TC17 鈦合金激光熔覆熔池實時監測算法研究*

李子帆，蔡振華，劉 琦，牛少鵬，鄧春明，于子琳

（1.武漢理工大學自動化學院，武漢 430070；2.中國航空制造技術研究院高能束流加工技術重點實驗室，北京 100024；3.高能束流增量制造技術與裝備北京市重點實驗室，北京 100024；4.增材制造航空科技重點實驗室，北京 100024；5.廣東省科學院新材料研究所，廣州 510651；6.武漢理工大學信息學院，武漢 430070）

航空發動機壓氣機葉片作為發動機的核心零件，承擔著壓縮空氣為燃燒室提供高壓空氣的重要工作。在飛機服役的過程中，葉片長時間工作在高速、高強度的極端工作環境。隨著航空發動機推重比不斷提高，壓氣機部位承受的壓力提升，直接增加了葉片發生變形、裂紋甚至斷裂的幾率[1]。因此為了保證發動機的正常運轉，需要定期對葉片進行檢查，對受損葉片進行更換或修復。TC17 鈦合金最高工作溫度為427 ℃，具有強度高、韌性好等特點，廣泛應用于航空發動機壓氣機核心組件[2]。統計數據顯示，全新葉片在經過3500 h 工作后需要進行檢查，葉片更換的成本為葉片修補的5 倍，而修補后的葉片可以繼續工作3000 h，因此修復受損葉片是一種更具經濟效益的方法[3]。

目前主要的航空零件表面修復方式有氬弧焊、激光熔覆、電子束焊、線性摩擦焊等[4]。氬弧焊成形精度較低、熱影響區大，難以滿足航空發動機葉片的型面精度和高強度要求。激光熔覆技術通過小激光光斑準確控制熱輸入，適用于修復各類結構復雜的零件，具有組織致密、形變小、柔性好，以及便于集成等特點，是航空發動機葉片高質量、高效率修復的趨勢之一[5]。激光熔覆過程的特征實時監測是激光熔覆智能化的關鍵途徑[6–8]。在現代制造技術中，對產品的質量控制往往通過生產過程的實時監測，而不是對加工完的產品逐個進行檢測以及補償處理[9]。因此為了保證激光熔覆的質量，發揮其技術優勢，需要對激光熔覆過程進行特征監測。

近年來，隨著對激光熔覆實時監測需求的不斷增長以及信息采集技術的發展，國內外對其研究不斷發展。Thompson 等[10]提出了基于光束同軸成像的激光沉積監測系統，通過攝像頭以及窄帶濾波器采集圖像，探究激光功率對激光沉積過程的影響。Wirth 等[11]利用高速攝像機監測激光熔覆過程中，熔池表面粒子的運動軌跡，提出粒子流動趨勢與工藝參數有密切的相關性。顧振杰等[12]研發了一套熔池光譜實時監測系統，通過固定在激光發射器上的光譜儀采集光譜信號，研究等離子體對激光能量傳輸以及熔覆成形質量的影響規律。Muvvala 等[13]通過單點單色測溫計對熔覆時的熱循環過程進行在線監測，發現緩慢的熱循環會導致熔覆體強度的降低。

激光熔覆熔池指通過激光的能量使同步送進的金屬粉末加熱至熔化，并在基板上形成熔化的液態金屬區域[14]。熔池的質量是熔覆質量和工藝變量之間的重要因素，熔池幾何特征變化的實時監測對熔覆工藝分析具有重要意義[15]，但由于激光熔覆過程中的熔池是移動且熔凝動態變化，并且存在高亮熱輻射以及大量飛濺粉末，難以實時準確獲得熔池形態以及尺寸[16–17]。因此利用高速圖像采集技術和圖像處理算法，對熔池的幾何形態以及尺寸進行實時監測已經成為應用研究熱點。本文以TC17 鈦合金為研究對象提出了一種基于圖像處理的熔池幾何實時監測方法，針對熔池圖像高亮的特性，通過非線性變換增強對比度，再采用圖像分割、圖像去噪等算法對熔池區域進行提取，最后通過AABB包圍框對熔池長寬進行實時監測，實現激光熔覆過程熔池實時監測的目標。

