基于熔池视觉特征的铝合金双丝焊熔透识别

基于熔池视觉特征的铝合金双丝焊熔透识别

杨嘉佳， 王克鸿， 吴统立， 周晓晓

(南京理工大学 材料科学与工程学院，南京 210094)

摘 要：熔透是焊接质量的重要评价指标之一，铝合金对焊接工艺敏感性较高，容易出现熔透不均匀情况. 试验利用近红外视觉传感方法获取了铝合金单面焊双面成形焊接过程中未熔透、熔透和过熔透三种情况下的清晰熔池图像，通过图像处理获得了准确的熔池轮廓，定义并提取了熔宽、半长、面积、周长和抛物线系数等能反映熔透状态的熔池特征参数，建立了基于BP神经网络的铝合金双丝焊熔透识别模型. 结果表明，5-13-3结构的BP神经网络对熔透状态识别的正确率最高，达到89.05%.

关键词：铝合金；熔透识别；熔池视觉特征；神经网络

0 序 言

熔透是评价焊接质量的最重要的指标之一，如何有效地控制焊缝熔透，保证焊材完全均匀熔透，进而保证焊接质量，一直是焊接领域重要的研究方向. 熔透控制的关键是如何检测并控制焊件的熔透程度，目前焊接熔透状态的检测方法主要有电弧声检测法、温度场检测法、振荡频率检测法和视觉传感检测法等[1-3].

人工神经网络模型是基于生物神经系统研究而建立的模型，具有优秀的非线性映射特性、大量的并行分布结构以及学习和归纳能力，因而被广泛的应用于故障诊断、模式识别、优化计算等领域. 已有研究将人工神经网络和不同的熔透检测方法结合用于TIG焊背面熔宽预测和熔透识别、MAG焊熔透状态监测、GMAW成形过程建模、激光焊熔透状态识别、焊缝缺陷诊断等方面[4-6].

双丝脉冲焊是一种高效高质焊接方法，非常适用于铝合金材料的焊接. 但铝合金材料热导率高、线膨胀系数大、表面张力小等特点，造成铝合金焊接时对工艺的敏感性较高，容易出现未熔透、过熔透、焊漏甚至焊塌等情况. 针对该问题开展基于视觉传感的铝合金双丝焊熔透识别研究，利用摄像机模拟焊工的眼睛采集熔池图像，通过图像处理提取熔池图像中与熔透相关的视觉特征信息，建立其与熔透状态之间的关系，利用人工神经网络模型进行熔透状态识别研究，为熔透在线控制奠定基础.

1 熔透视觉传感试验

1.1 试验条件

试验采用法国SAF公司生产的STARMATIC R450 TOPMAG自动双丝焊机，包括两个焊接电源、TOPMAG远程控制单元、两个集成送丝机和一把TANDEM焊枪. 焊接母材选用3A21铝合金、尺寸为300 mm×100 mm×6 mm，焊丝牌号为ER1100，直径1.6 mm. 保护气体为99.99%纯氩气，两瓶氩气气体流量均为20 L/min.

采用9组参数进行焊接，每组参数焊3条焊缝，共27条焊缝. 通过观察每条焊缝的外观成形并利用游标卡尺进行测量，将焊缝分为未熔透、熔透和过熔透三类，分类依据如表1所示，其中B和H分别为正面熔宽和正面余高，b和h分别为背面熔宽和背面余高.

表1 熔透状态分类

Table 1 Classification of weld penetration status

分类正面熔宽B/mm正面余高H/mm背面熔宽b/mm背面余高h/mm未熔透B<9h>3b≤0h≤0熔透912H≤3b>6h>2

9组焊缝的工艺参数及对应的熔透状态如表2所示. 其中Um和Im为主丝电压和主丝电流，Us和Is分别为辅丝电压和辅丝电流，v代表焊接速度.

