基于紅外溫度場的電弧增材制造缺陷在線檢測方法

肖宇，陳曦，胡建南，張海鷗

(華中科技大學,武漢430074)

0 前言

電弧增材制造具有多層、多道、三維復雜成形等特征，在成形過程中對層間冶金質量和組織性能有嚴格的要求。但由于受焊接電流與電弧電壓、行走軌跡與速度、熔積槍高度、送絲速度、保護氣體流量等因素的影響，熔積層可能會出現駝峰、流淌、偏移等缺陷，導致熔積層形貌不規則，熔積層間層易出現氣孔、未熔合等缺陷，最終影響增材制品的尺寸及質量。

為了在電弧增材制造過程中即時對上述缺陷進行處理，保證成形形貌與質量，避免完工后檢測出現廢品，在線缺陷檢測成為電弧增材制造的核心技術。對于熔積層產生的缺陷，現有的檢測方法一般采用熔積后再檢測的方法，如X射線無損檢測、超聲探傷等[1]，但這些方法經濟性差且存在輻射，有安全隱患，需耦合劑，無法在線實時檢測等缺點。而紅外無損檢測作為一種非接觸的檢測手段，具有快速、檢測范圍大、直觀等優點，主要分為被動式紅外熱像無損檢測技術與主動式紅外熱像無損檢測技術。可通過采集分析熔積過程中的紅外溫度場特征，對熔積層進行在線缺陷檢測，對電弧增材制造缺陷的在線檢測提供了一個廣泛的可能性[2-7]。

文中采用被動式紅外熱像無損檢測技術，不對熔積層加載熱激勵，僅利用熔積層自身的溫度場變化及分布情況，提取熔積層輪廓特征。采用深度學習殘差神經網絡對熔積過程中的偏移、駝峰、流淌缺陷進行在線分類檢測。根據檢測的結果進行現場報警，并持續保存診斷日志，便于后續的銑削、補焊及工藝參數的優化處理，最終保證增材制品的成形質量，具有一定的理論和工程應用價值。

1 試驗設備及試驗方法

1.1 試驗設備

試驗平臺示意圖如圖1所示。采用LORCH焊機MIG 脈沖式焊接模式，利用六自由度的機器人，在直徑為150 mm，厚度為20 mm的基板上進行熔積試驗。試驗過程中使用MAG32系列紅外熱像儀進行溫度場的采集，熱像儀探測器像素數為384×288，相元尺寸為17 μm，測溫范圍為-20～1 600 ℃，幀率為50 Hz。

圖1 試驗平臺示意圖

1.2 試驗方法

為了模擬實際生產過程中的熔積層缺陷，進行溫度場數據采集分析。通過采用不同的熔積工藝參數，產生不同的熔積層缺陷樣本。其中各試驗方案未經特殊說明，材料均為碳鋼，熔積長度150 mm，焊接工藝參數見表1。

表1 焊接工藝參數

1.2.1偏移缺陷的紅外監測試驗

熔池偏移缺陷是指當槍加持偏移，機構不穩定，軌跡出現錯誤，易產生熔積層位置不對的偏移缺陷。文中通過設置不同熔積軌跡使得熔積層中間偏移1～7 mm，熔積速度為300 mm/min的方法，模擬實際生產中的熔積層偏移缺陷。

1.2.2駝峰缺陷的紅外監測試驗

駝峰缺陷是指當由于送絲不順暢或熔積速度突然不均勻導致單道變窄緊跟著出現粗大的表面凸起。文中采用在熔積過程中，槍在不同位置停留2 s，其他位置保持熔積速度300 mm/min的方法模擬實際生產中的熔積層駝峰缺陷。

1.2.3流淌缺陷的紅外監測試驗

流淌缺陷是發生于熔積層較高，由于送絲速度不穩定或上一層熔積層溫度過高，導致了本層熔積層的面積大于可堆疊的面積，造成了熔池流淌。文中采用熔積速度300 mm/min堆積多層單道，并在熔積層較高時，降低熔積的速度為250 mm/min，模仿實際生產中的熔積層流淌缺陷。

2 熔積層紅外圖像輪廓特征提取

2.1 熔積層紅外圖像提取算法

2.1.1熔積層紅外溫度堆疊圖提取

熔積過程中，典型的熔積層紅外圖像如圖2所示。提取對應的紅外等溫線圖，如圖3所示，等溫線的三維視圖如圖4所示。從圖3可知，熔積層溫度場具有明顯的梯度，熔積最高溫區域會有因為保護氣導致的局部失真[8-9]。熔積層的輪廓雖然能看到，但不夠明顯。起弧位置冷卻較快，也導致了基板與熔積層之間難以區分，無法較好的提取出正在熔積的熔積層輪廓。

