交变/旋转磁场下焊接缺陷磁光成像检测与分类

李彦峰，高向东，季玉坤，王春草

(广东工业大学 广东省焊接工程技术研究中心，广东 广州 510006)

1 引 言

无损检测作为工业制造的关键技术，在焊缝检验中起着重要的作用[1]。焊接缺陷无损检测方法主要包括超声检测[2]、射线检测[3]、磁粉检测[4]和涡流检测[5]等。上述检测方法在保证焊接产品质量过程中发挥着关键作用，并广泛应用于各个行业，但每种检测方法都存在一定的局限性。例如超声检测需要耦合剂，并且相应的声波信号成像比较困难。 射线检测可以检测内部缺陷，但设备价格昂贵，其辐射对人体有害。磁粉检测是表面裂纹检测中使用最广泛的方法，然而该方法无法检测内部缺陷。涡流检测经常用于检测导电材料的表面和亚表面裂缝，但需要复杂的信号处理技术。基于法拉第旋转效应的磁光成像技术是一种用于检测焊接缺陷漏磁场的新型无损检测方法。与传统的涡流检测方法相比，该方法能够实现对表面及亚表面细小缺陷的成像检测[6]。

目前，焊接缺陷磁光成像检测是基于恒定磁场激励[7]。由于恒定磁场具有恒定的磁场强度和方向，因此磁场传感器难以检测多向和亚表面缺陷，并且容易饱和。为了实现交变/旋转磁场激励下任意角度缺陷的识别和分类，本文采用交变/旋转磁场磁化焊件，基于法拉第旋转效应研究了交变/旋转磁场对焊接缺陷磁光成像的影响，并进一步分析其成像机理。比较了交变/旋转磁场激励下自然焊接缺陷的磁场图像。采用主成分分析法提取融合图像列像素灰度特征和灰度共生矩阵提取磁光图像纹理特征，图像列像素灰度特征和纹理特征可以反映缺陷的漏磁场特征。应用提取的图像灰度特征及纹理特征作为输入，结合BP神经网络和支持向量机构建焊接缺陷分类模型。试验结果表明，旋转磁场激励下的磁光成像检测系统相比交变磁场激励下更能够对任意角度焊接缺陷进行准确分类。

2 焊接缺陷磁光成像

2.1 磁光成像原理

磁光成像基于法拉第旋转效应，法拉第旋转效应是一种磁光现象或光与外部磁场之间的相互作用。当一束线性偏振光在磁光介质中传播时，若在偏振光的传播方向上施加一个磁感应强度为B的外加磁场，则偏振光将旋转一定的偏转角度θ[8]。旋转角度主要取决于平行于偏振光传播方向的磁感应强度分量和光通过磁光介质有效长度L，θ可表示为[9]：

θ=VBL，

(1)

式中：V为维尔德(Verdet)常数，主要与温度、光的波长以及材料有关。当给出磁光介质材料时，偏振光的偏转方向由外加磁场的方向决定，偏振角θ与偏振光的传播方向无关，只与磁场的大小有关。

焊接缺陷的磁光成像原理如图1所示。发光二极管(LED)光源发出的光经过起偏器后变成线性偏振光。外加磁场由U形磁轭产生，感应交变磁场改变了焊缝和磁光介质的磁场状态。线偏振光穿过磁光介质后，经由光反射面反射，反射的线偏振光包含了焊接缺陷信息。根据法拉第旋转效应，线性偏振光的旋转角将发生变化。当焊件存在缺陷时，焊接缺陷两侧分别被磁化为N极和S极，其中磁场N极使偏振光沿光传播方向顺时针旋转θ角，磁场S极使偏振光沿逆时针方向旋转θ角。用互补金属氧化物半导体(Complementary Metal Oxide Semiconductor，CMOS)摄像机捕获含有焊接缺陷磁场信息的偏振光，形成二维实时可视化焊接缺陷图像(磁光图像)。

图1 焊接缺陷磁光成像原理Fig.1 Principle for MO imaging of welding defect

如图1所示，当焊件未被磁化时，线性偏振光振幅在检偏器上的投影可表示为：

l1=Ecosφ，

(2)

其中：E为偏振光的振幅，φ为CMOS成像装置与检偏器的夹角。

在施加外部磁场的情况下，线性偏振光顺时针与逆时针偏转的反射光振幅在检偏器上的投影分别为：

l2=Ecos(φ-θ)，

(3)

l3=Ecos(φ+θ).

