CN111860290A - 一种激光熔覆过程中裂纹识别的方法 - Google Patents

Abstract

本发明属于红外图像以及图像识别技术领域，提供一种激光熔覆过程中裂纹识别的方法。使用红外热像仪，采集不同加工参数条件下，加工镍基合金激光熔覆过程的红外图像，并对红外图像进行图像ROI的提取；使用残差卷积自编码器对提取的红外图像进行降噪处理；使用着色探伤法对不同加工参数下加工的工件表面进行处理，观察工件表面的裂纹情况，分为严重与不严重，并按裂纹严重程度对重构图像进行分类；用多尺度卷积神经网络对去燥后的重构图像进行处理，将重构图像按裂纹的程度不同分为多组数据，每组数据按比例分为训练数据与测试数据，将训练数据输入到多尺度卷积神经网络中进行训练，训练后使用测试数据测试网络的准确度，确保网络的准确性。

Description

一种激光熔覆过程中裂纹识别的方法

技术领域

本发明属于红外图像以及图像识别技术领域，具体是一种镍基合金激光熔覆过程中裂纹产生程度的识别方法及系统。

背景技术

激光熔覆成形(Laser cladding forming，LCF)技术是一门多学科交叉的新兴的先进制造技术。该技术把快速原型制造技术和激光熔覆表面强化技术相结合，利用高能激光束在金属基体上形成熔池，将通过送粉装置和粉末喷嘴输送到熔池的金属粉末或事先预置于基体上的涂层熔化，快速凝固后在基体上与基体形成冶金结合，逐层堆积材料，形成三维近终形金属零件。但是由于高能激光束急冷急热的特点，在熔覆层表面或内部极易出现裂纹，裂纹的出现会影响晶粒的生长和分布，组织性能降低，较大的裂纹则直接导致零件力学性能下降甚至失效。因此，对镍基合金激光熔覆过程中裂纹的识别和控制也成为一个难题。

发明内容

本发明提供一种镍基合金激光熔覆过程中裂纹的识别方法及系统，用于克服现有的技术中加工过程中裂纹缺陷不易识别，难控制，做不到实时监测等缺陷，实现降低激光熔覆的裂纹数量，提高实时监测能力。

本发明的技术方案：

一种激光熔覆过程中裂纹识别的方法，步骤如下：

步骤1：使用红外热像仪，采集不同加工参数条件下，加工镍基合金激光熔覆过程的红外图像，并对红外图像进行图像ROI的提取；

步骤2：使用残差卷积自编码器结构对提取的红外图像ROI进行降噪处理；残差卷积自编码器是在卷积自编码器的基础上的改进，卷积自编码器的结构为输入层、卷积层、池化层、反卷积层和输出层；残差卷积自编码器将池化层改为残差模块，为输入层、卷积层、残差模块、反卷积层和输出层；

步骤2-1：将采集到的红外图像分为训练集和测试集，将带有噪声的训练集中的红外图像输入到残差卷积自编码器中，经过三层的卷积操作后得到较小的图像，这些图像为提取出的特征图像；其中，每个卷积操作的滤波器的大小和步长分别是3×3和1×1，输入图像的大小不受限制；

步骤2-2：在三层卷积层后加入三个残差块，取消原卷积自编码器中的池化层，残差块是由两个卷积层组成的，残差块的定义为：

y＝F(x,{W_i})+x (1)

式中，x和y为模块的输入和输出，F表示将要学习的残差映射，W_i表示模块参数；

步骤2-3：对步骤2-1提出得到的特征图像进行反卷积操作，经过三层反卷积层使样本图像重构成一个与原始红外图像相似的重构图像，将重构图像与训练集中的原始红外图像进行对比；

步骤2-4：利用步骤2-3的对比结果更新损失函数，从而进行反向传播；

残差卷积自编码器使用的损失函数f(x)为：

式中，a为加噪声前的干净初始图像，b为经过卷积自编码器输出的预测图像，m为图像宽度的像素值，n为图像高度的像素值；

优化残差卷积自编码器中卷积层的参数，使得残差卷积自编码器对原始红外图像的降噪达到较好的效果；使用测试集中的原始红外图像按照之前训练好的模型参数得到最终的降噪图片；

步骤3：使用着色探伤法对不同加工参数下加工的工件表面进行处理，观察工件表面的裂纹情况，根据观察到的结果将裂纹情况分为严重与不严重，并按裂纹严重程度对步骤2中的重构图像进行分类；

