基于圖像識別的高壓鑄造鋁合金缺陷特征分析及缺陷對性能影響的研究

仇中原 蒲亮兮 楊雨童 王顯會 王秋鋒 黃詩堯

（1.南京理工大學，南京 210009；2.長三角先進材料研究院，蘇州 215000；3.西交利物浦大學，蘇州 215000；4.南京工業大學，南京 210009）

1 前言

隨著環境問題日益嚴峻，輕量化是未來汽車行業的發展趨勢，與其它輕量化材料和工藝相比，鋁合金壓鑄件不僅有助于汽車輕量化，還具有減少零件數量，簡化生產等諸多優點。因此，汽車工業逐步推動高壓鑄造鋁合金在汽車結構件上的應用，其也成為汽車行業重點研究的材料之一。

眾多研究[1-2]表明高壓鑄造（High Pressure Die Casting, HPDC）鋁合金材料延伸率具有波動性。通過分析壓鑄鋁合金的微觀組織結構發現，各種缺陷如氣孔、縮孔、夾雜、冷隔等都會對鑄造材料的機械性能產生影響。Mu[3]、Vanderesse[4]、Cáceres等[5]和Gokhale 等[6]發現，壓鑄件的機械性能如延展性和強度，主要受斷裂表面的孔隙率面積分數影響。Liu 等[7]指出最大缺陷尺寸對斷裂位置和延伸率有著重大影響。Antonio 等[8]通過制造人工缺陷證明相比于形貌，缺陷的分布對鑄造鋁合金的材料性能影響更大。Li 等[9]采用X 射線層析成像法分析了氣縮孔、氣孔、網狀縮孔和島狀縮孔，發現拉伸變形過程中氣縮孔和網狀縮孔是裂紋萌生的主要來源。然而，上述大部分研究并不是從實際高壓鑄鋁零件中取樣，而是針對高壓鑄鋁樣片上切割的試樣，其研究數據的實際應用價值需要驗證。

定量統計鋁合金斷口的缺陷特征，有助于分析材料性能波動的微觀機理。為了研究材料的缺陷特征，研究人員一般需要使用掃描電鏡來分析試樣斷口表面缺陷的大小和分布。由于目前還沒有對缺陷大小進行自動化定量分析的工具，缺陷的識別和標記依賴于試驗者的手動操作，這不僅占用了大量的時間，而且由于每個試驗者的經驗和標準不同，容易導致數據的差異，進而影響分析結果的準確性。近年來隨著圖像處理算法的巨大進步，自動表征材料的微觀組織和缺陷已成為可能[10-11]。

從高壓鑄造鋁合金汽車結構件上直接取樣，能夠較好的研究同一零件不同位置下的材料性能；通過閾值分割[12]和深度學習[13]的圖像分割算法，完成了不同放大倍數圖像的缺陷分割，實現了自動化缺陷分割。最終結合自動化圖像識別技術研究了缺陷特征對高壓鑄造鋁合金材料性能的影響。

2 材料與試驗方法

本試驗選取了某高壓鑄造鋁合金汽車結構件，從零件的15 個位置進行取材。鑄件編號為101#（1-15）-107#（1-15）。利用拉伸試驗機測試合金的拉伸性能，拉伸后根據應力-應變曲線計算出屈服強度、極限拉伸強度和伸長率。

選取一邊斷口，沿拉伸方向距離斷口處1.5 cm處進行切割，利用掃描電鏡觀察斷口處的缺陷，分別使用低倍100~200 倍，高倍500~2 000 倍對缺陷進行拍攝。利用缺陷自動識別程序分別對低倍和高倍下斷口處缺陷面積進行統計。

3 缺陷特征識別算法

3.1 低倍圖像的缺陷識別

數字圖像分割是根據圖像的灰度、顏色、紋理、形狀特征，將圖像分成幾個互不重疊的區域，使這些特征在同一區域內表現出相似性，而在不同區域之間表現出顯著的差異性。大多數圖像分割算法都是基于灰度值的不連續和相似特性而設計的。常用的3 種分割算法有：基于閾值的分割方法、基于邊緣的分割方法、基于區域的分割方法。由于缺陷特征低倍圖像下多為黑色形貌，本研究在低倍圖像中采用閾值分割法。閾值法的第一步是根據圖像的灰度特征，計算一個或多個灰度閾值；然后將圖像中每個像素的灰度值與設定的閾值進行比較；最后根據比較結果將圖像中的每個像素劃分為合適的類別。因此，建立一定的標準函數并求出最佳的灰度閾值是該方法中最重要的一步，經過多個灰度閾值的篩選，最終選擇200 為最佳值。