(4)

性偏振光投影l1，l2和l3在CMOS成像装置上产生可视化影像，其对应光强分别为：

(5)

(6)

(7)

由式(5)～式(7)可知，光强I1，I2和I3三者的大小关系为I3

图2 磁光成像强度Fig.2 Intensity of MO imaging

2.2 焊接缺陷磁光成像特征分析

图3为焊接缺陷磁光成像实例，其中图3(a)为焊接缺陷的实物图，是在焊缝处形成的自然缺陷。图3(b)为焊接缺陷的磁光图像。在磁光图像中可以得到明亮区域和灰暗区域之间清晰的过渡带，其中包含焊接缺陷的位置信息。可以看出，焊接缺陷的磁光图像与实际缺陷的形状、大小和位置相一致。通过缺陷磁光图像可进一步观察到微小的焊接缺陷。

焊缝缺陷磁光图像的三维灰度分布如图3(c)所示(彩图见期刊电子版)。灰度红色区域对应于磁场N极，灰度蓝色区域对应磁场S极，红色箭头表示磁场的方向，直线等灰度线为焊缝位置，缺陷出现在焊缝的中心位置。设磁光图像的灰度值为f(x，y)，焊接缺陷的磁光图像可以用不同的灰度值表示，可以间接反映焊接缺陷的磁场分布。根据法拉第旋转效应，偏振光偏转方向取决于磁感应强度B。焊接缺陷尺寸越大，焊件上方的磁感应强度越大，缺陷处的偏振角θ也越大，对应的光强I变化越明显，磁光图像的灰度值f(x，y)分布也越大。如图3(c)所示，焊缝区域的磁光图像灰度分布为94～148，而焊接缺陷的磁光图像灰度分布为71～177。焊接缺陷区域的灰度变化率是明显高于焊缝区域，可利用磁光图像的灰度变化率来识别焊接缺陷。

(a)焊接缺陷实物图(a)Physical image of welding defect(b)焊接缺陷磁光图(b)MO image of welding defect

(c)Three-dimensional gray distribution of welding defect MO image (c)磁光成像的三维灰度分布图3 焊接缺陷图像以及磁光成像的三维灰度分布

Fig.3 Image of weld defect and three-dimensional gray distribution of welding defect MO images

3 试 验

3.1 试验装置

交变/旋转磁场激励下焊接缺陷磁光成像试验装置如图4所示，主要由磁光传感器、交变/旋转磁场发生器、配备伺服电机和夹具的三轴运动平台组成。焊件材料选用长度为150 mm、宽度为50 mm及厚度为2 mm的45号钢板。

图4 交变/旋转磁场激励下磁光成像检测装置

Fig.4 Experimental setup of magneto-optical imaging under alternating/rotating magnetic field excitation

本文采用TIG焊接方法进行平板对接焊，焊接电流为80 A，焊接速度为1.5 mm/s。磁场发生装置由50 Hz的交流电源供电并产生交变/旋转磁场，励磁电压为120 V。磁光传感器CMOS相机分辨率为400 pixel×400 pixel，采样频率为75 Hz，像素当量为102 pixel/mm。