将分类后的每组重构图像按比例分为训练集和测试集，先将训练集输入到多尺度卷积神经网络中对网络进行训练，得到训练好的网络后使用测试集的数据对网络进行测试；

多尺度卷积神经网络是在卷积神经网络的基础上进行的改进；

第一层为输入信号即为步骤2得到的降噪图片；

第二层为卷积层，首先4个小卷积核分别两两串联后并联，依次连接的卷积层的卷积核大小分别为3×3、1×1、3×3、1×1，步长均为1×1；将小卷积核计算的结果并联；

第三层为最大池化层，过滤器的尺寸大小为1×10，步长为1×4，经过最大池化层对特征值进行降维处理，同时保证在一定程度上保持特征尺度不变；

第四层为卷积层，卷积核的尺寸大小为1×5，步长为1×2；

第五层为最大池化层，其过滤器的尺寸大小为1×10，步长为1×4；

第六层为卷积层，卷积核尺寸为1×5，步长为1×2；

第七层采用最大值池化层，步长为1×4；

第八层为全连接层；

最后一层为softmax层；

步骤4：使用多尺度卷积神经网络对去燥后的重构图像进行处理，将重构图像按裂纹的程度不同分为多组数据，每组数据按比例分为训练数据与测试数据，将训练数据输入到多尺度卷积神经网络中进行训练，训练后使用测试数据测试网络的准确度，确保网络的准确性。

本发明的有益效果：

(1)使用残差卷积自编码器对原始红外图像进行降噪，能够有效的保留图像的中间层信息，处理后的图像更加清晰自然，进行下一步处理时识别准确率更高。

(2)使用多个小卷积核串联后并联的方式提取红外图像的特征信息，捕获了更多的特征细节，克服了但尺度卷积核提取特征值不足的问题。

(3)利用残差卷积自编码器和多尺度卷积神经网络对加工过程中拍摄的红外图像进行处理后，能够实时的监测裂纹的产生程度，从而对加工质量进行控制。

附图说明

图1是激光熔覆裂纹监测的流程图。

图2是卷积自编码器结构。

图3是残差卷积自编码器结构。

图4是残差块的结构。

图5是多尺度卷积神经网络结构。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

一种激光熔覆过程中裂纹识别的方法，实施步骤如图1，步骤如下：

步骤1：使用红外热像仪，采集不同加工参数加工的镍基合金激光熔覆加工过程的红外图像，并对红外图像进行图像ROI的提取；

步骤2：对提取的红外图像ROI进行进一步处理，使用残差卷积自编码器结构对红外图像进行降噪处理；残差卷积自编码器是在卷积自编码器的基础上的改进，卷积自编码器的结构分为输入层、卷积层、池化层、反卷积层和输出层，如图2所示。残差卷积自编码器取消了池化层改为残差模块，为输入层、卷积层、残差模块、反卷积层和输出层，残差卷积自编码器的结构如图3所示。

步骤2-1：将采集到的红外图像分为训练集和测试集，将带有噪声的训练集中的红外图像输入到残差卷积自编码器中，经过三层的卷积操作后得到较小的图像，这些图像为提取出的特征图像。其中，每个卷积操作的滤波器的大小和步长分别是3×3和1×1，输入图像的大小不受限制。

步骤2-2：在三层卷积层后加入三个残差块，取消原本自编码器中的池化层，残差块是由两个卷积层组成的，残差块的定义为：

y＝F(x,{W_i})+x (1)

式中，x和y为模块的输入和输出，F表示将要学习的残差映射，W_i表示模块参数。

残差块是在传统的线性网络结构的基础上通过跳跃连接实现的。可以使网络保存更多来自中间层的特征信息，并且更加易于训练，可以解决深度卷积神经网络随着层数的增加网络性能反而下降的问题。残差块的结构如图4，残差块中的卷积层的大小和步长是3×3和1×1。。

步骤2-3：对特征图像进行反卷积操作，经过三层反卷积层使样本图像重构成一个与原始红外图像相似的重构图像，将重构图像与训练集中的原始红外图像进行对比；

步骤2-4：利用步骤2-3的对比结果更新损失函数，从而进行反向传播。

残差卷积自编码器使用的损失函数f(x)为：

式中，a为加噪声前的干净初始图像，b为经过卷积自编码器输出的预测图像，m为图像宽度的像素值，n为图像高度的像素值。该损失函数直接最小化了重构的图像和初始的图像之间的距离，具有较好的图像降噪效果。

