基于圖像識別的激光切割質量分析

韋永奇，胥光申，劉 暉，謝如炎，俞寶福

(1.西安工程大學機電工程學院，陜西 西安 710048；2.西安市現代智能紡織裝備重點實驗室，陜西 西安 710048；3.紹興紡織機械集團有限公司，浙江 紹興 312000)

0 引言

激光切割作為激光加工應用最早和使用最多的激光加工工藝，占據激光加工工業70%的份額[1]。目前，激光切割主要應用于汽車、船舶、航空航天、鋼鐵、鈑金和機械加工等領域[1]，已經成為工業生產中不可或缺的激光加工方法。

在激光切割過程中，常見的缺陷主要有細小毛刺、切割面不規則、邊緣掛渣和拐角燒蝕等。這些問題將直接導致切割的產品不合格，進而影響生產加工。圖像識別技術能夠量化切割過程中產生的缺陷，將量化結果反饋到激光切割系統，實時調整和改進切割工藝，可以有效提高激光切割效率、降低待機時間、擴大應用面同時降低運行成本[2]。

目前，國內外學者采用圖像識別技術對激光切割過程進行了大量研究。張永強等[3]提出了一種切割缺陷和切割面粗糙度變化圖像信號特征提取技術，通過同軸視覺傳感系統獲得切割前沿和切割火花簇射視覺圖像，提取了產生切割缺陷和切割面粗糙度變化時圖像特征信號的變化規律，首次實現了以無切割缺陷并且在一定工藝條件下獲得最高切割質量為目標的切割速度自尋優控制。Fushimi等[4]采用旁軸視覺系統檢測激光切割前沿，將高速CCD相機安裝于切割工件的上表面，相機軸線與激光掃描垂直，獲取激光切縫的金屬熔融過程圖像，研究表明熔化金屬堆積在切縫底部是切縫下邊緣掛渣的原因，而且掛渣率和切割表面粗糙度與使用的輔助氣體的種類和壓力密切相關。王彥飛等[5]利用Imagine-Pro Pluse(IPP)圖像處理技術研究了激光切割去除融化物顆粒通過形狀及其特征尺寸分布，IPP圖像處理技術和判定標準的設定，熔化物顆粒形狀主要呈現圓形、類圓形和蝌蚪形，而類圓形顆粒基本穩定在15.00%～20.00%之間，隨著氣熔比的增大，去除熔化物顆粒中圓形顆粒所占百分比越來越大，類圓形顆粒和蝌蚪形顆粒所占百分比越來越小，且各形狀顆粒平均特征尺寸隨氣熔比的增大而減小。同時對切口質量進行了測量，得到切口質量隨著氣熔比的增加而提高。鄭磊等[6]采用間接法測量出掛渣高度，進而對激光切割304不銹鋼板材切割質量進行了研究，結果表明掛渣量的多少主要取決于焦點與功率，且兩者都存在一個最佳范圍；切縫寬度的大小主要取決于板厚與功率。孫登科等[7]通過顯微鏡觀察切割試樣的割縫寬度和掛渣高度，對不銹鋼激光切割工藝進行了探索，研究發現割縫寬度大小隨切割速度的增加呈下降趨勢,而隨著激光功率的增大,割縫寬度逐漸增大；在一定范圍內，掛渣高度與切割熱能量的輸入成正比例關系。

上述研究主要是利用圖像處理技術對圖像信號進行采集，建立信號特征與質量評價之間的量化關系，實現對激光切割產品的質量檢測，表明利用圖像識別技術定量檢測激光切割產品缺陷是一種非常有效的方法。

但是對于實際激光切割產品缺陷的測量只能采用間接法進行計算。因此，本文提出將改進的形態學缺陷提取算法與霍夫變換相結合的方法對激光切割產品燒蝕區域缺陷進行精確識別及測量。通過對2 mm厚度Q235板材激光切割產品圖像進行預處理，提取激光切割產品缺陷圖像面積和尺寸特征，計算同一產品不同切割位置面積變化和尺寸變化的平均值[4]，結合切割過程中工藝參數的變化，探索不同工藝參數對切割質量的影響。

