高強鋼激光焊接凝固裂紋特征識別技術研究

付玉鵬，柳春恕

1.海翔機械廠 河北邯鄲 057150

2.唐山開元自動焊接裝備有限公司 河北唐山 063000

1 序言

在高強鋼焊接熔池凝固過程中，受各種條件影響，會不可避免地產生不同層次的凝固裂紋[1]。為了保證焊接鋼體結構的穩定性，就必須識別出凝固裂紋，但是凝固裂紋出現在焊接熔池的尾端，相比其他區域，該處狹窄細小，極大地增加了裂紋識別難度。由于高強鋼的焊接過程極具復雜性，所以檢測識別凝固裂紋的技術要求也相當高，然而當前的凝固裂紋識別多采用傳統方法。傳統的識別技術雖然能夠識別出一些較大的凝固裂紋，卻難以做到檢測完全，與此同時，傳統的方法還存在很多局限。例如，相關文獻[2]利用響應面優化法建立了裂紋率與影響因子關系的相應模型，獲得了關鍵參量，利用光學顯微鏡和掃描電子顯微鏡對凝固裂紋特征進行識別。但是，該方法并不能識別到細小裂紋的存在，嚴重地限制了高強鋼激光焊接結構的整體穩定性能，降低了其使用壽命。

為此，本文提出高強鋼激光焊接凝固裂紋特征識別技術研究。本文通過3個方面，設計了高強鋼激光焊接凝固裂紋特征識別技術，在使用磁光成像技術的基礎上，得到清晰的高強鋼激光焊接凝固裂紋圖像，并對所得的圖像進行分段處理，轉化為8位灰度圖像。在此基礎上，對得到的灰度圖像進行讀取，提取其中相應的凝固裂紋特征參數，將參數數據進行整合，建立AI學習知識庫，同時使用相應的特征選擇算法排除模糊數據，在建立深度學習知識庫的同時以推理機輔助，AI自主進行凝固裂紋特征判斷，實現了高強鋼激光焊接凝固裂紋特征識別。通過試驗論證分析的方式，確定本文設計的高強鋼激光焊接凝固裂紋特征識別技術，能夠實現對焊縫進行凝固裂紋檢測與自動識別，利用這種技術得到的裂紋數據參數更加具體，能夠做到對焊縫凝固裂紋的全面識別，維護了焊接高強鋼的結構穩定性。

2 高強鋼激光焊接凝固裂紋特征識別技術

2.1 高強鋼激光焊接凝固裂紋局部分段成像

在識別高強鋼激光焊接凝固裂紋特征前，首先使用磁光成像技術，獲得區別于傳統圖像的、分辨力更高的高強鋼激光焊接凝固裂紋圖像。本文使用的磁光成像技術是建立在法拉第旋光效應的基礎上，根據其原理設計的成像方法。

這種方法的具體方式為：使用照相檢測系統對高強鋼激光焊接凝固裂紋進行圖像獲取，當出現線性偏振光時，可以沿著光線的平行方向，另外布置一個磁場進行干擾，其感應強度假設為V，那么在V的干擾下，偏振光就會出現偏振角旋轉變化情況，可以將這一偏振角表示為

式中α——旋轉角（°）；

C——比例系數；

V——感應強度（T）；

L——偏振光的有效長度數值（cm）。

偏角后就會改變反射光的強度，那么反射前的光線強度表示為

式中l——反射前的光線強度（Lux）；

l0——射入光線強度（Lux）；

ω——原本的偏振角（°）。

放入電磁鐵結構以后，在磁場影響下的光線強度會發生變化，引入旋轉角α，使得相應的光線強度也發生變化。其公式表示為

磁場強度公式表示為

式中G——磁場強度（A/m）；

Gmax——磁場的最大強度（A/m）；

k——磁場的交變頻率參數。

通過式（4）可以計算出施加的磁場強度。本文設計的成像結構具體工作原理如圖1所示。

圖1 成像結構具體工作原理

由圖1可知，成像結構所需的硬件基礎為：CCD數字專用照相機（分辨力為1600dpi×1200dpi）、光源射線發射器（電壓控制在200V以內）、偏振器及檢偏器。同時將相機與計算機相連，傳輸速度可以達到1024mb/s，便于及時傳輸所采集的圖像。通過上述成像步驟，就可以得到原始的高強鋼激光焊接凝固裂紋圖像[3]。

本文為保證成像結果的全面性，還使用了局部成像的方法進行細節操作。傳統的一體成像方法雖然能夠獲得較清晰的高強鋼激光焊接凝固裂紋圖像，但是對細小部分處理不夠準確[4]，為了保障凝固裂紋特征提取的完全性，本文將相機的拍攝頻率進行設定，然后將成像區域進行設定，如將兩塊規格為5cm×5cm×0.2cm的高強鋼板進行焊接，假設焊縫的尺寸為5cm×0.2cm，那么就可以將5cm×0.2cm的區域劃分為5個1cm×0.2cm的分段區進行拍攝成像，保證焊縫的每一個細節都能完全掌握，從而能夠獲得詳細的凝固裂紋特征數據。

