基于紅外溫度場(chǎng)的電弧增材制造缺陷在線檢測(cè)方法

肖宇，陳曦，胡建南，張海鷗

(華中科技大學(xué),武漢430074)

0 前言

電弧增材制造具有多層、多道、三維復(fù)雜成形等特征，在成形過程中對(duì)層間冶金質(zhì)量和組織性能有嚴(yán)格的要求。但由于受焊接電流與電弧電壓、行走軌跡與速度、熔積槍高度、送絲速度、保護(hù)氣體流量等因素的影響，熔積層可能會(huì)出現(xiàn)駝峰、流淌、偏移等缺陷，導(dǎo)致熔積層形貌不規(guī)則，熔積層間層易出現(xiàn)氣孔、未熔合等缺陷，最終影響增材制品的尺寸及質(zhì)量。

為了在電弧增材制造過程中即時(shí)對(duì)上述缺陷進(jìn)行處理，保證成形形貌與質(zhì)量，避免完工后檢測(cè)出現(xiàn)廢品，在線缺陷檢測(cè)成為電弧增材制造的核心技術(shù)。對(duì)于熔積層產(chǎn)生的缺陷，現(xiàn)有的檢測(cè)方法一般采用熔積后再檢測(cè)的方法，如X射線無損檢測(cè)、超聲探傷等[1]，但這些方法經(jīng)濟(jì)性差且存在輻射，有安全隱患，需耦合劑，無法在線實(shí)時(shí)檢測(cè)等缺點(diǎn)。而紅外無損檢測(cè)作為一種非接觸的檢測(cè)手段，具有快速、檢測(cè)范圍大、直觀等優(yōu)點(diǎn)，主要分為被動(dòng)式紅外熱像無損檢測(cè)技術(shù)與主動(dòng)式紅外熱像無損檢測(cè)技術(shù)?？赏ㄟ^采集分析熔積過程中的紅外溫度場(chǎng)特征，對(duì)熔積層進(jìn)行在線缺陷檢測(cè)，對(duì)電弧增材制造缺陷的在線檢測(cè)提供了一個(gè)廣泛的可能性[2-7]。

文中采用被動(dòng)式紅外熱像無損檢測(cè)技術(shù)，不對(duì)熔積層加載熱激勵(lì)，僅利用熔積層自身的溫度場(chǎng)變化及分布情況，提取熔積層輪廓特征。采用深度學(xué)習(xí)殘差神經(jīng)網(wǎng)絡(luò)對(duì)熔積過程中的偏移、駝峰、流淌缺陷進(jìn)行在線分類檢測(cè)。根據(jù)檢測(cè)的結(jié)果進(jìn)行現(xiàn)場(chǎng)報(bào)警，并持續(xù)保存診斷日志，便于后續(xù)的銑削、補(bǔ)焊及工藝參數(shù)的優(yōu)化處理，最終保證增材制品的成形質(zhì)量，具有一定的理論和工程應(yīng)用價(jià)值。

1 試驗(yàn)設(shè)備及試驗(yàn)方法

1.1 試驗(yàn)設(shè)備

試驗(yàn)平臺(tái)示意圖如圖1所示。采用LORCH焊機(jī)MIG 脈沖式焊接模式，利用六自由度的機(jī)器人，在直徑為150 mm，厚度為20 mm的基板上進(jìn)行熔積試驗(yàn)。試驗(yàn)過程中使用MAG32系列紅外熱像儀進(jìn)行溫度場(chǎng)的采集，熱像儀探測(cè)器像素?cái)?shù)為384×288，相元尺寸為17 μm，測(cè)溫范圍為-20～1 600 ℃，幀率為50 Hz。