3.2 高倍圖像的缺陷識別

由于高倍下缺陷特征的復雜性，光依賴于灰度閾值不能夠正確地識別缺陷，還需要識別形狀等特征，利用深度學習模型開發圖像分割提供了解決途徑?；诰幋a器-解碼器的模型是著名的圖像分割深度學習模型，其中U-net 是一個優秀的卷積編解碼器模型。它采用對稱的u 型結構，包括特征映射壓縮結構和特征映射上采樣結構。為了更有效地進行圖像處理，本研究在高倍圖像中采用U-net。U-net 的特征提取模型類似于卷積神經網絡，由卷積層和池化層組成，其原理如圖1 所示，左側部分是特征提取模型，中間部分為加強特征提取部分，右側部分為預測部分。在特征提取模型的最后，可以獲得5 種不同的初步有效特征圖，然后使用這5 種不同的有效特征映射進行特征融合，得到一個最終的融合了所有特征的有效特征圖，利用最終的有效特征圖對每個特征點進行分類，從而實現對每個像素的分類，進而達到圖像分割的目的。

圖1 U-net構建思路

3.3 缺陷量化統計

完成缺陷的識別后，還需要對圖像尺度進行識別，由于比例尺的位置是固定的，因此首先對比例尺進行定位，然后利用光學字符識別(Optical Character Recognition，OCR)算法對比例尺的長度和數量進行識別；采用連接面積的計算方法計算缺陷數量、每個缺陷的面積、面積提升、等級劃分，實現鑄鋁缺陷的定量統計。

4 結果與討論

4.1 靜態力學性能與斷口分析

選擇同一零件不同位置分析其材料屬性，107#樣品6號、11 號、13 號、15 號位置的抗拉強度、屈服強度、延伸率如表1 所示，從表中可以看出這4 個位置的抗拉強度、屈服強度、延伸率都具有顯著的波動性。相較于抗拉強度和屈服強度，同一零件不同位置的延伸率離散度更明顯，具有嚴重的不穩定性，如延伸率最好的13 號位置（14.5%）是延伸率最差的6號位置（4.05%）的3.6倍。

表1 107#材料屬性

結合掃描電鏡不同倍數下拍攝的斷口形貌見圖2，發現在所有的試樣斷口處均發現多處縮孔缺陷，且對于延伸率較差的樣品往往其缺陷面積更大，缺陷數量更多，可以推斷孔隙率和缺陷面積都是影響材料延伸率的重要因素。

圖2 不同倍數拍攝缺陷形貌

4.2 基于圖像識別的缺陷統計

由于缺陷的形狀和大小都不相同，當對其進行統計時很難使用同一倍數拍清晰，對于缺陷數量多缺陷面積大的更是如此，因此本研究采用2 種方法對缺陷進行統計，當缺陷數量少時使用高倍缺陷統計，放大倍數為500~2 000 倍，采用深度學習中的U-Net 網絡對圖像進行識別；當缺陷數量多時使用低倍數為100~200 倍，采用閾值分割的方法對圖像進行識別。

4.2.1 高倍圖像的缺陷統計

為了驗證高倍缺陷自動識別程序的精確性，本文抽樣進行人工識別缺陷面積，借助軟件實現面積分數統計。圖3a 所示為SEM 高倍拍攝原圖，圖3b所示為單個缺陷人工統計結果，綠色線框內部為人工定義縮孔缺陷區域，面積為19 347.059 μm2，圖3c所示為單個缺陷自動識別程序統計結果，紅色區域為自動識別的缺陷部分，面積為20 261.593 μm2，其誤差為4.7%。如圖4 所示為人工識別缺陷和圖像識別缺陷結果對比，橫坐標為人工識別的缺陷面積，縱坐標為對應的圖像識別統計的缺陷面積，其最大誤差為18.6%。

