郭鑫鑫,杜軍,馬琛,魏正英

(西安交通大學機械制造系統(tǒng)工程國家重點實驗室,710049,西安)

傳統(tǒng)金屬增材制造工藝大多使用粉末[1-3]或絲材[4-6]作為原材料,制備成本高,而很多牌號的金屬不易制粉或絲,常常使得工藝在材料選擇方面受限。本課題組提出了一種非常具有前景的替代方案,以感應加熱與TIG電弧作為熱源,金屬鑄錠作為原材料的增材制造新方法,即熔滴復合鎢極惰性氣體保護焊(tungsten inert gas welding,TIG)電弧堆積成形方法[7-9],其具有高效率低成本等優(yōu)點。

熔滴復合TIG電弧成形過程中如熔滴沖擊速度、電弧熱輸入、成形速度、噴頭流量、基板溫度等可變工藝參數(shù)繁多,由于堆積層尺寸對工藝參數(shù)的高靈敏度[10]以及復雜的材料冶金過程,不可避免地會出現(xiàn)未熔合、不連續(xù)、溢流等堆積層形貌缺陷。

機器學習因其在分類、回歸和聚類等數(shù)據(jù)任務中前所未有的性能而受到越來越多的關注[11],基于機器學習的方法在增材制造堆積層形貌特征提取、識別、預測與控制中具有廣闊的應用前景。Shi等[12]基于卷積自編碼器的方法從表面輪廓中提取信息特征,并通過有監(jiān)督的機器學習,進一步量化表面形態(tài)與機器參數(shù)之間的相關性。Zhang等[13]提出了應用深度學習框架自動檢測增材制造金屬零件表面質(zhì)量,在欠熔、過熔和良好的識別中表現(xiàn)出了出色的性能。Zhu等[14]為了實現(xiàn)焊縫表面缺陷的無損智能識別,提出了一種基于深度學習的焊縫表面缺陷智能識別方法,通過卷積神經(jīng)網(wǎng)絡(convolutional neural networks,CNN)自動學習高級特征,利用提取的高級特征對隨機森林進行訓練,預測分類結果。Deng等[15]根據(jù)視覺傳感器獲得的電弧增材制造(wire arc additive manufacturing,WAAM)成形零件的尺寸建立了機器學習模型。Xia等[16]提出了一種基于激光傳感器的WAAM表面粗糙度測量方法。為了提高WAAM沉積層的表面完整性,開發(fā)了不同的機器學習模型。發(fā)展實時檢測的主要困難是圖像處理的速度[17],雖然近年來隨著機器學習的發(fā)展增材制造過程監(jiān)測獲得了長足的進步,然而上述監(jiān)測模型的構建需要價格昂貴的GPU來縮短圖像特征提取與訓練時間,成為制約該技術在監(jiān)控設備終端部署應用的瓶頸。

本文旨在開發(fā)一種低計算資源的在線監(jiān)測方法,用于實現(xiàn)鋁合金熔滴復合TIG電弧增材制造過程堆積層形貌缺陷快速識別,提高堆積層成形質(zhì)量,降低制造成本。在目標識別領域,圖像特征提取是進行后續(xù)工作的關鍵步驟[18],圖像處理需要時間,從而導致整個系統(tǒng)的滯后,所以首先基于ORB算法自動快速提取堆積層形貌特征的二進制描述符,并且提取的特征向量是旋轉(zhuǎn)不變和抗噪聲的;然后采用BOW模型對堆積層形貌圖像數(shù)據(jù)集中所有的 ORB 描述子進行聚類構造視覺詞典;最后將每張圖像的視覺單詞直方圖作為輸入特征訓練支持向量機堆積層形貌識別模型,并借助網(wǎng)格搜索算法與k-fold交叉驗證優(yōu)化模型參數(shù)。

1 試驗設備與方案

1.1 試驗設備

本文以自主研發(fā)的鋁合金熔滴復合TIG電弧增材制造設備開展堆積層形貌缺陷識別研究。該工藝結合了變極性TIG電弧和感應加熱系統(tǒng),工藝原理如圖1所示。作用于坩堝外圍的高頻電磁感應線圈將坩堝內(nèi)的材料加熱至熔融態(tài),在惰性氣體的壓力驅(qū)動下熔融態(tài)鋁合金經(jīng)底部過濾網(wǎng)過濾后進入熔覆頭中的流道,經(jīng)流道作用后在噴孔處形成熔滴并快速射向位于熔覆頭正下方的基板;同時變極性TIG電弧作用于鋁合金基板形成熔池,三維運動控制系統(tǒng)帶動基板向堆積層監(jiān)測系統(tǒng)方向移動。熔滴在氣壓驅(qū)動下連續(xù)落入熔池與基板發(fā)生冶金結合,液態(tài)金屬凝固后形成堆積層。

