激光穿透焊接是工业制造中一项关键工艺，其焊缝质量在很大程度上取决于焊接过程中熔透状态的稳定性以及焊缝形貌的最终形态。准确评估穿透状态和焊缝截面形貌，对于实现焊接质量的在线控制具有重要意义。近日，一篇题为《A multi-task spatiotemporal deep neural network for predicting penetration depth and morphology in laser welding》的论文于2026年6月24日提交至arXiv，编号为2606.26260，属于计算机视觉与模式识别（cs.CV）以及人工智能（cs.AI）交叉领域，作者为Sen Li等共五位研究者。该研究提出了一种创新的多任务深度学习模型，能够以较高精度同时预测穿透状态、穿透深度以及焊缝形貌。
在监测手段方面，研究团队搭建的平台依赖互补金属氧化物半导体（CMOS）相机，在激光焊接过程中实时采集熔池图像。这些从焊接区域顶部拍摄的熔池图像包含了丰富的动态信息，是判断焊接状态的重要依据。与仅依赖单一图像帧或单一任务的传统方法不同，该模型将来自顶部熔池图像的时空特征与焊接工艺参数进行融合，从而构建出一个能够同时处理多种预测任务的深度学习框架。这种多任务设计使得模型可以共享特征表示，提升整体预测效率与一致性。
在模型架构上，该框架结合了卷积神经网络（CNN）与状态空间模型（state space models）。卷积神经网络擅长从图像中提取局部空间特征，而状态空间模型则有助于更高效地建模时序依赖关系，二者结合能够更有效地提取和处理时空信息。论文指出，这种组合在保证特征表达能力的同时，也提升了计算效率，为实时或近实时的原位质量监控提供了技术基础。此外，研究还提出了一种可靠的数据集构建方法，旨在增强所开发模型的鲁棒性和泛化能力，使模型在面对不同焊接条件时仍能保持稳定表现。
在实验验证方面，研究团队在测试集上对所提模型进行了评估。结果显示，穿透状态的预测准确率可达99.35%，穿透深度的预测误差为1.79毫米，焊缝横截面重建的准确率为95.65%。这些指标表明，该模型在多个相关任务上均取得了较高的精度，尤其是在穿透状态判别方面表现突出。焊缝横截面重建的高准确率也说明模型能够较好地还原焊缝的几何形貌，这对于理解焊接质量与工艺参数之间的关系具有参考价值。
从应用前景来看，该研究为激光穿透焊接系统的原位质量控制策略提供了新的思路和方法。通过将多任务学习与时空特征建模相结合，研究者展示了利用熔池图像和工艺参数进行综合预测的可行性。未来的工作可能会进一步优化模型在实际生产环境中的部署能力，并探索其在更多焊接场景下的适应性。总体而言，这项研究在焊接质量在线监测与智能控制方向上迈出了有意义的一步，其方法论也可能为其他涉及时空信息的多任务工业预测问题提供借鉴。