3.2 交变/旋转磁场形成机理

由交流电驱动的励磁线圈在焊件表面产生交流磁场，如图5(a)所示。当焊件出现缺陷时，交变磁场的分布和强度将发生变化。通过调节励磁电压幅值可以获得相应的磁场强度。

将平面交叉磁轭上缠绕的两组载流线圈沿X方向(激励A)和Y方向(激励B)正交放置作为旋转磁场发生装置，如图5(b)所示。使用两个具有90°相位差交变电流的正交载流线圈来感应旋转磁场。激励A和激励B分别由一对交变电流iA(t)和iB(t)驱动，其定义如下[10]：

iA(t)=I0sin(ωt+α)，

(8)

iB(t)=I0sin(ωt+α+90°)，

(9)

其中：ω=2πf，f为交变电流频率，I0为交变电流幅值，α为iA(t)的初始相位。

由两相交变磁场叠加形成的旋转磁场轨迹，取决于两相交变电流的相位差。当A，B两相磁轭的激励电流相位差为φ时，则两相磁场分别为：

HA=HAmsinωt，

(10)

HB=HBmsin(ωt+φ).

(11)

当HAm=HBm=Hm，φ=π/2，且两交变磁场HA与HB交叉角为90°时，两正弦交变磁场在O点形成旋转磁场。平面交叉磁轭以及产生的旋转磁场如图5(b)所示。

(a)交变磁场 (a)Alternating magnetic field

(b)平面交叉磁轭及旋转磁场 (b)Plane cross yoke and rotating magnetic field图5 交变/旋转磁场示意图Fig.5 Schematic diagram of alternating/rotating magnetic fields

3.3 交变/旋转磁场下焊接缺陷磁光成像

通过TIG焊在对接45号钢板上形成自然焊接缺陷，包括未焊透、凹坑、表面裂纹和亚表面裂纹。 激励电压频率设定为50 Hz，磁光传感器的采样频率为75 Hz，这意味着磁光传感器在交变/旋转磁场的两个励磁周期(40 ms)内获得连续3帧动态焊接缺陷磁光图像。交变/旋转磁场激励下多角度焊接缺陷磁光图像如表1所示，包括焊件实物图，3帧动态磁光图像和融合图像。采用加权平均法将3幅动态磁光图像融合成一幅图像。

表1 交变/旋转磁场激励下多角度焊接缺陷磁光图像Tab.1 Magneto-optical images of multidirectional welding defects under alternating/rotating magnetic field excitation

旋转磁场激励下表面裂纹的动态磁光图像最明显，如表1所示，但在交变磁场激励下，很难观察到表面裂纹的轮廓。亚表面裂纹的形状在旋转磁场激励下呈Z型，但在交变磁场下其边缘模糊不清。 在交变磁场下的凹坑轮廓曲线没有在旋转磁场下清晰可见。未焊透缺陷形状呈反S型分布。由于未焊透，漏磁场的磁力线会在缺陷处溢出到空气中，因此在交变/旋转磁场激励下可以观察到缺陷的形状和大小。实验结果表明，磁光成像技术在旋转磁场激励下可以检测到任意角度焊接缺陷。

4 焊接缺陷磁光图像特征提取

4.1 基于主成分分析的灰度特征提取

主成分分析法(Principal Component Analysis， PCA)是一种重要的降维方法。PCA能够将众多相关变量转化为少数几个不相关的综合变量，顺序较前的几个主成分尽可能多地保留原始变量信息，且互不相关，从而达到降维的目的。将降采样磁光图像表示为矩阵Y，大小为50 pixel×50 pixel。

图6 焊接缺陷降采样磁光图像主成分贡献率

Fig.6 Principal components proportion of a down-sampling magneto-optical image of welding defects

一幅经过降采样后的焊接缺陷磁光图像主成分贡献率分布结果如图6所示。从图中可以看出，焊接缺陷磁光图像前3个主成分贡献率之和占据了原始图像94%以上的信息。不同焊接缺陷磁光图像的灰度分布因主成分贡献率将有所不同，为充分提取磁光图像灰度特征，m取为3。通过分析不同焊接缺陷磁光图像序列可知前3个主成分包含了原始图像的大部分信息，可作为BP神经网络识别模型和支持向量机分类模型的输入层，矩阵大小为150×2 500。

