管森，邢彥鋒，曹菊勇，楊夫勇，張小兵

（201620 上海市 上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院）

0 引言

熔滴過渡是焊接傳熱和傳質(zhì)的重要環(huán)節(jié)，作為焊絲熔化形成部分，對(duì)熔池形貌和焊縫成形有著重大影響。根據(jù)焊接工藝不同，熔滴過渡主要分為短路過渡、滴狀過渡和噴射過渡3 種形式[1]。本文以短路過渡為主的冷金屬過渡焊接（CMT）作為研究對(duì)象。CMT是傳統(tǒng)GMAW（Gas-Metal-Arc-Welding）的改進(jìn)技術(shù)，由于飛濺小，熱輸入低，焊接穩(wěn)定，獲得越來越廣泛的應(yīng)用[2]。分析研究冷金屬過渡焊接過程中熔滴形貌變化規(guī)律，有助于把握熔滴尺寸，有效改善焊接性能[3]。

國內(nèi)外學(xué)者對(duì)熔滴檢測(cè)行為進(jìn)行了大量研究。楊倩[4]等人使用基于小波變換和改進(jìn)的Prewitt 算子檢測(cè)了GMAW 短路過程的熔滴過渡圖像，能較準(zhǔn)確地表示出熔滴的輪廓，但是對(duì)于光亮和高噪聲情況存在擬合精度不高、細(xì)節(jié)不夠的情況，熔滴作為焊絲熔化所產(chǎn)生的金屬液滴，其大小形狀、過渡方式與焊接電流存在直接關(guān)系；朱志明[5]等人分析了短路過渡CO2焊接過程采集的焊接電流信號(hào)，采用最小二乘法計(jì)算出波形控制短路過渡焊接規(guī)律模型，可預(yù)判熔滴尺寸的大小與燃弧脈沖時(shí)間的寬度關(guān)系，但是無法確定輪廓變化，不能預(yù)測(cè)熔滴過渡趨勢(shì)。針對(duì)熔滴過渡趨勢(shì)研究，Xing[6]等人基于VOF 方法，建立了熔滴與電弧耦合的三維數(shù)值分析模型，模擬了水下濕式藥芯電弧焊中的熔滴過渡和電弧等離子體流動(dòng)過程，確立了此焊接過程中的熔滴過渡情況和受力情況，但是對(duì)輪廓變化情況研究不夠。

KNN Matting 算法[7]相比于熔滴形貌檢測(cè)，對(duì)輪廓細(xì)節(jié)的分類能力較強(qiáng)，作為在圖像編輯和電影制作中的一項(xiàng)關(guān)鍵技術(shù)，具有較高的魯棒性。適用于人工繪制的三區(qū)標(biāo)志圖（Trimap）或草圖（scribble）作為輸入，基于KNN 的拉普拉斯矩陣計(jì)算方法，通過KNN 構(gòu)建鄰接矩陣，進(jìn)而得到拉普拉斯矩陣，由此求得封閉形式解來分離用戶所需前景，故在此用以熔滴過渡輪廓的擬合。

本文在建立高速攝像機(jī)的熔滴圖像拍攝和基于OpenCV 平臺(tái)的基礎(chǔ)上，使用KNN Matting 算法描繪了冷金屬過渡開始與過渡過程中熔滴輪廓的變化。

1 實(shí)驗(yàn)材料與設(shè)備

本試驗(yàn)采用Fronius 公司的TRS4000CMT 焊機(jī)，同時(shí)搭載KUKA 公司的六軸機(jī)器人進(jìn)行運(yùn)動(dòng)控制。選用直徑為1.2 mm 的ER4043 鋁硅焊絲。攝像設(shè)備采用Optronis 公司的CP80-3-M 型高速攝像機(jī)，曝光時(shí)間設(shè)定為50 μs，幀速率設(shè)置為4 000 幀/s。焊接平臺(tái)示意圖如圖1 所示。

