劉 佳，沈?qū)W靜,，徐 鵬，崔飛鵬，史孝俠，李曉鵬, 王海舟*

1. 鋼鐵研究總院，北京 100081 2. 鋼研納克檢測(cè)技術(shù)股份有限公司，北京 100094

引 言

鋁合金材料是工業(yè)中應(yīng)用最廣泛的一類(lèi)有色金屬材料，已在交通運(yùn)輸、機(jī)械制造、電子電器、建筑行業(yè)等工業(yè)領(lǐng)域大量應(yīng)用，使用量?jī)H次于鋼鐵材料。 隨著各類(lèi)鋁產(chǎn)品使用周期的到來(lái)，對(duì)廢舊鋁合金的循環(huán)利用顯得尤為重要，再生鋁工業(yè)對(duì)緩解資源壓力和節(jié)能環(huán)保都有很大貢獻(xiàn)[1]。

由于廢舊鋁合金種類(lèi)多、成分混雜且形狀各異，難以高效分類(lèi)回收。 目前的再生鋁產(chǎn)品以鑄造鋁錠為主，導(dǎo)致大量的優(yōu)質(zhì)鋁合金降級(jí)使用，造成巨大浪費(fèi)。 因此，高效、準(zhǔn)確、連續(xù)自動(dòng)化的實(shí)現(xiàn)對(duì)鋁合金分類(lèi)重熔再生，對(duì)于再生鋁產(chǎn)品的質(zhì)量和經(jīng)濟(jì)效益具有重要的意義[2]。

目前廢料常用的分類(lèi)檢測(cè)方法有： 顏色分離、X射線(xiàn)熒光光譜法(XRF)以及發(fā)射光譜法(OES)等，其中，顏色分離技術(shù)對(duì)金屬細(xì)分適用性有限且需要特殊光源支持，受樣品狀態(tài)及外界影響較大； 手持式XRF合金分析儀需人工操作效率低且熒光光譜儀對(duì)樣品表面要求高、對(duì)輕金屬檢測(cè)能力有限； 移動(dòng)式發(fā)射光譜(OES)需樣品前處理以及氣體保護(hù)，現(xiàn)場(chǎng)檢測(cè)效率不高。 因此，需要高效、快速、連續(xù)自動(dòng)化的技術(shù)手段實(shí)現(xiàn)對(duì)大量廢料的分類(lèi)。

近年來(lái)，激光誘導(dǎo)擊穿光譜(LIBS)技術(shù)憑借其原位、在線(xiàn)、快速、全元素分析的優(yōu)勢(shì)，以及其他分析方法所不能及的寬范圍的檢測(cè)距離[3]，使其在快速分類(lèi)分析領(lǐng)域成為研究熱點(diǎn)，結(jié)合化學(xué)計(jì)量學(xué)以及機(jī)器學(xué)習(xí)領(lǐng)域相關(guān)算法，開(kāi)展了基于鋼鐵、地質(zhì)、塑料、食品等眾多領(lǐng)域的分類(lèi)研究。 Aberkane等[4]通過(guò)ANN，KNN以及SVM算法實(shí)現(xiàn)了對(duì)不同鋅合金的分類(lèi)，結(jié)果表明SVM對(duì)鋅合金LIBS光譜有較好的分類(lèi)結(jié)果。 周中寒等[5]應(yīng)用光纖激光器LIBS技術(shù)，結(jié)合支持向量機(jī)(SVM)和主成分分析(PCA)算法，對(duì)2 000個(gè)脈沖累計(jì)LIBS信號(hào)實(shí)現(xiàn)鋁合金分類(lèi)準(zhǔn)確率99.83%。 劉可等[6]應(yīng)用偏最小二乘(PLS)算法，對(duì)20個(gè)脈沖累計(jì)LIBS信號(hào)實(shí)現(xiàn)11種塑料樣品分類(lèi)準(zhǔn)確率100%。 柯梽全等[7]通過(guò)因子分析和BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)10個(gè)脈沖累計(jì)LIBS信號(hào)實(shí)現(xiàn)9種巖性分類(lèi)準(zhǔn)確率98.89%。 以上的研究都基于LIBS技術(shù)結(jié)合不同機(jī)器學(xué)習(xí)算法在分類(lèi)問(wèn)題上取得了不錯(cuò)的結(jié)果，但研究大都基于靜態(tài)測(cè)試，待測(cè)物置于最優(yōu)激發(fā)位置，識(shí)別通過(guò)多個(gè)激光信號(hào)的累計(jì)獲得較好的分類(lèi)精度。 而實(shí)際合金廢料形狀各異，要實(shí)現(xiàn)高效、連續(xù)、自動(dòng)準(zhǔn)確檢測(cè)，則樣品基于測(cè)試位置是動(dòng)態(tài)的且時(shí)間短暫，這些都對(duì)識(shí)別分類(lèi)提出挑戰(zhàn)。

