Element loss behavior and compensation of additive manufacturing memory alloy
-
摘要: 在剖析增材制造过程中记忆合金元素烧损行为的基础上，以自制粉芯丝材为原料，采用电弧熔融沉积工艺制备了不同Mn，Si含量的系列FeMnSiCrNi合金，求解了Mn和Si两种易烧损元素的烧损率，拟合了烧损率与设计含量之间关系的数学模型，并通过合金的熔融沉积试验对该模型进行了验证. 结果表明，增材制造记忆合金元素烧损的主要形式为低沸点元素的选择性蒸发，其绝对烧损率与合金中所有易烧损元素设计成分近似呈现线性关系；验证试验结果显示，通过该模型设计所获得的记忆合金成分误差不超过4%，表明该理论模型具有较高的精度，可用于指导增材制造记忆合金成分的准确控制.Abstract: Based on the analysis of the element loss behavior of the memory alloy in the additive manufacturing process, a series of FeMnSiCrNi alloys with different Mn and Si contents were prepared by arc melting deposition using self-made powder cored wire as raw material. The burning loss ratios of Mn and Si elements is solved, and the mathematical model of the relationship between the burning loss ratio and the design content is fitted. The model is verified by melting deposition experiments. The results show that the main form of element burning loss of additive manufacturing memory alloy is the selective evaporation of low boiling point elements, and its absolute burning loss ratio is approximately linear with the design composition of all burnable elements in the alloy. Meanwhile, the verification experiment results show that the error of the composition of the memory alloy obtained by the model design is not more than 4%, which indicates that the theoretical model has high accuracy and can be used to guide the accurate control of the composition of the memory alloy in the additive manufacturing.
-
Keywords:
- powder core wire /
- arc additive manufacturing /
- element loss /
- component regulation
-
0. 序言
随着新能源汽车产业的快速发展，锂电池作为新能源汽车的核心三电系统之一，其需求量大幅增加，在新能源企业不断扩大锂电池产能的同时，其安全性和稳定性逐渐成为各大企业关注的焦点[1-2]. 就锂电池连接片来讲，裁切不良的极耳会导致激光焊接失效，另外激光焊接本身也会存在焊缝尺寸不良、烧穿、虚焊和焊接氧化等问题，而不符合标准的激光焊缝会导致连接片电极易脱落，从而出现电池断路、锂电池漏液等问题[3-4].
近年来，国内外的专家和学者针对基于计算机视觉的焊接检测开展了诸多研究. Melakhsou等人[5]将YOLOv3目标检测模型应用于焊缝图像的焊接异常检测. Chen等人[6]将R-CNN目标检测模型应用于焊接缺陷检测. 但由于目标检测模型的限制，其只能做出瑕疵粗略定位，无法给出准确的瑕疵尺寸，也无法进行焊缝尺寸测量. 郭忠峰等人[7]提出了一种基于卷积神经网络的关键点检测方法，通过卷积和池化提取焊缝特征，利用上采样融合深层和浅层特征，提高特征提取精度，输出焊缝热力图定位特征点，检测精度较高.
在锂电池焊接质量检测方面，Huang等人[8]设计了软包锂电池片焊接轨迹检测系统，使用激光传感器对接线片的焊接表面进行数据采集并进行滤波处理，再对滤波后数据进行不均匀的B样条曲线拟合，生成焊接轨迹曲线. Tao等人[9]通过线激光传感器获取电池顶盖焊缝表面深度数据，利用基于轮廓线的多阈值分割方法和连通域算法进行缺陷分割和定位，但缺陷类型根据缺陷区域中心之间的距离确定，导致分类准确性低. 但是，上述基于线激光的焊缝检测方法需要使用专业的线激光器以及配套相机导致造价高昂，且完全采用传统视觉算法，焊缝尺寸的测量的准确度无法保证. Wang等人[10]提出了一种结合深度学习和常规图像处理的质量检测框架，用于预测焊接质量并输出相应参数信息，实现了锂电池极柱焊接的检测. Yang等人[11]针对锂电池极柱的激光焊接缺陷检测，提出了一种改进的YOLOv5模型，该模型在主干网络中引入6 × 6卷积核，并使用设计的SPPSE模块和改进的RepVGG模块，实现了缺陷有效检测. Yang等人[12]将语义分割模型应用于电池焊接缺陷识别，实现了较高的识别精度. Zhang等人[13]将CU-Net语义分割模型和视觉传统算法融合应用进行锂电池极耳点焊瑕疵识别，但其没有将语义分割算法的高精度特点应用于尺寸测量.
针对上述问题，文中提出了基于计算机视觉的锂电池连接片焊接质量检测系统. 首先对连接片正、负电极分别设计光学系统进行成像，然后将改进的视觉传统算法和U2-Net语义分割模型融合使用来实现快速、高精度的锂电池连接片焊接质量检测，最后基于Qt Toolkit 5.15.2和Visual Studio 2017编程平台搭建软件系统并进行在线验证.
1. 系统方案设计和检测内容
1.1 系统检测逻辑
文中设计的基于计算机视觉的锂电池连接片焊接质量检测系统逻辑为，首先设置顶盖焊接相关工艺参数. 系统收到电池到位信号进入检测环节，对相机获取的图像进行自适应模板匹配截取焊缝区域，即感兴趣区域(Region of Interest, ROI)，备份ROI得到ROI.copy，对ROI.copy进行自适应阈值分割、形态学运算和轮廓提取等操作，判断是否存在极耳裁切不良；然后利用U2-Net语义分割模型对ROI区域进行焊缝和焊缝缺陷的识别并输出相应Mask，对Mask分别进行轮廓提取以获取缺陷和焊缝的位置和尺寸信息，与工艺标准进行对比即可判定电池的焊接质量. 检测逻辑如图1所示.