圖1 試驗(yàn)平臺(tái)示意圖

1.2 試驗(yàn)方法

為了模擬實(shí)際生產(chǎn)過程中的熔積層缺陷，進(jìn)行溫度場(chǎng)數(shù)據(jù)采集分析。通過采用不同的熔積工藝參數(shù)，產(chǎn)生不同的熔積層缺陷樣本。其中各試驗(yàn)方案未經(jīng)特殊說明，材料均為碳鋼，熔積長(zhǎng)度150 mm，焊接工藝參數(shù)見表1。

表1 焊接工藝參數(shù)

1.2.1偏移缺陷的紅外監(jiān)測(cè)試驗(yàn)

熔池偏移缺陷是指當(dāng)槍加持偏移，機(jī)構(gòu)不穩(wěn)定，軌跡出現(xiàn)錯(cuò)誤，易產(chǎn)生熔積層位置不對(duì)的偏移缺陷。文中通過設(shè)置不同熔積軌跡使得熔積層中間偏移1～7 mm，熔積速度為300 mm/min的方法，模擬實(shí)際生產(chǎn)中的熔積層偏移缺陷。

1.2.2駝峰缺陷的紅外監(jiān)測(cè)試驗(yàn)

駝峰缺陷是指當(dāng)由于送絲不順暢或熔積速度突然不均勻?qū)е聠蔚雷冋o跟著出現(xiàn)粗大的表面凸起。文中采用在熔積過程中，槍在不同位置停留2 s，其他位置保持熔積速度300 mm/min的方法模擬實(shí)際生產(chǎn)中的熔積層駝峰缺陷。

1.2.3流淌缺陷的紅外監(jiān)測(cè)試驗(yàn)

流淌缺陷是發(fā)生于熔積層較高，由于送絲速度不穩(wěn)定或上一層熔積層溫度過高，導(dǎo)致了本層熔積層的面積大于可堆疊的面積，造成了熔池流淌。文中采用熔積速度300 mm/min堆積多層單道，并在熔積層較高時(shí)，降低熔積的速度為250 mm/min，模仿實(shí)際生產(chǎn)中的熔積層流淌缺陷。

2 熔積層紅外圖像輪廓特征提取

2.1 熔積層紅外圖像提取算法

2.1.1熔積層紅外溫度堆疊圖提取

熔積過程中，典型的熔積層紅外圖像如圖2所示。提取對(duì)應(yīng)的紅外等溫線圖，如圖3所示，等溫線的三維視圖如圖4所示。從圖3可知，熔積層溫度場(chǎng)具有明顯的梯度，熔積最高溫區(qū)域會(huì)有因?yàn)楸Ｗo(hù)氣導(dǎo)致的局部失真[8-9]。熔積層的輪廓雖然能看到，但不夠明顯。起弧位置冷卻較快，也導(dǎo)致了基板與熔積層之間難以區(qū)分，無法較好的提取出正在熔積的熔積層輪廓。

圖2 典型熔積層的紅外圖像

圖3 典型熔積層的紅外等溫線圖

圖4 典型正在堆焊熔積層的紅外等溫線三維圖

為了更好的獲取熔積層的輪廓，文中采用紅外圖像堆疊合成的方法。即每一幀的固定位置，取歷史溫度的最大值的方法，獲取最終的紅外堆疊圖像的等溫線圖如圖5所示，繪制其溫度等溫線的三維視圖如圖6所示，可以清晰的看到熔積層與基板的邊緣，方便提取熔積層的輪廓。

圖5 溫度場(chǎng)堆疊的等溫線圖

2.1.2熔積層紅外輪廓提取

根據(jù)圖6分析，正在熔積的熔積層區(qū)域均大于900 ℃，因此只提取大于900 ℃的區(qū)域，即可得到熔積層的輪廓。將提取到的熔積層區(qū)域顯示為白色，最終獲取的輪廓圖像如圖7a所示。文中只研究單道多層直線熔積層，因此可采用最大外接輪廓法，提取該區(qū)域的最大外接矩形，如圖7b所示。根據(jù)最大外接矩形的角度及位置，進(jìn)行相應(yīng)的旋轉(zhuǎn)矯正截取，得到熔積層輪廓ROI區(qū)域如圖8a所示，與該輪廓對(duì)應(yīng)熔積層的自然圖像圖8b對(duì)比可知，熔積層輪廓提取效果較好，可直觀反應(yīng)熔積層輪廓的變化。