本文基于激光誘導(dǎo)擊穿光譜技術(shù)，針對(duì)運(yùn)動(dòng)物體進(jìn)行快速圖像識(shí)別定位，基于概率密度思想，研究了單脈沖LIBS鋁合金光譜信號(hào)的多維高斯概率分布模式判別方法，實(shí)現(xiàn)了對(duì)三類(lèi)鋁合金的快速分類(lèi)檢測(cè)。 此研究可自適應(yīng)檢測(cè)不同形狀的2xxx系、7xxx系和A356三個(gè)系列鋁合金樣品，識(shí)別正確率較高，速度較快。 研究結(jié)果為自動(dòng)廢料分揀系統(tǒng)的建立提供了理論和技術(shù)實(shí)現(xiàn)基礎(chǔ)。

1 實(shí)驗(yàn)部分

1.1 樣品

航空航天使用的鋁合金含有大量回收價(jià)值較高的合金元素，以2xxx系列和7xxx系列鋁合金為主，質(zhì)量占飛機(jī)主要零部件的75%以上，因此，本文針對(duì)2xxx系、7xxx系和A356三個(gè)不同系列的鋁合金進(jìn)行分類(lèi)研究。 實(shí)驗(yàn)采用含量范圍涵蓋三個(gè)系列的鋁合金標(biāo)準(zhǔn)樣品共39塊(西南鋁業(yè)有限責(zé)任公司)，實(shí)際樣品10塊。 實(shí)驗(yàn)樣品形狀各異，且測(cè)試面高度差最大為3 cm。 如圖1所示。

圖1 鋁合金樣品(a)： 鋁合金標(biāo)準(zhǔn)樣品； (b)： 鋁合金實(shí)際樣品Fig.1 Sample of aluminum alloy(a)： Aluminum alloy standard sample； (b)： Actual sample of aluminum alloy

1.2 儀器及參數(shù)

本研究采用自主搭建的LIBS自動(dòng)分類(lèi)檢測(cè)系統(tǒng)(Sorting-LIBS)，如圖2所示。 系統(tǒng)由樣品自動(dòng)傳動(dòng)單元，樣品圖像識(shí)別定位單元，LIBS檢測(cè)單元以及系統(tǒng)軟硬件控制單元組成。 系統(tǒng)在大氣環(huán)境下工作，其中樣品隨傳送單位運(yùn)動(dòng)，傳送速度1.2 m·s-1； 樣品圖像識(shí)別單元采用CMOS相機(jī)對(duì)物料傳送區(qū)域進(jìn)行成像采集，PC通過(guò)算法分析樣品位置信息并將其傳送給硬件控制單元，使其對(duì)樣品進(jìn)行準(zhǔn)確的檢測(cè)控制； LIBS檢測(cè)單元主要由脈沖激光(Quantel CFR200，波長(zhǎng)1 064 nm，頻率10 Hz)經(jīng)過(guò)透鏡聚焦在傳動(dòng)的樣品表面，光譜采用同軸取光方式通過(guò)收集透鏡耦合到光纖光譜儀，光譜探測(cè)范圍200～490 nm; 激光的激發(fā)和光譜儀的采集均由同步觸發(fā)控制單元控制，PC對(duì)光譜進(jìn)行采集分類(lèi)分析。

