激光焊接状态图像灰度共生矩阵分析法

摘 要：在激光焊接过程中，金属蒸气和飞溅蕴含着丰富的焊接状态信息. 以大功率盘形激光焊接304不锈钢为试验对象，应用紫外波段和可见光波段高速摄像机摄取焊接过程中金属蒸气和飞溅瞬态图像. 分析图像区域纹理二阶统计特征——灰度共生矩阵，并用ASM(angular second moment)能量、惯性矩、熵和自相关性描述灰度共生矩阵, 分析灰度共生矩阵与焊缝成形之间的关系，同时提取飞溅数量和面积、金属蒸气质心方位和金属蒸气高度等特征，建立BP(back propagation)神经网络模型，预测焊缝成形. 结果表明，所分析方法能够有效反映金属蒸气、飞溅与焊接状态之间的关联，为在线监测大功率盘形激光焊接质量提供依据.

关键词：大功率盘形激光焊；金属蒸气；飞溅；灰度共生矩阵；神经网络

0 序 言

激光焊接具有能量密度高、热影响区小和焊缝深宽比大等特点，是一种重要的激光加工技术[1]. 在激光焊接过程中，焊件在激光束作用下局部熔化形成熔池和匙孔，匙孔内充满金属蒸气和等离子体，当金属蒸气量超过某个临界值时，熔池底部的液态金属在冲力的作用下形成飞溅[2]. 金属蒸气和飞溅在整个焊接过程中与焊接质量密切相关，通过分析其特征量，可以实现激光焊接过程的实时监控.

目前对金属蒸气主要进行光谱信号分析、光电信号检测和色调-色饱和度-亮度分析等分析[3]. 对飞溅分析主要集中在飞溅喷发状况与焊件污染关系、飞溅速度和路径与焊接质量的关系方面[4]. 针对大功率盘形激光焊接304不锈钢板，应用紫外波段和可见光波段高速摄像机摄取不同激光功率条件下的金属蒸气和飞溅的瞬时信息，通过计算图像灰度共生矩阵来描述图像区域纹理特征，提取并分析相关特征参量，建立BP神经网络模型预测焊缝成形，为焊接过程的在线监控提供试验依据.

1 试验装置

试验装置包括大功率盘形激光焊接装置Trumpf-16002、六关节机器人、激光焊接头、保护气体装置及图像采集系统，结构如图1a所示. 焊件为T形304不锈钢板，尺寸如图1b所示.

图1 激光焊接装置和焊件结构示意图(mm)

Fig.1 Schematic diagram of laser welding and weldment

将配备有可视感应滤波器的高速彩色摄像机安装在垂直于焊接方向的位置，获取金属蒸气和飞溅图像. 试验中高速摄像机的采集速度为5 000 f/s，激光功率为7～15 kW，焊接速度为3 m/min，聚焦位置为-3 mm，氩气流量为30 L/min.

2 金属蒸气和飞溅图像特征提取

2.1 金属蒸气和飞溅图像处理

应用高速彩色摄像机摄取连续的金属蒸气和飞溅图像，取其中5 000帧进行特征提取，其对应的焊缝长度为50 mm. 将金属蒸气和飞溅彩色原图转换为灰度图像，通过中值滤波去除噪声并进行二值化处理. 除去飞溅点得到金属蒸气图像，再用二值化图像与金属蒸气图像作差分运算，最后得到飞溅的二值化图像. 图2为金属蒸气与飞溅图像处理结果.

图2 金属蒸气和飞溅图像处理

Fig.2 Plume and spatter image processing

2.2 区域纹理特征—灰度共生矩阵

像素分布的灰度级决定图像的区域纹理，灰度共生矩阵由两个位置像素联合概率密度定义. 令d表示相对距离，方向φ在4个方向上被量化为：0°，45°，90°，135°. 若图像f共有k个灰度级，那么共生矩阵A为如式(1)所示的k×k矩阵[5]，即

(1)

式中：η(f1,f2)是像素对在相对位置(d,φ)的数量；灰度值分别为f1和f2；R是像素对的总数.

相对距离d取值为1，定义并根据式(2)～式(5)计算ASM能量T1、惯性矩T2、熵T3和自相关性T4四个特征参数，其中A(i,j)为对应第i行和第j列的元素. 将每个参数在四个方向的平均值作为特征参量，分别反映了图像灰度分布均匀程度、纹理清晰程度、纹理的非均匀程度和纹理的一致性.

(2)

(3)

(4)

(5)

式中

.

当激光功率为10 kW时，对灰度化图像进行灰度共生矩阵特征提取，根据熔宽w和熔深q划分两个区域，如图3所示，A区域为第1 150～1 700帧，B区域为第2 500～3 050帧.