1 試驗及方法

1.1 試驗材料和設備

本文在側向送粉激光熔化沉積平臺開展激光修復試驗，如圖1 所示。平臺包括1 臺DPSF 粉末進料器、ABB 機械手和海富HCFS–3000 激光器。激光器通過光纖連接中科四象ZKSX-100TC 設備，激光頭通過轉接工裝安裝在機械手上，激光器最大功率2000 W。激光器集成在ABB 機械手主機箱，通過機械手程序控制激光器的開關，試驗基材采用TC17 鈦合金，試驗過程如圖2 所示。鈦合金粉末和保護氣體沿側向送粉管向基材進行輸送，激光沿基材的頂面進行掃描，CCD 相機通過激光器中的反射平臺對熔池進行同軸數據采集，并由數據處理平臺對圖像幀進行處理。

圖2 激光熔覆示意圖Fig.2 Schematic diagram of laser cladding

1.2 圖像處理算法流程

由于激光熔覆過程中圖像整體灰度值偏高，且有粉末飛濺形成的噪點，因此需要設計合適的圖像處理算法才能對熔池的特征信息進行提取。本研究以TC17 鈦合金材料為研究對象，對于CCD 相機采集得到的熔覆區域視頻流，借助OpenCV 開源計算機視覺庫對熔池幾何特征進行識別，算法流程如下。

（1）通過掩膜獲得ROI 區域。

在激光熔覆過程中，工業灰度相機采用與熔覆激光同軸的光路對熔覆區域進行觀測。為了避免圖像無關區域的干擾，提高識別的準確率和速度，本文通過選取480×640 像素的Mask 掩膜對圖像進行邏輯“與”操作，提取熔池及其周邊圖像。

（2）基于伽馬變換的圖像增強。

由于熔池處和熔池周邊的灰度值差距較小，進行閾值分割時魯棒性和效果會較差，因此需要對熔池圖像進行增強，以提高熔池區域的對比度?；A圖像增強方法主要基于線性變換或者非線性變換，線性增強能夠從全局提升或降低圖像的整體灰度，但無法根據圖像灰度的空間分布針對目標物體進行局部增強。因此本文采用非線性圖像增強算法對高亮熔池區域進行增強。伽馬變換是一種簡單有效的非線性圖像增強算法，對于整體過暗或者過亮的場景，能夠增強其對比度[18–19]。對于輸入的1 張灰度圖像，首先進行歸一化，將每個像素點的灰度值除以255，再對每個像素的灰度值進行伽馬變換。伽馬變換的數學表達式為

式中，H和W1為圖像的高度和寬度；r和c為圖像的行數和列數；O為輸出圖像；I為輸入圖像；γ為伽馬變換的參數。取0<γ<1 時，伽馬變換可以增強對比度，使較暗的ROI 區域更加明顯；取γ= 0 時，圖像不發生改變；取γ>1 時，可以通過降低對比度來提取較亮的ROI 區域[20]。

本文的ROI 區域為高亮的熔池區域，如圖3 所示。在灰度直方圖中體現為灰度值較大的紅色框選區域，選取γ=1，2，3 進行試驗，可以發現，隨著γ變大，紅色框選區域的灰度值相較于其他像素灰度值差距變大，即藍色箭頭長度變大，熔池相對于背景更加明顯，更易于分割。通過試驗，本文最終選取γ=3 作為伽馬變換的參數。

圖3 不同參數伽馬變換結果及直方圖Fig.3 Different gamma parameter transform results and histograms

（3）基于閾值分割的熔池提取。

閾值分割作為常見的圖像處理算法，因其結構簡單，性能穩定，被廣泛應用于圖像分割場景[21]。其作用對象為灰度圖，適用于分割目標與背景灰度值有明顯差異的情況。其基本原理為：通過設置灰度閾值，將整張圖片的像素點分為兩類，將灰度大于該閾值的像素設為白色，將灰度小于該閾值的區域設置為黑色[22]。