圖1 焊接平臺(tái)Fig.1 Welding platform

2 熔滴圖像處理流程

本文就冷金屬過渡焊的熔滴過渡開始和過渡過程中圖像進(jìn)行處理，算法具體流程如圖2 所示。

圖2 熔滴圖像預(yù)處理及算法流程圖Fig.2 Droplet image preprocessing and algorithm flow chart

2.1 圖像預(yù)處理

受拍攝設(shè)備、自然環(huán)境因素的影響，熔滴圖像的拍攝會(huì)出現(xiàn)高光亮、噪點(diǎn)較多等情況，故算法實(shí)行前要進(jìn)行預(yù)處理操作。由于高速攝像機(jī)拍攝熔滴過渡圖像的色彩空間較為簡(jiǎn)單，拍攝圖像為灰度圖，不含豐富的色彩信息，但是受色彩的明亮程度影響較大，故將BGR 空間轉(zhuǎn)換到HSV 空間，且KNN Matting算法是基于HSV空間進(jìn)行聚類分析的。為了不影響原圖的細(xì)節(jié)表征，可采用中值濾波進(jìn)行噪聲過濾，中值濾波不采用加權(quán)求均值處理，可在幾乎不影響原圖情況下去除全部噪聲。圖3 為中值濾波處理后的圖像。

圖3 中值濾波Fig.3 Median filtering

3 KNN Matting 算法處理

KNN Matting 算法是將用戶生成的Alpha Matte添加到原圖的透明度通道中，根據(jù)透明度的設(shè)定，提取用戶所需保留前景，為后續(xù)圖像操作打下基礎(chǔ)。KNN Matting 算法核心組成為

其中：Ii——原始圖像的像素；αi——透明度；Fi——前景像素；Bi——背景像素。

熔池拍攝圖像的前景背景構(gòu)成一般是復(fù)雜的，不具備明顯的邊界分離，α的取值一般不取完全前景的1 值或者完全背景的0 值，是0～1 之間的線性組成值。所以，此方程α、F和B均為未知變量，無法求解。為解決方程不可求解問題，Levin[8]等人提出針對(duì)在單個(gè)核空間內(nèi)保證平滑度的情況下，B和F可作為定值，應(yīng)用最小二乘法求得對(duì)應(yīng)的透明度α；Chen[9]等人在此基礎(chǔ)上提出Trimap 圖設(shè)定作為邊界條件，其中Trimap 根據(jù)透明度不同，分為3 種顏色：將完全前景設(shè)為白色（α=1），不確定過渡區(qū)域設(shè)為灰色（α=0.5），完全背景設(shè)為黑色（α=0），為生成最終的Alpha Matte 提供了快速迭代條件。

3.1 Trimap 繪制

傳統(tǒng)Trimap 依賴手工標(biāo)注生成，但是不僅不夠智能化，處理圖片過多會(huì)對(duì)人工產(chǎn)生不小的負(fù)擔(dān)，后來改進(jìn)了產(chǎn)生許多自動(dòng)生成顯著圖的算法，用作Trimap 的生成雛形圖。其中，Xiao[10]等人提到了一種IG 算法，是通過一個(gè)DoG 帶通濾波過程，其中的一端被設(shè)置為圖像的直流分量，可初步生成顯著圖，作為無監(jiān)督學(xué)習(xí)，可以節(jié)省很大的人為工作量。其顯著圖的計(jì)算公式為

式中：Iμ——圖像的直流分量，即對(duì)應(yīng)每個(gè)顏色通道的均值；Iωhc（x，y）——高斯濾波后的圖像；||·||——1 范數(shù)，即2 個(gè)向量的絕對(duì)值之和。

由于顯著圖屬于初步形成的草圖，邊界位置存在某些像素不適配，或存在丟失行為。之后需將顯著圖二值化后進(jìn)行先膨脹后腐蝕的閉運(yùn)算，相差部分作為灰度未知區(qū)域。圖4 為Trimap 生成過程，圖5 為最終生成的Trimap。

