激光誘導(dǎo)擊穿光譜鋁合金在線分類識別系統(tǒng)研究

劉 佳，沈?qū)W靜,，徐 鵬，崔飛鵬，史孝俠，李曉鵬, 王海舟*

1. 鋼鐵研究總院，北京 100081 2. 鋼研納克檢測技術(shù)股份有限公司，北京 100094

引 言

鋁合金材料是工業(yè)中應(yīng)用最廣泛的一類有色金屬材料，已在交通運輸、機械制造、電子電器、建筑行業(yè)等工業(yè)領(lǐng)域大量應(yīng)用，使用量僅次于鋼鐵材料。 隨著各類鋁產(chǎn)品使用周期的到來，對廢舊鋁合金的循環(huán)利用顯得尤為重要，再生鋁工業(yè)對緩解資源壓力和節(jié)能環(huán)保都有很大貢獻[1]。

由于廢舊鋁合金種類多、成分混雜且形狀各異，難以高效分類回收。 目前的再生鋁產(chǎn)品以鑄造鋁錠為主，導(dǎo)致大量的優(yōu)質(zhì)鋁合金降級使用，造成巨大浪費。 因此，高效、準(zhǔn)確、連續(xù)自動化的實現(xiàn)對鋁合金分類重熔再生，對于再生鋁產(chǎn)品的質(zhì)量和經(jīng)濟效益具有重要的意義[2]。

目前廢料常用的分類檢測方法有： 顏色分離、X射線熒光光譜法(XRF)以及發(fā)射光譜法(OES)等，其中，顏色分離技術(shù)對金屬細分適用性有限且需要特殊光源支持，受樣品狀態(tài)及外界影響較大； 手持式XRF合金分析儀需人工操作效率低且熒光光譜儀對樣品表面要求高、對輕金屬檢測能力有限； 移動式發(fā)射光譜(OES)需樣品前處理以及氣體保護，現(xiàn)場檢測效率不高。 因此，需要高效、快速、連續(xù)自動化的技術(shù)手段實現(xiàn)對大量廢料的分類。

近年來，激光誘導(dǎo)擊穿光譜(LIBS)技術(shù)憑借其原位、在線、快速、全元素分析的優(yōu)勢，以及其他分析方法所不能及的寬范圍的檢測距離[3]，使其在快速分類分析領(lǐng)域成為研究熱點，結(jié)合化學(xué)計量學(xué)以及機器學(xué)習(xí)領(lǐng)域相關(guān)算法，開展了基于鋼鐵、地質(zhì)、塑料、食品等眾多領(lǐng)域的分類研究。 Aberkane等[4]通過ANN，KNN以及SVM算法實現(xiàn)了對不同鋅合金的分類，結(jié)果表明SVM對鋅合金LIBS光譜有較好的分類結(jié)果。 周中寒等[5]應(yīng)用光纖激光器LIBS技術(shù)，結(jié)合支持向量機(SVM)和主成分分析(PCA)算法，對2 000個脈沖累計LIBS信號實現(xiàn)鋁合金分類準(zhǔn)確率99.83%。 劉可等[6]應(yīng)用偏最小二乘(PLS)算法，對20個脈沖累計LIBS信號實現(xiàn)11種塑料樣品分類準(zhǔn)確率100%。 柯梽全等[7]通過因子分析和BP神經(jīng)網(wǎng)絡(luò)算法，對10個脈沖累計LIBS信號實現(xiàn)9種巖性分類準(zhǔn)確率98.89%。 以上的研究都基于LIBS技術(shù)結(jié)合不同機器學(xué)習(xí)算法在分類問題上取得了不錯的結(jié)果，但研究大都基于靜態(tài)測試，待測物置于最優(yōu)激發(fā)位置，識別通過多個激光信號的累計獲得較好的分類精度。 而實際合金廢料形狀各異，要實現(xiàn)高效、連續(xù)、自動準(zhǔn)確檢測，則樣品基于測試位置是動態(tài)的且時間短暫，這些都對識別分類提出挑戰(zhàn)。

