基于FCM-CV的GMA-AM熔池圖像邊緣提取

（南京理工大學材料科學與工程學院，江蘇南京210094）

0 前言

近年來，利用增材制造技術快速打印復雜結構件引起了各國學者的廣泛關注。其中，GMA-AM技術具有低成本、高材料利用率、高生產效率等優點。目前，GMA-AM技術的研究主要集中在成形工藝、微觀組織和力學性能上，關于過程穩定性和尺寸精度控制方面的研究鮮見報道[1]。熔長、熔寬以及后拖角等焊接熔池幾何尺寸參數能夠在一定程度上反映焊接質量信息，因此準確可靠地檢測出熔池幾何尺寸，對于實現GMA-AM尺寸精度和質量控制具有重要意義[2]。

傳統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]，但是針對目標灰度變化復雜的圖像，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，具有對噪聲、模糊邊緣不敏感等優點，無論圖像質量如何，都能提取光滑、封閉的邊界[4]。有學者針對CV模型提取熔池圖像輪廓進行了初步研究。陳希章等人對CV算法進行了強化特征模型修正、多尺度快速算法和全局特性抑制等改進，識別了熔池圖像的連續輪廓[5]。李靜等人針對MAG管道打底焊，設定橢圓作為熔池初始輪廓，結合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定，當目標和背景灰度對比度較小、圖像噪聲較大時，CV模型對初始位置敏感，可能造成分割結果不夠準確[7]。針對以上問題，本研究提出了一種基于模糊C-均值（fuzzy C-Means，FCM）聚類和區域主動輪廓模型（CV）的協作分割算法（FCM-CV），對GMA-AM熔池圖像進行輪廓提取。

1 試驗裝置及圖像預處理

GMA-AM焊熔池視覺采集試驗系統如圖1所示。采用的焊接電源為FRONIUS TPS4000；圖像采集系統包括BASLER acA1920-155um CCD、防護濾光片和透紅外濾光片。利用GMA-AM焊試驗系統在304不銹鋼平板上進行試驗。保護氣體成分為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技術，每一單層成形尺寸和質量直接決定單道多層增材制造的質量，在此針對單道單層增材制造進行研究和分析。

圖1 GMA-AM試驗系統

熔池圖像預處理如圖2所示。由圖2a可知，電弧區的高亮度與熔池區形成鮮明對比，CV主動輪廓提取算法只能識別出電弧區的輪廓，熔池區的輪廓被忽略。為了減弱圖像處理時高亮電弧區對熔池輪廓的影響，首先對熔池圖像進行過曝處理，將電弧區的灰度值設置為0，處理效果如圖2b所示。

圖2 熔池圖像預處理

2 FCM-CV熔池邊緣提取方法

2.1 模糊C-均值聚類

Dunn J C和Bezdek J C提出了模糊C-均值聚類，通過樣本點對類中心的隸屬度確定每個樣本點屬于某個聚類的程度，是應用最為廣泛的模糊聚類方法[8]。

FCM算法的基本思想是通過迭代尋找聚類中心vi和隸屬度μij，使如下成本函數最小化

式中 C為類別數；N為圖像像素總數；p為模糊度控制參數（p＞1）；xj是圖像像素值；vi為第 i類的中心；‖xj-yi‖2為像素點與第i類聚類中心vi的歐幾里得距離；μij為隸屬度函數表征數據元xj屬于第i類的程度。根據Lagrange乘數法，隸屬度函數μij需滿足以下3個條件

FCM算法步驟為：①設定聚類數目C和參數p；②初始化隸屬度函數μij及類中心vi；③更新隸屬度函數μij和類中心vi

④重復步驟③，直到算法收斂，得到各類的聚類中心和隸屬度，從而完成模糊聚類劃分。

2.2 Chan-Vese主動輪廓模型

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

CV模型的能量函數可表述為

給定一條初始輪廓線C，將圖像分成平均灰度分別為c1、c2的內外兩個不同質區域inside（C）和outside（C），用水平集函數φ的零水平集表示輪廓線C。其中Length（C）為輪廓線C的周長，輪廓線的內部面積為Area（inside（C））。當輪廓線C位于兩個不同質區域的邊界時，能量函數 F（c1，c2，φ）取得最小值，從而對圖像進行邊緣提取。