圖2 Sorting-LIBS系統(tǒng)原理圖Fig.2 Schematic diagram of Sorting-LIBS system

實(shí)驗(yàn)針對(duì)運(yùn)動(dòng)中的待測(cè)物進(jìn)行分類(lèi)檢測(cè)。 為得到最優(yōu)LIBS信噪比，對(duì)系統(tǒng)進(jìn)行參數(shù)優(yōu)化，實(shí)驗(yàn)選擇LIBS信號(hào)采集延時(shí)的時(shí)間為1.7 μs，光譜儀的光譜探測(cè)時(shí)間為10 ms。 同時(shí)，為了滿(mǎn)足實(shí)際應(yīng)用過(guò)程中高效、連續(xù)的自動(dòng)化檢測(cè)的需求，實(shí)驗(yàn)對(duì)快速運(yùn)動(dòng)待測(cè)物進(jìn)行單脈沖分類(lèi)測(cè)試。 實(shí)驗(yàn)不受樣品表面氧化層、不平整度的影響，如圖1(a)為實(shí)際測(cè)試過(guò)程中的樣品狀態(tài)。

2 結(jié)果與討論

2.1 運(yùn)動(dòng)物體識(shí)別定位

物料的識(shí)別定位檢測(cè)的精度直接影響了系統(tǒng)對(duì)于檢測(cè)物料尺寸的限制，而整個(gè)過(guò)程又受到傳送速度穩(wěn)定性，系統(tǒng)軟硬件數(shù)據(jù)傳輸延時(shí)等多方面因素影響，因此為保證激光有效準(zhǔn)確聚焦在運(yùn)動(dòng)樣品表面，本研究設(shè)計(jì)實(shí)現(xiàn)了連續(xù)圖像識(shí)別定位方法。

系統(tǒng)采用COMS相機(jī)對(duì)物料傳送區(qū)進(jìn)行成像監(jiān)控，成像視野為100 mm×80 mm，物料傳送速度為1.2 m·s-1。 系統(tǒng)通過(guò)軟件實(shí)時(shí)捕獲相機(jī)圖像，對(duì)圖像中物料進(jìn)行識(shí)別跟蹤，通過(guò)像場(chǎng)與物場(chǎng)的映射，運(yùn)算得到該物料進(jìn)入檢測(cè)位置的時(shí)刻Ttest，從而進(jìn)入系統(tǒng)檢測(cè)序列。 系統(tǒng)對(duì)于一幀圖像曝光時(shí)間為20 ms，物料圖像識(shí)別定位速度為18 ms。 圖3(a)為系統(tǒng)對(duì)于傳動(dòng)中的物料經(jīng)過(guò)圖像監(jiān)測(cè)區(qū)的連續(xù)跟蹤識(shí)別過(guò)程的圖像，圖像采集幀頻為50幀·s-1。 完成對(duì)物料的識(shí)別定位后，系統(tǒng)控制軟件將進(jìn)入檢測(cè)序列的待檢測(cè)任務(wù)信息傳送給硬件控制系統(tǒng)，并由其完成對(duì)LIBS系統(tǒng)的激發(fā)和光譜收集的同步控制。

為了方便對(duì)系統(tǒng)重復(fù)定位檢測(cè)精度測(cè)試，在傳送裝置上固定了一個(gè)標(biāo)志物作為模擬物料，保證其每次進(jìn)入圖像視場(chǎng)的一致性，運(yùn)動(dòng)過(guò)程中連續(xù)識(shí)別測(cè)試100次，結(jié)果如圖4所示，LIBS沿傳送方向激發(fā)區(qū)域的離散不大于25 mm，即為該系統(tǒng)可檢測(cè)物料的極限最小尺寸，系統(tǒng)定位激光激發(fā)控制的時(shí)間抖動(dòng)偏差小于20.83 ms。

圖3 傳動(dòng)物料的快速識(shí)別定位(a)： 物料連續(xù)跟蹤識(shí)別定位圖像； (b)： 識(shí)別定位算法流程Fig.3 Fast identification and locationof transmission materials(a)： Material continuous tracking identification location image； (b)： Identification and positioning algorithm flow

