BP神經(jīng)網(wǎng)絡(luò)修正熔池紅外圖像焊縫寬度測(cè)量算法

班海燕，陳 劍

（寧夏國(guó)際招標(biāo)有限公司，寧夏銀川750021）

BP神經(jīng)網(wǎng)絡(luò)修正熔池紅外圖像焊縫寬度測(cè)量算法

班海燕，陳 劍

（寧夏國(guó)際招標(biāo)有限公司，寧夏銀川750021）

在激光焊接中，焊縫寬度的實(shí)時(shí)動(dòng)態(tài)變化對(duì)于描述焊接質(zhì)量起著至關(guān)重要的作用。焊縫寬度的準(zhǔn)確測(cè)量有助于理解焊接過(guò)程，獲得焊接質(zhì)量控制模型。針對(duì)大功率光纖激光焊接304型不銹鋼過(guò)程，利用高速攝像機(jī)，獲得清晰的熔池動(dòng)態(tài)紅外圖像。紅外圖像僅僅是熔融焊縫處的熱成像，難以準(zhǔn)確測(cè)量焊縫寬度，必須利用BP神經(jīng)網(wǎng)絡(luò)加以修正，得到實(shí)際焊縫寬度。三組試驗(yàn)結(jié)果表明了BP神經(jīng)網(wǎng)絡(luò)焊縫寬度測(cè)量模型的有效性。

激光焊接；熔池；紅外圖像；焊縫；BP神經(jīng)網(wǎng)絡(luò)

0 前言

激光焊接具有焊接速度快、深寬比大、熱影響區(qū)小等優(yōu)點(diǎn)，已廣泛應(yīng)用于現(xiàn)代工業(yè)[1-2]。在焊接過(guò)程中，焊縫熔寬和熔深是影響焊接質(zhì)量的重要因素，保證焊接質(zhì)量的前提是控制系統(tǒng)準(zhǔn)確地獲取焊縫信息。通過(guò)機(jī)器視覺獲得熔池的寬度，根據(jù)焊縫的形狀判斷焊點(diǎn)質(zhì)量，已經(jīng)獲得了廣泛的應(yīng)用[3-4]。

采用紅外攝像得到基于溫度場(chǎng)測(cè)量的熔池紅外圖像，焊縫寬度測(cè)量最重要的步驟是從焊接圖像中分割出熔池，熔池分割的準(zhǔn)確性在于閾值的精確計(jì)算，但是在金屬處于熔化的高溫下焊縫與周邊非熔化區(qū)的溫度比較接近，很難找到合適的閾值測(cè)量焊縫寬度。本研究通過(guò)圖像處理技術(shù)處理熔池紅外熱圖像，再使用BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)地修正焊縫測(cè)量值，得到焊縫的真實(shí)寬度。多組激光實(shí)驗(yàn)結(jié)果證明，在不同的閾值下，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的紅外焊縫寬度識(shí)別系統(tǒng)能夠?qū)崟r(shí)準(zhǔn)確地測(cè)量焊縫寬度，能夠真實(shí)地反映焊接狀態(tài)。

1 試驗(yàn)設(shè)備

如圖1所示，焊接試驗(yàn)裝置中攝像機(jī)和激光頭剛性連接，在激光頭前上方傾斜安裝攝像機(jī)。焊接條件如表1所示。

圖1 試驗(yàn)裝置示意Fig.1Schematic diagram of experiment setup

表1 焊接試驗(yàn)條件Tab.1Welding conditions

2 熔池圖像處理過(guò)程

2.1 熔池圖像獲取

焊接過(guò)程中熔池紅外輻射主要出現(xiàn)在兩個(gè)波段：600 nm及略低于1 000 nm[5]。經(jīng)過(guò)試驗(yàn)，濾除波長(zhǎng)為900～1 000 nm以外的光譜頻帶。使用高速攝相機(jī)采集焊縫圖像。圖2是高速攝像機(jī)所捕獲的熔池動(dòng)態(tài)圖像，每一幀圖像大小是512 pixel×512 pixel，可以看出熔池特征十分突出，匙孔、熔池和飛濺等特征非常清晰。