圖3 高倍缺陷識別

圖4 人工識別與圖像識別結果

4.2.2 低倍圖像的缺陷統計

同樣也對低倍缺陷自動識別程序的精確性進行了抽樣驗證，圖5 為人工統計結果，紅線框出區域為人工標注缺陷，統計面積為13 172.022 μm2；圖6 為圖像識別統計結果，紅色區域為識別出的缺陷，統計面積為13 816.889 μm2，其誤差為5%。

圖5 低倍人工統計結果

圖6 低倍圖像識別結果

4.3 缺陷特征對抗拉強度、屈服強度的影響

為了研究孔隙率與抗拉強度、屈服強度的相關性，分別統計了18 個試樣的抗拉強度與屈服強度，結合圖像識別程序所統計出來的缺陷面積百分比，結果如圖7 和8 所示，橫坐標為斷口處缺陷面積的占比，縱坐標分別為抗拉強度和屈服強度，通過對兩圖的分析沒有發現斷口處缺陷面積分數與抗拉強度和屈服強度間明顯的相關性，因此缺陷可能不是影響抗拉強度與屈服強度的主要因素。

圖7 抗拉強度與缺陷面積占比

圖8 屈服強度與缺陷面積占比

4.4 缺陷特征對延伸率的影響

4.4.1 孔隙率對延伸率的影響

為了研究一個完整的零件中孔隙率對延伸率的影響，分別選取103#和107#的4 個位置，統計這4 個位置對應的延伸率和缺陷面積占比，如圖9 所示，橫坐標為單個試樣斷口處的全部缺陷在斷口截面的面積占比，縱坐標為試樣對應的延伸率，可以觀察出，對于同一零件不同位置，隨著缺陷面積占比及孔隙率的上升，延伸率呈下降趨勢。

圖9 103#和107#缺陷面積占比與延伸率

為了進一步研究孔隙率對樣品延伸率的影響，整理了多組試樣的缺陷面積占比。圖10 為7個零件不同位置抽樣進行的缺陷面積百分比統計，橫坐標為單個試樣斷口處的全部缺陷在斷口截面的占比，縱坐標為試樣對應的延伸率，通過對比橫縱坐標可以發現，當缺陷面積占比小于1%時，隨著孔隙率的上升，延伸率呈顯著下降趨勢；當缺陷面積占比大于1%，隨著孔隙率上升，延伸率下降趨勢緩慢。

圖10 所有試樣延伸率與缺陷占比匯總

4.4.2 最大缺陷尺寸對延伸率的影響

為了研究試樣中最大缺陷尺寸對延伸率的影響，進一步統計了每個樣品的最大缺陷的面積分數，如圖11 所示，橫坐標為每個試樣的最大缺陷面積占比，縱坐標為延伸率。通過分析圖11 可以得出當延伸率大于11%，試樣中的最大缺陷面積占比小于0.05%；當延伸率小于11%時，試樣中的最大缺陷面積占比在0.05%~0.5%之間。從上述分析中可以推斷出最大缺陷的尺寸對延伸率有著重要影響，當最大缺陷面積占比小于0.05%時，隨著最大缺陷體積的上升，延伸率呈下降趨勢；當最大缺陷面積占比大于0.05%時，延伸率呈緩慢下降趨勢。

圖11 延伸率與最大缺陷面積占比匯總

綜合孔隙率與最大缺陷尺寸發現，當孔隙率和最大缺陷尺寸都較小時，延伸率的顯著下降主要是由除缺陷外的微觀組織特征引起，當孔隙率和最大缺陷尺寸較大時，它們對延伸率的影響存在一種競爭關系，但需要更多數據來證明哪一個因素對延伸率的影響更大。

5 結論

基于圖像識別方法對高壓鑄造鋁合金斷口缺陷特征進行量化分析，基于此研究了缺陷特征對鋁合金性能的影響，結論如下。

a.同一壓鑄件不同位置的屈服強度、抗拉強度、延伸率都具有波動性，且延伸率的差異性更大。

b.基于機器學習算法開發的缺陷識別程序能夠較為準確地識別鑄造鋁合金斷口的缺陷尺寸等特征。

c.當孔隙率和最大缺陷面積占比在一定范圍內，隨著孔隙率或最大缺陷面積占比的上升，延伸率具有明顯的下降趨勢。

d.當孔隙率和最大缺陷體積都較大時，兩者對延伸率的影響可能存在一種競爭關系，此結論需要更多的試驗數據作為支撐。