人可負載重達20 kg的儀器[8]。為替代人工高空檢測作業，山東特種設備檢驗檢測集團基于線性激光傳感器設計了常壓儲罐表面形貌視覺檢測機器人。該機器人可實現對儲罐微觀形貌特征的主動掃描檢測、常壓儲罐表面微裂縫的準確排查等[9]。國核電站聯合東華大學通過分析核反應堆壓力容器檢測機器人本體特點，設計了適用于核反應堆壓力容器的多關節自由度檢測機器人[10]，其結構如圖1（c）所示，該機器人具有較高的靈活性和更大的工作空間。清華大學設計了一種適用于球罐現場焊縫檢測的新型爬壁機器人，其實物如圖1（d）所示。該機器人采用永磁吸附方式，可實現沿球罐表面焊縫的全方位移動。此外，該機器人配備了基于視覺傳感的焊縫跟蹤單元，可適應光源不足環境，完成遠程自主探傷[11]。江蘇省特種設備安全監督檢驗所聯合東南大學提出了一種用于儲罐外表面的基于TOFD的檢測機器人系統，該機器人同樣采用永磁吸附式移動方式，其實物如圖1（e）所示[12]。SANTOS等[13]面向球形儲罐提出了一種準全向移動的智能檢測機器人，該機器人有4個獨立的轉向磁輪，且其附著力可調，運動靈活高效。 

目前，針對罐體表面開展無損檢測的機器人系統通常采取永磁吸附、電磁吸附、負壓吸附、反推式吸附、仿生吸附、靜電吸附等多種吸附方式，以增強罐體表面吸附可靠性并提高移動越障能力。各吸附方式的吸附優勢與限制不同，其詳細對比如表1所示。 

在這些方式中，永磁吸附是目前廣泛應用于爬壁機器人的一種吸附方法。永磁吸附是指通過永磁體與金屬壁面之間的吸引力將機器人固定在壁面上。因采用永磁體，其結構適應性強，可結合輪式、履帶式、足式等各類主流移動方式使用，且其成本低、無額外能源消耗、吸附穩定可靠。 

為實現智能球罐焊接機器人的自主運動、定位與焊縫跟蹤，孫振國等[26]研制了一種基于高分辨率線陣芯片的新型視覺傳感器。借助該傳感器，球罐焊接機器人能夠實現沿焊縫的自主運動和自動對中。而針對檢測機器人難以實現儲罐外壁全方位檢測這一問題，唐東林等[27]提出了一種基于滾動窗口的優先級啟發式路徑規劃算法，實現了機器人對未知儲罐外壁的全遍歷高效移動。高延峰等[28]基于輪式移動焊接機器人跟蹤彎曲焊縫的數學模型，采用積分Backstapping時變狀態反饋方法提出了一種控制器，提高了焊縫跟蹤的快速性和平滑性。西南石油大學基于聲學定位提出了一種檢測機器人實時定位方法，解決了機器人在儲罐內部的空間定位問題，機器人結構如圖1（f）所示。該方法基于少量傳感反饋信息，即可計算機器人在儲罐內部的空間方位，定位誤差小于20 cm[29]。隨后，該團隊在浮力-重力調節裝置的基礎上，提出了一種模糊控制器實現了儲罐檢測機器人的深度控制[30]。 

綜合國內外研究發現，目前檢測機器人多采用移動機器人構造，針對高空作業需求采用永磁吸附方式移動。針對狹小復雜檢測環境，檢測機器人可搭載多自由度細長機械臂以拓展檢測空間，到達人工不可及區域，大大提高了檢測的有效范圍。通過設計運動控制器或研發新型傳感器，檢測機器人運動的自主性和精確性也得到了較大提升。相比人工作業，檢測機器人在工作空間上具有較大優勢，其自主運動規劃與定位仍是檢測機器人發展的關鍵技術之一。 