圖2 熔池動(dòng)態(tài)紅外圖像Fig.2Molten pool dynamic infrared image

2.2 焊縫寬度計(jì)算

紅外相機(jī)共拍攝約3 000幀熔池圖像。圖3a是熔池的熱成像圖像，為灰度圖像，匙孔在中間高亮區(qū)域，激光束從匙孔中心射入，將金屬汽化。圖3b是熔池?zé)岢上駡D像反轉(zhuǎn)片，金屬蒸汽噴發(fā)帶出的熔融金屬飛濺分布在熔池兩側(cè)及上方。熔池在匙孔后部的灰色區(qū)域。因?yàn)榛」飧蓴_和飛濺等噪聲的影響，要從如圖3b熔池的灰度反轉(zhuǎn)圖上分割出一個(gè)比較清晰的熔池邊緣是比較困難的。

圖3 高速攝像機(jī)捕獲的第1 500幅圖像Fig.3The 1 500th images by a high-speed camera

在金屬處于熔化的高溫下，熔池與周邊非熔化區(qū)的溫度比較接近，而在匙孔中心，圖像高亮處周邊有較多金屬飛濺，為了得到真實(shí)的焊縫寬度。對(duì)匙

孔上部特定的熔池矩形區(qū)進(jìn)行截取處理，獲得感興趣區(qū)域。如圖4所示，線段AB的長(zhǎng)度就是熔池寬度。

圖4 第1 000幅圖像Fig.4The 1 000th image

判斷焊縫寬度最重要的是準(zhǔn)確獲取熔池。從焊縫圖像中準(zhǔn)確地分割熔池線在于閾值的精確計(jì)算，但是在實(shí)際焊接條件下，無(wú)法成行。選取圖像序列的前、中、后三幀圖像，分別選取閾值為0.25、0.35、0.45。熔池分割圖像如圖5所示，不同的閾值導(dǎo)致劃分出的熔池寬度差別較大。

圖5 0.25 s，0.35 s和0.45 s時(shí)的熔池分割效果Fig.5Molten pool under difference threshold

紅外攝像中成像的弱識(shí)別性、熔池的熱傳導(dǎo)非均勻性以及激光焊機(jī)平臺(tái)的系統(tǒng)噪聲，導(dǎo)致焊縫測(cè)量誤差難以準(zhǔn)確量度。只有通過(guò)神經(jīng)網(wǎng)絡(luò)，首先控制系統(tǒng)輸入，再觀察系統(tǒng)輸出的反應(yīng)來(lái)獲得焊縫識(shí)別的規(guī)律。使用神經(jīng)網(wǎng)絡(luò)能夠減少噪聲影響，修正焊縫測(cè)量數(shù)據(jù)，從而獲得更為精確的焊縫寬度。

焊縫寬度識(shí)別過(guò)程采用BP神經(jīng)網(wǎng)絡(luò)，它是一種多層前饋神經(jīng)網(wǎng)絡(luò)，焊縫寬度識(shí)別過(guò)程預(yù)測(cè)就是將采集的焊縫熔池圖像序列提取焊縫特征，構(gòu)成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，通過(guò)訓(xùn)練確定BP網(wǎng)絡(luò)相關(guān)，并用該模型修正焊縫寬度參數(shù)。輸入向量X由分割熔池的閾值以及圖4分割出的感興趣區(qū)域的上邊緣熔寬、下邊緣熔寬和中間熔池寬度共4個(gè)量構(gòu)成，期望輸出Y為實(shí)際的焊縫寬度，即正確的焊縫寬度。

由訓(xùn)練樣本和測(cè)試樣本可知網(wǎng)絡(luò)輸入層有4個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元。采用一個(gè)隱含層，隱含層神經(jīng)元個(gè)數(shù)對(duì)預(yù)測(cè)精度有較大影響。神經(jīng)元個(gè)數(shù)太少，網(wǎng)絡(luò)不能精確逼近訓(xùn)練樣本；神經(jīng)元個(gè)數(shù)太多，訓(xùn)練時(shí)間增加，網(wǎng)絡(luò)容易過(guò)擬合。隱含層神經(jīng)元數(shù)值根據(jù)公式[6]

