（南京理工大學(xué)材料科學(xué)與工程學(xué)院，江蘇南京210094）

0 前言

近年來(lái)，利用增材制造技術(shù)快速打印復(fù)雜結(jié)構(gòu)件引起了各國(guó)學(xué)者的廣泛關(guān)注。其中，GMA-AM技術(shù)具有低成本、高材料利用率、高生產(chǎn)效率等優(yōu)點(diǎn)。目前，GMA-AM技術(shù)的研究主要集中在成形工藝、微觀組織和力學(xué)性能上，關(guān)于過(guò)程穩(wěn)定性和尺寸精度控制方面的研究鮮見(jiàn)報(bào)道[1]。熔長(zhǎng)、熔寬以及后拖角等焊接熔池幾何尺寸參數(shù)能夠在一定程度上反映焊接質(zhì)量信息，因此準(zhǔn)確可靠地檢測(cè)出熔池幾何尺寸，對(duì)于實(shí)現(xiàn)GMA-AM尺寸精度和質(zhì)量控制具有重要意義[2]。

傳統(tǒng)的熔池圖像輪廓提取方法主要有Sobel算子、Robot算子等圖像分割理論[3]，但是針對(duì)目標(biāo)灰度變化復(fù)雜的圖像，不能有效地提取光滑、封閉的邊界。CV模型利用圖像域的全局信息，具有對(duì)噪聲、模糊邊緣不敏感等優(yōu)點(diǎn)，無(wú)論圖像質(zhì)量如何，都能提取光滑、封閉的邊界[4]。有學(xué)者針對(duì)CV模型提取熔池圖像輪廓進(jìn)行了初步研究。陳希章等人對(duì)CV算法進(jìn)行了強(qiáng)化特征模型修正、多尺度快速算法和全局特性抑制等改進(jìn)，識(shí)別了熔池圖像的連續(xù)輪廓[5]。李靜等人針對(duì)MAG管道打底焊，設(shè)定橢圓作為熔池初始輪廓，結(jié)合CV模型提取熔池輪廓[6]。但由于電弧光干擾，上述研究提取的熔池圖像輪廓不夠清晰，而且CV模型的初始輪廓都是人為設(shè)定，當(dāng)目標(biāo)和背景灰度對(duì)比度較小、圖像噪聲較大時(shí)，CV模型對(duì)初始位置敏感，可能造成分割結(jié)果不夠準(zhǔn)確[7]。針對(duì)以上問(wèn)題，本研究提出了一種基于模糊C-均值（fuzzy C-Means，F(xiàn)CM）聚類(lèi)和區(qū)域主動(dòng)輪廓模型（CV）的協(xié)作分割算法（FCM-CV），對(duì)GMA-AM熔池圖像進(jìn)行輪廓提取。

1 試驗(yàn)裝置及圖像預(yù)處理

GMA-AM焊熔池視覺(jué)采集試驗(yàn)系統(tǒng)如圖1所示。采用的焊接電源為FRONIUS TPS4000；圖像采集系統(tǒng)包括BASLER acA1920-155um CCD、防護(hù)濾光片和透紅外濾光片。利用GMA-AM焊試驗(yàn)系統(tǒng)在304不銹鋼平板上進(jìn)行試驗(yàn)。保護(hù)氣體成分為φ（Ar）95%+φ（CO2）5%，焊絲材料為直徑 φ1.2 mm 的HCr20Ni10Mn7Mo，焊接速度6 mm/s，CCD與焊槍夾角為45°。單道多層增材制造是逐層遞進(jìn)技術(shù)，每一單層成形尺寸和質(zhì)量直接決定單道多層增材制造的質(zhì)量，在此針對(duì)單道單層增材制造進(jìn)行研究和分析。

圖1 GMA-AM試驗(yàn)系統(tǒng)

熔池圖像預(yù)處理如圖2所示。由圖2a可知，電弧區(qū)的高亮度與熔池區(qū)形成鮮明對(duì)比，CV主動(dòng)輪廓提取算法只能識(shí)別出電弧區(qū)的輪廓，熔池區(qū)的輪廓被忽略。為了減弱圖像處理時(shí)高亮電弧區(qū)對(duì)熔池輪廓的影響，首先對(duì)熔池圖像進(jìn)行過(guò)曝處理，將電弧區(qū)的灰度值設(shè)置為0，處理效果如圖2b所示。

圖2 熔池圖像預(yù)處理

2 FCM-CV熔池邊緣提取方法

2.1 模糊C-均值聚類(lèi)

Dunn J C和Bezdek J C提出了模糊C-均值聚類(lèi)，通過(guò)樣本點(diǎn)對(duì)類(lèi)中心的隸屬度確定每個(gè)樣本點(diǎn)屬于某個(gè)聚類(lèi)的程度，是應(yīng)用最為廣泛的模糊聚類(lèi)方法[8]。