圖6 溫度場(chǎng)堆疊的三維圖

圖7 提取熔積層紅外輪廓及最大外接矩形

圖8 截取矯正的熔積層輪廓ROI區(qū)域

2.2 不同熔積層缺陷紅外圖像輪廓提取分析

2.2.1熔積層偏移紅外輪廓特征分析

根據(jù)熔積層偏移1～7 mm的紅外溫度場(chǎng)，提取熔積層偏移對(duì)應(yīng)的輪廓特征。熔積層偏移1～7 mm缺陷與正常熔積層對(duì)比見表2，熔積層偏移越多，對(duì)應(yīng)熔積層紅外輪廓越歪扭，而正常熔積層紅外輪廓一直保持對(duì)稱均勻，呈一條直線?？赏ㄟ^圖像處理的方法對(duì)熔積層偏移的紅外輪廓圖像進(jìn)行分類檢測(cè)。

2.2.2駝峰缺陷紅外輪廓特征分析

根據(jù)熔積層駝峰缺陷的紅外溫度場(chǎng)，提取熔積層駝峰對(duì)應(yīng)的輪廓特征。駝峰缺陷與正常熔積層對(duì)比見表3，駝峰的輪廓的中部寬度比較大，而其他部位的寬度比較均勻且小于駝峰位置的寬度，與熔積層正常紅外輪廓差異明顯?？赏ㄟ^圖像處理的方法對(duì)熔積層駝峰的紅外輪廓圖像進(jìn)行分類檢測(cè)。

表3 駝峰缺陷與正常熔積層對(duì)比

2.2.3流淌缺陷紅外輪廓特征分析

根據(jù)熔積層流淌缺陷的紅外溫度場(chǎng)，提取熔積層流淌對(duì)應(yīng)的輪廓特征。流淌缺陷與正常熔積層對(duì)比見表4。與正常熔積層對(duì)比，熔積層流淌的輪廓會(huì)出現(xiàn)異常，輪廓極為不均勻，輪廓的邊緣呈現(xiàn)不規(guī)則變化，與熔積層正常紅外輪廓差別明顯。可通過圖像處理的方法對(duì)熔積層流淌的紅外輪廓圖像進(jìn)行分類檢測(cè)。

表4 駝峰缺陷與正常熔積層對(duì)比

3 基于殘差網(wǎng)絡(luò)熔積層紅外輪廓缺陷識(shí)別

3.1 ResNet網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)CNN已被證明在圖像分類上可獲得良好的效果[10-13]。文中采用的是ResNet[14]，ResNet是何凱明于2015年提出，并獲得ILSVRC第一名的網(wǎng)絡(luò)結(jié)構(gòu)。主要優(yōu)點(diǎn)是利用更深層次的網(wǎng)絡(luò)解決訓(xùn)練誤差隨網(wǎng)絡(luò)層數(shù)的增加而增大的問題，減少了模型參數(shù)量，增加檢測(cè)速度。

ResNet關(guān)鍵結(jié)構(gòu)為在網(wǎng)絡(luò)單元基礎(chǔ)上增加了一個(gè)恒等的連接，如圖9所示。圖中H(x)為理想映射，F(xiàn)(x)為殘差映射。通過將擬合目標(biāo)函數(shù)H(x)轉(zhuǎn)變?yōu)閿M合殘差函數(shù)F(x)，把輸出轉(zhuǎn)變?yōu)檩斎牒蛿M合結(jié)果的疊加，使得模型對(duì)輸出H(x)與輸入x之間的微小波動(dòng)更加敏感，最終模型學(xué)習(xí)到更好的特征進(jìn)行分類。

圖9 恒等的連接結(jié)構(gòu)