此外，在進行無損檢測時，需準確定位缺陷位置并識別焊縫類型。因此，除機器人本體外，缺陷檢測與識別是無損檢測機器人發展的又一關鍵技術。根據現有研究，文章將從缺陷數據采集、圖像識別、深度學習等方面對缺陷識別方法展開介紹。 

2.   缺陷數據采集

缺陷采集通常借助專用的采集儀器，常用的有超聲檢測和X射線檢測。TOFD即超聲衍射時差法，是一種常用的焊縫檢測技術。該技術利用一對對稱的縱波斜探頭作為超聲波的收、發探頭，利用產生的衍射信號來檢測缺損的位置和深度，TOFD檢測原理，如圖2所示。TOFD在檢測壁厚較大的焊縫時比射線檢測更有效率，缺陷檢測靈敏度更高，因此被廣泛用于球罐焊縫缺陷檢測[31-32]。實際上，不同類型缺陷的TOFD-D掃圖像特征具有明顯差異。通過分析D掃圖像的紋理、形狀及走向，可實現對接焊縫典型缺陷類型判定。另外，不同缺陷的TOFD圖像尖端衍射信號的相位和A掃波形隨位置變化情況也會有所差異，除了信號特征外，還需結合工件材料、坡口形式、熱處理狀態、焊接工藝等對缺陷進行分析[33]。 

圖  2  TOFD檢測原理示意

由于TOFD缺陷檢測信號受多種因素影響，為了提高缺陷檢測結果的準確性，如何提取真實有效的檢測信號以進行缺陷識別是TOFD檢測的一個技術難點。針對超聲TOFD檢測信號受焊縫結構噪聲干擾大的問題，李建忠等[34]通過小波包分解技術提取缺陷的衍射波特征，提高了檢測信號的信噪比及分辨率。另外，熊娟等[35]將TOFD法、手動超聲（UT）、磁粉檢測（MT）三種檢測方法相融合，實現了在役氧氣球對接焊縫的無損檢測。彭森等[36]利用灰度分布統計法消除了與近表面缺陷波重疊的直通波，結合圖像分割算法提取出超聲TOFD檢測圖像中的焊縫缺陷，從而實現了焊縫缺陷的自動識別。 

缺陷數據采集的另一種常用方法為X射線法，典型的X射線實時成像和檢測系統包括信號轉換、圖像處理及缺陷位置的獲取/傳輸三個主要部分。射線檢測適用于金屬、非金屬等各種材料，射線檢測的膠片分析目前主要依靠人工，其成功率很大程度上取決于檢查人員的能力，因此該過程存在主觀性強、耗時長等問題。為了提高焊縫膠片評測的準確率，許多學者開展了基于X射線檢測的焊縫識別相關研究。 

孫林等[37]提出了基于支持向量機（SVM）的X射線底片焊縫缺陷識別方法。該方法首先對X射線底片進行數字化處理和缺陷特征提取，然后針對X射線底片焊縫缺陷樣本特點，建立SVM“一對一”聚類結構并對樣本進行識別。試驗結果表明，該模型具有識別精度高、速度快、容易實現等優點。胡文剛等[38]人利用DR（數字射線成像）檢測方法對不同透照厚度的鋁合金焊縫進行射線檢測試驗，通過優化工藝參數提高了檢測靈敏度。王磊等[39]針對常見的面狀和體積狀缺陷進行檢測分析，同時采用射線及TOFD檢測技術對缺陷尺寸進行對比，有助于此類缺陷的識別與定量分析。但是射線探測設備復雜、昂貴，檢測費用也較高，且射線對人體健康存在傷害。 

此外，磁粉檢測也是缺陷檢測的一種有效方式[40]，該方法使用磁粉顯現鐵磁性材料表面裂紋，操作簡單但檢測深度有限。除此之外，基于不同原理用于各類材料、應用場景的其他主要檢測方法的原理與特性如表2所示。其中，基于電磁感應的渦流檢測適用于導電材料表面或淺層缺陷檢測；通過滲透劑顯現表面開口裂紋的滲透檢測操作簡單但僅限表面缺陷；聲發射檢測通過監測材料受力或疲勞時的聲波信號可動態檢測大型結構中的缺陷；紅外檢測通過熱成像識別大面積表面缺陷，適合非接觸快速檢測，但無法檢測深層缺陷。因此，這些檢測方法各有優劣，實際應用中常根據檢測對象的材料、缺陷深度和檢測場景來選擇合適的技術方法以獲取圖像、波形曲線等缺陷數據。 