堆積原材料采用鋁合金棒材,將其加工成直徑為 60 mm、高度為 80 mm 的圓柱放置于石墨坩堝內(nèi)熔化,2024鋁合金化學成分Al、Cu、Mn、Mg、Zn質(zhì)量分數(shù)分別為92.94%、4.75%、0.5%、1.56%、0.25%。

成形過程中保持 TIG 焊槍和熔覆頭不動,基板隨運動平臺移動,CMOS 相機與焊槍的相對位置不變,鏡頭聚焦在熔池及堆積層后沿,實時抓取堆積層表面形貌。試驗裝置及相機基本參數(shù)如表1所示。

表1 試驗裝置及CMOS相機基本參數(shù)

1.2 試驗方案

TIG電弧峰值電流、基板移動速度、噴頭流量和基板加熱溫度是對堆積層形貌影響最大的4個主要工藝參數(shù),本文將主要針對這4個工藝參數(shù)對堆積層形貌的影響展開研究。單層單道成形工藝參數(shù)變化范圍如表2所示。

表2 單層單道堆積成形工藝參數(shù)

采用數(shù)據(jù)清洗及圖像灰度化處理篩選出良好、未熔合、溢流、不連續(xù)4種類型的堆積層形貌數(shù)據(jù)集,為了使訓練后的模型泛化能力更強運用數(shù)據(jù)增強手段使訓練數(shù)據(jù)分布更加豐富,具體圖像預處理與標記方法參考文獻[19],最終獲得數(shù)據(jù)集共有14 000張圖像,每個類別訓練集的數(shù)量為3 500。

圖2顯示了不同工藝參數(shù)組合下堆積層可能存在的形貌類型,對于圖2(b),由于基板移動速度過快導致熱輸入不足,基板熔深較淺,鋁合金熔滴不能和基板發(fā)生冶金結合,堆積層宏觀形貌表現(xiàn)為寬度較窄,并且與圖2(a)相比前端重熔程度較低;通過增大電弧電流或減小基板移動速度等方式提高單位時間熱輸入量,可顯著降低未熔合缺陷,然而過多的熱輸入會導致嚴重的溢流,由于熔池表面中心液體被擠壓到周圍,堆積層寬度變大,魚鱗紋特征減弱,如圖2(c)所示;當熔滴流量過小時,在制造過程中熔滴沉積系統(tǒng)變得不穩(wěn)定,降低了零件成形的穩(wěn)定性,堆積層不連續(xù),如圖2(d)所示。因此,對堆積層邊緣和關鍵點等底層特征進行可靠提取,可實現(xiàn)形貌缺陷的準確識別。

2 特征提取與編碼

2.1 基于ORB算法的特征提取

面向FAST和可旋轉(zhuǎn)的BRIEF(oriented FAST and rotated BRIEF,ORB)[20]是一種快速特征點檢測和描述的算法,可以通過試驗證明ORB比SIFT快兩個數(shù)量級。該算法基于改進與優(yōu)化的FAST關鍵點檢測器和BRIEF二進制描述符方法,改進后的算法解決了BRIEF描述子不具備旋轉(zhuǎn)不變性的問題,并通過構建高斯金字塔,在每一層金字塔圖像上檢測角點,實現(xiàn)尺度不變性,關鍵點檢測與描述流程如圖3所示。

2.1.1 關鍵點檢測

加速段測試特征(features from accelerated segments test,FAST)的檢測算法是公認的最快的特征點提取方法,使用以點P為中心點的圓上的像素,設置閾值強度,統(tǒng)計連續(xù)比點P更亮或者更暗的點的數(shù)量,只有該數(shù)量達到一定的條件,點P才會被視為特征點[21]。但是該算法的特征點不具備尺度不變性,因此首先建立圖像高斯金字塔,設置比例因子為1.2,為了保證整體匹配精度,金字塔的層數(shù)為8;然后在每層金字塔上采用FAST算法提取特征點,采用Harris角點函數(shù)響應值對關鍵點排序,確定要查找的最大關鍵點數(shù)為150,堆積層形貌檢測到的關鍵點如圖4所示。