正常、偏移、駝峰、流淌這4種熔積層的紅外圖像經(jīng)過預(yù)處理提取到的輪廓特征比較明顯，可采用ResNet的方法進(jìn)行分類檢測(cè)。其中熔積層偏移、駝峰、流淌這3種為缺陷。由于數(shù)據(jù)少，而檢測(cè)實(shí)時(shí)性要求較高，因此文中采用了殘差網(wǎng)絡(luò)ResNet18，其網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖 10 所示?？偣灿?7個(gè)卷積，2個(gè)池化層，1個(gè)全連接層。模型的輸入為224×56大小的熔積層輪廓圖片, 第一個(gè)卷積層的參數(shù)是64個(gè)7×7的卷積核，卷積核的步長(zhǎng)為2。剩余卷積層均為3×3的卷積核，其中第6個(gè)、第10個(gè)、第14個(gè)卷積核步長(zhǎng)2，其他卷積核步長(zhǎng)為1。每一個(gè)卷積層之后都設(shè)置BatchNorm層, 以增加模型的泛化能力。激活函數(shù)使用Relu，防止梯度消失。第一個(gè)池化層采用max pool進(jìn)行下采樣，第二個(gè)池化層采用avg pool進(jìn)行下采樣。最后一層為全連接層，將上一層所有神經(jīng)元進(jìn)行連接，輸出k維向量，k為分類的類別數(shù)。文中熔積層紅外輪廓數(shù)據(jù)包括正常、駝峰、流通、偏移4個(gè)類別，故k取4。

圖10 ResNet18網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3.2 數(shù)據(jù)集構(gòu)建

文中通過對(duì)單條熔積層紅外溫度流數(shù)據(jù)提取不同連續(xù)幀堆疊的輪廓結(jié)果，豐富了樣本數(shù)量。經(jīng)過整理，各類別輪廓數(shù)據(jù)見表5，訓(xùn)練集及測(cè)試集比例按照約1∶3進(jìn)行劃分。

表5 4種類別輪廓數(shù)據(jù)集總結(jié)

3.3 CNN網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練及測(cè)試分析

訓(xùn)練模型采用顯存為16 GB 的Ge Force GTX Titan X顯卡，ResNet18采用深度學(xué)習(xí)開源工具PyTorch0.4進(jìn)行搭建，編程語言使用的是Python 3.6，操作系統(tǒng)為ubuntu 16.04。模型訓(xùn)練的初始學(xué)習(xí)率設(shè)置為 0.001，每7次減低0.1倍學(xué)習(xí)率，網(wǎng)絡(luò)訓(xùn)練方式采用批處理隨機(jī)動(dòng)量梯度下降法，momntum取0.9，batch取64。由于樣本數(shù)較少，極易產(chǎn)生過擬合，因此通過L2正則化，Dropout，數(shù)據(jù)增強(qiáng)的方法增加模型泛化能力，減少模型過擬合。其中L2取0.000 01，Dropout層連接在最后一個(gè)平均池化層之前，神經(jīng)元隨機(jī)失活的概率為0.5。數(shù)據(jù)增強(qiáng)采用了隨機(jī)水平垂直翻轉(zhuǎn)，隨機(jī)旋轉(zhuǎn)5°，隨機(jī)剪裁200×56大小的圖像，并重新調(diào)整圖像大小為224×56。

為檢測(cè)ResNet18的性能，文中采用BP神經(jīng)網(wǎng)絡(luò)與之進(jìn)行比較。BP 神經(jīng)網(wǎng)絡(luò)采用常用的4層結(jié)構(gòu)，輸入層為224×56，隱含層取兩層 1 000 個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層節(jié)點(diǎn)為4。網(wǎng)絡(luò)學(xué)習(xí)率設(shè)置為0.001，每7次減低0.1倍學(xué)習(xí)率，批處理隨機(jī)動(dòng)量梯度下降法，momntum取0.9。