3.   缺陷圖像識別

TOFD以及X射線采集的焊縫圖像的評定目前主要由人工進行，因此受多種主觀因素影響，漏檢或錯檢率相對較高。為了提高缺陷識別精度，基于特定算法進行缺陷圖像的分類和識別技術已成為焊縫檢測的關鍵技術之一。國內外研究學者就此已開展了較多相關研究，并取得了重要進展。 

伏喜斌[41]基于標記的改進分水嶺TOFD檢測圖像分割，結合典型缺陷圖像特征，提出了一種基于支持向量機的焊縫超聲TOFD缺陷分類識別方法，其正確率超過87%。樊丁等[42]采用超像素分割算法（SLIC）和改進的ELU激活函數構建CNN模型進行焊縫檢測圖像缺陷識別，有效提高了識別準確率。李雪琴等[43]結合快速離散Curvelet變換和循環平移，對焊縫圖像進行去噪，以有效提取焊縫區域。清華大學針對焊縫缺陷特點，提出了對焊縫重疊區邊緣區與非邊緣區、非細長缺陷與細長缺陷分別進行處理的方法[44]。上海大學研制了基于機器視覺的液力變矩器焊縫缺陷自動檢測系統[45]。蘭州理工大學提出了通過自適應中值濾波方法對射線檢測焊縫圖像進行濾波降噪，利用類間、類內方差比分割法和數學形態學方法進行焊縫圖像分割，對焊縫部分應用高頻加強變換提取焊接缺陷[46]。 

為了提高焊接缺陷分割的精度，ZHANG等[47]提出了一種局部圖像增強方法。該算法在焊縫提取和焊縫缺陷分割時考慮了對比度增強的要求。HASSAN等[48]建立了基于射線照相圖像的焊接缺陷識別系統，提出了一種幾何特征檢測和分類焊接缺陷的技術。DAI等[49]提出了一種三級逐步解法以提高焊縫超聲成像系統的分辨率。該方法對超聲檢測信號采用基于小波變換的超分辨率算法進行處理，可提高超聲成像設備的圖像質量，增強其識別焊縫細微缺陷的能力。MOGHADDAM等[50]開發了一種用于從射線照相圖像中分類焊接缺陷的自動系統，該系統對冗長的缺陷有較好的效果。THIEN等[51]提出了一種利用圖像處理技術從射線照相膠片中確定焊縫缺陷的方法和自動化系統，其可以快速、自動地將放射影像轉換為數字圖像，然后與數字化放射影像數據庫進行分析比較，確定可能的缺陷及其類型。 

此外，除了使用TOFD或射線圖像，JEONG等[52]利用紅外攝像機和圖像處理設備，開發了GMAW氧化物缺陷監測系統。LAPIDO等[53]提出了一種基于非制冷PbSe圖像傳感器的激光焊接過程中的實時缺陷檢測和分類方法，其在線分類率接近1 kHz。 RANJAN等[54]利用數字圖像處理技術對攪拌摩擦焊過程中常見的各種表面缺陷進行識別和分類，提高了缺陷的識別和定位準確率。PENG[55]發現焊接線圖像的預處理對于特征提取和缺陷識別具有重要意義，由此提出了一種從焊縫圖像中自動識別缺陷的方法。 

4.   人工智能在缺陷識別中的應用

采用圖像識別技術可有效提高焊縫缺陷識別效率。隨著工業智能檢測技術的發展，深度學習在圖像特征學習中的獨特優勢使其在缺陷自動檢測和識別中具備重要的實用價值。當今，使用多層神經網絡對數據進行自動特征提取和分類的深度學習算法在焊縫缺陷識別領域不斷發展[56]，部分算法的缺陷識別效果如表3所示。 