為了使關鍵點具有旋轉(zhuǎn)不變性,使用灰度質(zhì)心法,通過計算像素點與鄰域像素點的矩得到這一區(qū)域的質(zhì)心;特征點與質(zhì)點的夾角作為FAST特征點的主方向。這個計算過程得到的特征稱為定向FAST特征(oriented-FAST,oFAST)。

2.1.2 特征描述

上述算法找到了關鍵點的位置和方向,接下來利用這個關鍵點將其周圍區(qū)域的信息用一組向量描述出來,由此可以減少旋轉(zhuǎn)和尺度變化等帶來的影響。

二值魯棒獨立基本特征(binary robust independent elementary features,BRIEF)描述子[22]采用二進制字符串作為特征點描述符,速度更快,同時,它有著很好的識別率。首先平滑圖像,然后在關鍵點周圍隨機選取256個像素對,定義二值τ

(1)

式中P(A)為P在A點的強度。比較兩個不同像素點的明暗關系,得到0或1的結果,將所有結果組合就是BRIEF特征。OpenCV以字節(jié)為單位表示,因此每個關鍵點的特征描述符數(shù)量為32。雖然ORB提取圖像特征較少,但更有意義[23],保證了識別準確率的情況下加快了圖像處理速度。

為了解決特征的旋轉(zhuǎn)不變性,ORB算法采用oFAST特征點的主方向作為BRIEF描述子的主方向,將旋轉(zhuǎn)后的描述子記為steered BRIEF。結合貪婪算法篩選出類內(nèi)方差大、相關性低的采樣點對,最終提取出的BRIEF特征稱為rBRIEF特征。

整個特征提取與訓練過程是在一臺配置為Intel(R) Core(TM) i5-8300H CPU、8.00 GB RAM的筆記本電腦上,基于Python 3.7,opencv-python 4.5.3.56 提取出14 000張堆積層形貌圖像共1432 130個ORB特征向量,用時大約90 s。

2.2 基于BOW模型的特征編碼

考慮到不同圖像具有不同數(shù)量的ORB特征點,為了得到維度相同的特征向量表示每張圖像用于堆積層形貌缺陷的識別,使用詞袋模型(bag of word,BOW)對上述得到的ORB特征編碼[24]。BOW模型通過對底層信息進行統(tǒng)計,得到相關概率統(tǒng)計信息,克服了底層特征引起的語義鴻溝。

本研究使用ORB描述子作為特征點,其快速的特征點檢測與二進制串的表達形式,使得BOW模型的訓練十分方便。使用Kmeans算法對圖像數(shù)據(jù)集中所有的ORB描述子進行聚類,形成n個聚類中心即包含n個簇,一個聚類中心代表一個視覺單詞,所有視覺單詞做成視覺詞典,詞典構造完以后,根據(jù)統(tǒng)計堆積層形貌圖像訓練集中每個特征向量到聚類中心的距離,將其分配到最近的視覺單詞,記錄每個聚類中心在圖像的出現(xiàn)頻率,最終將每張圖像表示成視覺單詞直方圖。這樣就能用一個向量來描述一幅圖像,在很大程度上減少了計算量,實現(xiàn)圖像的全局表達,并且生成的最終向量維度相同便于分類器的訓練。

3 堆積層形貌缺陷識別

3.1 支持向量機與參數(shù)優(yōu)化

本文采用支持向量機(support vector machine,SVM)對4種不同堆積層形貌識別。SVM基于結構風險最小化原則,具有良好的泛化性能和計算效率[17],是處理工程分類問題的常用方法。給定訓練樣本集

(2)

SVM通過選擇一個優(yōu)化的超平面來分離數(shù)據(jù)點,使兩類之間的差值最大化,其可以描述為如下的優(yōu)化問題[25]

(3)

約束條件為

yi(wxi-b)≥1-ξi,ξi≥0,i=1,…,l

(4)

式中:w為與超平面垂直的向量;C為懲罰因子;ξi為稀疏變量。

在本文SVM模型中,核函數(shù)類型為徑向基(radial basis function,RBF)核函數(shù)

k(xi,x)=exp(-γ‖xi-x‖2),γ>0

(5)