在本文中，通過伽馬變換增加熔池區域與背景區域的灰度差，使閾值選取范圍更大，根據圖3（c）可以觀察發現，熔池區域灰度值集中在200～225 之間；非熔池區域灰度值集中于0～150 之間。因此本文分別將閾值設置為150、175、200，閾值分割效果如圖4 及表1 所示。閾值選取為在150、175 時，存在欠分割現象，高亮粉末或者背景未能被完整分割，熔池識別精度低于90%；閾值選取在200 時，能將熔池區域輪廓較為完整地分割開，熔池精度達到96.8%，因此，本研究閾值分割參數選取為200。

表1 不同閾值下的熔池分割精度Table 1 Proportion of molten pool at different thresholds

圖4 閾值分割圖Fig.4 Threshold segmentation image

（4）基于連通域輪廓面積的點云去噪。

激光熔覆過程中，除了熔池外，基板上也會殘留有高熱高亮的非熔池區域，因此分割后的二值圖像可能存在冗余的離散非熔池區域，會對熔池幾何特征的提取造成干擾。本文通過查找每個連通域的輪廓，并計算其面積，來篩選熔池區域以及非熔池區域。

輪廓提取采用編碼的思想，給屬于不同層級的邊界賦予不同的值。具體思路如下：首先對圖像的每一行進行遍歷，f（i，j）表示圖像第i行、第j列的像素值，當像素值符合以下條件之一時終止。

a.f（i，j–1）= 0，f（i，j）=1，則定義f（i，j）為外邊界的起始點；

b.f（i，j）=1，f（i，j+1）=0，則定義f（i，j）為孔邊界的起始點。

然后從起始點開始，對邊界上的元素進行標記，初始標識符NBD =1，每當接觸到新邊界加NBD 加1；若f（i，j）=1，f（i，j+1）=0，則將f（i，j）定義為-NBD，即邊界終止點，確定圖像層級關系后，計算得到輪廓面積，并以此為判斷條件，去除面積較小的輪廓。

影響連通域面積的大小的主要因素為線能量密度，即單位時間內單位長度吸收的能量大小，本文依據表2 中試驗環境可控的激光功率、掃描速度和送粉速度3 個變量設計了27 組試驗，用于統計熔池連通域面積的大小。熔池像素面積結果如圖5 所示，其中熔池最小面積為410 pixel2，最大面積為494 pixel2，平均面積為454 pixel2，而無關非熔池區域的平均面積為100 pixel2，因此本文將400 pixel2作為面積臨界值，只保留面積大于400 pixel2的連通域輪廓（圖6）。

表2 大功率激光熔化沉積平臺主要參數Table 2 Main parameters of high-power laser melting deposition platform

圖5 熔池面積統計Fig.5 Statistics of molten pool area

圖6 輪廓圖Fig.6 Contour image

（5）熔池尺寸提取。

熔池的幾何特征尺寸參數如圖7 所示，熔池整體呈橢圓狀。其中，x為熔池掃描方向；L為熔池的長度；W2為熔池的寬度。

圖7 熔池尺寸示意圖Fig.7 Schematic diagram of molten pool size

本研究通過獲取熔池輪廓的AABB包圍矩，對熔池幾何信息進行提取。包圍盒是一種針對二值圖像白色區域分布范圍的提取算法，其基本原理為使用結構簡單的幾何體去擬合目標物體的范圍。如圖8 所示，AABB包圍盒即為輪廓垂直邊界的最小矩形，邊長與圖像的上下邊界平行，

圖8 AABB 包圍框Fig.8 AABB bounding box

可以發現，熔池的寬度可以由包圍框的高直接得到。如圖9 所示，由于強光反射以及粉塵的干擾，熔池尾部的一側有時會出現類似于拖尾的誤檢測現象，所以熔池的長度不能簡單通過包圍框的寬得到。本文將測量的輪廓包圍盒豎直中點A、B之間的距離作為熔池的長度。