使用PCA法提取不同焊接缺陷磁光图像特征矩阵的第1～50行对应图像第1～50列像素的第一个主成分；第51～100行对应列像素的第二个主成分；第101～150行对应列像素的第三个主成分。图7为交变/旋转磁场激励下焊接缺陷磁光图像的主成分特征图。

(a)交变磁场激励下焊接缺陷磁光图像的主成分特征

(a)Principal component features of magneto-optical image of welding defects under alternating magnetic field excitation

(b)旋转磁场激励下焊接缺陷磁光图像的主成分特征

(b)Principal component features of magneto-optical image of welding defects under rotating magnetic fields excitation

图7 交变/旋转磁场激励下焊接缺陷磁光图像主成分特征

Fig.7 Principal component features of magneto-optical image of welding defects under alternating/rotating magnetic field excitation

图中横坐标为2 500幅降采样焊接缺陷磁光图像序列，纵坐标为2 500幅降采样焊接缺陷磁光图像第10列像素分布的第一个主成分X10、第二个主成分X60和第三个主成分X110。由图7可知，不同类型焊接缺陷磁光图像的主成分分布特征各不相同，在旋转磁场和交变磁场激励下的同一类型缺陷磁光图像在相同列的主成分特征也不相同，这意味着，采用PCA分析法可以有效提取交变/旋转磁场激励下不同焊接缺陷磁光图像的灰度特征。

4.2 基于灰度共生矩阵的纹理特征提取

灰度共生矩阵(Gray-Level Co-occurrence Matrix， GLCM)是一种提取图像纹理特征的二阶统计方法[11-12]，通过研究灰度的空间相关特性来描述纹理特征。分别计算交变/旋转磁场激励下焊接缺陷磁光图像GLCM 4个方向上的ASM能量均值W1-m和标准差W1-s，熵均值W2-m和标准差W2-s，逆差矩均值W3-m和标准差W3-s，以及自相关性均值W4-m和标准差W4-s的纹理特征参数，分别反映了图像的灰度分布均匀程度、纹理复杂程度、纹理的同质性和纹理一致性，纹理参数均值特征如图8所示。上述8个图像纹理特征作为BP神经网络分类模型和支持向量机分类模型的输入量。

(a)交变磁场激励下焊接缺陷磁光图像的GLCM纹理特征

(a)GLCM texture features of magneto-optical image of welding defects under alternating magnetic field excitation

(b)旋转磁场激励下焊接缺陷磁光图像的GLCM纹理特征

(b)GLCM texture features of magneto-optical image of welding defects under rotating magnetic field excitation

图8 交变/旋转磁场激励下焊接缺陷磁光图像的GLCM纹理特征

Fig.8 GLCM texture features of magneto-optical image of welding defects under alternating/rotating magnetic field excitation

由图8可知，通过分析GLCM方法提取特征参数的平均值，发现焊接缺陷磁光图像的纹理特征呈一定的规律性。在旋转磁场激励下的未焊透、凹坑、表面裂纹、亚表面裂纹和无缺陷的磁光图像纹理特征参数差异显著，呈阶梯式分布，可以明显地区分出来。而在交变磁场激励下凹坑磁光图像的纹理特征与表面裂纹的纹理特征差别不明显，不利于特征的提取。

5 焊接缺陷分类模型

目前，焊接缺陷分类方法主要包括BP神经网络、支持向量机和决策树等。将磁光图像灰度特征和纹理特征作为分类样本，分别建立BP神经网络和支持向量机的焊接缺陷分类模型，并比较两种模型的分类精度。