1 激光切割實驗

本實驗采用型號為SFL-3015C ，功率為500 W，激光波長為1 060 nm的光纖激光切割設備，如圖1所示。該設備包括主控系統、激光頭、氣體傳送控制系統3個部分，該型號激光切割機，冷卻方式為水冷[7]。

圖1 光纖激光切割設備

2 圖像識別過程分析

2.1 圖像識別流程

整體圖像識別過程包括以下2個部分：

a.圖像預處理。包括圖像讀入、圖像裁剪、灰度轉化和圖像二值化。圖像預處理是為了降低后續處理的復雜程度[8]。

b. 特征計算。包括形態學運算、目標區域邊界追蹤、連通區域標記、特征提取和特征計算。通過特征計算對目標缺陷進行量化分析，進而改變加工工藝，提高加工質量。整體處理流程如圖2所示。

圖2 圖像處理算法流程

2.2 圖像預處理

按照圖2中圖像處理算法流程對激光切割產品缺陷進行預處理,首先截取缺陷,并依次作出標記,然后,對圖像進行灰度轉化和二值化,相關圖像如圖3所示。

圖3 截取的掛渣局部示意

2.2.1 識別處理

原始切割圖像如圖3a所示，對圖3a中方框內的缺陷進行處理，截取這部分缺陷，其特征為形態大小不一致的燒蝕區域，缺陷沿割縫不均勻分布如圖3b所示，缺陷依次標記為1，2，3。

2.2.2 灰度轉化

圖像增強方法可以分為2大類,即空間域處理法(空域法)和變換域處理法(頻域法)[9]，采用空域法進行圖像預處理。

空域法處理一般包括圖像灰度變換和直方圖修正。對數變換能夠擴展低值灰度，而壓縮高值灰度,使低值灰度的圖像細節更加容易分辨[10]。因此采用對數變換對圖像進行灰度轉化，降低了拍照時由于光線帶來的干擾[11]。灰度變換后的圖像如圖3c所示。

2.2.3 二值化

采用最大類間方差法進行閾值分割。首先將圖像按照灰度級分為2部分使得2部分之間的灰度值差異最大，而每一個部分內部灰度差異最小，再通過直方圖計算得到合適的灰度級進行劃分[12]。

通過計算，求得激光切割產品缺陷圖像最佳閾值為150，當灰度值為150時，進行全局閾值分割，得到的二值圖像與原始圖像掛渣特征較為符合，如圖3d所示。

2.3 特征計算

2.3.1 形態學運算與邊界追蹤

由于板材表面存在劃痕，銹跡，凹坑等缺陷，加之圖像采集過程中受外界環境干擾比較嚴重，所以圖像識別后往往存在一些多余的像素點，這些像素點嚴重影響到目標特征的提取和測量，必須除去這些多余像素點[13]。

首先對閾值分割后的圖像進行膨脹運算，突出噪點特征，利用Canny算子進行邊緣檢測，確定噪點位置和掛渣區域；其次進行形態學開運算，去除噪點；最后通過先閉后開運算將切割掛渣與割縫分離，凸顯出掛渣區域，通過二次膨脹運算得到與原圖中掛渣缺陷形態大小一致的二值圖像,如圖4a所示。

通過上述算法成功將目標特征與背景分離，為了實現燒蝕區域尺寸和面積測量，需要對目標特征進行提取和測量。利用MATLAB圖像處理功能進行運算。對上述二值圖像中的目標區域進行邊界追蹤(如圖4b所示)和連通區域標記(如圖4c所示)。

圖4 激光切割產品缺陷邊界追蹤

2.3.2 特征提取

取以下特征值作為每個目標區域的形態特征：周長、面積、長度和寬度。使用改進的八鄰域跟蹤算法對目標輪廓進行提取，以像素為單位順序標記二值圖像，假設二值圖像背景為黑色，目標區域為白色，利用八鄰域跟蹤算法來獲取圖像輪廓信息，利用指針對目標區域像素坐標進行記錄，指針指過的區域代表目標區域輪廓特征[14]。

