基于機器學習的超薄板焊接接頭微尺度信息檢測和識別

潘雪航， 何建萍

（上海工程技術大學 材料科學與工程學院， 上海 201620）

0 引 言

100 μm 及以下板厚的超薄板由于其極薄的特征［1］，對焊接熱輸入非常敏感。 在超薄板焊接過程中，焊接接頭處任意一個細小的毛刺、微尺度的剪切不齊所引起的接頭間隙細微變化或直線度細微變化都會造成燒穿［2］、未焊透或成形質量不一致等焊接缺陷，這就要求對焊接接頭處的這些細小毛刺和細微變化進行精確的檢測和識別，以此作為精細實時調節(jié)焊槍位置和焊接熱輸入的依據。

高分辨率的視覺傳感器，是檢測100 μm 及以下板厚的超薄板焊接的接頭細小毛刺和細微變化的最直接方法，對所獲取的焊接接頭圖像進行閾值分割是圖像處理的關鍵一環(huán)［3］。 閾值分割的方法主要有：直方圖閾值分割、熵的閾值分割、聚類閾值分割等。 傳統(tǒng)的直方圖閾值分割方法由于其自身的局限性，已經漸漸淡出了人們的視野，如最頻法、直方圖凹面分析法等［4］；熵的閾值分割方法是最簡單也是最常用的一種圖像分割方法［5］，但對接頭圖像噪聲要求較為嚴格，需進行平滑后再分割［6］；聚類閾值分割方法包括：K-means 聚類分割、模糊C-均值聚類分割等。 其中，K-means 聚類分割是一種比較成熟的聚類分析方法，在圖像分割中應用廣泛［7］。

本文在研究搭建了超薄板焊接接頭細小毛刺和細微變化的視覺傳感檢測系統(tǒng)的基礎上，通過以太網的焊接接頭圖像信息傳輸，在主控平臺上進行不同次數的深度學習，直至損失函數收斂，實現精確K-means聚類分割，分離出對接接頭形態(tài)后，填平小連通區(qū)域，用Canny 邊緣算子提取100 μm 厚超薄板焊接的無間隙對接接頭形貌，進一步識別接頭處的細小毛刺和間隙的細微變化或直線度的細微變化；并遍歷了機器學習分割的焊接接頭圖像素點，沿焊接方向提取焊接接頭間隙寬度的變化和間隙中心位置的偏移，可作為調節(jié)焊接熱輸入和焊槍對中的前提。

1 超薄板焊接接頭檢測與識別系統(tǒng)

基于視覺傳感的100 μm 厚超薄板焊接接頭的檢測系統(tǒng)架構如圖1 所示，主要由DALSA 相機、DALSA 相機的供電電源、精密縱縫焊機行走機構和PC 端組成。 其中，相機供電電源為DALSA 相機提供12-30 V 的電源輸入；DALSA 相機通過支架與焊槍連接在一起，并被安裝在焊槍的前端，可以對超薄板的對接接頭進行實時拍攝；精密縱縫焊機行走機構拖動DALSA 相機和焊槍沿焊接方向移動；供電后的DALSA 相機實時地將獲取的焊接接頭圖像信息從LAN 接口通過以太網線傳輸給PC 端；PC 端在主控平臺Microsoft Visual Studio 上，對獲取的焊接接頭圖像進行圖像處理，提取和識別焊接接頭處的細小毛刺和間隙的細微變化或直線度的細微變化。

圖1 超薄板焊接接頭檢測識別系統(tǒng)Fig.1 Detection and recognition system of welded joints in ultrathin plates welding

試驗對象為100 μm 厚304 不銹鋼超薄板焊接接頭圖像的像素點信息，通過無監(jiān)督機器學習對焊接接頭圖像的像素點進行K-means 聚類，分離出焊接接頭形態(tài)，獲得焊接接頭間隙寬度和間隙中心位置偏移量。 超薄板焊接接頭檢測識別系統(tǒng)架構如圖1 所示。

2 K-means 聚類分析

2.1 K-means 聚類模型特征

K-means 聚類屬于無監(jiān)督的機器學習［8］，三維坐標系的X、Y、Z軸分別代表焊接接頭圖像像素點的R、G、B 三通道，焊接接頭圖像像素點用三維坐標系的位置對應，聚類過程如下：