FCM算法的基本思想是通過(guò)迭代尋找聚類(lèi)中心vi和隸屬度μij，使如下成本函數(shù)最小化

式中 C為類(lèi)別數(shù)；N為圖像像素總數(shù)；p為模糊度控制參數(shù)（p＞1）；xj是圖像像素值；vi為第 i類(lèi)的中心；‖xj-yi‖2為像素點(diǎn)與第i類(lèi)聚類(lèi)中心vi的歐幾里得距離；μij為隸屬度函數(shù)表征數(shù)據(jù)元xj屬于第i類(lèi)的程度。根據(jù)Lagrange乘數(shù)法，隸屬度函數(shù)μij需滿(mǎn)足以下3個(gè)條件

FCM算法步驟為：①設(shè)定聚類(lèi)數(shù)目C和參數(shù)p；②初始化隸屬度函數(shù)μij及類(lèi)中心vi；③更新隸屬度函數(shù)μij和類(lèi)中心vi

④重復(fù)步驟③，直到算法收斂，得到各類(lèi)的聚類(lèi)中心和隸屬度，從而完成模糊聚類(lèi)劃分。

2.2 Chan-Vese主動(dòng)輪廓模型

CV模型是一種基于圖像區(qū)域信息的活動(dòng)輪廓模型，該模型克服了基于圖像梯度信息的分割模型對(duì)噪聲敏感的缺點(diǎn)。

CV模型的能量函數(shù)可表述為

給定一條初始輪廓線(xiàn)C，將圖像分成平均灰度分別為c1、c2的內(nèi)外兩個(gè)不同質(zhì)區(qū)域inside（C）和outside（C），用水平集函數(shù)φ的零水平集表示輪廓線(xiàn)C。其中Length（C）為輪廓線(xiàn)C的周長(zhǎng)，輪廓線(xiàn)的內(nèi)部面積為Area（inside（C））。當(dāng)輪廓線(xiàn)C位于兩個(gè)不同質(zhì)區(qū)域的邊界時(shí)，能量函數(shù) F（c1，c2，φ）取得最小值，從而對(duì)圖像進(jìn)行邊緣提取。

引入 Heaviside 函數(shù) H（z）和狄拉克函數(shù) δ（z），采用水平集方法形式化模型的能量函數(shù)。

假設(shè)Ω為整個(gè)圖像定義域，則得到

令φ為常數(shù)，計(jì)算c1和c2

保持c1、c2固定，給定合適的初始條件并滿(mǎn)足諾依曼邊界條件，則CV模型數(shù)值解法可表述為

2.3 Chan-Vese模型改進(jìn)

傳統(tǒng)CV模型對(duì)初始輪廓敏感，初始輪廓不同的圖像，其分割的結(jié)果和算法迭代次數(shù)也不同，通過(guò)手動(dòng)設(shè)置的初始輪廓可能得不到準(zhǔn)確的分割結(jié)果。本研究提出一種基于FCM提取初始輪廓協(xié)作CV模型提取輪廓邊緣的算法——FCM－CV，算法步驟如下：

①根據(jù)式（1）～式（3），用 FCM 模型處理熔池圖像得到隸屬度函數(shù)μij。

②初始化水平集φ0，得到初始輪廓。

③根據(jù)式（7）計(jì)算 c1、c2。

④根據(jù)公式（8）逐次迭代，計(jì)算φn。

⑤重復(fù)步驟③、④，直到算法收斂。

3 試驗(yàn)結(jié)果與分析

通過(guò)GMA－AM焊熔池視覺(jué)采集試驗(yàn)系統(tǒng)獲取1 000組熔池圖像進(jìn)行輪廓提取研究。試驗(yàn)平臺(tái)計(jì)算機(jī)采用Windows 10操作系統(tǒng)，Intel(R)Core(TM)i3－M370處理器，8 GB內(nèi)存，編程環(huán)境為MATLAB R2016a。

不同初始輪廓CV模型的熔池圖像分割效果對(duì)比如圖3所示。圖3a、3b為標(biāo)準(zhǔn)初始化輪廓[9]與其分割結(jié)果，圖3c、3d為目標(biāo)內(nèi)圓初始輪廓與其分割結(jié)果，圖3e、3f為目標(biāo)外圓初始輪廓與其分割結(jié)果，圖3g、3h為FCM預(yù)分割初始輪廓與其分割結(jié)果。由圖3可知，由于電弧區(qū)的灰度梯度大，電弧區(qū)輪廓曲線(xiàn)都能被很好地提取，但熔池區(qū)的灰度梯度相對(duì)較小，尤其是在熔池尾部，初始輪廓的設(shè)定對(duì)熔池輪廓曲線(xiàn)的提取造成了不同的影響。將初始輪廓設(shè)定為標(biāo)準(zhǔn)初始化輪廓可以大致提取出熔池輪廓曲線(xiàn)，但標(biāo)準(zhǔn)初始化輪廓由多個(gè)小圓組成，由于噪聲影響，曲線(xiàn)逼近熔池邊緣時(shí)提前結(jié)束，使邊緣呈鋸齒狀；將初始輪廓設(shè)定為目標(biāo)內(nèi)圓和目標(biāo)外圓的形式，都不能有效地提取唯一圓滑的熔池圖像輪廓，內(nèi)部存在多個(gè)封閉輪廓，尤其在浮渣和熔池尾部的過(guò)渡區(qū)域，噪聲影響很大，輪廓朝兩邊收斂。FCM-CV模型很好地解決了這些問(wèn)題，先用FCM模型預(yù)分割熔池圖像，得到最接近熔池圖像輪廓曲線(xiàn)的初始輪廓，在此基礎(chǔ)上運(yùn)行CV模型進(jìn)行修正，分割出完整光滑的熔池區(qū)輪廓和電弧區(qū)輪廓。