圖2 典型熔積層的紅外圖像

圖3 典型熔積層的紅外等溫線圖

圖4 典型正在堆焊熔積層的紅外等溫線三維圖

為了更好的獲取熔積層的輪廓，文中采用紅外圖像堆疊合成的方法。即每一幀的固定位置，取歷史溫度的最大值的方法，獲取最終的紅外堆疊圖像的等溫線圖如圖5所示，繪制其溫度等溫線的三維視圖如圖6所示，可以清晰的看到熔積層與基板的邊緣，方便提取熔積層的輪廓。

圖5 溫度場堆疊的等溫線圖

2.1.2熔積層紅外輪廓提取

根據圖6分析，正在熔積的熔積層區域均大于900 ℃，因此只提取大于900 ℃的區域，即可得到熔積層的輪廓。將提取到的熔積層區域顯示為白色，最終獲取的輪廓圖像如圖7a所示。文中只研究單道多層直線熔積層，因此可采用最大外接輪廓法，提取該區域的最大外接矩形，如圖7b所示。根據最大外接矩形的角度及位置，進行相應的旋轉矯正截取，得到熔積層輪廓ROI區域如圖8a所示，與該輪廓對應熔積層的自然圖像圖8b對比可知，熔積層輪廓提取效果較好，可直觀反應熔積層輪廓的變化。

圖6 溫度場堆疊的三維圖

圖7 提取熔積層紅外輪廓及最大外接矩形

圖8 截取矯正的熔積層輪廓ROI區域

2.2 不同熔積層缺陷紅外圖像輪廓提取分析

2.2.1熔積層偏移紅外輪廓特征分析

根據熔積層偏移1～7 mm的紅外溫度場，提取熔積層偏移對應的輪廓特征。熔積層偏移1～7 mm缺陷與正常熔積層對比見表2，熔積層偏移越多，對應熔積層紅外輪廓越歪扭，而正常熔積層紅外輪廓一直保持對稱均勻，呈一條直線。可通過圖像處理的方法對熔積層偏移的紅外輪廓圖像進行分類檢測。

2.2.2駝峰缺陷紅外輪廓特征分析

根據熔積層駝峰缺陷的紅外溫度場，提取熔積層駝峰對應的輪廓特征。駝峰缺陷與正常熔積層對比見表3，駝峰的輪廓的中部寬度比較大，而其他部位的寬度比較均勻且小于駝峰位置的寬度，與熔積層正常紅外輪廓差異明顯。可通過圖像處理的方法對熔積層駝峰的紅外輪廓圖像進行分類檢測。

表3 駝峰缺陷與正常熔積層對比

2.2.3流淌缺陷紅外輪廓特征分析

根據熔積層流淌缺陷的紅外溫度場，提取熔積層流淌對應的輪廓特征。流淌缺陷與正常熔積層對比見表4。與正常熔積層對比，熔積層流淌的輪廓會出現異常，輪廓極為不均勻，輪廓的邊緣呈現不規則變化，與熔積層正常紅外輪廓差別明顯。可通過圖像處理的方法對熔積層流淌的紅外輪廓圖像進行分類檢測。

表4 駝峰缺陷與正常熔積層對比

3 基于殘差網絡熔積層紅外輪廓缺陷識別

3.1 ResNet網絡結構

卷積神經網絡CNN已被證明在圖像分類上可獲得良好的效果[10-13]。文中采用的是ResNet[14]，ResNet是何凱明于2015年提出，并獲得ILSVRC第一名的網絡結構。主要優點是利用更深層次的網絡解決訓練誤差隨網絡層數的增加而增大的問題，減少了模型參數量，增加檢測速度。

ResNet關鍵結構為在網絡單元基礎上增加了一個恒等的連接，如圖9所示。圖中H(x)為理想映射，F(x)為殘差映射。通過將擬合目標函數H(x)轉變為擬合殘差函數F(x)，把輸出轉變為輸入和擬合結果的疊加，使得模型對輸出H(x)與輸入x之間的微小波動更加敏感，最終模型學習到更好的特征進行分類。

圖9 恒等的連接結構

正常、偏移、駝峰、流淌這4種熔積層的紅外圖像經過預處理提取到的輪廓特征比較明顯，可采用ResNet的方法進行分類檢測。其中熔積層偏移、駝峰、流淌這3種為缺陷。由于數據少，而檢測實時性要求較高，因此文中采用了殘差網絡ResNet18，其網絡結構示意圖如圖 10 所示。總共有17個卷積，2個池化層，1個全連接層。模型的輸入為224×56大小的熔積層輪廓圖片, 第一個卷積層的參數是64個7×7的卷積核，卷積核的步長為2。剩余卷積層均為3×3的卷積核，其中第6個、第10個、第14個卷積核步長2，其他卷積核步長為1。每一個卷積層之后都設置BatchNorm層, 以增加模型的泛化能力。激活函數使用Relu，防止梯度消失。第一個池化層采用max pool進行下采樣，第二個池化層采用avg pool進行下采樣。最后一層為全連接層，將上一層所有神經元進行連接，輸出k維向量，k為分類的類別數。文中熔積層紅外輪廓數據包括正常、駝峰、流通、偏移4個類別，故k取4。