設定圖像最左邊像素為開始像素，指針所在位置為起始像素點，當指針到達白色區域，記錄該白色區域像素坐標并返回到起始位置，接著指針繼續繞著之前檢測到的白色像素，按照順時針方向對白色像素的領域進行檢測，當指針再次回到起始位置時，表示檢測完成，重復檢測到“起始”像素標志著追蹤結束。算法終止時，整個圖案的邊緣也已經被按順時針方向進行排列完畢，完成以上的追蹤步驟即完成了八鄰域輪廓的跟蹤[15]，同時確定了目標輪廓信息。利用上述算法對圖4中3個連通區域特征進行提取，特征提取結果如圖5所示。

圖5 特征提取結果

2.3.3 缺陷測量

激光切割產品缺陷長度和寬度測量基本原理為：首先利用霍夫變換檢測到缺陷邊緣直線所在范圍，再通過霍夫反變換標記出原圖中邊緣直線的具體位置，最后求出缺陷邊緣兩直線之間的最短距離，便可以量化缺陷特征[16]。

通過霍夫變換與反變換可以有效進行激光切割產品缺陷尺寸測量。

激光切割缺陷面積測量：面積以缺陷區域像素總個數乘以單個像素區域面積為基準[17]。激光切割產品燒蝕區域尺寸特征和面積特征測量如圖6所示。圖6中，S為燒蝕區域缺陷面積特征；W為燒蝕區域缺陷寬度特征；L為燒蝕區域長度特征。

圖6 特征值測量結果

根據缺陷尺寸和面積測量方法，對圖4中的激光切割產品缺陷特征參數進行統計，其結果如表1所示。

表1 圖4缺陷特征值計算結果

3 圖像識別結果分析

利用缺陷尺寸和面積處理方法，對采集到的10組圖像進行識別處理。

本文所采集的切割圖像為以下2種工況。

工況1：采用切割工藝參數切割功率為500 W；開光延時為200 ms；出光面距離板材上表面1.2 mm；輔助氧氣壓力為0.6 MPa；切割速度為4 000 mm/min 。對工況1原始切割圖像(如圖7a所示中灰色框內缺陷)進行裁剪，得到局部缺陷(如圖7b所示)，對圖中較大缺陷進行提取，同時對局部缺陷進行識別(如圖7c所示)，最后對連通區域進行標記(如圖7d所示)。

圖7 工況1切割圖像處理結果

對工況1中5個缺陷尺寸和面積特征進行測量，求取測量結果平均值：面積為227 px2，周長為62 px，長度為25 px，寬度為31 px。

工況2：圖像切割工藝參數為在工況1其他工藝參數不變的情況下，輔助氣體壓力為0.8 MPa，切割速度為3 000 mm/min。用工況2的工藝參數進行切割并對切割圖像進行分析。工況2相應的圖像處理結果如圖8所示。

圖8 工況2切割圖像處理結果

對圖8中5個缺陷進行提取和測量，求取測量結果平均值：面積為34 px2，周長為16 px，長度為15 px，寬度為9 px。

由圖7和圖8處理結果可知，用工況1工藝參數進行激光切割，得到的產品缺陷較大，用工況2工藝參數進行切割，得到的產品缺陷較小。10組激光切割產品圖像處理結果如表2所示。

表2 特征值計算結果平均值

由表2可知，氧氣壓力和切割速度對激光切割產品質量有直接影響，當氧氣壓力為1.00 MPa，切割速度為4 000 mm/min時，缺陷面積和周長最大，最大面積為1 939 px2，最大周長為793 px；當氧氣壓力為0.80 MPa，切割速度為3 000 mm/min時缺陷面積和周長最小，最小面積為34 px2，最小周長為16 px。

4 質量分析

對激光切割產品圖像中燒蝕區域尺寸和面積特征進行測量，求取平均值[4]建立氧氣壓力和切割速度與缺陷特征值之間的關系，通過缺陷尺寸值量化評價氧氣壓力和切割速度對切割缺陷的影響。建立不同切割速度時，燒蝕區域面積和燒蝕區域寬度與氧氣壓力之間的關系圖。

