班海燕，陈 剑

（宁夏国际招标有限公司，宁夏银川750021）

BP神经网络修正熔池红外图像焊缝宽度测量算法

班海燕，陈 剑

（宁夏国际招标有限公司，宁夏银川750021）

在激光焊接中，焊缝宽度的实时动态变化对于描述焊接质量起着至关重要的作用。焊缝宽度的准确测量有助于理解焊接过程，获得焊接质量控制模型。针对大功率光纤激光焊接304型不锈钢过程，利用高速摄像机，获得清晰的熔池动态红外图像。红外图像仅仅是熔融焊缝处的热成像，难以准确测量焊缝宽度，必须利用BP神经网络加以修正，得到实际焊缝宽度。三组试验结果表明了BP神经网络焊缝宽度测量模型的有效性。

激光焊接；熔池；红外图像；焊缝；BP神经网络

0 前言

激光焊接具有焊接速度快、深宽比大、热影响区小等优点，已广泛应用于现代工业[1-2]。在焊接过程中，焊缝熔宽和熔深是影响焊接质量的重要因素，保证焊接质量的前提是控制系统准确地获取焊缝信息。通过机器视觉获得熔池的宽度，根据焊缝的形状判断焊点质量，已经获得了广泛的应用[3-4]。

采用红外摄像得到基于温度场测量的熔池红外图像，焊缝宽度测量最重要的步骤是从焊接图像中分割出熔池，熔池分割的准确性在于阈值的精确计算，但是在金属处于熔化的高温下焊缝与周边非熔化区的温度比较接近，很难找到合适的阈值测量焊缝宽度。本研究通过图像处理技术处理熔池红外热图像，再使用BP神经网络自适应地修正焊缝测量值，得到焊缝的真实宽度。多组激光实验结果证明，在不同的阈值下，利用BP神经网络构建的红外焊缝宽度识别系统能够实时准确地测量焊缝宽度，能够真实地反映焊接状态。

1 试验设备

如图1所示，焊接试验装置中摄像机和激光头刚性连接，在激光头前上方倾斜安装摄像机。焊接条件如表1所示。

图1 试验装置示意Fig.1Schematic diagram of experiment setup

表1 焊接试验条件Tab.1Welding conditions

2 熔池图像处理过程

2.1 熔池图像获取

焊接过程中熔池红外辐射主要出现在两个波段：600 nm及略低于1 000 nm[5]。经过试验，滤除波长为900～1 000 nm以外的光谱频带。使用高速摄相机采集焊缝图像。图2是高速摄像机所捕获的熔池动态图像，每一帧图像大小是512 pixel×512 pixel，可以看出熔池特征十分突出，匙孔、熔池和飞溅等特征非常清晰。

图2 熔池动态红外图像Fig.2Molten pool dynamic infrared image

2.2 焊缝宽度计算

红外相机共拍摄约3 000帧熔池图像。图3a是熔池的热成像图像，为灰度图像，匙孔在中间高亮区域，激光束从匙孔中心射入，将金属汽化。图3b是熔池热成像图像反转片，金属蒸汽喷发带出的熔融金属飞溅分布在熔池两侧及上方。熔池在匙孔后部的灰色区域。因为弧光干扰和飞溅等噪声的影响，要从如图3b熔池的灰度反转图上分割出一个比较清晰的熔池边缘是比较困难的。

图3 高速摄像机捕获的第1 500幅图像Fig.3The 1 500th images by a high-speed camera

在金属处于熔化的高温下，熔池与周边非熔化区的温度比较接近，而在匙孔中心，图像高亮处周边有较多金属飞溅，为了得到真实的焊缝宽度。对匙

孔上部特定的熔池矩形区进行截取处理，获得感兴趣区域。如图4所示，线段AB的长度就是熔池宽度。

图4 第1 000幅图像Fig.4The 1 000th image

判断焊缝宽度最重要的是准确获取熔池。从焊缝图像中准确地分割熔池线在于阈值的精确计算，但是在实际焊接条件下，无法成行。选取图像序列的前、中、后三帧图像，分别选取阈值为0.25、0.35、0.45。熔池分割图像如图5所示，不同的阈值导致划分出的熔池宽度差别较大。

图5 0.25 s，0.35 s和0.45 s时的熔池分割效果Fig.5Molten pool under difference threshold

红外摄像中成像的弱识别性、熔池的热传导非均匀性以及激光焊机平台的系统噪声，导致焊缝测量误差难以准确量度。只有通过神经网络，首先控制系统输入，再观察系统输出的反应来获得焊缝识别的规律。使用神经网络能够减少噪声影响，修正焊缝测量数据，从而获得更为精确的焊缝宽度。

焊缝宽度识别过程采用BP神经网络，它是一种多层前馈神经网络，焊缝宽度识别过程预测就是将采集的焊缝熔池图像序列提取焊缝特征，构成神经网络的训练集，通过训练确定BP网络相关，并用该模型修正焊缝宽度参数。输入向量X由分割熔池的阈值以及图4分割出的感兴趣区域的上边缘熔宽、下边缘熔宽和中间熔池宽度共4个量构成，期望输出Y为实际的焊缝宽度，即正确的焊缝宽度。

由训练样本和测试样本可知网络输入层有4个神经元，输出层有1个神经元。采用一个隐含层，隐含层神经元个数对预测精度有较大影响。神经元个数太少，网络不能精确逼近训练样本；神经元个数太多，训练时间增加，网络容易过拟合。隐含层神经元数值根据公式[6]