本文基于激光誘導(dǎo)擊穿光譜技術(shù)，針對運動物體進行快速圖像識別定位，基于概率密度思想，研究了單脈沖LIBS鋁合金光譜信號的多維高斯概率分布模式判別方法，實現(xiàn)了對三類鋁合金的快速分類檢測。 此研究可自適應(yīng)檢測不同形狀的2xxx系、7xxx系和A356三個系列鋁合金樣品，識別正確率較高，速度較快。 研究結(jié)果為自動廢料分揀系統(tǒng)的建立提供了理論和技術(shù)實現(xiàn)基礎(chǔ)。

1 實驗部分

1.1 樣品

航空航天使用的鋁合金含有大量回收價值較高的合金元素，以2xxx系列和7xxx系列鋁合金為主，質(zhì)量占飛機主要零部件的75%以上，因此，本文針對2xxx系、7xxx系和A356三個不同系列的鋁合金進行分類研究。 實驗采用含量范圍涵蓋三個系列的鋁合金標(biāo)準(zhǔn)樣品共39塊(西南鋁業(yè)有限責(zé)任公司)，實際樣品10塊。 實驗樣品形狀各異，且測試面高度差最大為3 cm。 如圖1所示。

圖1 鋁合金樣品(a)： 鋁合金標(biāo)準(zhǔn)樣品； (b)： 鋁合金實際樣品Fig.1 Sample of aluminum alloy(a)： Aluminum alloy standard sample； (b)： Actual sample of aluminum alloy

1.2 儀器及參數(shù)

本研究采用自主搭建的LIBS自動分類檢測系統(tǒng)(Sorting-LIBS)，如圖2所示。 系統(tǒng)由樣品自動傳動單元，樣品圖像識別定位單元，LIBS檢測單元以及系統(tǒng)軟硬件控制單元組成。 系統(tǒng)在大氣環(huán)境下工作，其中樣品隨傳送單位運動，傳送速度1.2 m·s-1； 樣品圖像識別單元采用CMOS相機對物料傳送區(qū)域進行成像采集，PC通過算法分析樣品位置信息并將其傳送給硬件控制單元，使其對樣品進行準(zhǔn)確的檢測控制； LIBS檢測單元主要由脈沖激光(Quantel CFR200，波長1 064 nm，頻率10 Hz)經(jīng)過透鏡聚焦在傳動的樣品表面，光譜采用同軸取光方式通過收集透鏡耦合到光纖光譜儀，光譜探測范圍200～490 nm; 激光的激發(fā)和光譜儀的采集均由同步觸發(fā)控制單元控制，PC對光譜進行采集分類分析。

圖2 Sorting-LIBS系統(tǒng)原理圖Fig.2 Schematic diagram of Sorting-LIBS system

實驗針對運動中的待測物進行分類檢測。 為得到最優(yōu)LIBS信噪比，對系統(tǒng)進行參數(shù)優(yōu)化，實驗選擇LIBS信號采集延時的時間為1.7 μs，光譜儀的光譜探測時間為10 ms。 同時，為了滿足實際應(yīng)用過程中高效、連續(xù)的自動化檢測的需求，實驗對快速運動待測物進行單脈沖分類測試。 實驗不受樣品表面氧化層、不平整度的影響，如圖1(a)為實際測試過程中的樣品狀態(tài)。

2 結(jié)果與討論

2.1 運動物體識別定位

物料的識別定位檢測的精度直接影響了系統(tǒng)對于檢測物料尺寸的限制，而整個過程又受到傳送速度穩(wěn)定性，系統(tǒng)軟硬件數(shù)據(jù)傳輸延時等多方面因素影響，因此為保證激光有效準(zhǔn)確聚焦在運動樣品表面，本研究設(shè)計實現(xiàn)了連續(xù)圖像識別定位方法。