丁曉東等[57]通過分析焊縫表面不同缺陷在焊縫激光條紋圖像中的形態與分布特征，結合斜率截距法與分段區間檢測法提取表面缺陷的特征點，設計了基于三層BP神經網絡的焊縫缺陷分類模型，將提取的缺陷特征作為網絡的特征輸入進行網絡訓練，整體缺陷檢出率達91.51%。劉夢溪等[58]設計了一種改進的深度CNN結構，對其層次架構及參數設定開展了研究。該算法對于大樣本的圖像特征表達與識別有一定的優勢，網絡結構具有較高的圖像分類識別正確率。陳立潮等[59]提出一種融合遷移學習的AlexNet卷積神經網絡模型，用于不銹鋼焊縫缺陷的自動分類，該模型具有95.12％的檢出準確率。 

薛龍等[60]提出一種基于深度學習的焊縫定位及缺陷識別方法，通過深度學習目標檢測方法確定焊縫位置并識別焊瘤及不合格缺陷，并通過深度學習語義分割方法識別氣孔及凹坑缺陷，焊縫定位識別準確率達到95%，焊瘤識別準確率達到98%，氣孔與凹坑兩類缺陷的識別準確率約為91.8%。谷靜等[61]對傳統卷積神經網絡進行改進，提出一種多尺度壓縮激勵網絡模型（SINet），將4組兩兩串聯的3×3卷積模塊與Inception模塊、壓縮激勵模塊（SE block）相結合。通過多尺度壓縮激勵模塊（SI module）將卷積層中的特征進行多尺度融合和特征重標定以提高分類準確率，并用全局平均池化層代替全連接層減少模型參數。與傳統卷積神經網絡相比，該模型具有良好的性能，可對焊縫缺陷圖像進行有效地分類。而后，他們又提出基于改進深度學習Faster R CNN模型的焊縫缺陷識別算法，通過多層特征網絡提取多尺度特征圖并共同作用于模型后續環節，以及通過改進模型的區域生成網絡并加入多種滑動窗口，從而提高了識別能力[62]。張立等[63]提出結合深度卷積神經網絡的石油管道焊縫缺陷識別方法。該方法在ResNet50網絡的基礎上添加可變形卷積學習缺陷的不規則特征，改進后的模型對焊縫缺陷數據具有良好的泛化能力，測試精度達到99%，速度為10 m·s–1。WANG等[64]通過多尺度對齊融合（MSAF）和并行特征過濾（PFF）模塊提出了改進的深度學習目標檢測算法YOLOv5-MSAF用于8種焊縫缺陷的識別，其正確率達到了96.6%。 

GUO等[65]使用輕量化卷積神經網絡（CNN）進行圖像提取和分類，通過對三種不同類型的焊接缺陷進行分類測試，驗證準確率為98.25%。ZHANG等[66]提出了一種基于深度學習的鋁合金機器人弧焊缺陷在線檢測方法，利用卷積神經網絡（CNN）和焊縫圖像對其進行檢測識別。其中CNN模型沒有采用傳統方法減少弧光的干擾，而是充分利用弧光，將弧光以多種方式組合以形成互補特征。試驗結果表明，該模型具有較好的分類性能，平均分類準確率達到99.38%。ZHANG等[67]提出了使用小型 X 射線圖像數據集的焊縫檢測新方法，將一種基于圖像處理的數據增強方法和一種基于WGAN的數據增強方法應用于不平衡圖像集的處理；然后，使用基于特征提取的遷移學習技術在增強圖像集上訓練兩個深度（CNNs），從而降低誤檢率。YAN等[68]針對工業自動化焊接檢測的趨勢和需求，構建了可同時對焊道表面進行3D深度和2D灰度成像的復合視覺系統。在該視覺系統中，結構激光負責獲取珠子表面的3D深度圖像，多角度照明用于捕捉灰度圖像；然后，根據其在3D深度圖像和2D灰度圖像中顯示的不同特征，提出提取焊道邊界的方法。 