式中n为输入层节点数；s为隐含层节点数[6]。从而计算出焊缝宽度BP神经网络隐含层神经元s=3。

焊缝识别BP神经网络结构如图6所示，输入层n=4，隐含层s=3，输出层m=1。输入层与隐含层的权为W，维数为n×s，阈值为θ1，维数为s×1；隐含层与输出层的权为W′，维数为s×m，阈值为θ2，维数为m×1。神经网络正向传输的计算过程如下

隐含层的输出为

输出层的输出为

式中f1为隐含层的非线性传递函数，f1采用Sigmoid函数为输出层的线性传递函数，采用Purlin函数。使用Levenberg-Marquardt误差反向传播算法[7]调整连接权值，系统对P个样本的总误差准则为

图6 BP神经网络结构Fig.6BP neural network structure

式中Yi是网络输出期望值；Yi′是网络输出实际值向量；P是样本数量；w是网络权值和阈值；ei（w）是误差。

熔池红外图像共3 000帧，采用阈值为0.2、0.3、0.4进行熔池分割获得3组8 700个数据，以全部实验数据的60％作为神经网络训练集，为方便与实际焊缝进行对比，以完整的一组实验数据作为测试集，共测试3组神经网络实验，图7是不同阈值下神经网络修正焊缝值的比较图像，神经网络修正测量值逼近实际焊缝，误差极小。

图7 不同阈值下BP神经网络测量焊缝Fig.7Weld width with BP under difference threshold

在激光焊接中，由于激光束能量保持恒定输出，熔池宽度应该保持平稳，但是从熔池照片看，由于匙孔处的飞溅以及金属蒸汽的影响导致熔池区域亮度突然增加或减少，采用固定阈值的熔池红外图像分割算法会出现失误，BP神经网络获得的焊缝宽度在个别点处不正常的低。在图7中，很窄的地方称之为熔透，该处焊缝宽度非常细，并且从焊缝背面图片可以看到，熔融金属已经漏出背面，激光能量大部分从此处穿出，因此熔池宽度较小。不同的阈值分割出的熔池通过BP算法后得到的熔池宽度基本能匹配焊缝实际宽度，在融透处都出现了明显的下降。而且在焊接进入平稳状态后，焊缝宽度理论上应该保持不变，大部分点呈现水平直线。原始焊缝照片由于存在氧化变黑情况，凭肉眼获得的焊缝宽度波动起伏较大，不能反应实时焊接的真实状况。因此，神经网络算法修正熔池获得焊缝宽度实时有效。

3 试验结果分析

为检验BP神经网络测量熔池宽度算法的有效性，根据图7的三个实验选取误差绝对值与平均绝对误差来度量算法的准确性。误差模型定义为

式中γi为熔池宽度测量值；ηi为焊缝实际宽度。如表2所示，BP神经网络测量得到的焊缝宽度的误差与焊缝宽度相比非常小，其相对误差平均值不到10％，且根方差不到1，系统非常稳定。熔池红外图像测量焊缝宽度在使用BP神经网络修正后既稳定，精度又高。由表2可知，BP神经网络焊缝熔池红外视觉系统输出的焊缝偏差预测值与偏差实测值误差很小，系统可以应用于实际焊接。

4 结论

利用BP神经网络修正熔池红外图像提取熔池宽度，克服在金属熔融区熔池与周边非熔化区的温度比较接近、热成像图像中熔池难以精确划分的缺点，使用BP神经网络能够避免阈值的求解，自动获得更为精确的焊缝宽度。在自动焊接控制系统中，能够实时判断焊接质量，对于机器视觉在焊接中的应用具有理论和指导意义。

[1]Xi ZL，Guo PT，Xue YY，et al.Investigation of the plasma bursting process in short pulsed laser induced film damage [J].ACTA Phys.SIN-CH ED，2010（59）：3523-3530.

[2]Magnus R，Christine M，Wilhelm P.Laser micro-welding of aluminum alloys experimental studies and numerical modeling[J].Int J Adv Manuf Tech，2010（50）：207-215.

[3]Gao XD，You DY，Katayama S.Infrared image recognition for seam tracking monitoring during fiber laser welding[J]. MECHATRONICS，2012，22（4）：370-380.

[4]Kovacevic R，Zhang Y M.Proceedings of the International Conference on Modeling and Control of Joining Processes [J].Orlando，Florida，USA，1999（12）：14-17.

[5]DeWitt.Incropera 2006 Fundamentals of heat and mass transfer[C].New York:John Wiley&Sons：134-146.

[6]黄健康，张刚，石玗.基于动态模糊神经网络的铝合金脉冲MIG焊接过程解耦控制分析[J].焊接学报，2013，34（9）：43-47.

[7]Yang J G.Course of Artificial Neural Network[M].Hangzhou：Zhejiang University Press，2001.

Weld width measurement algorithm based on molten pool infrared image BP neural network

BAN Haiyan，CHEN Jian
（Ningxia International Tendering Co.，Ltd.，Yinchuan 750021，China）

It has been well recognized that weld pool geometry plays a critical role in fusion welding process such as laser welding. Studying the relationship between weld width and molten pool width potentially can help understand welding process and get the quality control model.For high power fiber laser welding process of type 304 stainless steel，using high-speed cameras to get clear pool dynamic infrared images.Under high temperature molten pool and non-melting zone is close and difficult to identify.By using BP neural network algorithm the problem has been solved.Three groups of test results indicate the effectiveness of the BP neural network of weld width measurement model.

laser welding；molten pool；infrared image；weld；BP neural network

TG456.7

A

1001－2303（2016）07－0017-05

10.7512/j.issn.1001-2303.2016.07.05

2015-06-06

班海燕（1973—），女，宁夏银川人，博士，工程师，主要从事焊接自动化及质量检测方面的研究。