此外，本文為保證所得的圖像存儲時的保真率，避免使用jpeg格式保存，這種格式會在計算機中被壓縮，從而使成圖質量降低，導致細節不能完全展示，甚至出現細節丟失的問題，影響后期的裂紋特征提取[5]。因此，本文在保存成圖時，采用的是bmp格式，這樣可以保證成圖的質量穩定。

2.2 凝固裂紋特征提取

根據前文的成像技術，在獲得高強鋼激光焊接凝固裂紋的局部分段成像后，就可以對凝固裂紋的特征進行提取。首先，將焊縫圖像進行預處理，由于原圖像的色彩繁雜，對辨別焊縫凝固裂紋的影響比較大，因此，本文是先將圖片轉換為8位灰度圖像，使得圖像中的像素差異通過亮度的變化表現，相應的計算公式為式中O——灰度值；

E——灰度值為（255，0，0）；

F——灰度值為（0，255，0）；

V——灰度值為（0，0，255）。

然后，進一步處理圖像，可以使用相應的計算公式將圖像轉換成只有黑白兩種灰度值的圖像，其公式為

式中dr（u，h）——在圖像中位置為（u，h）像素 點的灰度值；

t0——灰度值為0（黑色）；

t1——灰度值為255（白色）；

r——分割閾值的替代表示。

通過上述算法就可以得到相應的灰度圖像。

此外，對轉換后的圖片進行去噪及增強處理，這樣就能夠清晰地確定焊縫的形狀細節，改善所得到的圖像數據，以方便后期更清楚地識別凝固裂紋。在裂紋特征提取過程中，注意要區分其他缺陷，比如氣孔、雜質及焊點未熔合等，避免將其他缺陷計入凝固裂紋的特征中，對結果造成影響。在圖像預處理后，使用Beamlet算法對局部分段成像圖進行凝固裂紋特征提取。

具體步驟如下：假設得到的鋼體焊縫整體圖像為Q，并且其規格為wr×hr，假設分段處理的任意一個局部分段圖為Qe，其規格為m×n，該局部分段圖的最小灰度值使用Hmin表示，最大灰度值使用Hmax表示，并且還需要滿足Hmax≥Hmin≥0。首先，需要使用冪函數將分段圖Qe的數值進行變換，多數情況下，冪函數的參數為γ=1/3，在變換操作后，可以得到標準的數值參數；隨后可將參數進行數值反轉操作，那么這一情況下可以獲得圖像Qe'，在此圖的基礎上，可以進行二進剖析操作，將圖像Qe'均勻拆分為細節圖塊，假設這些細節圖塊的規格尺寸為l×l，那么接下來就可以使用Beamlet算法將其進行計算分析，得到各分段的對應線積分值，并將其進行Beamlet局部鏈接，使用自適應方法，把幾個Beamlet進行鏈接，在局部全連的情況下，搜尋并提取出更多的、更好的、更接近非二進的Beamlet集合，在多次膨脹及細化處理之后，可以得到整體的焊接凝固裂紋特征結果。

通過得到的凝固裂紋特征參數，分析出凝固裂紋的長度、圓度、寬度及深度特征，總的來說可以分為以下3類：縱向類凝固裂紋、橫向類凝固裂紋、放射類凝固裂紋。本文使用的圖像處理及Beamlet分析提取的焊接凝固裂紋的結果，雖然并不能做到與裂紋原構造一模一樣，但也已經是對原焊接裂紋的最接近結果，能夠很好地反饋凝固裂紋的形狀、延伸方向等特點，并不影響后期的自動識別效果。

2.3 裂紋特征自動識別

由于裂紋多以條狀表現，因此需要一個正確的識別條狀裂紋的算法，方便后期AI進行凝固裂紋的自動識別。本文采用了二值化算法，這種算法能夠有效地提取裂紋特征，同時還可以實現在確定的搜索范圍閾值內，對凝固裂紋進行識別。基于上述的圖像整合，可以得到整體圖像連通后的裂紋合并圖像，從而計算整體的裂紋長度，方便AI對其進行判斷識別。

本文利用A I進行深度學習，使其學習各種圖片處理后的裂紋特征提取參數，建立了相對應的關聯知識庫，這個過程中就需要獲取及處理大量的焊縫圖像，因此前期做了大量的圖像儲備。本文采用互聯網信息數據庫建立前期的知識儲備，讓AI通過谷歌數據庫進行深度學習，包括高強鋼激光焊接技術、鋼體焊接焊縫缺陷、凝固裂紋特征以及其他相關知識。

在深度學習的同時，還安排A I學會進行特征的選擇，并不是所有凝固裂紋特征都是最有效的，一些不完全特征容易造成概念模糊，影響后期的識別效果。讓AI進行特征選擇，對獲得的知識庫信息進行預處理，去掉不相關的參數信息，降低后期的推理難度。為此，本文為AI添加特征選擇的相關算法，在處理各個焊縫局部圖片裂紋信息時，AI能夠進行分類選擇，在總的焊接數據集合中，選擇最適合的一個或者多個子集，剔除綴余的無用子集。