圖4 系統(tǒng)識(shí)別檢測(cè)精度測(cè)試Fig.4 System identification and detection accuracy test

2.2 特征變量選擇及譜線(xiàn)優(yōu)化

系統(tǒng)中LIBS檢測(cè)單元可探測(cè)200～490 nm范圍的譜線(xiàn)信息，原始光譜譜線(xiàn)復(fù)雜且數(shù)據(jù)維度較高，其中有大量冗余信息，因此，原始特征中獲取有效特征最大化降低維度，可有效提高分類(lèi)識(shí)別算法的性能，提高檢測(cè)效率。

本文通過(guò)特征選擇的方式，結(jié)合三類(lèi)鋁合金的元素成分信息，篩選出成分有梯度差異的元素Cu，Zn，Mg和Si作為特征元素，既而在原始全譜譜圖中提取特征元素對(duì)應(yīng)的分析譜線(xiàn)構(gòu)建特征變量，特征變量保持了其原始特征的物理意義，有效減少計(jì)算量及分類(lèi)模型復(fù)雜度。

鋁合金樣品的LIBS光譜信息復(fù)雜，圖5是2xxx, 7xxx, A356三個(gè)系列鋁合金的全譜譜圖。 因此，實(shí)驗(yàn)依據(jù)譜峰清晰、相對(duì)獨(dú)立無(wú)干擾、信噪比較高且穩(wěn)定性較好的原則，優(yōu)化篩選出特征元素分析譜線(xiàn)： Cu 327.4 nm, Si 288.1 nm, Mg 488.1 nm和Zn 481.1 nm。 同時(shí)，為了降低系統(tǒng)波動(dòng)，提高檢測(cè)精度，篩選了鋁元素的特征譜線(xiàn)396.1 nm作為參考譜線(xiàn)。 圖6是隨機(jī)選取三個(gè)系列標(biāo)樣各3塊，每塊樣品隨機(jī)測(cè)試5個(gè)點(diǎn)，總共動(dòng)態(tài)測(cè)試45個(gè)點(diǎn)，通過(guò)四條特征譜線(xiàn)的歸一化強(qiáng)度比對(duì)，可以看到，構(gòu)造的特征變量由于樣品高低的變化、單脈沖測(cè)試等原因?qū)е滦盘?hào)波動(dòng)較大，但不同系列鋁合金樣品中不同元素的差異被有效區(qū)分且趨勢(shì)與成分差異一致，因此，特征變量較好的表征了不同系列鋁合金的特點(diǎn)。

圖5 三個(gè)系列鋁合金LIBS全譜譜徒Fig.5 LIBS full spectrum of three seriesof aluminum alloy

2.3 基于概率密度分布的鋁合金分類(lèi)分析

本文基于概率密度分布函數(shù)的方法，通過(guò)三個(gè)系列鋁合金樣本的訓(xùn)練集，利用特征變量來(lái)構(gòu)建三個(gè)系列鋁合金的多維高斯分布分類(lèi)判別函數(shù)，以此來(lái)估計(jì)不同系列的概率密度分布情況，概率最大的系列即為分類(lèi)結(jié)果。 相對(duì)于現(xiàn)在熱點(diǎn)的基于邊界決策的支持向量機(jī)(SVM)的分類(lèi)方法，概率密度的方法針對(duì)核函數(shù)直接建模，建模效率高，對(duì)于特征數(shù)據(jù)維數(shù)較低且樣本數(shù)據(jù)集較多的分類(lèi)應(yīng)用，可很好的估計(jì)分布特征，達(dá)到較好的分類(lèi)精度。

