BP神經網絡修正熔池紅外圖像焊縫寬度測量算法

班海燕，陳 劍

（寧夏國際招標有限公司，寧夏銀川750021）

BP神經網絡修正熔池紅外圖像焊縫寬度測量算法

班海燕，陳 劍

（寧夏國際招標有限公司，寧夏銀川750021）

在激光焊接中，焊縫寬度的實時動態變化對于描述焊接質量起著至關重要的作用。焊縫寬度的準確測量有助于理解焊接過程，獲得焊接質量控制模型。針對大功率光纖激光焊接304型不銹鋼過程，利用高速攝像機，獲得清晰的熔池動態紅外圖像。紅外圖像僅僅是熔融焊縫處的熱成像，難以準確測量焊縫寬度，必須利用BP神經網絡加以修正，得到實際焊縫寬度。三組試驗結果表明了BP神經網絡焊縫寬度測量模型的有效性。

激光焊接；熔池；紅外圖像；焊縫；BP神經網絡

0 前言

激光焊接具有焊接速度快、深寬比大、熱影響區小等優點，已廣泛應用于現代工業[1-2]。在焊接過程中，焊縫熔寬和熔深是影響焊接質量的重要因素，保證焊接質量的前提是控制系統準確地獲取焊縫信息。通過機器視覺獲得熔池的寬度，根據焊縫的形狀判斷焊點質量，已經獲得了廣泛的應用[3-4]。

采用紅外攝像得到基于溫度場測量的熔池紅外圖像，焊縫寬度測量最重要的步驟是從焊接圖像中分割出熔池，熔池分割的準確性在于閾值的精確計算，但是在金屬處于熔化的高溫下焊縫與周邊非熔化區的溫度比較接近，很難找到合適的閾值測量焊縫寬度。本研究通過圖像處理技術處理熔池紅外熱圖像，再使用BP神經網絡自適應地修正焊縫測量值，得到焊縫的真實寬度。多組激光實驗結果證明，在不同的閾值下，利用BP神經網絡構建的紅外焊縫寬度識別系統能夠實時準確地測量焊縫寬度，能夠真實地反映焊接狀態。

1 試驗設備

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

圖1 試驗裝置示意Fig.1Schematic diagram of experiment setup

表1 焊接試驗條件Tab.1Welding conditions

2 熔池圖像處理過程

2.1 熔池圖像獲取

焊接過程中熔池紅外輻射主要出現在兩個波段：600 nm及略低于1 000 nm[5]。經過試驗，濾除波長為900～1 000 nm以外的光譜頻帶。使用高速攝相機采集焊縫圖像。圖2是高速攝像機所捕獲的熔池動態圖像，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 熔池動態紅外圖像Fig.2Molten pool dynamic infrared image

2.2 焊縫寬度計算

紅外相機共拍攝約3 000幀熔池圖像。圖3a是熔池的熱成像圖像，為灰度圖像，匙孔在中間高亮區域，激光束從匙孔中心射入，將金屬汽化。圖3b是熔池熱成像圖像反轉片，金屬蒸汽噴發帶出的熔融金屬飛濺分布在熔池兩側及上方。熔池在匙孔后部的灰色區域。因為弧光干擾和飛濺等噪聲的影響，要從如圖3b熔池的灰度反轉圖上分割出一個比較清晰的熔池邊緣是比較困難的。

圖3 高速攝像機捕獲的第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，為了得到真實的焊縫寬度。對匙

孔上部特定的熔池矩形區進行截取處理，獲得感興趣區域。如圖4所示，線段AB的長度就是熔池寬度。

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確獲取熔池。從焊縫圖像中準確地分割熔池線在于閾值的精確計算，但是在實際焊接條件下，無法成行。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時的熔池分割效果Fig.5Molten pool under difference threshold

紅外攝像中成像的弱識別性、熔池的熱傳導非均勻性以及激光焊機平臺的系統噪聲，導致焊縫測量誤差難以準確量度。只有通過神經網絡，首先控制系統輸入，再觀察系統輸出的反應來獲得焊縫識別的規律。使用神經網絡能夠減少噪聲影響，修正焊縫測量數據，從而獲得更為精確的焊縫寬度。