优化残差卷积自编码器中卷积层的参数，使得残差卷积自编码器对原始红外图像的降噪达到较好的效果；使用测试集中的原始红外图像按照之前训练好的模型参数得到最终的降噪图片；

步骤3：使用着色探伤法对不同加工参数下加工的工件表面进行处理，观察工件表面的裂纹情况，根据观察到的结果将裂纹情况分为严重与不严重，并按裂纹严重程度对步骤2中的重构图像进行分类；

将分类后的每组重构图像按比例分为训练集和测试集，先将训练集输入到多尺度卷积神经网络中对网络进行训练，得到训练好的网络后使用测试集的数据对网络进行测试，保证结果的准确性。多尺度卷积神经网络是在卷积神经网络的基础上进行的改进。

卷积神经网络是由输入层、卷积层、池化层、全连接层和输出层构成。

其中，卷积层的数学形式为

式中，x_i为当前层的输入特征图；x_i+1表示卷积后得到的特征图；

表示卷积运算符；W_i表示卷积核权重；b_i为偏置。

池化层紧跟在卷积层之后，主要目的是降维。

全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。本系统采用leaky_relu激活函数，其数学表达式为

使用leaky_relu激活函数可以有效解决梯度消失的问题。

多尺度卷积神经网络针对单尺度卷积核提取信号的特征细节不足的问题，在第一层卷积采用多尺度卷积核并联的方式，以便充分挖掘信号隐藏的特征信息。先将小卷积核串联，再将串联的两串卷积核并联起来，可以获得更多次数的非线性激活，提升特征的特性。多尺度卷积神经网络如图5。

第一层为输入信号即为步骤2得到的降噪图片，第二层为卷积层，首先4个小卷积核分别两两串联后并联，依次连接的卷积层的卷积核大小分别为3×3、1×1、3×3、1×1，步长均为1×1。将小卷积核计算的结果并联，形成更深的网络层，增强提取特征细节的能力。使用小卷积核，可以减少参数量，同时增加非线性激活，增强网络的学习能力。第三层采用最大池化，过滤器的尺寸大小为1×10，步长为1×4，经过该层对特征值进行降维处理，同时保证在一定程度上保持特征尺度不变。第四层卷积核的尺寸大小为1×5，步长为1×2。第五层使用最大值池化，其过滤器的尺寸大小为1×10，步长为1×4。第六层卷积核尺寸为1×5，步长为1×2。第七层采用最大值池化，步长为1×4。第八层为全连接层，最后一层为softmax层，经过该层，将多分类输出值转化为相对概率，最终可以实现对裂纹程度的识别。

将测试集数据输入到训练好的多尺度卷积神经网络中，验证训练好的网络的识别能力，之后可以利用这个网络通过获取加工过程中的红外图像，从而识别加工过程中的裂纹产生程度，实现对裂纹的实时监测。

在多尺度卷积神经网络中，经过去躁处理后的训练数据作为卷积神经网络的输入，分别经过两串并联连接的卷积核处理，一侧经过卷积核大小为3×3的，步长为1的conv1-1-1层后得到特征图Fn_11(x,y)，之后经过卷积核大小为1×1，步长为1的conv1-1-2层后得到特征图Fn_12(x,y)。另一侧经过卷积核大小为3×3的，步长为1的conv1-2-1层后得到特征图Fn_21(x,y)，之后经过卷积核大小为1×1，步长为1的conv1-2-2层后得到特征图Fn_22(x,y)。然后将小卷积核计算的结果进行并联，形成更深的网络层，增强提取特征细节的能力。第三层采用的是最大值池化，过滤器的尺寸大小为1×10，步长为1×4，生成特征图Fn_3(x,y)。之后经过卷积核的尺寸大小为1×5，步长为1×2的conv-2层，生成特征图Fn_4(x,y)。再通过第五层使用最大值池化，其过滤器的尺寸大小为1×10，步长为1×4，得到特征图Fn_5(x,y)。接着通过第六层卷积核尺寸为1×5，步长为1×2，生成特征图Fn_6(x,y)。经过第七层采用最大值池化，步长为1×4，生成特征图Fn_7(x,y)。最后经过全连接层和softmax层将多分类输出值转化为相对概率，实现对裂纹的识别。

