基于FCM-CV的GMA-AM熔池图像边缘提取

（南京理工大学材料科学与工程学院，江苏南京210094）

0 前言

近年来，利用增材制造技术快速打印复杂结构件引起了各国学者的广泛关注。其中，GMA-AM技术具有低成本、高材料利用率、高生产效率等优点。目前，GMA-AM技术的研究主要集中在成形工艺、微观组织和力学性能上，关于过程稳定性和尺寸精度控制方面的研究鲜见报道[1]。熔长、熔宽以及后拖角等焊接熔池几何尺寸参数能够在一定程度上反映焊接质量信息，因此准确可靠地检测出熔池几何尺寸，对于实现GMA-AM尺寸精度和质量控制具有重要意义[2]。

传统的熔池图像轮廓提取方法主要有Sobel算子、Robot算子等图像分割理论[3]，但是针对目标灰度变化复杂的图像，不能有效地提取光滑、封闭的边界。CV模型利用图像域的全局信息，具有对噪声、模糊边缘不敏感等优点，无论图像质量如何，都能提取光滑、封闭的边界[4]。有学者针对CV模型提取熔池图像轮廓进行了初步研究。陈希章等人对CV算法进行了强化特征模型修正、多尺度快速算法和全局特性抑制等改进，识别了熔池图像的连续轮廓[5]。李静等人针对MAG管道打底焊，设定椭圆作为熔池初始轮廓，结合CV模型提取熔池轮廓[6]。但由于电弧光干扰，上述研究提取的熔池图像轮廓不够清晰，而且CV模型的初始轮廓都是人为设定，当目标和背景灰度对比度较小、图像噪声较大时，CV模型对初始位置敏感，可能造成分割结果不够准确[7]。针对以上问题，本研究提出了一种基于模糊C-均值（fuzzy C-Means，FCM）聚类和区域主动轮廓模型（CV）的协作分割算法（FCM-CV），对GMA-AM熔池图像进行轮廓提取。

1 试验装置及图像预处理

GMA-AM焊熔池视觉采集试验系统如图1所示。采用的焊接电源为FRONIUS TPS4000；图像采集系统包括BASLER acA1920-155um CCD、防护滤光片和透红外滤光片。利用GMA-AM焊试验系统在304不锈钢平板上进行试验。保护气体成分为φ（Ar）95%+φ（CO2）5%，焊丝材料为直径 φ1.2 mm 的HCr20Ni10Mn7Mo，焊接速度6 mm/s，CCD与焊枪夹角为45°。单道多层增材制造是逐层递进技术，每一单层成形尺寸和质量直接决定单道多层增材制造的质量，在此针对单道单层增材制造进行研究和分析。

图1 GMA-AM试验系统

熔池图像预处理如图2所示。由图2a可知，电弧区的高亮度与熔池区形成鲜明对比，CV主动轮廓提取算法只能识别出电弧区的轮廓，熔池区的轮廓被忽略。为了减弱图像处理时高亮电弧区对熔池轮廓的影响，首先对熔池图像进行过曝处理，将电弧区的灰度值设置为0，处理效果如图2b所示。

图2 熔池图像预处理

2 FCM-CV熔池边缘提取方法

2.1 模糊C-均值聚类

Dunn J C和Bezdek J C提出了模糊C-均值聚类，通过样本点对类中心的隶属度确定每个样本点属于某个聚类的程度，是应用最为广泛的模糊聚类方法[8]。

FCM算法的基本思想是通过迭代寻找聚类中心vi和隶属度μij，使如下成本函数最小化

式中 C为类别数；N为图像像素总数；p为模糊度控制参数（p＞1）；xj是图像像素值；vi为第 i类的中心；‖xj-yi‖2为像素点与第i类聚类中心vi的欧几里得距离；μij为隶属度函数表征数据元xj属于第i类的程度。根据Lagrange乘数法，隶属度函数μij需满足以下3个条件

FCM算法步骤为：①设定聚类数目C和参数p；②初始化隶属度函数μij及类中心vi；③更新隶属度函数μij和类中心vi

④重复步骤③，直到算法收敛，得到各类的聚类中心和隶属度，从而完成模糊聚类划分。

2.2 Chan-Vese主动轮廓模型

CV模型是一种基于图像区域信息的活动轮廓模型，该模型克服了基于图像梯度信息的分割模型对噪声敏感的缺点。

CV模型的能量函数可表述为

给定一条初始轮廓线C，将图像分成平均灰度分别为c1、c2的内外两个不同质区域inside（C）和outside（C），用水平集函数φ的零水平集表示轮廓线C。其中Length（C）为轮廓线C的周长，轮廓线的内部面积为Area（inside（C））。当轮廓线C位于两个不同质区域的边界时，能量函数 F（c1，c2，φ）取得最小值，从而对图像进行边缘提取。

引入 Heaviside 函数 H（z）和狄拉克函数 δ（z），采用水平集方法形式化模型的能量函数。

假设Ω为整个图像定义域，则得到

令φ为常数，计算c1和c2

保持c1、c2固定，给定合适的初始条件并满足诺依曼边界条件，则CV模型数值解法可表述为

2.3 Chan-Vese模型改进

传统CV模型对初始轮廓敏感，初始轮廓不同的图像，其分割的结果和算法迭代次数也不同，通过手动设置的初始轮廓可能得不到准确的分割结果。本研究提出一种基于FCM提取初始轮廓协作CV模型提取轮廓边缘的算法——FCM－CV，算法步骤如下：