式中n為輸入層節(jié)點(diǎn)數(shù)；s為隱含層節(jié)點(diǎn)數(shù)[6]。從而計(jì)算出焊縫寬度BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元s=3。

焊縫識(shí)別BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，輸入層n=4，隱含層s=3，輸出層m=1。輸入層與隱含層的權(quán)為W，維數(shù)為n×s，閾值為θ1，維數(shù)為s×1；隱含層與輸出層的權(quán)為W′，維數(shù)為s×m，閾值為θ2，維數(shù)為m×1。神經(jīng)網(wǎng)絡(luò)正向傳輸?shù)挠?jì)算過(guò)程如下

隱含層的輸出為

輸出層的輸出為

式中f1為隱含層的非線性傳遞函數(shù)，f1采用Sigmoid函數(shù)為輸出層的線性傳遞函數(shù)，采用Purlin函數(shù)。使用Levenberg-Marquardt誤差反向傳播算法[7]調(diào)整連接權(quán)值，系統(tǒng)對(duì)P個(gè)樣本的總誤差準(zhǔn)則為

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.6BP neural network structure

式中Yi是網(wǎng)絡(luò)輸出期望值；Yi′是網(wǎng)絡(luò)輸出實(shí)際值向量；P是樣本數(shù)量；w是網(wǎng)絡(luò)權(quán)值和閾值；ei（w）是誤差。

熔池紅外圖像共3 000幀，采用閾值為0.2、0.3、0.4進(jìn)行熔池分割獲得3組8 700個(gè)數(shù)據(jù)，以全部實(shí)驗(yàn)數(shù)據(jù)的60％作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，為方便與實(shí)際焊縫進(jìn)行對(duì)比，以完整的一組實(shí)驗(yàn)數(shù)據(jù)作為測(cè)試集，共測(cè)試3組神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)，圖7是不同閾值下神經(jīng)網(wǎng)絡(luò)修正焊縫值的比較圖像，神經(jīng)網(wǎng)絡(luò)修正測(cè)量值逼近實(shí)際焊縫，誤差極小。

圖7 不同閾值下BP神經(jīng)網(wǎng)絡(luò)測(cè)量焊縫Fig.7Weld width with BP under difference threshold

在激光焊接中，由于激光束能量保持恒定輸出，熔池寬度應(yīng)該保持平穩(wěn)，但是從熔池照片看，由于匙孔處的飛濺以及金屬蒸汽的影響導(dǎo)致熔池區(qū)域亮度突然增加或減少，采用固定閾值的熔池紅外圖像分割算法會(huì)出現(xiàn)失誤，BP神經(jīng)網(wǎng)絡(luò)獲得的焊縫寬度在個(gè)別點(diǎn)處不正常的低。在圖7中，很窄的地方稱之為熔透，該處焊縫寬度非常細(xì)，并且從焊縫背面圖片可以看到，熔融金屬已經(jīng)漏出背面，激光能量大部分從此處穿出，因此熔池寬度較小。不同的閾值分割出的熔池通過(guò)BP算法后得到的熔池寬度基本能匹配焊縫實(shí)際寬度，在融透處都出現(xiàn)了明顯的下降。而且在焊接進(jìn)入平穩(wěn)狀態(tài)后，焊縫寬度理論上應(yīng)該保持不變，大部分點(diǎn)呈現(xiàn)水平直線。原始焊縫照片由于存在氧化變黑情況，憑肉眼獲得的焊縫寬度波動(dòng)起伏較大，不能反應(yīng)實(shí)時(shí)焊接的真實(shí)狀況。因此，神經(jīng)網(wǎng)絡(luò)算法修正熔池獲得焊縫寬度實(shí)時(shí)有效。

