基于神經(jīng)網(wǎng)絡(luò)的焊縫寬度預(yù)測方法研究

引言

為保證焊接質(zhì)量,激光焊接過程中,需要實(shí)時(shí)獲取焊縫位置信息和焊縫偏差數(shù)據(jù),從而控制激光束始終對中焊縫。在獲取焊縫圖像時(shí),通常采用超聲波傳感器、紅外傳感器和視覺傳感器等非接觸式傳感器,其中,視覺傳感器被廣泛應(yīng)用于微間隙焊縫的識別。

本文所獲取的焊縫圖像的過渡帶區(qū)域蘊(yùn)含焊縫中心位置信息和焊縫偏差信息,并與文中視覺傳感器的成像原理密切相關(guān),因此,針對焊縫過渡帶區(qū)域展開研究,提取焊縫過渡帶寬度數(shù)據(jù),探討對焊縫過渡帶寬度進(jìn)行預(yù)測的方法。

1圖像獲取與處理

1.1試驗(yàn)條件

試驗(yàn)裝置包括YAG激光器、三軸運(yùn)動工作臺、視覺傳感裝置和保護(hù)氣體等。所采用的焊件為低碳鋼板(158mm×100mm×1.5mm),焊縫間隙為0~0.1mm。試驗(yàn)中所采用的視覺傳感器工作時(shí)需外加激勵磁場[1],利用若干馬蹄形永磁鐵對焊件進(jìn)行磁化之后,采集微間隙焊縫的視覺傳感圖像。測量焊縫中心及焊縫兩側(cè)±1mm距離處的磁感應(yīng)強(qiáng)度,第30個、第60個、第90個和第120個測量點(diǎn)處的磁感應(yīng)強(qiáng)度如表1所示。

1.2焊縫寬度提取

由于圖像采集過程中的噪聲和干擾,焊縫圖像邊緣存在較多毛刺。為了準(zhǔn)確獲取焊縫特征信息,利用形態(tài)學(xué)算子對焊縫圖像進(jìn)行濾波[2-3]。

形態(tài)學(xué)是運(yùn)用一定形態(tài)的結(jié)構(gòu)元素去分析識別圖像中對應(yīng)的形態(tài)特征,是一種非線性的圖像處理和分析方法,其最基本的算子為膨脹和腐蝕。

f被se膨脹定義為:

f被se腐蝕定義為:

式中,f為二值圖像集合:se為結(jié)構(gòu)元素:(se＋a)為沿向量a平移。

基本算子可自由組合構(gòu)成其他多種形態(tài)學(xué)算子,還可根據(jù)圖像處理需求構(gòu)造不同結(jié)構(gòu)元素、不同尺度的多尺度形態(tài)學(xué)算子。

焊縫圖像形態(tài)學(xué)濾波結(jié)果如圖1(a)所示,圖1(b)為焊縫過渡帶邊緣提取結(jié)果。從圖1中可知,利用形態(tài)學(xué)算子能濾除圖像中的干擾,準(zhǔn)確提取焊縫特征。

焊縫位置信息包含在焊縫圖像的過渡帶區(qū)域中,提取焊縫過渡帶邊緣后,掃描焊縫過渡帶上下邊緣的邊界點(diǎn),獲得圖像中的焊縫過渡帶寬度數(shù)據(jù),如圖2所示。

圖2焊縫過渡帶寬度

2神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的容錯性、非線性、自學(xué)能力、自適應(yīng)能力和自組織能力,較為經(jīng)典的一種人工神經(jīng)網(wǎng)絡(luò)就是BP神經(jīng)網(wǎng)絡(luò)算法。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò),具有結(jié)構(gòu)簡單和工作狀態(tài)穩(wěn)定等優(yōu)點(diǎn),在模式分類、圖像處理、函數(shù)逼近、數(shù)據(jù)挖掘及焊接等領(lǐng)域都有廣泛應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和若干隱含層的節(jié)點(diǎn)組成,通常采用誤差反向傳播算法進(jìn)行訓(xùn)練。一個三層Bp神經(jīng)網(wǎng)絡(luò)理論上可以以任意精度逼近任何非線性連續(xù)函數(shù)。

2.2焊縫寬度預(yù)測模型

試驗(yàn)中采集到680幅連續(xù)有效的焊縫圖像,并提取出圖像中的焊縫寬度數(shù)據(jù),選取第l至第600個數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本,剩余的80個數(shù)據(jù)作為測試樣本,建立一個三層Bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型如圖3所示。

輸入量為k-3時(shí)刻焊縫寬度、k-2時(shí)刻焊縫寬度和k-l時(shí)刻焊縫寬度,輸出量為k時(shí)刻焊縫寬度。

3實(shí)驗(yàn)結(jié)果與誤差分析

3.1實(shí)驗(yàn)結(jié)果

在訓(xùn)練前,對訓(xùn)練樣本和測試樣本進(jìn)行歸一化處理,將樣本數(shù)據(jù)約束到[0.05,0.95]之間。利用600個訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之后,對之后的80個焊縫寬度數(shù)據(jù)進(jìn)行預(yù)測。訓(xùn)練結(jié)果歸一化值如圖4(a)所示,預(yù)測結(jié)果歸一化值如圖4(b)所示,圖4(c)為反歸一化處理之后還原的預(yù)測結(jié)果。

3.2誤差分析

利用均方誤差和相對誤差對預(yù)測結(jié)果進(jìn)行評價(jià)。反歸一化還原之后,預(yù)測誤差如圖5所示,相對預(yù)測誤差如圖6所示。

預(yù)測誤差e定義如下:

式中,7i為第i次焊縫寬度預(yù)測值:ui為測試樣本中第i個焊縫寬度實(shí)際值。

焊縫寬度的相對預(yù)測誤差E定義為:

e為平均誤差,則焊縫寬度預(yù)測均方差E定義如下:

可知,焊縫寬度預(yù)測的均方差為0.45,最大預(yù)測誤差為0.57pixel,相對預(yù)測誤差的最大絕對值為l.04%,相對預(yù)測誤差的最小絕對值為0.8l%。

焊縫寬度預(yù)測值與焊縫寬度實(shí)際測量值能較好地吻合。

4結(jié)論

本文利用形態(tài)學(xué)算子對焊縫圖像進(jìn)行濾波處理,準(zhǔn)確提取出了焊縫過渡帶寬度信息:并利用BP神經(jīng)網(wǎng)絡(luò)搭建焊縫寬度預(yù)測模型,最大預(yù)測誤差為0.57pixel,最大相對預(yù)測誤差絕對值為l.04%,能對焊縫寬度進(jìn)行準(zhǔn)確預(yù)測,為之后的焊縫糾偏和焊縫跟蹤奠定了基礎(chǔ)。