基于機(jī)器學(xué)習(xí)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(shù)大學(xué) 材料科學(xué)與工程學(xué)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(xì)小的毛刺、微尺度的剪切不齊所引起的接頭間隙細(xì)微變化或直線度細(xì)微變化都會造成燒穿［2］、未焊透或成形質(zhì)量不一致等焊接缺陷，這就要求對焊接接頭處的這些細(xì)小毛刺和細(xì)微變化進(jìn)行精確的檢測和識別，以此作為精細(xì)實時調(diào)節(jié)焊槍位置和焊接熱輸入的依據(jù)。

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(xì)小毛刺和細(xì)微變化的最直接方法，對所獲取的焊接接頭圖像進(jìn)行閾值分割是圖像處理的關(guān)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(jīng)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(yán)格，需進(jìn)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(yīng)用廣泛［7］。

本文在研究搭建了超薄板焊接接頭細(xì)小毛刺和細(xì)微變化的視覺傳感檢測系統(tǒng)的基礎(chǔ)上，通過以太網(wǎng)的焊接接頭圖像信息傳輸，在主控平臺上進(jìn)行不同次數(shù)的深度學(xué)習(xí)，直至損失函數(shù)收斂，實現(xiàn)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(jìn)一步識別接頭處的細(xì)小毛刺和間隙的細(xì)微變化或直線度的細(xì)微變化；并遍歷了機(jī)器學(xué)習(xí)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(diào)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(gòu)如圖1 所示，主要由DALSA 相機(jī)、DALSA 相機(jī)的供電電源、精密縱縫焊機(jī)行走機(jī)構(gòu)和PC 端組成。 其中，相機(jī)供電電源為DALSA 相機(jī)提供12-30 V 的電源輸入；DALSA 相機(jī)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(jìn)行實時拍攝；精密縱縫焊機(jī)行走機(jī)構(gòu)拖動DALSA 相機(jī)和焊槍沿焊接方向移動；供電后的DALSA 相機(jī)實時地將獲取的焊接接頭圖像信息從LAN 接口通過以太網(wǎng)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(jìn)行圖像處理，提取和識別焊接接頭處的細(xì)小毛刺和間隙的細(xì)微變化或直線度的細(xì)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(jī)器學(xué)習(xí)對焊接接頭圖像的像素點進(jìn)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(gòu)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(jī)器學(xué)習(xí)［8］，三維坐標(biāo)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(biāo)系的位置對應(yīng)，聚類過程如下：

（1）隨機(jī)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(zhì)心；

（2）取像素點位置的平均值，更新集群質(zhì)心，再次分配像素點和求取像素點位置的平均值進(jìn)行迭代，迭代次數(shù)滿足要求的標(biāo)準(zhǔn)是損失函數(shù)收斂［9］。

損失函數(shù)［10］數(shù)學(xué)模型為

其中，C表示質(zhì)心所屬的簇；μ表示質(zhì)心；m表示像素點個數(shù)；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(yīng)的質(zhì)心；損失函數(shù)單調(diào)減小至最小值后符合收斂條件。

2.2 K-means 聚類數(shù)據(jù)

試驗用K-means 聚類模型進(jìn)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(xì)小毛刺和間隙的細(xì)微變化或直線度的細(xì)微變化等各種情況。 表1 為用機(jī)器學(xué)習(xí)識別焊接接頭的4 種不同情況。

表1 機(jī)器學(xué)習(xí)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(shù)［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(shù)量k指定為2，此時聚類結(jié)果用純黑色（R ＝G ＝B ＝0） 和純白色（R ＝G ＝B ＝255）進(jìn)行標(biāo)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(xiàn)灰色。 圖2 為焊接接頭圖像像素點在RGB 坐標(biāo)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(yīng)。 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(yīng)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(biāo)軸上的空間位置進(jìn)行聚類，經(jīng)過一定次數(shù)的機(jī)器學(xué)習(xí)，分離出焊接接頭形態(tài)并進(jìn)行結(jié)果標(biāo)記。