KUMAR等[69]對比研究了線性陣列（LA）和雙矩陣陣列（DMA）兩種探頭發現，DMA 探針性能優于 LA 探針的，因此更有助于提高奧氏體不銹鋼焊縫檢測的可靠性。使用卷積神經網絡（CNN）進行焊接缺陷識別時，識別結果會受到人為等諸多因素的影響,基于此，HU等[70]采用了圖像處理、指數線性單元（ELU）激活函數和改進的池化模型以提高焊縫圖像識別的精度，整體識別率可以達到98.13%。SHIN等[71]提出了一種基于深度神經網絡（DNN）的無損檢測方法，該方法可以基于焊接電壓信號實時檢測和預測氣孔缺陷，無需在氣體保護焊（GMAW）過程中添加額外的設備，比人工神經網絡（ANN）模型的性能更優。 

PARK等[72]提出了一種基于卷積神經網絡（CNN）的方法。該方法除了采用CNN進行焊縫識別外，還采用CNN訓練回歸函數來檢測發動機變速箱中心，獲得了更好的檢測性能。JIANG等[73]針對焊縫缺陷圖像的特點，提出了一種考慮池化區域分布和特征圖的改進池化策略，并提出了一種將ReliefF算法與CNN相結合的增強特征選擇方法。ZAHRAN等[74]提出了一種從射線照相圖像中識別焊縫缺陷的新方法。該方法基于使用梅爾頻率倒譜系數（MFCC）和多項式系數生成缺陷特征數據庫，采用人工神經網絡（ANN）進行特征匹配以自動識別放射圖像中的缺陷。試驗結果表明，所提出的方法可以可靠地用于噪聲環境下的射線圖像自動焊縫缺陷識別，并且可以實現較高的識別率。 

LIU等[75]提出了一種基于三重深度神經網絡的焊縫缺陷自動識別方法。首先，將原始X射線圖像變為浮雕圖像，使缺陷的特征更加明顯；其次，通過三重深度神經網絡映射浮雕圖像得到特征向量。基于三元組的深度神經網絡使得相似的缺陷特征向量距離更近，不同缺陷特征向量的距離更遠，再通過支持向量機（SVM）分類器識別焊縫缺陷。結果表明，所提出的焊縫缺陷識別方法比傳統方法具有更好的性能。MA等[76]使用卷積神經網絡（CNN）和主動視覺的概念從 CCD 中自動檢測典型的底切、毛孔和燒穿缺陷。LE等[77]提出了一種基于小型圖像數據集的自動缺陷識別方法。該方法采用Wasserstein 生成對抗網絡（WGAN）、基于特征提取的遷移學習技術和多模型集成框架技術，能夠成功處理不平衡和嚴重罕見的缺陷圖像。CHANG等[78]提出了一種端到端的焊縫缺陷識別方法，其采用基于高斯低通濾波器的深度置信網絡（GLF-DBN）來篩選射線檢測圖像，并提出了一種新的圓柱投影方法以增加缺陷部分比例，解決了小尺寸缺陷的丟失問題；然后提出一種改進的基于SegNet的深度學習網絡來識別焊縫缺陷。 

隨著機器學習的發展，焊縫檢測和識別領域也經歷著新一輪的變革和升級，焊縫識別的準確率、效率都得到了提升。新的機器學習方法不斷涌現，針對無損檢測對象的特殊性，如何更好地根據焊縫形成特點以及采集方法，開發缺陷識別算法以獲得快速、準確的識別效果已成為無損檢測發展的重要方向。 

5.   結語

焊縫缺陷檢測和識別在石油化工等領域是極其關鍵的環節，對壓力容器等大型設備的使用安全具有重要意義。除了機器人運動載體外，無損檢測還包括缺陷數據采集和識別方法，其中缺陷識別還包括圖像預處理、區域分割、特征提取和類型識別等關鍵技術，每個環節對無損檢測的實現和準確性都具有很大影響。雖然現有研究成果已在不同程度上推動了無損檢測的發展與應用，然而由于檢測場景多變、焊縫類別各異，焊接缺陷的自動檢測和識別仍然是機器人無損檢測領域的一個挑戰。 