焊縫寬度識別過程采用BP神經網絡，它是一種多層前饋神經網絡，焊縫寬度識別過程預測就是將采集的焊縫熔池圖像序列提取焊縫特征，構成神經網絡的訓練集，通過訓練確定BP網絡相關，并用該模型修正焊縫寬度參數。輸入向量X由分割熔池的閾值以及圖4分割出的感興趣區域的上邊緣熔寬、下邊緣熔寬和中間熔池寬度共4個量構成，期望輸出Y為實際的焊縫寬度，即正確的焊縫寬度。

由訓練樣本和測試樣本可知網絡輸入層有4個神經元，輸出層有1個神經元。采用一個隱含層，隱含層神經元個數對預測精度有較大影響。神經元個數太少，網絡不能精確逼近訓練樣本；神經元個數太多，訓練時間增加，網絡容易過擬合。隱含層神經元數值根據公式[6]

式中n為輸入層節點數；s為隱含層節點數[6]。從而計算出焊縫寬度BP神經網絡隱含層神經元s=3。

焊縫識別BP神經網絡結構如圖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為W，維數為n×s，閾值為θ1，維數為s×1；隱含層與輸出層的權為W′，維數為s×m，閾值為θ2，維數為m×1。神經網絡正向傳輸的計算過程如下

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，f1采用Sigmoid函數為輸出層的線性傳遞函數，采用Purlin函數。使用Levenberg-Marquardt誤差反向傳播算法[7]調整連接權值，系統對P個樣本的總誤差準則為

圖6 BP神經網絡結構Fig.6BP neural network structure

式中Yi是網絡輸出期望值；Yi′是網絡輸出實際值向量；P是樣本數量；w是網絡權值和閾值；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進行熔池分割獲得3組8 700個數據，以全部實驗數據的60％作為神經網絡訓練集，為方便與實際焊縫進行對比，以完整的一組實驗數據作為測試集，共測試3組神經網絡實驗，圖7是不同閾值下神經網絡修正焊縫值的比較圖像，神經網絡修正測量值逼近實際焊縫，誤差極小。

圖7 不同閾值下BP神經網絡測量焊縫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，熔池寬度應該保持平穩，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致熔池區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出現失誤，BP神經網絡獲得的焊縫寬度在個別點處不正常的低。在圖7中，很窄的地方稱之為熔透，該處焊縫寬度非常細，并且從焊縫背面圖片可以看到，熔融金屬已經漏出背面，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BP算法后得到的熔池寬度基本能匹配焊縫實際寬度，在融透處都出現了明顯的下降。而且在焊接進入平穩狀態后，焊縫寬度理論上應該保持不變，大部分點呈現水平直線。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起伏較大，不能反應實時焊接的真實狀況。因此，神經網絡算法修正熔池獲得焊縫寬度實時有效。

3 試驗結果分析

為檢驗BP神經網絡測量熔池寬度算法的有效性，根據圖7的三個實驗選取誤差絕對值與平均絕對誤差來度量算法的準確性。誤差模型定義為

式中γi為熔池寬度測量值；ηi為焊縫實際寬度。如表2所示，BP神經網絡測量得到的焊縫寬度的誤差與焊縫寬度相比非常小，其相對誤差平均值不到10％，且根方差不到1，系統非常穩定。熔池紅外圖像測量焊縫寬度在使用BP神經網絡修正后既穩定，精度又高。由表2可知，BP神經網絡焊縫熔池紅外視覺系統輸出的焊縫偏差預測值與偏差實測值誤差很小，系統可以應用于實際焊接。

4 結論

利用BP神經網絡修正熔池紅外圖像提取熔池寬度，克服在金屬熔融區熔池與周邊非熔化區的溫度比較接近、熱成像圖像中熔池難以精確劃分的缺點，使用BP神經網絡能夠避免閾值的求解，自動獲得更為精確的焊縫寬度。在自動焊接控制系統中，能夠實時判斷焊接質量，對于機器視覺在焊接中的應用具有理論和指導意義。

[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，Florida，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.基于動態模糊神經網絡的鋁合金脈沖MIG焊接過程解耦控制分析[J].焊接學報，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，主要從事焊接自動化及質量檢測方面的研究。