基于机器视觉的激光表面改性质量快速检测 下载: 786次
1 引言
激光表面改性技术高效无污染,可在不影响基体组织和性能的条件下使材料表面发生快速熔凝或固态相变,改善材料表面的组织结构,进而提高材料的服役性能,是激光先进制造技术的一部分[1-4]。铜铬合金具有良好的电学性能和力学性能,一般作为电接触材料被应用于输变电领域。对铜铬合金的激光表面改性进行研究具有重要的工程意义[5]。激光表面改性质量决定了改性后材料的服役性能,对表面改性质量进行检测至关重要。
目前,对激光表面改性质量的检测主要集中在晶相、物相、显微形貌、显微硬度、拉伸性能、耐磨性能以及耐腐蚀性能等方面[3-5]。上述检测方法多为有损检测,不仅检测耗时较长,而且难以对整个零件表面进行检测。材料与激光相互作用过程中会发生快速熔凝、气化等现象,激光表面改性后的试样表面形貌取决于激光能量的输入及耗散,可在一定程度上反映改性的质量。基于改性表面的形貌,国内外科研人员在部分激光制造领域实现了视觉检测[6-9],如:王彦飞等[6]使用图像处理软件提取熔化物颗粒的形状特征,然后结合工艺参数进行分析,实现了激光切割质量的评价;郭良奇等[7]基于二值图像连通域面积特征及图像熵,通过手动设定阈值,实现了激光淬火斑质量的评估;史天意等[9]融合去光照算法、快速定位算法及图像分割算法等实现了激光清洗区域的在线识别,该研究对激光清洗领域的自动化作业具有一定意义;Caggiano等[9]提取了4种典型的激光熔覆形貌图像,然后用其训练神经网络,实现了激光熔覆过程中不同能量输入的准确判别。在激光制造领域,有损检测的周期较长,不能实时反馈加工质量,而基于视觉特征的无损检测还处于摸索阶段,目前提出的检测方法不具有通用性,还未对加工质量控制及工艺参数优化起到相应的作用。
本文针对改性后试样的表面形貌图像进行分析,初步建立起表面形貌图像与改性质量的联系,然后融合图像二值化[10]、几何矩[11-13]、支持向量机[14-16]等算法实现了不同能量输入下表面形貌图像的准确判别。基于机器视觉的表面改性质量检测方法具有快速、无损的特点,在工艺参数的优化过程中能起到指导作用。
2 研究内容
2.1 激光表面改性实验
高密度激光表面改性系统示意图如
图 1. 激光表面改性系统及改性试样。(a)改性系统;(b)改性前的试样;(c)改性后的试样;(d)改性试样的剖面图像
Fig. 1. Laser surface modification system and modified specimen. (a) Modification system; (b) specimen before modification; (c) modified specimen; (d) section image of modified specimen
2.2 图像检测原理
高功率密度激光作用于材料表面会使其表面形貌发生变化,不同的工艺参数会产生不同的表面形貌。依据能量输入,本文定义了4种基本改性状态:无能量输入、低能量输入、中等能量输入和高能量输入。采集改性后试样的表面形貌图像,准确判断其所属的改性状态,即可实现改性质量的快速无损检测。本文采用的图像分类算法主要包括图像二值化、特征提取和支持向量机。
2.2.1 图像二值化
本文采用图像二值化提取表面形貌图像中的视觉显著区域,以降低运算的复杂性。对图像进行准确的二值化处理是图像特征提取的基础。本文采用Badly算法[10]对图像进行二值化处理,算法公式为
式中:I(x,y)为自适应二值化后的图像;f(x,y)为原始图像,取值范围为0~255;k1为自适应阈值;m为二分之一窗口的大小,像素灰度值比窗口内平均灰度值的k1倍大则计为1,否则计为0。相比于其他自适应二值化算法,Badly算法可以在复杂光照条件下快速提取图像中的视觉显著区域,但容易产生大量的伪纹理。进一步进行特征提取时需要将微小的连通域去除。
2.2.2 连通域特征的提取
对图像进行二值化后,再基于几何矩[11]表征连通域的形状属性,就可以保证提取到的图像特征具有旋转平移缩放不变性,从而可在机器视觉检测过程中避免CCD放大倍数、试样摆放等带来的误差。
c行r列包含单个连通域的最小矩形I'可以表示为I'=I'(x,y),其中x、y为整数,且1≤x≤c,1≤y≤r,I'取值为0和1。单个连通域的p+q阶矩[13]定义为
连通域面积[13] (area)为其包含像素的个数,即
结合几何矩,本文对单个连通域的扁度、对称性、聚集性进行了定义。
扁度(oblateness)是用连通域最小二阶中心矩与最大二阶中心矩比值的二分之一次幂来表征连通域的扁平程度(圆与正方形的扁度为1)。扁度的表达式为
对称度(symmetry)是统计数据是否对称的度量。用连通域对长短轴三阶中心矩的平方的平均数来表征连通域的对称度。对称度的计算公式为