系統(tǒng)采用COMS相機對物料傳送區(qū)進行成像監(jiān)控，成像視野為100 mm×80 mm，物料傳送速度為1.2 m·s-1。 系統(tǒng)通過軟件實時捕獲相機圖像，對圖像中物料進行識別跟蹤，通過像場與物場的映射，運算得到該物料進入檢測位置的時刻Ttest，從而進入系統(tǒng)檢測序列。 系統(tǒng)對于一幀圖像曝光時間為20 ms，物料圖像識別定位速度為18 ms。 圖3(a)為系統(tǒng)對于傳動中的物料經(jīng)過圖像監(jiān)測區(qū)的連續(xù)跟蹤識別過程的圖像，圖像采集幀頻為50幀·s-1。 完成對物料的識別定位后，系統(tǒng)控制軟件將進入檢測序列的待檢測任務(wù)信息傳送給硬件控制系統(tǒng)，并由其完成對LIBS系統(tǒng)的激發(fā)和光譜收集的同步控制。

為了方便對系統(tǒng)重復(fù)定位檢測精度測試，在傳送裝置上固定了一個標(biāo)志物作為模擬物料，保證其每次進入圖像視場的一致性，運動過程中連續(xù)識別測試100次，結(jié)果如圖4所示，LIBS沿傳送方向激發(fā)區(qū)域的離散不大于25 mm，即為該系統(tǒng)可檢測物料的極限最小尺寸，系統(tǒng)定位激光激發(fā)控制的時間抖動偏差小于20.83 ms。

圖3 傳動物料的快速識別定位(a)： 物料連續(xù)跟蹤識別定位圖像； (b)： 識別定位算法流程Fig.3 Fast identification and locationof transmission materials(a)： Material continuous tracking identification location image； (b)： Identification and positioning algorithm flow

圖4 系統(tǒng)識別檢測精度測試Fig.4 System identification and detection accuracy test

2.2 特征變量選擇及譜線優(yōu)化

系統(tǒng)中LIBS檢測單元可探測200～490 nm范圍的譜線信息，原始光譜譜線復(fù)雜且數(shù)據(jù)維度較高，其中有大量冗余信息，因此，原始特征中獲取有效特征最大化降低維度，可有效提高分類識別算法的性能，提高檢測效率。

本文通過特征選擇的方式，結(jié)合三類鋁合金的元素成分信息，篩選出成分有梯度差異的元素Cu，Zn，Mg和Si作為特征元素，既而在原始全譜譜圖中提取特征元素對應(yīng)的分析譜線構(gòu)建特征變量，特征變量保持了其原始特征的物理意義，有效減少計算量及分類模型復(fù)雜度。

鋁合金樣品的LIBS光譜信息復(fù)雜，圖5是2xxx, 7xxx, A356三個系列鋁合金的全譜譜圖。 因此，實驗依據(jù)譜峰清晰、相對獨立無干擾、信噪比較高且穩(wěn)定性較好的原則，優(yōu)化篩選出特征元素分析譜線： Cu 327.4 nm, Si 288.1 nm, Mg 488.1 nm和Zn 481.1 nm。 同時，為了降低系統(tǒng)波動，提高檢測精度，篩選了鋁元素的特征譜線396.1 nm作為參考譜線。 圖6是隨機選取三個系列標(biāo)樣各3塊，每塊樣品隨機測試5個點，總共動態(tài)測試45個點，通過四條特征譜線的歸一化強度比對，可以看到，構(gòu)造的特征變量由于樣品高低的變化、單脈沖測試等原因?qū)е滦盘柌▌虞^大，但不同系列鋁合金樣品中不同元素的差異被有效區(qū)分且趨勢與成分差異一致，因此，特征變量較好的表征了不同系列鋁合金的特點。