5.1 BP神经网络模型

图9 BP神经网络的拓扑结构Fig.9 Topological structure of BP neutral network

试验中选取交变/旋转磁场激励下的焊接缺陷磁光图像各2 500幅作为BP神经网络模型的数据集，其中未焊透图像、凹坑图像、表面裂纹图像、亚表面裂纹图像和无缺陷图像各选取500幅。各类缺陷任选250幅作为BP神经网络分类模型的训练集，其余250幅作为测试集。结合PCA方法提取降采样后的磁光图像列向量像素前3个主成分P1，P2，P3的灰度特征与GLCM方法提取的纹理特征P4作为分类模型的输入量X={X1j，X2j，X3j，…，X150j，W1-m，W1-s，W2-m，W2-s，W3-m，W3-s，W4-m，W4-s}，(j=1，2，3，…，2 500)。交变/旋转磁场激励下的焊接缺陷磁光图像类标签分别设为0，1，2，3，4，即输出量Y=(Y1j，Y2j，Y3j，Y4j，Y5j)，其中Y1j=0，Y2j=1，Y3j=2，Y3j=3，Y4j=4，j=1，2，3，…，500。

5.2 支持向量机

支持向量机(Support Vector Machine， SVM) 是一种常用的机器学习方法，它在解决小样本、非线性及高维模式识别中表现出很多优势，其分类缺陷样本X(n)的决策函数由式(12)所示[1]：

(12)

其中：y(n)表示为第n个训练样本的分类标签，m为训练样本数，λ(n)是拉格朗日系数。其核函数为径向基函数，可表示为：

K(X(n)X)=exp(-γ‖X(n)-X‖)，

(13)

式中γ为核参数。其决策函数f(x) 可以通过求解方程组(14)的最优解获得：

(14)

其中C为惩罚因子，用于对错分样本惩罚程度的控制。

支持向量机分类模型的输入量为焊接缺陷磁光图像列向量像素前3个主成分P1，P2，P3的灰度特征和GLCM方法提取的纹理特征P4。焊接缺陷磁光图像的网络输出类标签设置为0，1，2，3，4，分别代表未焊透、凹坑、表面裂纹、亚表面裂纹和无缺陷。

5.3 试验结果与分析

交变/旋转磁场激励下焊接缺陷的分类结果如表2和表3所示。由表2可知，在交变磁场激励下BP神经网络模型的分类精度为83.4%，由于未焊透和无缺陷样本与其它样本差异明显，其识别率可以达到85.6%与87.2%。由于小部分较浅凹坑和表面裂纹缺陷比较相似，因此这两类样本之间存在明显的错分。在250幅凹坑测试图像中，有23幅图像被误判为表面裂纹。相比BP神经网络模型，交变磁场下SVM分类模型的总体分类精度达到90.1%，表明在小样本和高维模式识别中，SVM模型的分类精度更高。

表2 交变磁场激励下焊接缺陷的分类结果Tab.2 Classification results of welding defects under alternating magnetic field excitation

由表3可知，在旋转磁场激励下BP神经网络模型和SVM模型的分类精度分别为94.1%和98.6%，比交变磁场激励下的分类精度分别提高了10.7%和8.5%。相比与交变磁场激励下的焊接缺陷识别，在旋转磁场下焊接缺陷的分类精度得到明显的提升。

表3 旋转磁场激励下焊接缺陷的分类结果Tab.3 Classification results of welding defects under rotating magnetic field excitation

6 结 论

与交变磁场激励相比，基于感应旋转磁场的磁光成像技术可以解决传统磁场激励下的定向检测的问题。焊接缺陷的磁光图像可以在不同亮度下反映漏磁场强度的大小，图像的灰度值可以匹配相应的漏磁场强度。采用PCA分析法和GLCM方法分别提取焊接缺陷磁光图像的灰度特征和纹理特征，可以反映不同缺陷的漏磁场特征。以BP神经网络和支持向量机为分类器，建立了PCA+GLCM-BP和PCA+GLCM-SVM模型，用于交变/旋转磁场激励下焊接缺陷的分类。试验结果表明，在小样本和高维模式识别中，SVM模型比BP神经网络模型的分类精度高；相比于交变磁场激励下缺陷的识别，在旋转磁场激励方式下BP神经网络模型和支持向量机模型的分类精度分别提高了10.7%和8.5%，由此说明采用旋转磁场激励方式可有效提高多方向焊接缺陷的分类精度。