圖10 ResNet18網絡結構示意圖

3.2 數據集構建

文中通過對單條熔積層紅外溫度流數據提取不同連續幀堆疊的輪廓結果，豐富了樣本數量。經過整理，各類別輪廓數據見表5，訓練集及測試集比例按照約1∶3進行劃分。

表5 4種類別輪廓數據集總結

3.3 CNN網絡結構訓練及測試分析

訓練模型采用顯存為16 GB 的Ge Force GTX Titan X顯卡，ResNet18采用深度學習開源工具PyTorch0.4進行搭建，編程語言使用的是Python 3.6，操作系統為ubuntu 16.04。模型訓練的初始學習率設置為 0.001，每7次減低0.1倍學習率，網絡訓練方式采用批處理隨機動量梯度下降法，momntum取0.9，batch取64。由于樣本數較少，極易產生過擬合，因此通過L2正則化，Dropout，數據增強的方法增加模型泛化能力，減少模型過擬合。其中L2取0.000 01，Dropout層連接在最后一個平均池化層之前，神經元隨機失活的概率為0.5。數據增強采用了隨機水平垂直翻轉，隨機旋轉5°，隨機剪裁200×56大小的圖像，并重新調整圖像大小為224×56。

為檢測ResNet18的性能，文中采用BP神經網絡與之進行比較。BP 神經網絡采用常用的4層結構，輸入層為224×56，隱含層取兩層 1 000 個神經元節點，輸出層節點為4。網絡學習率設置為0.001，每7次減低0.1倍學習率，批處理隨機動量梯度下降法，momntum取0.9。

圖11為ResNet及 BP 神經網絡在網絡訓練過程中的準確率曲線圖。從圖可知，ResNet在網絡訓練過程中的準確率和收斂速度均要優于 BP 神經網絡。在迭代 10次之后，ResNet的準確率能達到99.6%，明顯高于BP神經網絡的準確率。

圖11 網絡訓練過程中的準確率

圖12為ResNet和BP 神經網絡在測試過程中的準確率曲線圖。從圖中看到，ResNet的準確率要遠高于 BP 神經網絡。迭代10次之后，ResNet的準確率能達到97.1%，而BP 神經網絡的最高識別率為79.7%。具有卷積神經網絡結構及恒等的連接結構的ResNet能更好的提取圖像的局部相關性，從而提取更能表達圖像類別的特征，具有教強的泛化特性。而簡單的全連接BP神經網絡不能很好的提取圖像特征局部相關性，訓練集及測試集的準確率都沒有ResNet高。

圖12 網絡測試過程中的識別率

分別采用測試準確率為97.16%的ResNet18模型，以及測試集準確率為78.70%的BP模型，獲取4種熔積層輪廓類別的準確率以及召回率見表6。ResNet18的準確率及召回率較高，指標性能均大于BP神經網絡。而熔積層紅外輪廓正常的準確率相對其他3種缺陷較高，召回率均為100%，滿足熔積層輪廓缺陷檢測的準確性需求。

表6 4種類別輪廓識別準確率及召回率

ResNet18模型的識別 單張熔積層輪廓熔池圖片狀態僅用時1.35 ms，能夠滿足熔積層紅外輪廓的在線缺陷實時檢測的要求。通過ResNet18模型在線監測每一條熔積層的形貌，進行正常、偏移、駝峰、流淌4種類別的缺陷的檢測，便于后續工藝參數的優化控制，保證增材制品的質量。

4 結論

(1)提出一種基于電弧增材制造紅外溫度場進行在線缺陷檢測的方法，將多幀溫度場數據堆疊獲取熔積層輪廓。可以清晰的看到熔積層正常、偏移、駝峰、流淌的輪廓之間的差別，以便于后續分類器進行熔積層分類診斷。

(2)采用殘差網絡ResNet18對4種熔積層紅外輪廓進行分類，檢測熔積層缺陷。經過在線缺陷檢測驗證，檢測分類的準確率可達97.16%，單張熔積層輪廓檢測時間達到1.35 ms，滿足實際工況中實時準確的需求。通過在線檢測每一條熔積層紅外輪廓缺陷，保證最終增材制品的成形質量，具有實際工程應用意義。