①根据式（1）～式（3），用 FCM 模型处理熔池图像得到隶属度函数μij。

②初始化水平集φ0，得到初始轮廓。

③根据式（7）计算 c1、c2。

④根据公式（8）逐次迭代，计算φn。

⑤重复步骤③、④，直到算法收敛。

3 试验结果与分析

通过GMA－AM焊熔池视觉采集试验系统获取1 000组熔池图像进行轮廓提取研究。试验平台计算机采用Windows 10操作系统，Intel(R)Core(TM)i3－M370处理器，8 GB内存，编程环境为MATLAB R2016a。

不同初始轮廓CV模型的熔池图像分割效果对比如图3所示。图3a、3b为标准初始化轮廓[9]与其分割结果，图3c、3d为目标内圆初始轮廓与其分割结果，图3e、3f为目标外圆初始轮廓与其分割结果，图3g、3h为FCM预分割初始轮廓与其分割结果。由图3可知，由于电弧区的灰度梯度大，电弧区轮廓曲线都能被很好地提取，但熔池区的灰度梯度相对较小，尤其是在熔池尾部，初始轮廓的设定对熔池轮廓曲线的提取造成了不同的影响。将初始轮廓设定为标准初始化轮廓可以大致提取出熔池轮廓曲线，但标准初始化轮廓由多个小圆组成，由于噪声影响，曲线逼近熔池边缘时提前结束，使边缘呈锯齿状；将初始轮廓设定为目标内圆和目标外圆的形式，都不能有效地提取唯一圆滑的熔池图像轮廓，内部存在多个封闭轮廓，尤其在浮渣和熔池尾部的过渡区域，噪声影响很大，轮廓朝两边收敛。FCM-CV模型很好地解决了这些问题，先用FCM模型预分割熔池图像，得到最接近熔池图像轮廓曲线的初始轮廓，在此基础上运行CV模型进行修正，分割出完整光滑的熔池区轮廓和电弧区轮廓。

图3 不同初始轮廓CV模型的熔池图像分割效果对比

为验证该方法的有效性，采用FCM-CV模型对不同工艺条件下的熔池图像进行轮廓提取。不同电流的熔池轮廓如图4所示，可以看出，不同电流下熔池的形态变化很大，但FCM-CV模型算法依然能够很好地提取不同工艺条件下的熔池轮廓。

图4 不同电流的熔池轮廓

目前熔池轮廓提取主要采用Sobel算子等边缘提取算法，因此将FCM-CV算法与传统分割方法进行对比试验，试验结果如图5所示。传统分割方法如Robot算子、Sobel算子和Laplace算子等边缘提取算法适用于目标与背景灰度单一的图像，在内部细节丰富的熔池图像中，传统分割方法提取的熔池轮廓有很多伪边缘，后续处理比较困难，影响正确率，不适合后期熔池图像几何特征的获取和计算。而FCM-CV算法提取的熔池图像轮廓曲线具有单一圆滑封闭的特点，为提取熔长、熔宽以及后拖角等熔池几何尺寸参数提供了保障。

浮渣、熔池尾部等分区域均隐含大量的质量特征，提取这些分区域的视觉特征，对于建立视觉特征与质量的关系模型具有重要意义。针对浮渣及熔池尾部进行加窗处理，运行FCM-CV模型能有效提取浮渣和熔池尾部的轮廓，结果如图6所示，这为后期视觉特征与质量关系模型的建立提供了另一个特征参数。

4 结论

（1）针对主动轮廓CV模型在GMA-AM熔池图像处理中初始位置敏感的问题，提出了一种基于FCM-CV的主动轮廓模型的熔池轮廓提取方法。

图5 传统分割方法与FCM-CV算法对比

图6 浮渣和熔池尾部的窗口及轮廓

（2）FCM-CV模型相比传统分割方法能够有效地提取不同工艺条件下的熔池轮廓。

（3）利用该算法分析GMA-AM熔池图像，能有效提取熔池、电弧区、浮渣和熔池尾部的轮廓，实验效果较好。

[1]熊俊.多层单道GMA增材制造成形特性及熔敷尺寸控制[D].黑龙江：哈尔滨工业大学，2014.

[2]高向东，江良征，龙观富.强弧光反射环境下频域滤波的熔宽特征提取[J].焊接学报，2013，34（8）：5-8.

[3]高飞，王克鸿，梁永顺，等.一种多尺度分形的弧焊熔池图像分割方法[J].焊接学报，2011，32（11）：33-36.

[4]Li CH M，Xu CH Y，Gui CH F，et al.Distance regularized level set evolution and its application to image segmentation[J].IEEE TRANSACTIONS ON IMAGE PROCESSING，2010，19（12）：3243-3254.

[5]陈希章，陈华斌，陈善本，等.基于改进C-V方法的焊接图像识别[J].焊接学报，2007，28（9）：9-12.

[6]李静，秦小麟，李芳，等.基于区域粗定位与Chan-Vese主动轮廓模型的MAG焊视觉图像熔池边缘提取[J].机械工程学报，2011，47（12）：74-78.

[7]Wang X F，Huang D SH，Xu H.An efficient local Chan-Vese model for image segmentation[J].Pattern Recognition，2010，43（3）：603-618.

[8]Chuang K S，Tzeng H L，Chen S，et al.Fuzzy c-means clustering with spatial information for image segmentation[J].Computerized medical imaging and graphics，2006，30（1）：9-15.

[9]Xia R B，Liu W J，Zhao J B，et al.An optimal initialization technique for improving the segmentation performance of Chan-Vese model[C].IEEE International Conference on Automation and Logistics，2007：411-415.