式中:
聚集度(accumulation)是统计数据是否聚集的度量。用连通域对长轴的四阶矩来表征连通域对其长轴的聚集性,计算公式为
连通域的面积、方向、扁度、对称性、聚集度可以较为准确地反映其形状特征,本文将二值图像内连通域形状特征的统计值作为图像特征。此外,本文将两个全局特征(连通域分布密度和图像一维熵)作为补充特征。连通域分布密度(density)定义为图像内单个像素平均连通域的个数,计算公式为
2.2.3 分类算法
在有效样本较少的情况下,支持向量机(SVM)可实现较为理想的分类效果,且不会出现神经网络的过拟合现象。支持向量机的分类效果在很大程度上取决于前期特征的提取,对分类软件[15]的选择要求不高。
将二值图像内连通域面积、方向、扁度、对称度、聚集度的均值和方差,以及连通域分布密度及图像熵,共12个参数,作为图像特征,如
表 1. 描述区域纹理特征的参数
Table 1. Parameters for region texture features
|
3 结果与讨论
3.1 表面形貌与改性质量
图 2. 试样的表面形貌。(a)原始试样;(b)较低能量输入下的改性试样;(c)适中能量输入下的改性试样;(d)较高能量输入下的改性试样
Fig. 2. Surface morphology of specimens. (a) Original specimen; (b) modified sample with low energy; (c) modified specimen with appropriate energy; (d) modified sample with high energy
3.2 表面形貌图像的判别
图像二值化是表面形貌图像特征提取的第一步。k1依照经验取0.9[10],二分之一窗口大小m是二值化的关键参数。区域内连通域个数随m增大而先增多后减少,m取值过小时,提取到的连通域不能完全反映图像中的视觉显著区域;m取值过大会使部分连通域合并,导致纹理信息丢失。使区域内连通域个数最多的m可作为最优值,四类图像的m值均取5 pixel。对
图 3. 不同试样的二值图像。 (a)原始试样;(b)较低能量输入下的改性试样; (c)适中能量输入下的改性试样;(d)较高能量输入下的改性试样
Fig. 3. Binary images of different specimens. (a) Original specimen; (b) modified specimen with low energy; (c) modified specimen with appropriate energy; (d) modified specimen with high energy
按
表 2. 改性工艺参数
Table 2. Modification parameters
|
表 3. 各分类算法的检测结果
Table 3. Detection results of classification algorithms
|
3.3 工艺参数的优化
激光表面改性涉及的工艺参数较多,且高功率密度激光与铜基材料相互作用是一个复杂的过程,寻找最优工艺参数是铜铬合金激光表面改性的难点之一。
图 5. 试样的表面形貌。 (a)较低能量输入;(b)实验1;(c)实验2;(d)较高能量输入;(e)实验3
Fig. 5. Surface morphology of specimens. (a) Low energy; (b) experiment 1; (c) experiment 2; (d) high energy; (e) experiment 3
表 4. 工艺参数
Table 4. Process parameters
|
传统的有损检测耗时较长,难以实时反馈加工质量,而且人工目测比对误差较大,不适合用于产品的生产。基于机器视觉的无损检测可快速准确地检测加工质量,有效提升设备的自动化水平,对激光表面改性工艺研究及工程应用具有较大意义。
4 结论
本文基于机器视觉实现了激光表面改性质量的快速无损检测,得到的主要结论如下:
1) 激光表面改性试样的表面形貌与改性质量有较强的关联性。以工艺实验为基础,依据能量输入定义的4种基本改性状态可用于加工质量的快速检测。
2) 结合自适应二值化、几何矩、支持向量机等算法实现了改性试样表面形貌的识别,检测方法对光照环境、试样摆放位置、CCD放大倍数等不敏感。本文在MATLAB平台上实现了算法,图像特征提取及训练支持向量机的总耗时约为45 s,准确度为100%,检测速度为5×106 pixel/s,检测准确率为97.0%。
本文基于机器视觉检测激光表面改性的质量,判定激光能量的输入状态,针对性地提出了工艺参数的优化方案,对工艺优化具有较大意义。