圖3 不同初始輪廓CV模型的熔池圖像分割效果對(duì)比

為驗(yàn)證該方法的有效性，采用FCM-CV模型對(duì)不同工藝條件下的熔池圖像進(jìn)行輪廓提取。不同電流的熔池輪廓如圖4所示，可以看出，不同電流下熔池的形態(tài)變化很大，但FCM-CV模型算法依然能夠很好地提取不同工藝條件下的熔池輪廓。

圖4 不同電流的熔池輪廓

目前熔池輪廓提取主要采用Sobel算子等邊緣提取算法，因此將FCM-CV算法與傳統(tǒng)分割方法進(jìn)行對(duì)比試驗(yàn)，試驗(yàn)結(jié)果如圖5所示。傳統(tǒng)分割方法如Robot算子、Sobel算子和Laplace算子等邊緣提取算法適用于目標(biāo)與背景灰度單一的圖像，在內(nèi)部細(xì)節(jié)豐富的熔池圖像中，傳統(tǒng)分割方法提取的熔池輪廓有很多偽邊緣，后續(xù)處理比較困難，影響正確率，不適合后期熔池圖像幾何特征的獲取和計(jì)算。而FCM-CV算法提取的熔池圖像輪廓曲線(xiàn)具有單一圓滑封閉的特點(diǎn)，為提取熔長(zhǎng)、熔寬以及后拖角等熔池幾何尺寸參數(shù)提供了保障。

浮渣、熔池尾部等分區(qū)域均隱含大量的質(zhì)量特征，提取這些分區(qū)域的視覺(jué)特征，對(duì)于建立視覺(jué)特征與質(zhì)量的關(guān)系模型具有重要意義。針對(duì)浮渣及熔池尾部進(jìn)行加窗處理，運(yùn)行FCM-CV模型能有效提取浮渣和熔池尾部的輪廓，結(jié)果如圖6所示，這為后期視覺(jué)特征與質(zhì)量關(guān)系模型的建立提供了另一個(gè)特征參數(shù)。

4 結(jié)論

（1）針對(duì)主動(dòng)輪廓CV模型在GMA-AM熔池圖像處理中初始位置敏感的問(wèn)題，提出了一種基于FCM-CV的主動(dòng)輪廓模型的熔池輪廓提取方法。

圖5 傳統(tǒng)分割方法與FCM-CV算法對(duì)比

圖6 浮渣和熔池尾部的窗口及輪廓

（2）FCM-CV模型相比傳統(tǒng)分割方法能夠有效地提取不同工藝條件下的熔池輪廓。

（3）利用該算法分析GMA-AM熔池圖像，能有效提取熔池、電弧區(qū)、浮渣和熔池尾部的輪廓，實(shí)驗(yàn)效果較好。

[1]熊俊.多層單道GMA增材制造成形特性及熔敷尺寸控制[D].黑龍江：哈爾濱工業(yè)大學(xué)，2014.

[2]高向東，江良征，龍觀富.強(qiáng)弧光反射環(huán)境下頻域?yàn)V波的熔寬特征提取[J].焊接學(xué)報(bào)，2013，34（8）：5-8.

[3]高飛，王克鴻，梁永順，等.一種多尺度分形的弧焊熔池圖像分割方法[J].焊接學(xué)報(bào)，2011，32（11）：33-36.

[4]Li CH M，Xu CH Y，Gui CH F，et al.Distance regularized level set evolution and its application to image segmentation[J].IEEE TRANSACTIONS ON IMAGE PROCESSING，2010，19（12）：3243-3254.

[5]陳希章，陳華斌，陳善本，等.基于改進(jìn)C-V方法的焊接圖像識(shí)別[J].焊接學(xué)報(bào)，2007，28（9）：9-12.

[6]李靜，秦小麟，李芳，等.基于區(qū)域粗定位與Chan-Vese主動(dòng)輪廓模型的MAG焊視覺(jué)圖像熔池邊緣提取[J].機(jī)械工程學(xué)報(bào)，2011，47（12）：74-78.

[7]Wang X F，Huang D SH，Xu H.An efficient local Chan-Vese model for image segmentation[J].Pattern Recognition，2010，43（3）：603-618.

[8]Chuang K S，Tzeng H L，Chen S，et al.Fuzzy c-means clustering with spatial information for image segmentation[J].Computerized medical imaging and graphics，2006，30（1）：9-15.

[9]Xia R B，Liu W J，Zhao J B，et al.An optimal initialization technique for improving the segmentation performance of Chan-Vese model[C].IEEE International Conference on Automation and Logistics，2007：411-415.