將像素點的灰度值聚類用于圖像分割，當(dāng)PC端處理器為core i5-7200u，內(nèi)存為8 192 MB RAM時，隨機(jī)初始質(zhì)心，聚類結(jié)果標(biāo)記相同情況下對像素點R、G、B值聚類深度學(xué)習(xí)1～100 次所用時間為3 s左右；對像素點灰度值聚類學(xué)習(xí)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(jìn)行聚類相比，直接對像素點在RGB 坐標(biāo)軸上距離進(jìn)行聚類，可以省去將R、G、B圖像轉(zhuǎn)化為單通道灰度圖像的預(yù)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(diào)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(dāng)試驗像素點聚類的種類數(shù)目k設(shè)定為2，在隨機(jī)初始化聚類中心的條件下，進(jìn)行無監(jiān)督的機(jī)器學(xué)習(xí)，設(shè)置不同的深度學(xué)習(xí)次數(shù).對深度學(xué)習(xí)后焊接接頭圖像進(jìn)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(jī)器學(xué)習(xí)的基礎(chǔ)上，進(jìn)一步采用Canny算子進(jìn)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(jié)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(shù)設(shè)置為40，較小閾值參數(shù)設(shè)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(jìn)行輪廓提取，可以對焊接接頭細(xì)小毛刺、焊接微尺度的直線度變化和間隙變化量進(jìn)行進(jìn)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(jìn)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(diào)節(jié)和焊槍對中的調(diào)節(jié)提供依據(jù)。

3.2 提取結(jié)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(jìn)行檢測的基礎(chǔ)上，對焊接接頭圖像進(jìn)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(yīng)機(jī)器學(xué)習(xí)次數(shù)為1、10、50 次時的聚類分割結(jié)果。 從中可以看出，由于聚類中心位置隨機(jī)，機(jī)器學(xué)習(xí)1 次時聚類進(jìn)化不完善，焊接接頭分割較為粗糙；機(jī)器學(xué)習(xí)10 次和50 次時，分割出的焊接接頭形態(tài)基本無差別；機(jī)器學(xué)習(xí)10 次時，焊接接頭圖像分割的方差已滿足標(biāo)準(zhǔn)測度函數(shù)收斂需求，可以進(jìn)行精準(zhǔn)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(xì)小毛刺和間隙的細(xì)微變化以及直線度的細(xì)微變化。 圖3（a5）-圖3（h5）是閾值為125，不采用機(jī)器學(xué)習(xí)時的圖像分割結(jié)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(zhǔn)確的進(jìn)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(xì)小變化，將導(dǎo)致焊接接頭輪廓提取出現(xiàn)誤差，影響焊接電流調(diào)節(jié)和焊縫對中調(diào)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(biāo)為焊接接頭間隙寬度的變化，右坐標(biāo)為焊接接頭中心位置的偏移量變化。 可以看到，圖4（b）對應(yīng)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(jìn)行較大幅度的調(diào)節(jié)；圖4（h）對應(yīng)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(xiàn)了尖峰，要求對焊接熱輸入和焊槍對中進(jìn)行快速的調(diào)節(jié)； 圖4（a）、圖4（c）、圖4（d）所對應(yīng)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(jìn)行較平緩的小幅度調(diào)節(jié)；圖4（e）、圖4（f）、圖4（g）對應(yīng)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(diào)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(jié)束語

基于機(jī)器學(xué)習(xí)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(jìn)行K-means 聚類的方法分割焊接接頭圖像，進(jìn)行一定次數(shù)的機(jī)器學(xué)習(xí)后，可以精確識別100 μm 厚對接接頭的細(xì)微變化，與采用對像素點灰度值進(jìn)行聚類分割相比，處理效率高。 通過Canny 算子可以對機(jī)器學(xué)習(xí)訓(xùn)練出的二值化圖像進(jìn)行輪廓提取，進(jìn)一步實現(xiàn)對100 μm 厚對接接頭的細(xì)小毛刺、間隙直線度和間隙尺寸的細(xì)微變化的分析處理。 在機(jī)器學(xué)習(xí)和輪廓提取的基礎(chǔ)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(diào)節(jié)焊接熱輸入和焊槍對中的依據(jù)，來有效抑制超薄板焊接的缺陷出現(xiàn)，提高焊接質(zhì)量。