在AI進行選擇前，本文制定了合適子集選擇的標準，本文采用線性鑒別分析方法作為確定子集的方法，也就是LDA法。LDA能在準則函數的基礎上，對合集的最優投影方向進行尋找，同時輔助以最小均方誤差準則，即MSE準則，在確定最優方向的基礎上，提高凝固裂紋特征選擇的精準度。首先可以假設存在規則E，其推理條件為V1V2V3…Vn（n＞1），E的置信度使用e表示，其條件的置信度相應設置為D1D2D3…Dn（n＞1），那么就可以得出該規則的最終置信度，其公式表示為

式中Emin——上述條件中最小的置信度表示；

QE——最終置信度的表示方式。

通過上式，能夠計算焊縫裂紋參數的可信度，進而進行選擇。

另外，還可以為建立的知識庫添加SQL語言管理模型，能夠在AI自主學習之外，進行人工輸入專業的焊縫特征提取結果，這些知識經驗能夠使得其更好地進行識別作業。

本文使用推理機，協同數據庫的知識儲備，讓AI通過算法計算圖像中缺陷的寬度、深度及長度參數，利用數據庫信息與當前條件匹配并進行推理，判斷是否為凝固裂紋。這種推理方法采用的是正向推理法，也就是在知識庫數據參數的基礎上，針對當前數據，計算機AI進行數據庫匹配，匹配成功就能實現推理，并且能夠做到將當前匹配的數據進行保存，可拓寬知識庫儲備面。

為保證整體運行的統一性，本文整合了上述3個模型，即凝固裂紋自動識別技術模型，大體為：在磁光成像的基礎上，連接計算機AI，使用8位灰度圖像進行轉化后，提取凝固裂紋特征，與知識庫匹配進行推理，最終判斷是否為凝固裂紋，實現凝固裂紋的識別。

3 試驗論證分析

為保證本文提出的凝固裂紋特征識別技術的有效性，特進行試驗論證，試驗分別采用傳統識別方法與本文設計方法進行凝固裂紋特征識別。

3.1 試驗準備

本次試驗采用相同焊接方法，選用Q460鋼作為試驗母材，尺寸為10cm×10cm×2cm，采用德制6kW光纖激光加工系統通過單面單點的形式進行焊接，保證焊接時的溫度穩定以及環境密閉，避免其他條件影響焊縫質量。在焊接冷卻時控制焊縫明確存在1條凝固裂紋，其他詳細裂紋未知。通過高精度電子微型攝像頭拍攝，人工經驗判定焊縫周圍存在并列的2條裂紋，分別使用傳統凝固裂紋特征識別技術和本文設計技術進行凝固裂紋特征的識別，根據計算機統計數據，得出試驗結果。

3.2 試驗結果

為保證試驗的嚴格性，本文對10cm長的焊縫進行兩種方法的識別操作，統計識別結果見表1。

表1 焊縫凝固裂紋識別參數

表1結果顯示了兩種方法下凝固裂紋的識別參數。通過分析其具體結果可得出，本文提出的識別技術與傳統方法相比具有很大的優勢。首先從總體識別量來講，本文的方法將3個凝固裂紋全部識別出來，而傳統方法僅識別出大裂紋的存在，卻不能把細小的裂紋識別出來。

采用本文方法和傳統方法對高強鋼激光焊接凝固裂紋特征識別精度進行對比分析，結果見表2。

表2 高強鋼激光焊接凝固裂紋特征識別精度對比結果

根據表2中的數據可知，采用本文方法進行高強鋼激光焊接凝固裂紋特征識別的精度最高可達98.6%，傳統方法進行高強鋼激光焊接凝固裂紋特征識別的精度最高只有87.5%，因此本文方法進行高強鋼激光焊接凝固裂紋特征識別的精度最高。

為了進一步驗證本文方法的有效性，對本文方法和傳統方法的高強鋼激光焊接凝固裂紋特征識別靈敏度進行對比分析，結果如圖2所示。

圖2 裂紋特征識別靈敏度對比結果

由圖2可知，本文方法的高強鋼激光焊接凝固裂紋特征識別靈敏度最高可達98%，識別效果最好。

通過上述試驗結果分析表明，本文設計的方法能夠有效識別出高強鋼激光焊接凝固裂紋的存在，且識別精度和識別靈敏度高，識別數量全面、識別參數誤差小，無限逼近真實的裂紋情況，幾乎可以視為零誤差，對凝固裂紋的識別具有實際意義。

4 結束語

本文設計了高強鋼激光焊接凝固裂紋特征識別技術，在使用磁光成像技術的基礎上，提取其中相應的凝固裂紋特征參數，將參數數據進行整合，建立AI學習知識庫，使得 AI自動進行凝固裂紋特征判斷，實現了高強鋼激光焊接凝固裂紋特征識別。希望本文的研究能夠提高焊接質量，為抑制高強鋼激光焊接過程中的凝固裂紋產生提供理論依據。