首先，圖像處理因涉及大量數據和信息，其處理速度仍是應用過程中的一個挑戰，影響缺陷識別的實時性和快速性。對于具有復雜形狀特征的物體，實現實時在線檢測仍然很困難。其次，工業檢測環境復雜，導致采集信號干擾大，影響檢測精度以及魯棒性。此外，當前的圖像處理以及深度學習算法依賴大量樣本數據集，其在線檢測精度和速度仍有待提高，限制了其工程實際應用。當前缺陷檢測和識別的這些弊端，導致其仍無法完全替代人工檢測，因此無損檢測機器人系統的環境適應性、檢測靈活度、抗干擾能力仍需進一步提高。 

盡管檢測機器人技術仍存在諸多不足，但仍然是無損檢測領域未來研究和發展的主要方向。為加快無損檢測機器人在實際工業環境中的推廣應用，提高檢測精度、增強其環境適應力，筆者認為未來發展宜圍繞以下幾個方向展開。 

（1）檢測機器人復雜環境適應性 

許多工業檢測對象位于狹窄、危險或高空等位置，如大型壓力容器形狀復雜、面積大且環繞管道支架，因此無損檢測機器人需要克服復雜環境的限制，增強自動化檢測能力。為此，可結合新型變結構輪式或履帶式研制全向移動機器人結構，或結合柔性體、連續體結構構造連續彎曲型機器人以深入復雜空間提高靈活性，此外，還可以結合無人機和移動機器人構造集群式全覆蓋檢測系統，擴大檢測范圍、提高檢測效率，從而適應大型儲罐、封閉管道、高空裝置等多種工業設備無損檢測需求。 

（2）多傳感器融合檢測系統 

多傳感器融合也是無損檢測機器人提升精度的重要手段。單一檢測技術往往只能識別特定缺陷類型，或受限于材料特性，而多傳感器融合可以在機器人上集成超聲、渦流、紅外和X射線等不同檢測手段。例如，在金屬板材檢測中，超聲用于內部裂紋識別，渦流則檢測表面缺陷，對多種傳感器采集的數據通過融合算法進行分析，能夠實現更全面的檢測覆蓋率，提升精度并減少誤檢。 

（3）基于多源數據的人工智能缺陷識別 

目前，缺陷數據集不足仍然是人工智能缺陷識別精度受限的一個主要原因。為此，有必要融合圖像、超聲、渦流、紅外等多種數據源，構造深度學習模型自動提取多維特征并進行關聯分析，實現缺陷的全面檢測與精準識別，提高復雜工業環境中的無損檢測精度與可靠性。同時，通過自適應學習與實時數據處理，人工智能系統能夠動態適應不同檢測條件，提供高效的決策支持。此外，還可以進行模型輕量化設計，進一步提高在線檢測和識別的快速性和實時性。 

（4）實時數據傳輸與遠程控制 

對于大型工廠或遠程設施，如風電場、石油平臺等，其檢測覆蓋面積大、地理位置受限，建立實時數據傳輸和遠程控制可以進一步擴展無損檢測機器人的檢測覆蓋范圍，建立高效的人機協作。為此，可以借助5G或工業物聯網（IIoT）連接，將檢測數據實時傳輸到遠程控制中心，使專家能遠程對數據進行分析并指導機器人執行新的檢測任務。此外，引入邊緣計算和實時數據處理系統也可以減少數據傳輸延遲，確保大面積檢測實施的精確性。 

隨著智能化水平的提高和跨學科技術的融合，無損檢測機器人有望提供高效可靠的工業檢測方案，在多種環境中實現高精度、全自動的缺陷檢測。未來，將會有更多先進、實用、高精度的焊縫缺陷檢測機器人技術被開發，繼而推動無損檢測向智能化、精準化、快速化發展。

文章來源——材料與測試網