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

假設Ω為整個圖像定義域，則得到

令φ為常數，計算c1和c2

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

2.3 Chan-Vese模型改進

傳統CV模型對初始輪廓敏感，初始輪廓不同的圖像，其分割的結果和算法迭代次數也不同，通過手動設置的初始輪廓可能得不到準確的分割結果。本研究提出一種基于FCM提取初始輪廓協作CV模型提取輪廓邊緣的算法——FCM－CV，算法步驟如下：

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

②初始化水平集φ0，得到初始輪廓。

③根據式（7）計算 c1、c2。

④根據公式（8）逐次迭代，計算φn。

⑤重復步驟③、④，直到算法收斂。

3 試驗結果與分析

通過GMA－AM焊熔池視覺采集試驗系統獲取1 000組熔池圖像進行輪廓提取研究。試驗平臺計算機采用Windows 10操作系統，Intel(R)Core(TM)i3－M370處理器，8 GB內存，編程環境為MATLAB R2016a。

不同初始輪廓CV模型的熔池圖像分割效果對比如圖3所示。圖3a、3b為標準初始化輪廓[9]與其分割結果，圖3c、3d為目標內圓初始輪廓與其分割結果，圖3e、3f為目標外圓初始輪廓與其分割結果，圖3g、3h為FCM預分割初始輪廓與其分割結果。由圖3可知，由于電弧區的灰度梯度大，電弧區輪廓曲線都能被很好地提取，但熔池區的灰度梯度相對較小，尤其是在熔池尾部，初始輪廓的設定對熔池輪廓曲線的提取造成了不同的影響。將初始輪廓設定為標準初始化輪廓可以大致提取出熔池輪廓曲線，但標準初始化輪廓由多個小圓組成，由于噪聲影響，曲線逼近熔池邊緣時提前結束，使邊緣呈鋸齒狀；將初始輪廓設定為目標內圓和目標外圓的形式，都不能有效地提取唯一圓滑的熔池圖像輪廓，內部存在多個封閉輪廓，尤其在浮渣和熔池尾部的過渡區域，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題，先用FCM模型預分割熔池圖像，得到最接近熔池圖像輪廓曲線的初始輪廓，在此基礎上運行CV模型進行修正，分割出完整光滑的熔池區輪廓和電弧區輪廓。

圖3 不同初始輪廓CV模型的熔池圖像分割效果對比

為驗證該方法的有效性，采用FCM-CV模型對不同工藝條件下的熔池圖像進行輪廓提取。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算法與傳統分割方法進行對比試驗，試驗結果如圖5所示。傳統分割方法如Robot算子、Sobel算子和Laplace算子等邊緣提取算法適用于目標與背景灰度單一的圖像，在內部細節豐富的熔池圖像中，傳統分割方法提取的熔池輪廓有很多偽邊緣，后續處理比較困難，影響正確率，不適合后期熔池圖像幾何特征的獲取和計算。而FCM-CV算法提取的熔池圖像輪廓曲線具有單一圓滑封閉的特點，為提取熔長、熔寬以及后拖角等熔池幾何尺寸參數提供了保障。

浮渣、熔池尾部等分區域均隱含大量的質量特征，提取這些分區域的視覺特征，對于建立視覺特征與質量的關系模型具有重要意義。針對浮渣及熔池尾部進行加窗處理，運行FCM-CV模型能有效提取浮渣和熔池尾部的輪廓，結果如圖6所示，這為后期視覺特征與質量關系模型的建立提供了另一個特征參數。

4 結論

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

圖5 傳統分割方法與FCM-CV算法對比

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、浮渣和熔池尾部的輪廓，實驗效果較好。

[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：哈爾濱工業大學，2014.

[2]高向東，江良征，龍觀富.強弧光反射環境下頻域濾波的熔寬特征提取[J].焊接學報，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].焊接學報，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C-V方法的焊接圖像識別[J].焊接學報，2007，28（9）：9-12.

[6]李靜，秦小麟，李芳，等.基于區域粗定位與Chan-Vese主動輪廓模型的MAG焊視覺圖像熔池邊緣提取[J].機械工程學報，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.