表2 焊接工艺参数与熔透状态

Table 2 Weld parameters and penetration status

编号主丝电压Um/V主丝电流Im/A辅丝电压Us/V辅丝电流Is/A焊接速度v/(cm·min-1)熔透状态1221102211880未熔透2211102111870未熔透3221102211870未熔透4211102111860熔透5211102111840熔透6211302114060熔透7211302114050过熔透8211502116060过熔透9211502116040过熔透

1.2 熔池视觉传感试验

为研究熔池图像与熔透状态之间的关系，实现铝合金熔池的稳定视觉传感是首要条件. 在分析双丝焊电弧光谱分布和摄像机曝光量的影响因素的基础上设计了双丝焊熔池近红外视觉传感系统，由计算机、台湾敏通MTV-1881EX CCD、日本精工镜头(焦距12 mm)、DH-CG400图像采集卡、近红外窄带复合滤光片组等组成，如图1所示.

图1 双丝焊熔池视觉传感系统

Fig.1 Weld pool visual sensing system of tandem arc welding

摄像机由专用夹具固定在双丝焊枪上，与焊枪同步运动，实时拍摄双丝焊接过程中的熔池图像. 通过对比中心波长为805，904，980和1 064 nm窄带滤光片的传感效果发现，980 nm窄带滤光条件下熔池图像最清晰. 减光片中心透过率为0.5%，CCD曝光时间为2 ms. 试验固定拍摄方位(摄像机轴线与水平面夹角为30°)，获得了对应于表2各组焊接工艺参数下的清晰熔池图像，如图2所示，其中图2a～图2c为未熔透图像，图2d～图2f为熔透图像，图2g～图2i为过熔透图像.

图2 不同熔透状态下的熔池图像

Fig.2 Weld pool images under different kinds of welding penetration status

由图2可以直观看出铝合金熔池形状发生了明显变化，随着熔透程度的增加，熔池逐渐变大. 未熔透时过小的电流或过快的焊接速度造成焊接电弧热较小，熔池尚未铺展开就随着热源的前移而冷却，熔池面积较小、尾部较圆. 熔透状态时的熔池较未熔透时有明显扩大，熔池尾部逐渐拉长. 过熔透时由于焊接电流过大或焊接速度过慢，熔化的金属量过多，在重力作用下熔池下塌，反映在图像上的特征为熔池面积更大、熔池拖尾更长.

2 熔池视觉特征参数提取

由上节可知不同熔透状态下的熔池图像形状会发生变化，说明熔池图像包含的信息能反映熔透状态，准确提取熔池视觉参数并建立其与熔透状态之间的映射关系是进行熔透识别和控制的关键. 而如何处理熔池图像关系到熔池特征提取的准确性，进而影响控制模型的精度.

2.1 熔池图像处理

对铝合金双丝PMIG焊熔池图像进行中值滤波和频域低通滤波，去掉图像中的高频横纹干扰，然后通过灰度拉伸提高熔池图像的对比度. 针对铝合金熔池图像边缘容易出现不连续的情况，采用形态学处理中的闭运算，填充熔池内的细小空洞，连接邻近物体，平滑边界. 接着通过Ostu法进行阈值分割将图像转化为黑白二值图像，最后利用Canny边缘提取算子获取熔池的轮廓. 典型熔池图像处理过程如图3所示.

图3 熔池图像处理

Fig.3 Weld pool image processing

2.2 熔池视觉特征参数定义及提取

为了定量分析不同熔透状态与熔池形状特征参数的关系，这里定义熔池轮廓中横向最大距离为熔宽W，熔池尾部到熔宽中心的距离为半长L，整个轮廓所包含的面积和周长分别为熔池的面积S和周长P，经过最左点、最右点与最低点的抛物线系数K，如图4所示.