图3 灰度共生矩阵特征参数

Fig.3 Configuration parameters of GLCM

A区域平均熔宽比B区域小，但平均熔深大于B区域，图像灰度分布的均匀程度、纹理粗细度和一致性比B区域高，B区域图像的纹理清晰和非均匀程度比A区域大. 提取二值化图像飞溅数量G和面积S、金属蒸气质心和焊接点连线与水平线所成夹角θ和高度H四个形状特征参数，如图4所示，A区域形状特征参数的平均值均比B区域小.

图4 金属蒸气和飞溅形状特征参数

Fig.4 Shape parameters of plume and spatter

2.3 金属蒸气和飞溅特征参数分析

使激光功率P从7 kW增大至15 kW，焊缝的正面及侧面分别如图5a和图5b所示. 对各焊接过程中获取的金属蒸气和飞溅图像序列进行特征提取并计算各个特征参数，图6a为熔宽和熔深的平均值，四个灰度共生矩阵特征参数的平均值如图6b所示，四个形状特征参数的平均值如图6c所示.

由图6可以看出，随着激光功率的增加，平均熔宽和平均熔深先减小后增大，T2,T3,G,S,θ和H逐渐增大，T1和T4则逐渐减小. 结合图5可以发现，当激光功率小于9 kW时，焊接过程稳定且焊缝整齐均匀，参数变化不明显. 当激光功率达到9 kW时，焊接过程开始出现不稳定现象，由于T形焊件下方宽度较窄，原本随激光功率增大而增大的熔池，从两边侧漏而减小，导致此时熔宽和熔深急剧减小，S和H也随之减小. 随着功率的继续增加，平均熔宽和平均熔深都随之增大，T1,T2,T3,T4,S和H这六个特征参数也随之产生明显变化. 综上可知，T1,T2,T3,T4,G,S,θ和H能很好地反映焊缝成形状态.

图5 不同激光功率下的焊接结果

Fig.5 Weld configuration under different laser powers

图6 熔宽、熔深和特征参数平均值

Fig.6 Mean value of configuration parameters and weld bead width and penetration

3 BP神经网络的预测模型

3.1 构造BP神经网络预测模型

BP人工神经网络能有效反映多因素之间的复杂关系[6]. 设计三个焊缝成形BP预测模型，每个模型均包含输入层、输出层和一个隐含层，分别以X1=[ P，T1，T2，T3，T4]，X2=[P,G,S,θ,H]和X3=[ P，T1，T2，T3，T4，G,S,θ,H]作为输入量，熔宽预测值W和熔深预测值Q作为输出量. 将各个特征参数归一化处理得到25 000组数据，并将任意20 000组数据作为训练集，其余的5 000组数据则作为测试集. 定义熔宽预测值W和熔深预测值Q的绝对误差平均值如式(6)和式(7)所示,即

|Wi-wi|)/N

(6)

|Qi-qi|)/N

(7)

式中：Wi为熔宽预测值;wi为焊缝实际宽度;Qi为熔深预测值;qi为实际熔深;N为测试集数量. 对于隐含层不同节点数，三个焊缝成形预测模型的绝对误差平均值e1和e2见表1.

表1 不同隐含层节点数三个神经网络预测模型结果

Table 1 Three neural network testing results with different neurons in hidden layer

隐含层节点数模型X1模型X2模型X3误差平均值e1/mm误差平均值e2/mm误差平均值e1/mm误差平均值e2/mm误差平均值e1/mm误差平均值e2/mm70．2090．8030．2030．8160．2110．72780．1980．7440．2040．7970．1940．73790．2080．7680．2110．8310．1930．720

3.2 BP神经网络预测模型结果分析

三个焊缝成形预测模型的绝对误差平均值e1和e2分别在隐含层节点数为8,8和9时得到了最小值. 比较可知，模型X1的e1和e2分别比模型X2要小约0.006 mm和0.053 mm左右，模型X3的e1和e2分别比模型X1又要小约0.005 mm和0.024 mm左右. 这表示图像灰度共生矩阵特征参数比形状特征参数更好地反映实际的焊接状态，将两者同时作为BP神经网络的输入时，其输出能更好地逼近实际值，从而实现焊接状态的实时评估. 焊缝成形预测过程中采用了较少的测试集，表明在实际的焊接状态在线监控过程中，可以利用较低速率的摄像机采集图像，减少图像处理量，满足在线监控的实时性.

4 结 论

(1) 在大功率盘形激光焊接过程中，可应用高速摄像机摄取焊接过程中金属蒸气和飞溅的瞬态图像，提取形状特征参数并计算图像灰度共生矩阵.

(2) 灰度共生矩阵特征参数ASM能量、惯性矩、熵和自相关性的统计规律表明，若瞬态图像灰度分布的均匀程度、纹理粗细度和一致性高，则焊接质量较好；反之，若瞬态图像的纹理清晰程度和非均匀程度较大，则焊接质量较差.

(3) 建立BP神经网络焊缝成形预测模型，图像灰度共生矩阵提取的特征参数作为模型输入，可以提高模型预测精度并有效地反映焊接状态.