實(shí)驗(yàn)選擇覆蓋三個(gè)系列鋁合金元素含量的梯度標(biāo)準(zhǔn)樣品20塊作為模型訓(xùn)練樣品，其余19塊標(biāo)準(zhǔn)樣品和10塊實(shí)際樣品作為系統(tǒng)測(cè)試樣品。 訓(xùn)練集每一塊樣品隨機(jī)動(dòng)態(tài)測(cè)試，共采集4 068張LIBS光譜譜圖，分別用特征變量的譜線(xiàn)強(qiáng)度和歸一化強(qiáng)度建立分類(lèi)模型，比對(duì)了兩種情況下，模型對(duì)于訓(xùn)練集數(shù)據(jù)的預(yù)測(cè)能力，結(jié)果如圖7所示，圖中“○”代表數(shù)據(jù)對(duì)應(yīng)的鋁合金真實(shí)類(lèi)別，“×”代表模型預(yù)測(cè)的類(lèi)別，結(jié)果表明，特征譜線(xiàn)強(qiáng)度模型預(yù)測(cè)準(zhǔn)確率僅為76.2%，而特征譜線(xiàn)歸一化強(qiáng)度模型預(yù)測(cè)準(zhǔn)確率可達(dá)到99.8%，利用基體元素特征譜線(xiàn)進(jìn)行特征變量強(qiáng)度歸一化，顯著提升了由于樣品差異及系統(tǒng)波動(dòng)對(duì)分類(lèi)準(zhǔn)確率帶來(lái)的影響。 同時(shí)，選擇強(qiáng)度歸一化概率分類(lèi)模型，對(duì)29塊測(cè)試樣品進(jìn)行動(dòng)態(tài)長(zhǎng)期測(cè)試，統(tǒng)計(jì)了38 357個(gè)分類(lèi)測(cè)試結(jié)果并與SVM分類(lèi)方法的結(jié)果進(jìn)行了比對(duì)，結(jié)果見(jiàn)表1，與SVM算法相比，多維高斯概率分布分類(lèi)判斷方法的預(yù)測(cè)準(zhǔn)確率與SVM相當(dāng)，平均建模時(shí)間提高了一個(gè)數(shù)量級(jí)，分類(lèi)預(yù)測(cè)具有較好的泛化能力，大大縮短了建模時(shí)間，提高了檢測(cè)效率。

圖6 三個(gè)系列鋁合金特征譜線(xiàn)LIBS信號(hào)Fig.6 LIBS signals of three series of aluminum alloy characteristic lines

圖7 不同特征變量模型預(yù)測(cè)訓(xùn)練集準(zhǔn)確率比對(duì)(a)： Gaussian強(qiáng)度歸一訓(xùn)練集； (b)： Gaussian強(qiáng)度訓(xùn)練集Fig.7 Comparison of the accuracy of different characteristic variable models in predicting training set(a)： Gaussian intensity normalization training set; (b)： Gaussian intensity training set

表1 分類(lèi)模型性能比對(duì)Table 1 Classification model performance comparison

3 結(jié) 論

基于激光誘導(dǎo)擊穿光譜技術(shù)，搭建自動(dòng)化分類(lèi)檢測(cè)實(shí)驗(yàn)平臺(tái)，設(shè)計(jì)基于圖像的物料識(shí)別定位方法，實(shí)現(xiàn)了1.2 m·s-1傳送過(guò)程中物料的識(shí)別定位時(shí)間為18 ms，可有效激發(fā)物料最小尺寸為25 mm； 運(yùn)用概率密度分布方法，建立2xxx, 7xxx和A356三個(gè)系列鋁合金的多維高斯概率密度分布，實(shí)現(xiàn)了三個(gè)系列鋁合金的快速高精度分類(lèi)，平均預(yù)測(cè)的分類(lèi)識(shí)別準(zhǔn)確率可達(dá)到99.15%，平均建模時(shí)間僅為7 ms。 實(shí)驗(yàn)結(jié)果表明，運(yùn)用激光誘導(dǎo)擊穿光譜可實(shí)現(xiàn)對(duì)于鋁合金樣品分類(lèi)的高速、連續(xù)、自動(dòng)化測(cè)試，有助于大量廢舊金屬的高性能分類(lèi)在線(xiàn)檢測(cè)回收。

致謝：波音公司、中國(guó)商用飛機(jī)有限責(zé)任公司對(duì)本項(xiàng)目提供了資金支持，特此表示感謝！