（1）隨機分配k個初始分類中心后，將每個像素點分配到距離最近的質心；

（2）取像素點位置的平均值，更新集群質心，再次分配像素點和求取像素點位置的平均值進行迭代，迭代次數滿足要求的標準是損失函數收斂［9］。

損失函數［10］數學模型為

其中，C表示質心所屬的簇；μ表示質心；m表示像素點個數；x（i）代表第i個像素點；c（i）表示x（i）所屬的簇；μc（i）表示簇c（i）對應的質心；損失函數單調減小至最小值后符合收斂條件。

2.2 K-means 聚類數據

試驗用K-means 聚類模型進行閾值分割，分離出100 μm 厚304 不銹鋼超薄板焊對接接頭形貌，識別出接頭處的細小毛刺和間隙的細微變化或直線度的細微變化等各種情況。 表1 為用機器學習識別焊接接頭的4 種不同情況。

表1 機器學習識別的4 種焊接接頭情況Tab.1 Four types of welds need to be identified with machine learning

k是K-means 聚類的重要參數［11］之一，由于試驗要將母材和焊接接頭區(qū)分開來，故焊接接頭圖像中像素點的分類數量k指定為2，此時聚類結果用純黑色（R ＝G ＝B ＝0） 和純白色（R ＝G ＝B ＝255）進行標記。

試驗中視覺傳感拍攝到的焊接接頭圖像為R、G、B三通道圖像，且圖像中每一個像素點的R、G、B值相等，整個焊接接頭圖像呈現灰色。 圖2 為焊接接頭圖像像素點在RGB 坐標上的位置。 其中，圖2（a）-圖2（h）分別與表1 中焊接接頭圖像a-圖像h對應。 表1 中，圖像a-圖像f 所示的焊接接頭形態(tài)較為清晰，黑白分明，圖像像素點分布相似，RGB 值的跨度比較大；圖像g 獲取時的視覺傳感檢測受光線影響大，清晰度差，個別地方曝光過度，使R、G、B值變大，直線R、G、B向頂點（255，255，255）延伸；圖像h 較暗，分辨率差，對應于圖2（h）的R、G、B值較為集中且偏低。 試驗通過對圖2 各像素點在RGB坐標軸上的空間位置進行聚類，經過一定次數的機器學習，分離出焊接接頭形態(tài)并進行結果標記。

將像素點的灰度值聚類用于圖像分割，當PC端處理器為core i5-7200u，內存為8 192 MB RAM時，隨機初始質心，聚類結果標記相同情況下對像素點R、G、B值聚類深度學習1～100 次所用時間為3 s左右；對像素點灰度值聚類學習1 ～100 次所用的時間為15 s 左右。 與本試驗中的像素點灰度值進行聚類相比，直接對像素點在RGB 坐標軸上距離進行聚類，可以省去將R、G、B圖像轉化為單通道灰度圖像的預處理步驟，縮短了焊接接頭的檢測和識別時間，確保焊槍對中和焊接熱輸入的精確實時調節(jié)。

3 焊接接頭微尺度識別和特征信息提取

3.1 提取過程

當試驗像素點聚類的種類數目k設定為2，在隨機初始化聚類中心的條件下，進行無監(jiān)督的機器學習，設置不同的深度學習次數.對深度學習后焊接接頭圖像進行像素點遍歷，在顏色變化處計算連通區(qū)域的面積大小，并刪除輪廓面積不足1 000個像素點的區(qū)域.

在上述機器學習的基礎上，進一步采用Canny算子進行微尺度的焊接接頭輪廓提取。 其中包括：用高斯濾波器平滑圖像；通過Sobel 算子用離散微分法，結合高斯平滑濾波思想［12］分離圖像邊緣；采用非極大值抑制算法找出邊緣點；將較大閾值參數設置為40，較小閾值參數設置為20；刪除梯度值小于弱邊緣的像素點，劃分二值化圖像的強邊緣和弱邊緣，最終消除孤立的弱邊緣。 用Canny 算子進行輪廓提取，可以對焊接接頭細小毛刺、焊接微尺度的直線度變化和間隙變化量進行進一步研究與分析。公式（2）為選用的5×5 高斯濾波器，用作平滑圖像，減少圖像中噪聲。