圖4 三區(qū)標(biāo)志圖生成過程Fig.4 Generation process of Trimap

圖5 三區(qū)標(biāo)志圖Fig.5 Trimap

3.2 KNN Matting 提取熔滴前景

KNN Matting 通過使用K個(gè)最近鄰像素來匹配非局部區(qū)域，并且提供了一個(gè)簡(jiǎn)單快速的算法來產(chǎn)生更高質(zhì)量的圖像擇取結(jié)果，進(jìn)一步利用共軛梯度法求解封閉形式解，生成最終的Alpha Matting。它假定像素的α值可以通過具有相似外觀的非局部像素的α值的加權(quán)和來描述。本文通過選用不同的K值進(jìn)行迭代，在K取31 時(shí)前景擬合精度可達(dá)到98%，且相對(duì)于K取更大時(shí)的計(jì)算時(shí)長相對(duì)更短，滿足所需要求。然而，由于非局部像素之間的比較，其計(jì)算量相對(duì)其他前景提取算法較大，本文考慮到此因素，設(shè)定IG 算法提取后的Trimap 作為約束條件放入KNN Matting 中，減少其自動(dòng)生成Trimap 的過程，可很快使得迭代收斂，求得封閉形式解。

對(duì)于Trimap 中像素，生成的特征向量為：

式中：h，s，v——HSV 顏色空間的3 個(gè)值；（x，y）——像素i的坐標(biāo)值。

將特征向量放入內(nèi)核函數(shù)中計(jì)算，其內(nèi)核函數(shù)為

式中：C——權(quán)值調(diào)節(jié)系數(shù)，為保證k（i，j）∈[0，1]；||·||——1 范數(shù)，即2 個(gè)向量的絕對(duì)值之和。

對(duì)生成的內(nèi)核函數(shù)求取拉普拉斯矩陣，公式為：

式中，相似矩陣Aij=k（i，j）；對(duì)角矩陣Dij=∑Aij。

將得到的拉普拉斯矩陣求取封閉形式解，其中封閉形式解的方程為

式中：λ——約束系數(shù)；m——Trimap 中灰度未知標(biāo)定位置。

求得封閉形式解即為所需的Alpha Matte。

圖6 為Alpha Matte，圖7 為提取的熔滴前景。

圖6 前景蒙版Fig.6 Alpha Matte

圖7 提取的熔滴前景Fig.7 Extraction of droplet foreground

3.3 輪廓提取與描繪

3.3.1 閉運(yùn)算

對(duì)圖7 中一些高亮像素會(huì)造成圖像形成黑點(diǎn)的情況，采用先膨脹后腐蝕的閉運(yùn)算，可以消除圖像中的黑點(diǎn)。圖8 為閉運(yùn)算后的熔滴前景。

圖8 閉運(yùn)算Fig.8 Close operation

3.3.2 輪廓提取

本文利用OpenCV 內(nèi)部自帶的Contours 函數(shù)尋找目標(biāo)輪廓并做提取，然后將提取的輪廓圖像與原圖進(jìn)行加權(quán)平均。圖9 為輪廓提取后的冷金屬過渡熔滴圖像。

圖9 輪廓提取Fig.9 Contours extraction

由上述實(shí)驗(yàn)步驟可看出，KNN Matting 算法對(duì)于熔滴輪廓的檢測(cè)具有較好的擬合程度，對(duì)于細(xì)節(jié)方面的處理較為細(xì)膩，可以很好地反映出熔滴過渡過程中傳質(zhì)的變化行為，而且可以較好地提取出熔滴的實(shí)際形貌特征，為對(duì)應(yīng)不同焊接參數(shù)下的焊接過程中熔滴在圖像序列中的動(dòng)態(tài)行為跟蹤和反映熔滴實(shí)時(shí)的大小變化情況打下了良好的基礎(chǔ)。

4 結(jié)論

本文提出了利用KNN Matting 算法實(shí)現(xiàn)冷金屬過渡焊接熔滴過渡開始和過渡狀態(tài)下的輪廓檢測(cè)。實(shí)驗(yàn)表明，此方法擬合熔滴輪廓較為準(zhǔn)確，對(duì)于熔滴的過渡行為具有一定的表示作用。但Trimap 生成所使用的IG 算法在實(shí)驗(yàn)中被表明適用在小樣本數(shù)據(jù)集中，且作為無監(jiān)督學(xué)習(xí)，對(duì)于大樣本、拍攝圖像清晰度不夠等情況下，訓(xùn)練時(shí)長較長，擬合生成的顯著圖不夠理想。投入實(shí)際應(yīng)用中時(shí)，應(yīng)配合深度學(xué)習(xí)深化算法靈敏度，提高對(duì)實(shí)際拍攝中大樣本圖像邊界敏感程度和實(shí)時(shí)處理的能力。