图4 熔池视觉特征定义示意图

Fig.4 Weld pool visual characteristic definition

熔池视觉特征参数提取算法如下：首先对熔池图像利用上节所述图像处理程序提取轮廓，得到黑白二值图像轮廓，然后对整个轮廓逐行扫描，存储每行左右两个白点的坐标序列，比较得到左右两点横坐标的差值最大值即为熔池最大宽度W，此时对应的左右点坐标分别为熔池最左点和最右点. 记下熔池最大宽度中心点坐标，从此处上下扫描白点，找到最高点和最低点. 最低点与熔宽最大值纵坐标之差即为熔池半长L. 逐行扫描，对每行熔池宽度累加求和，即为熔池面积S. 将所有白点个数求和即为周长P. 求得最左、最右、最低三点坐标后，计算可得通过三点的抛物线方程的二次项系数K.

3 BP神经网络模型

3.1 BP神经网络工作原理

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的人工神经网络模型之一. 它由输入层、隐含层和输出层构成，典型的三层BP神经网络的拓扑结构如图5所示，层与层之间采用全互连方式，同一层之间不存在相互连接. 输入层神经元接收外界输入信息并传递给隐含层神经元，隐含层对输入信息进行内部处理后传递到输出层神经元，经输出层进一步处理后输出. 当实际输出与期望输出误差较大时进入误差的反向传播阶段，将误差按梯度下降的方式逐层地修正每一层的权值和阈值. 通过神经网络不断学习，即信息正向传播和误差反向传播，不断调整各层权值和阈值，直到神经网络达到设定的学习次数或实际输出与期望输出的误差在设定范围内即停止训练.

图5 单隐层BP神经网络结构图

Fig.5 Structure diagram of BP neural network with single hidden layer

3.2 BP神经网络训练及测试

试验将熔宽、半长、面积、周长、抛物线系数等五个熔池视觉特征参数作为特征向量，故输入层设置5个神经元. 共有未熔透、熔透和过熔透三种输出，输出层设置3个神经元，用二进制表示，[001]表示未熔透，[010]表示熔透，[100]表示过熔透. 从27条焊缝对应的熔池图像中选取三种熔透状态对应的熔池图像各150帧，经图像处理和熔池视觉参数提取后，共得到450组数据，随机选择360组作为训练数据训练网络，其余90组作为测试数据测试网络分类能力. 部分熔池视觉特征参数与对应的熔透状态如表3所示.

根据隐含层神经元个数确定的有关经验公式，取隐含层神经元个数为3～13之间进行训练，迭代次数设为1 000次，目标设置为0.05，神经网络训练算法采用LM算法，隐含层神经元传递函数选用tan-sigmoid型函数. 由于神经网络的初始权值与阈值是随机选取的，在训练过程中很有可能陷入局部极值. 为了减少这一干扰对结果的影响，将每个神经网络模型训练10次，将10组准确率的平均值作为当前模型的识别准确度. 不同隐含层节点数得到的训练网络分类准确率统计情况如表4所示.

表3 熔池视觉特征参数与对应的熔透状态二进制输出

Table 3 Visual characteristic parameters of weld pool images and binary outputs of corresponding penetration status

序号熔池视觉特征参数输入熔透状态二进制输出熔宽W(像素)半长L(像素)面积S(像素)周长P(像素)抛物线系数K186493139.38232.340.02650012101473221.63278.090.01810013103443287.13258.150.01630014100483589.00262.040.01520105141586528.75361.850.01150106140636615.38372.640.01280107161718659.88483.580.01081008128536375.88434.780.012910091748412928.4472.490.0111100

表4 不同隐含层节点数熔透识别准确率

Table 4 Accuracy of weld penetration identification under different number of hidden layer nodes

隐层神经元节点数识别准确率A(%)未熔透熔透过熔透平均值695.5285.2483.8687.89793.5987.9982.7587.80894.6688.7382.7288.72993.8289.3984.2888.771095.3287.0082.7688.121191.8687.2879.5785.991295.0088.0781.9388.321395.4187.3683.8889.05