步骤4：使用多尺度卷积神经网络对去燥后的重构图像进行处理，将重构图像按裂纹的程度不同分为多组数据，每组数据按比例分为训练数据与测试数据，将训练数据输入到神经网络中进行训练，训练后使用测试数据测试网络的准确度，确保网络的准确性。

步骤5：将加工过程中的红外图像输入到本系统中可以实现对加工过程中裂纹的实时监测，从而可以及时的调整加工参数，必要时终止加工，实现对裂纹的控制以及避免加工成本过高。

Claims (1)

1.一种激光熔覆过程中裂纹识别的方法，其特征在于，步骤如下：

步骤1：使用红外热像仪，采集不同加工参数条件下，加工镍基合金激光熔覆过程的红外图像，并对红外图像进行图像ROI的提取；

步骤2：使用残差卷积自编码器结构对提取的红外图像ROI进行降噪处理；残差卷积自编码器是在卷积自编码器的基础上的改进，卷积自编码器的结构为输入层、卷积层、池化层、反卷积层和输出层；残差卷积自编码器将池化层改为残差模块，为输入层、卷积层、残差模块、反卷积层和输出层；

步骤2-1：将采集到的红外图像分为训练集和测试集，将带有噪声的训练集中的红外图像输入到残差卷积自编码器中，经过三层的卷积操作后得到较小的图像，这些图像为提取出的特征图像；其中，每个卷积操作的滤波器的大小和步长分别是3×3和1×1，输入图像的大小不受限制；

步骤2-2：在三层卷积层后加入三个残差块，取消原卷积自编码器中的池化层，残差块是由两个卷积层组成的，残差块的定义为：

y＝F(x,{W_i})+x (1)

式中，x和y为模块的输入和输出，F表示将要学习的残差映射，W_i表示模块参数；

步骤2-3：对步骤2-1提出得到的特征图像进行反卷积操作，经过三层反卷积层使样本图像重构成一个与原始红外图像相似的重构图像，将重构图像与训练集中的原始红外图像进行对比；

步骤2-4：利用步骤2-3的对比结果更新损失函数，从而进行反向传播；

残差卷积自编码器使用的损失函数f(x)为：

式中，a为加噪声前的干净初始图像，b为经过卷积自编码器输出的预测图像，m为图像宽度的像素值，n为图像高度的像素值；

优化残差卷积自编码器中卷积层的参数，使得残差卷积自编码器对原始红外图像的降噪达到较好的效果；使用测试集中的原始红外图像按照之前训练好的模型参数得到最终的降噪图片；

步骤3：使用着色探伤法对不同加工参数下加工的工件表面进行处理，观察工件表面的裂纹情况，根据观察到的结果将裂纹情况分为严重与不严重，并按裂纹严重程度对步骤2中的重构图像进行分类；

将分类后的每组重构图像按比例分为训练集和测试集，先将训练集输入到多尺度卷积神经网络中对网络进行训练，得到训练好的网络后使用测试集的数据对网络进行测试；

多尺度卷积神经网络是在卷积神经网络的基础上进行的改进；

第一层为输入信号即为步骤2得到的降噪图片；

第二层为卷积层，首先4个小卷积核分别两两串联后并联，依次连接的卷积层的卷积核大小分别为3×3、1×1、3×3、1×1，步长均为1×1；将小卷积核计算的结果并联；

第三层为最大池化层，过滤器的尺寸大小为1×10，步长为1×4，经过最大池化层对特征值进行降维处理，同时保证在一定程度上保持特征尺度不变；

第四层为卷积层，卷积核的尺寸大小为1×5，步长为1×2；

第五层为最大池化层，其过滤器的尺寸大小为1×10，步长为1×4；

第六层为卷积层，卷积核尺寸为1×5，步长为1×2；

第七层采用最大值池化层，步长为1×4；

第八层为全连接层；

最后一层为softmax层；

步骤4：使用多尺度卷积神经网络对去燥后的重构图像进行处理，将重构图像按裂纹的程度不同分为多组数据，每组数据按比例分为训练数据与测试数据，将训练数据输入到多尺度卷积神经网络中进行训练，训练后使用测试数据测试网络的准确度，确保网络的准确性。

Images