3 試驗(yàn)結(jié)果分析

為檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)測(cè)量熔池寬度算法的有效性，根據(jù)圖7的三個(gè)實(shí)驗(yàn)選取誤差絕對(duì)值與平均絕對(duì)誤差來(lái)度量算法的準(zhǔn)確性。誤差模型定義為

式中γi為熔池寬度測(cè)量值；ηi為焊縫實(shí)際寬度。如表2所示，BP神經(jīng)網(wǎng)絡(luò)測(cè)量得到的焊縫寬度的誤差與焊縫寬度相比非常小，其相對(duì)誤差平均值不到10％，且根方差不到1，系統(tǒng)非常穩(wěn)定。熔池紅外圖像測(cè)量焊縫寬度在使用BP神經(jīng)網(wǎng)絡(luò)修正后既穩(wěn)定，精度又高。由表2可知，BP神經(jīng)網(wǎng)絡(luò)焊縫熔池紅外視覺系統(tǒng)輸出的焊縫偏差預(yù)測(cè)值與偏差實(shí)測(cè)值誤差很小，系統(tǒng)可以應(yīng)用于實(shí)際焊接。

4 結(jié)論

利用BP神經(jīng)網(wǎng)絡(luò)修正熔池紅外圖像提取熔池寬度，克服在金屬熔融區(qū)熔池與周邊非熔化區(qū)的溫度比較接近、熱成像圖像中熔池難以精確劃分的缺點(diǎn)，使用BP神經(jīng)網(wǎng)絡(luò)能夠避免閾值的求解，自動(dòng)獲得更為精確的焊縫寬度。在自動(dòng)焊接控制系統(tǒng)中，能夠?qū)崟r(shí)判斷焊接質(zhì)量，對(duì)于機(jī)器視覺在焊接中的應(yīng)用具有理論和指導(dǎo)意義。

[1]Xi ZL，Guo PT，Xue YY，et al.Investigation of the plasma bursting process in short pulsed laser induced film damage [J].ACTA Phys.SIN-CH ED，2010（59）：3523-3530.

[2]Magnus R，Christine M，Wilhelm P.Laser micro-welding of aluminum alloys experimental studies and numerical modeling[J].Int J Adv Manuf Tech，2010（50）：207-215.

[3]Gao XD，You DY，Katayama S.Infrared image recognition for seam tracking monitoring during fiber laser welding[J]. MECHATRONICS，2012，22（4）：370-380.

[4]Kovacevic R，Zhang Y M.Proceedings of the International Conference on Modeling and Control of Joining Processes [J].Orlando，F(xiàn)lorida，USA，1999（12）：14-17.

[5]DeWitt.Incropera 2006 Fundamentals of heat and mass transfer[C].New York:John Wiley&Sons：134-146.

[6]黃健康，張剛，石玗.基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的鋁合金脈沖MIG焊接過(guò)程解耦控制分析[J].焊接學(xué)報(bào)，2013，34（9）：43-47.

[7]Yang J G.Course of Artificial Neural Network[M].Hangzhou：Zhejiang University Press，2001.

Weld width measurement algorithm based on molten pool infrared image BP neural network

BAN Haiyan，CHEN Jian
（Ningxia International Tendering Co.，Ltd.，Yinchuan 750021，China）

It has been well recognized that weld pool geometry plays a critical role in fusion welding process such as laser welding. Studying the relationship between weld width and molten pool width potentially can help understand welding process and get the quality control model.For high power fiber laser welding process of type 304 stainless steel，using high-speed cameras to get clear pool dynamic infrared images.Under high temperature molten pool and non-melting zone is close and difficult to identify.By using BP neural network algorithm the problem has been solved.Three groups of test results indicate the effectiveness of the BP neural network of weld width measurement model.

laser welding；molten pool；infrared image；weld；BP neural network

TG456.7

A

1001－2303（2016）07－0017-05

10.7512/j.issn.1001-2303.2016.07.05

2015-06-06

班海燕（1973—），女，寧夏銀川人，博士，工程師，主要從事焊接自動(dòng)化及質(zhì)量檢測(cè)方面的研究。