由表4可以看到，隐含层节点为6～13时均能得到85%以上的平均正确率，隐含层节点为13时的分类准确率最高，未熔透、熔透和过熔透的准确率分别为95.41%，87.36%和83.88%，平均识别准确率为89.05%. 结果表明,利用提出的五个熔池视觉特征参数作为输入量建立的BP神经网络可以对铝合金双丝脉冲焊熔透状态进行有效识别，尤其是对未熔透的识别率非常高，但由于刚发生过熔透和熔透时的熔池图像十分接近，并且熔池视觉特征参数的处理和提取存在一定误差等造成熔透和过熔透两种状态的识别正确率相对较低，需要进一步提高.

4 结 论

(1) 提出了一种基于视觉特征参数的铝合金双丝脉冲焊熔透识别方法，利用近红外视觉传感方法获取不同熔透状态下的熔池图像，通过图像处理提取熔宽、半长、面积、周长、抛物线系数等五个熔池视觉特征参数作为反映熔透状态的特征参量.

(2) 建立了单隐层BP神经网络熔透识别模型，测试结果表明，网络结构为5-13-3时熔透状态识别正确率最高，未熔透、熔透和过熔透的准确率分别为95.41%，87.36%和83.88%，平均准确率为89.05%.

参考文献：

[1] Lu Na， Zhong jiyong， Chen huabin， et al. Real-time control of welding penetration during robotic GTAW dynamical process by audio sensing of arc length[J]. The International Journal of Advanced Manufacturing Technology， 2014(74)： 235-249.

[2] 刘立君， 兰 虎， 郑红艳. 基于神经网络熔透电弧声特征参数评价与选择[J]. 焊接学报， 2010， 31(3)： 25-28. Liu Lijun， Lan Hu， Zheng Hongyan. Feature evaluation and selection of penetration arc sound signal based on neural network[J]. Transactions of the China Welding Institution， 2010， 31(3)： 25-28.

[3] 李亮玉， 陈树君， 殷树言. 基于弧焊温度场正面信息的熔透控制—三维稳定场熔透解析模型及验证[J]. 机械工程学报， 2000， 36(9): 37-41. Li Liangyu， Chen Shujun， Yin Shuyan. Penetration control on top fece information of temperature field in arc welding—a three-dimentional analytical model of temperature field and experiment evaluation[J]. Journal of Mechanical Engineering， 2000， 36(9): 37-41.

[4] 高进强， 武传松， 刘新峰. TIG焊背面熔宽的神经网络模糊控制[J]. 焊接学报， 2001， 22(5)： 5-8. Gao Jinqiang， Wu Chuansong， Liu Xinfeng. Neuro-fuzzy control of back weld width in TIG welding[J]. Transactions of the China Welding Institution， 2001， 22(5)： 5-8.

[5] 毕淑娟， 兰 虎， 刘立君. 基于电弧声信号特征分析MAG焊熔透状态在线检测[J]. 焊接学报， 2010， 31(5)： 17-20. Bi Shujuan， Lan Hu， Liu Lijun. On-line monitoring of penetration status based on characteristic analysis of arc sound signal in MAG welding[J]. Transactions of the China Welding Institution， 2010， 31(5)： 17-20.

[6] 吴松坪. 激光焊接过程熔透状态实时监测与模式分类[D]. 武汉： 华中科技大学， 2006.

收稿日期：2016-04-07

基金项目：国家部委资助项目(5131850117，A2620110005)

中图分类号：TG 409

文献标识码：A

文章编号：0253-360X(2017)03-0049-04

作者简介：杨嘉佳，女，1984年出生，博士研究生. 主要从事铝合金高效焊接方法、焊接过程视觉传感技术等方面的研究工作. 发表论文5篇. Email： [e-mail]

通讯作者：王克鸿，男，教授，博士研究生导师. Email： [e-mail]