圖9所示是切割速度為2 000 mm/min時，隨著氧氣壓力的增加，燒蝕區域寬度和面積變化情況。x表示氧氣壓力變化，y1表示燒蝕區域寬度，y2表示燒蝕區域面積。

圖9 切割速度為2 000 mm/min關系圖

由圖9可以看出：隨著氧氣壓力的增加，燒蝕區域寬度和燒蝕區域面積都是先增大后減小；當氧氣壓力為0.50 MPa時，最小燒蝕區域寬度為18 px，最小燒蝕區域面積為307 px2。

圖10所示是切割速度3 000 mm/min時，隨著氧氣壓力的增加，燒蝕區域寬度和面積變化情況。x表示氧氣壓力變化，y1表示燒蝕區域寬度，y2表示燒蝕區域面積。

圖10 切割速度為3 000 mm/min關系圖

由圖10可以看出：隨著氧氣壓力的增加，燒蝕區域寬度和燒蝕區域面積都是先減小后增大；當氧氣壓力為0.80 MPa時，最小燒蝕寬度為9 px，最小燒蝕區域面積為34 px2。

圖9和圖10為順時針切割，可以看出當氧氣壓力在0.50 MPa至1.00 MPa范圍內時，燒蝕區域缺陷面積和寬度變化趨勢一致。

圖11所示是切割速度為4 000 mm/min時，隨著氧氣壓力的增加，燒蝕區域寬度和面積變化情況。x表示氧氣壓力變化，y1表示燒蝕區域寬度，y2表示燒蝕區域面積。

圖11 切割速度為4 000 mm/min關系圖

由圖11可以看出：隨著氧氣壓力增加， 燒蝕區域寬度先增大后減小，燒蝕區域面積逐漸增大；當氧氣壓力為1.00 MPa時，燒蝕區域寬度最小，最小值為27 px；當氧氣壓力為0.60 MPa時，燒蝕區域面積最小，最小燒蝕面積為227 px2。

圖12所示是切割速度為5 000 mm/min時，隨著氧氣壓力的增加，燒蝕區域寬度和面積變化情況。x表示氧氣壓力變化，y1表示燒蝕區域寬度，y2表示燒蝕區域面積。

圖12 切割速度為5 000 mm/min關系圖

由圖12可以看出：隨著氧氣壓力增加，燒蝕區域寬度逐漸增加，燒蝕區域面積逐漸減小，最小燒蝕區域寬度為28 px，最小燒蝕區域面積為66 px2。

圖11和圖12為逆時針切割，可以看出當氧氣壓力在0.90 MPa至1.00 MPa范圍內時，燒蝕區域缺陷面積和寬度呈反向變化趨勢。結果表明切割方向對切割質量影響較大。

因此，2 mm厚度Q235碳鋼最優切割工藝參數為：氧氣壓力0.80 MPa，切割速度為3 000 mm/min，順時針切割。上述工藝參數切割產品可以滿足企業實際生產需求。

5 結束語

針對激光切割過程中出現的掛渣缺陷和拐角燒蝕缺陷，本文提出了基于改進的形態學特征提取算法，該算法可以有效提取出切割產品缺陷特征，結合霍夫變換與反變換對缺陷特征進行測量。利用改進的八領域跟蹤算法有效提取出目標區域輪廓特征。通過測量不同切割速度，不同氧氣壓力情況下燒蝕區域寬度和面積特征值并求取平均值，總結出2 mm厚度Q235板材切割最優工藝。當切割功率為500 W，切割速度為3 000 mm/min，氧氣壓力為0.80 MPa，順時針切割時，切割質量最佳，最小燒蝕寬度為9 px，最小燒蝕區域面積為34 px2。實驗結果表明，本文提出的方法可以完成激光切割產品缺陷提取和測量，達到了預期的目的。為量化分析激光切割產品質量提供了一種參考方案。