核函數(shù)的作用是將訓練向量xi映射到高維空間,從而在高維空間進行線性分類[26],核函數(shù)參數(shù)γ取值越小,模型分類就越細致,但會出現(xiàn)過擬合問題。誤差項懲罰因子C>0的作用是權衡訓練風險與模型結構風險,懲罰因子C越大,則訓練風險越小,模型結構風險越大,會存在過擬合問題;反之,則存在欠擬合問題。

盡管SVM在默認值下運行良好,但參數(shù)優(yōu)化可以幫助提高SVM的性能[27]。采用網(wǎng)格搜索算法與k-fold交叉驗證尋找最佳的γ和C值。設置C和γ的搜索范圍同為[0.001,0.01,0.1,1,10,100],將堆積層形貌特征數(shù)據(jù)集隨機提取70%作為訓練集,然后將訓練集等分為10個互斥子集。對于網(wǎng)格中每一組(C,γ),不重復地取任意一個子集作為測試數(shù)據(jù),其余子集作為訓練數(shù)據(jù)[16],統(tǒng)計10次訓練交叉驗證準確率均值。

3.2 缺陷識別結果

Kmeans聚類算法中參數(shù)n代表BOW模型聚類中心的數(shù)量,決定了編碼后最終特征向量的維度,取值變化會影響堆積層形貌識別算法的準確率[28]以及編碼過程、SVM模型訓練和識別的用時,所以上述網(wǎng)格搜索算法與k-fold交叉驗證是在n分別取值為100、200、300、400、500時基于Python的Scikit-learn庫來實現(xiàn)的。

隨著n增大生成的視覺單詞直方圖維度變大,使得BOW特征編碼與SVM形貌識別時間增長,尤其是SVM在識別更高維度的特征向量時需要更多的時間,對應SVM網(wǎng)格搜索算法的最優(yōu)參數(shù)如表3所示。

表3 SVM模型最優(yōu)參數(shù)與準確率

對于參數(shù)n的不同取值,所得到ORB-SVM模型識別單張圖像的時間如圖5所示,處理單張圖片特征提取大約耗時6.4 ms,在整個視覺識別過程占比超過50%,從而導致整個系統(tǒng)的滯后,所以提升特征提取的速度是發(fā)展實時檢測的關鍵。

當n=500時,模型準確率沒有升高反而需要更多地運行時間,所以選擇n=400、C=10、γ=0.01為ORB-SVM模型參數(shù),此時識別單張圖片形貌的時間約為9 ms,測試集準確率為0.96。對比課題組前期基于NVIDIA RTX 2080 Ti GPU運算識別結果為12 ms/幀,準確率為0.99[19],該算法無需借助昂貴的GPU,能夠在保證較高識別準確率下獲得更快的識別速度。

圖6為識別結果的混淆矩陣,可知大部分測試樣本都被正確地識別。根據(jù)混淆矩陣計算的模型評價指標如表4所示,模型性能以F1分數(shù)衡量[29]

(6)

式中:P為精確率;R為召回率。各類別F1分數(shù)全部大于0.94,證明模型效果較優(yōu)。

表4 不同類別的精確率、召回率和F1

4 結 論

由于電弧復合熔滴成形過程涉及眾多參數(shù)和一系列復雜的材料冶金、物化及熱力耦合現(xiàn)象,不可避免會出現(xiàn)形貌缺陷問題。為了提高堆積層成形質(zhì)量,并且考慮到識別速度對實時應用來說極為關鍵,本文利用ORB算法自動檢測堆積層圖像關鍵點,基于BRIEF的二進制特征描述,可以高效、快速地存儲在內(nèi)存中,能夠在計算資源非常有限的設備上運行;使用BOW模型對ORB特征編碼得到維度相同的特征向量用于堆積層形貌缺陷的識別;視覺單詞的數(shù)量決定最終特征向量的維度,并顯著影響SVM識別時間,借助網(wǎng)格搜索算法與k-fold交叉驗證優(yōu)化SVM的超參數(shù),模型在參數(shù)n=400、C=10、γ=0.01時識別形貌的準確率為0.96,識別速度約為9 ms/幀,表明了該模型的優(yōu)越性。