圖9 熔池長度優化Fig.9 Melt pool length optimization

2 試驗驗證

激光熔覆致密度和表面質量與熔池狀態息息相關，而工藝參數決定了熔池區域的幾何外形以及波動幅度。為了更全面地驗證基于TC17 鈦合金的熔池幾何監測算法的精度，試驗探究了不同工藝參數下熔池長度和寬度的識別誤差。

對熔池形態變化占主導地位的工藝參數有掃描速度、送粉速度、激光功率等。本文通過上述熔池識別監測算法，依據表3 中的試驗參數，設計了3×3×3 組正交試驗，對熔池識別算法的精度進行驗證，并分析工藝參數對熔池長度和寬度特征識別精度的影響。本文通過對比算法識別值與實際測量值對算法精度進行驗證，如圖10 所示，熔池平均寬度可以通過使用游標卡尺對熔道寬度進行多次測量取平均值得到，而激光熔覆過程中的熔池的長度由于熔覆材料的不斷堆疊無法進行測量。因此本文將熔道末端圓斑的長度作為熔池長度測量值，并將與算法識別得到的熔道末端時的熔池長度作為識別結果。

表3 試驗參數Table 3 Experimental parameters

圖10 熔池幾何參數測量示意圖Fig.10 Schematic diagram of measurement of molten pool geometry parameters

圖11 展示了熔池實時監測算法在不同工藝參數下的激光熔覆過程中的識別截圖（圖像右下角分別標注了激光功率、掃描速度以及送粉速度）。表4 記錄了不同工藝參數下識別算法得到的熔池平均寬度和熔覆過程結束時刻的熔池長度，并以實際測量得到數據作為對照。

表4 熔池幾何特征提取試驗結果Table 4 Experimental results of molten pool geometric feature extraction

分析表4 可以發現，在本試驗變量控制區間內，激光功率為影響熔池寬度和長度識別精度的主要因素，激光作為激光熔覆過程的主要能量來源，激光功率與能量密度成正相關，更大的激光功率會使熔池散發出更強烈、更不穩定的光，將直接導致熔池長度和寬度識別精度降低。試驗中，激光功率在500 W、1000 W、1500 W時的熔池平均誤差分別為0.12 mm、0.26 mm、0.36 mm；掃描速度是影響熔池識別精度的次要因素，隨著掃描速度的提升，熔池在基板上的移動速度提升，熔池穩定性降低，導致熔池識別的精度降低。試驗中，掃描速度在5 mm/s、10 mm/s、15 mm/s 時熔池的平均誤差分別為0.22 mm、0.26 mm、0.28 mm；而送粉速度對熔池識別的精度沒有直接影響。

試驗結果表明，本文提出的熔池幾何監視算法整體平均誤差為0.24 mm，最大誤差為0.48 mm，最小誤差為0.06 mm，識別速度0.04 s/幀，能夠達到實時的目標監測。

3 結論

本研究面向激光熔覆TC17 鈦合金材料，提出了基于圖像處理的熔池幾何特征識別算法，并在不同的試驗參數環境下，對算法的性能進行驗證分析，得出如下結論。

（1）激光熔覆同軸監測算法是通過圖像掩膜提取熔池附近圖像，伽馬變換進行非線性變換提高對比度，二值化對熔池圖像進行分割，依據飛濺粉末和熔池的連通域面積特征實現噪點去除，獲得熔池本身圖像和長寬值。

（2）針對熔池圖像區整體灰度值偏高，熔池區域視覺場景的區分度較低的的問題，采用γ= 3 的伽馬變換能夠使熔池區域灰度值更易分離，配合閾值為200 的二值化分割，可以較完整地提取圖像中的熔池區域。

（3）TC17 鈦合金在本文試驗參數范圍內，熔池連通域面積在400 pixel2以上，非熔池連通域面積在100 pixel2左右，連通域面積可作為判決條件實現非熔池區域的區分識別特征，實現去噪功能。

（4）同軸CCD 監測熔道末端熔池長寬的算法誤差范圍為0.06～0.48 mm；平均誤差為0.24 mm；識別速度達到0.04 s/幀，可以滿足熔池監測的精確性和實時性要求。