圖5 三個系列鋁合金LIBS全譜譜徒Fig.5 LIBS full spectrum of three seriesof aluminum alloy

2.3 基于概率密度分布的鋁合金分類分析

本文基于概率密度分布函數(shù)的方法，通過三個系列鋁合金樣本的訓(xùn)練集，利用特征變量來構(gòu)建三個系列鋁合金的多維高斯分布分類判別函數(shù)，以此來估計不同系列的概率密度分布情況，概率最大的系列即為分類結(jié)果。 相對于現(xiàn)在熱點的基于邊界決策的支持向量機(SVM)的分類方法，概率密度的方法針對核函數(shù)直接建模，建模效率高，對于特征數(shù)據(jù)維數(shù)較低且樣本數(shù)據(jù)集較多的分類應(yīng)用，可很好的估計分布特征，達到較好的分類精度。

實驗選擇覆蓋三個系列鋁合金元素含量的梯度標(biāo)準(zhǔn)樣品20塊作為模型訓(xùn)練樣品，其余19塊標(biāo)準(zhǔn)樣品和10塊實際樣品作為系統(tǒng)測試樣品。 訓(xùn)練集每一塊樣品隨機動態(tài)測試，共采集4 068張LIBS光譜譜圖，分別用特征變量的譜線強度和歸一化強度建立分類模型，比對了兩種情況下，模型對于訓(xùn)練集數(shù)據(jù)的預(yù)測能力，結(jié)果如圖7所示，圖中“○”代表數(shù)據(jù)對應(yīng)的鋁合金真實類別，“×”代表模型預(yù)測的類別，結(jié)果表明，特征譜線強度模型預(yù)測準(zhǔn)確率僅為76.2%，而特征譜線歸一化強度模型預(yù)測準(zhǔn)確率可達到99.8%，利用基體元素特征譜線進行特征變量強度歸一化，顯著提升了由于樣品差異及系統(tǒng)波動對分類準(zhǔn)確率帶來的影響。 同時，選擇強度歸一化概率分類模型，對29塊測試樣品進行動態(tài)長期測試，統(tǒng)計了38 357個分類測試結(jié)果并與SVM分類方法的結(jié)果進行了比對，結(jié)果見表1，與SVM算法相比，多維高斯概率分布分類判斷方法的預(yù)測準(zhǔn)確率與SVM相當(dāng)，平均建模時間提高了一個數(shù)量級，分類預(yù)測具有較好的泛化能力，大大縮短了建模時間，提高了檢測效率。

圖6 三個系列鋁合金特征譜線LIBS信號Fig.6 LIBS signals of three series of aluminum alloy characteristic lines

圖7 不同特征變量模型預(yù)測訓(xùn)練集準(zhǔn)確率比對(a)： Gaussian強度歸一訓(xùn)練集； (b)： Gaussian強度訓(xùn)練集Fig.7 Comparison of the accuracy of different characteristic variable models in predicting training set(a)： Gaussian intensity normalization training set; (b)： Gaussian intensity training set

表1 分類模型性能比對Table 1 Classification model performance comparison

3 結(jié) 論

基于激光誘導(dǎo)擊穿光譜技術(shù)，搭建自動化分類檢測實驗平臺，設(shè)計基于圖像的物料識別定位方法，實現(xiàn)了1.2 m·s-1傳送過程中物料的識別定位時間為18 ms，可有效激發(fā)物料最小尺寸為25 mm； 運用概率密度分布方法，建立2xxx, 7xxx和A356三個系列鋁合金的多維高斯概率密度分布，實現(xiàn)了三個系列鋁合金的快速高精度分類，平均預(yù)測的分類識別準(zhǔn)確率可達到99.15%，平均建模時間僅為7 ms。 實驗結(jié)果表明，運用激光誘導(dǎo)擊穿光譜可實現(xiàn)對于鋁合金樣品分類的高速、連續(xù)、自動化測試，有助于大量廢舊金屬的高性能分類在線檢測回收。

致謝：波音公司、中國商用飛機有限責(zé)任公司對本項目提供了資金支持，特此表示感謝！