焊接接頭微尺度識別完成后，對焊接接頭進行特征信息提取。 計算焊接接頭的間隙寬度和中心位置的偏移量，為焊接熱輸入的調節(jié)和焊槍對中的調節(jié)提供依據。

3.2 提取結果

焊接接頭微尺度信息的識別是在視覺傳感對焊接接頭進行檢測的基礎上，對焊接接頭圖像進行聚類分割和輪廓提取。

100 μm 厚超薄板的無間隙對接焊接頭微尺度信息的識別過程如圖3 所示。 其中，圖3（a1）-圖3（h1）、圖3（a2）-圖3（h2）、圖3（a3）-圖3 （h3）分別對應機器學習次數為1、10、50 次時的聚類分割結果。 從中可以看出，由于聚類中心位置隨機，機器學習1 次時聚類進化不完善，焊接接頭分割較為粗糙；機器學習10 次和50 次時，分割出的焊接接頭形態(tài)基本無差別；機器學習10 次時，焊接接頭圖像分割的方差已滿足標準測度函數收斂需求，可以進行精準的焊接接頭微尺度信息識別。

圖3 焊接接頭的識別Fig.3 Results in recognition of welded joints

圖3（a4）-圖3（h4）為最終獲得的焊接接頭輪廓，清晰地識別出接頭處的細小毛刺和間隙的細微變化以及直線度的細微變化。 圖3（a5）-圖3（h5）是閾值為125，不采用機器學習時的圖像分割結果。可以看出，在焊接接頭形態(tài)較為清晰（圖3（a5）-圖3（f5））的情況下，可以較為準確的進行圖像分割；在焊接接頭圖像曝光過度（圖3（g5））的情況下，則不能精確分割焊接接頭邊緣的細小變化，將導致焊接接頭輪廓提取出現誤差，影響焊接電流調節(jié)和焊縫對中調節(jié)；在焊接接頭圖像較暗（圖3（h5））的情況下，無法分離出焊接接頭信息。

基于圖3（a4）-圖3（h4）的焊接接頭輪廓，沿焊接方向分別提取了焊接接頭的間隙寬度和中心位置的偏移量（圖3 中的各虛線），如圖4 所示。 其中，左坐標為焊接接頭間隙寬度的變化，右坐標為焊接接頭中心位置的偏移量變化。 可以看到，圖4（b）對應的焊接接頭由于毛刺的存在，不僅加大了接頭間隙寬度，且中心位置向右移動了較大的偏移量，要求對焊接熱輸入和焊槍對中進行較大幅度的調節(jié)；圖4（h）對應的焊接接頭，無論是接頭的間隙寬度，還是接頭的中心位置偏移量，均有比較密集的波動，且接頭的中心位置偏移量出現了尖峰，要求對焊接熱輸入和焊槍對中進行快速的調節(jié)； 圖4（a）、圖4（c）、圖4（d）所對應的接頭間隙寬度變化不大，接頭中心位置的偏移量變化也較為平緩，要求對焊接熱輸入和焊槍對中進行較平緩的小幅度調節(jié)；圖4（e）、圖4（f）、圖4（g）對應的接頭間隙寬度和中心位置偏移量變化不明顯，則不需要調節(jié)焊接熱輸入和焊槍對中。

圖4 焊接接頭間隙寬度和中心位置偏移Fig.4 Gap width and central position offsets of welded joints

4 結束語

基于機器學習的焊接接頭分割，與傳統(tǒng)的圖像分割相比，可以不受分割閾值限制，更加精確的識別出各種情況下的焊接接頭信息.

采用對像素點RGB 值進行K-means 聚類的方法分割焊接接頭圖像，進行一定次數的機器學習后，可以精確識別100 μm 厚對接接頭的細微變化，與采用對像素點灰度值進行聚類分割相比，處理效率高。 通過Canny 算子可以對機器學習訓練出的二值化圖像進行輪廓提取，進一步實現對100 μm 厚對接接頭的細小毛刺、間隙直線度和間隙尺寸的細微變化的分析處理。 在機器學習和輪廓提取的基礎上，計算出焊接接頭的間隙寬度和中心位置的偏移量，以此作為精確實時調節(jié)焊接熱輸入和焊槍對中的依據，來有效抑制超薄板焊接的缺陷出現，提高焊接質量。