本文方法采用的图像特征多为空间及尺度变换不变量,对产生显著纹理变化的加工质量检测具有一定的普适性。
[1] 虞钢, 何秀丽, 李少霞. 激光先进制造技术及其应用[M]. 北京: 国防工业出版社, 2016.
YuG, He XL, Li SX. Laser manufacturing and its applications[M]. Beijing: National Defense Industry Press, 2016.
[2] 陈小明, 王海金, 周夏凉, 等. 激光表面改性技术及其研究进展[J]. 材料导报, 2018, 32(z1): 341-344.
[5] Zhang L T, Yu G, Tian C X, et al. Grain refinement of hypereutectic immiscible Cu-50Cr alloy during rapid melting and solidification induced by high power density laser beams[J]. Metals, 2019, 9(5): 585.
[6] 王彦飞, 王续跃, 徐文骥, 等. 基于图像处理的铝合金薄板激光切割质量研究[J]. 中国激光, 2014, 41(1): 103002.
[7] 郭良奇, 蒋明, 王邓志, 等. 激光淬火加工质量视觉检测系统研究[J]. 计算机测量与控制, 2018, 26(12): 23-26.
Guo L Q, Jiang M, Wang D Z, et al. Visual inspection system for laser quenching quality[J]. Computer Measurement & Control, 2018, 26(12): 23-26.
[8] 史天意, 周龙早, 王春明, 等. 基于机器视觉的铝合金激光清洗实时检测系统[J]. 中国激光, 2019, 46(4): 0402007.
[9] Caggiano A, Zhang J J, Alfieri V, et al. Machine learning-based image processing for on-line defect recognition in additive manufacturing[J]. CIRP Annals, 2019, 68(1): 451-454.
[11] Hu M K. Visual pattern recognition by moment invariants[J]. IRE Transactions on Information Theory, 1962, 8(2): 179-187.
[12] Flusser J, Suk T. Rotation moment invariants for recognition of symmetric objects[J]. IEEE Transactions on Image Processing, 2006, 15(12): 3784-3790.
[14] Shevchik S A, Le-Quang T, Farahani F V, et al. Laser welding quality monitoring via graph support vector machine with data adaptive kernel[J]. IEEE Access, 2019, 7: 93108-93122.
[15] Mittal S, Dutta M K, Issac A. Non-destructive image processing based system for assessment of rice quality and defects for classification according to inferred commercial value[J]. Measurement, 2019, 148: 106969.
田崇鑫, 李少霞, 虞钢, 何秀丽, 王旭. 基于机器视觉的激光表面改性质量快速检测[J]. 激光与光电子学进展, 2020, 57(21): 211407. Tian Chongxin, Li Shaoxia, Yu Gang, He Xiuli, Wang Xu. Rapid Detection of Laser Surface Modification Quality Based on Machine Vision[J]. Laser & Optoelectronics Progress, 2020, 57(21): 211407.