圖11為ResNet及 BP 神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)訓(xùn)練過程中的準(zhǔn)確率曲線圖。從圖可知，ResNet在網(wǎng)絡(luò)訓(xùn)練過程中的準(zhǔn)確率和收斂速度均要優(yōu)于 BP 神經(jīng)網(wǎng)絡(luò)。在迭代 10次之后，ResNet的準(zhǔn)確率能達(dá)到99.6%，明顯高于BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率。

圖11 網(wǎng)絡(luò)訓(xùn)練過程中的準(zhǔn)確率

圖12為ResNet和BP 神經(jīng)網(wǎng)絡(luò)在測(cè)試過程中的準(zhǔn)確率曲線圖。從圖中看到，ResNet的準(zhǔn)確率要遠(yuǎn)高于 BP 神經(jīng)網(wǎng)絡(luò)。迭代10次之后，ResNet的準(zhǔn)確率能達(dá)到97.1%，而BP 神經(jīng)網(wǎng)絡(luò)的最高識(shí)別率為79.7%。具有卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及恒等的連接結(jié)構(gòu)的ResNet能更好的提取圖像的局部相關(guān)性，從而提取更能表達(dá)圖像類別的特征，具有教強(qiáng)的泛化特性。而簡(jiǎn)單的全連接BP神經(jīng)網(wǎng)絡(luò)不能很好的提取圖像特征局部相關(guān)性，訓(xùn)練集及測(cè)試集的準(zhǔn)確率都沒有ResNet高。

圖12 網(wǎng)絡(luò)測(cè)試過程中的識(shí)別率

分別采用測(cè)試準(zhǔn)確率為97.16%的ResNet18模型，以及測(cè)試集準(zhǔn)確率為78.70%的BP模型，獲取4種熔積層輪廓類別的準(zhǔn)確率以及召回率見表6。ResNet18的準(zhǔn)確率及召回率較高，指標(biāo)性能均大于BP神經(jīng)網(wǎng)絡(luò)。而熔積層紅外輪廓正常的準(zhǔn)確率相對(duì)其他3種缺陷較高，召回率均為100%，滿足熔積層輪廓缺陷檢測(cè)的準(zhǔn)確性需求。

表6 4種類別輪廓識(shí)別準(zhǔn)確率及召回率

ResNet18模型的識(shí)別 單張熔積層輪廓熔池圖片狀態(tài)僅用時(shí)1.35 ms，能夠滿足熔積層紅外輪廓的在線缺陷實(shí)時(shí)檢測(cè)的要求。通過ResNet18模型在線監(jiān)測(cè)每一條熔積層的形貌，進(jìn)行正常、偏移、駝峰、流淌4種類別的缺陷的檢測(cè)，便于后續(xù)工藝參數(shù)的優(yōu)化控制，保證增材制品的質(zhì)量。

4 結(jié)論

(1)提出一種基于電弧增材制造紅外溫度場(chǎng)進(jìn)行在線缺陷檢測(cè)的方法，將多幀溫度場(chǎng)數(shù)據(jù)堆疊獲取熔積層輪廓?？梢郧逦目吹饺鄯e層正常、偏移、駝峰、流淌的輪廓之間的差別，以便于后續(xù)分類器進(jìn)行熔積層分類診斷。

(2)采用殘差網(wǎng)絡(luò)ResNet18對(duì)4種熔積層紅外輪廓進(jìn)行分類，檢測(cè)熔積層缺陷。經(jīng)過在線缺陷檢測(cè)驗(yàn)證，檢測(cè)分類的準(zhǔn)確率可達(dá)97.16%，單張熔積層輪廓檢測(cè)時(shí)間達(dá)到1.35 ms，滿足實(shí)際工況中實(shí)時(shí)準(zhǔn)確的需求。通過在線檢測(cè)每一條熔積層紅外輪廓缺陷，保證最終增材制品的成形質(zhì)量，具有實(shí)際工程應(yīng)用意義。