1.2 光学系统设计
1.2.1 光源选型
锂电池连接片存在铝制正极和铜制负极. 针对铜电极存在一定的反光性和光泽度的问题，选择使用红色光源进行打光，可以更好的区分铜制焊盘和其上的焊缝. 光源为圆形无影光源，采用特殊的打光方式，把垂直落射的光线转化为以中低角度为主的多角度均匀照射光线，突出目标物表面的几何形状，增强目标物的表面反射，从而提高图像的对比度.
金属铝具有表面光滑，反射性较强的特点，但铝制电极上的焊缝却不具备铝电极的光学特点，故选则使用白色光源进行打光，这样铝制背景的较高亮度会与焊缝形成较高的对比度，更有利于焊缝的尺寸测量和缺陷的提取. 光源形状则采用穹顶，其具有较大的光扩散面，能够全方位均匀照射在被测物体上. 这对于目标物的形状、大小等特征的检测非常有帮助. 综上并结合实验室的试验结果，铜制电极的打光方案采用红色环形无影光，铝制电极采用白色穹顶光源.
1.2.2 相机和镜头选型
针对企业提出的0.05 mm的尺寸测量检测精度，选择采用五百万像素，分辨率为
2448 ×2048 的工业相机，根据现场的安装条件，铝电极相机工作距离为165 mm，其对应视野99 mm × 83 mm，铜电极相机工作距离为84 mm，其对应视野66 mm × 55 mm，根据相机视野大小和分辨率，得出铝电极相机理论精度达到0.040 mm/像素，铜电极相机理论精度达到0.026 mm/像素，满足系统检测精度要达到0.05 mm的要求. 相应镜头的选型则采用的镜头的焦距为$$ f = \frac{{W}_{\mathrm{D}}\times w}{W} $$ (1) 式中：$ f $为镜头的焦距，$ \mathrm{m}\mathrm{m} $；$ {W}_{\mathrm{D}} $为相机工作距离，$ \mathrm{m}\mathrm{m} $；$ w $为图像传感器横向尺寸，$ \mathrm{m}\mathrm{m} $；$ W $为视野横向尺寸，$ \mathrm{m}\mathrm{m} $.
计算得出铜电极相机镜头的焦距$ {f}_{\mathrm{C}\mathrm{u}}$为12 mm，铝电极相机镜头的焦距$ {f}_{\mathrm{A}\mathrm{l}} $为16 mm，所以铜电极采用12 mm焦距镜头，铝电极采用16 mm焦距镜头.综上所述，光学系统硬件明细如表1所示.
表 1 光学系统硬件明细Table 1. Hardware details of optical systems电极 光源 工业相机 镜头 铜电极 CFR-70-R MV-CA050-10GM MVL-HF1224 M-10 MP 铝电极 CD-90-W MV-CA050-10GM MVL-HF1624 M-10 MP 1.3 检测内容
对于不存在明显缺陷的电极，需要对其焊盘上的焊缝进行尺寸、面积和焊缝条数的检测. 正常的铝电极和铜电极，如图2所示. 连接片电极存在的缺陷包括极耳裁切不良、虚焊、烧穿和焊接氧化等，如图3所示. 极耳裁切不良指的是电极的焊盘两侧极耳没有裁切到合适的长度从而遮盖了焊盘，导致激光焊接出现缺陷，从而影响焊接强度，如图3(a)所示. 激光功率不稳定、激光功率过高和焊接速度过慢等原因都会导致焊接过程中烧穿焊盘，从而出现烧穿缺陷，如图3(b)所示. 烧穿缺陷会严重影响焊接强度，甚至导致锂电池电解液泄露. 保护气体喷嘴设计或位置不合理、保护气体种类选择不当、焊接过程中保护气体不足或流量不当等原因会导致激光焊接出现焊接氧化，如图3(c)所示. 焊接氧化会显著降低焊缝质量和结构性能. 首先，焊接氧化会降低焊缝的结构强度和疲劳寿命，使结构在承载和循环载荷下更容易失效. 其次，氧化物的脆性使焊缝更易产生裂纹，尤其在动态或冲击载荷下. 氧化层还会使焊缝更易被电解液腐蚀. 激光焊接过程中焊接参数设置不当、基材表面污染、保护气体流量不足和材料厚度不均匀等问题会导致虚焊缺陷，如图3(d)所示. 虚焊缺陷会导致焊缝的结构强度和疲劳寿命显著降低，增加结构在承载和循环载荷下的失效风险.
![]()
图 2 正常的连接片电极Figure 2. Normal tab electrode. (a) copper electrode; (b) aluminum electrode![]()
图 3 缺陷电极Figure 3. Defective electrode. (a) lithium battery pole ear cutting defect; (b) burnthrough defect; (c) welding oxidation defect; (d) faulty welding defect2. 系统检测原理
2.1 多重自适应模板匹配算法
文中提出的多重自适应模板匹配算法，其流程如图4所示. 针对铝电极和铜电极各选取两幅特征明显的图像来确定匹配模板，并设置匹配阈值剔除掉不符合阈值的模板并返回最佳匹配图像. 归一化交叉相关性匹配算法[14](normalized cross correlation，NCC)是一种鲁棒性更强、匹配准确率更高的匹配算法，其核心思想是将模板图像和待匹配的大图像上的每个位置像素值进行归一化(normalize)并计算“归一化交叉相关系数”. $ \rho (x,y) $为“归一化交叉相关系数”，值越大表示匹配程度越高，且$ \left|\rho \right(x,y)|\leqslant 1 $. NCC算法计算的“归一化交叉相关系数”为
$$ \rho (x,y) = \dfrac{{\dfrac{1}{{mn}}\displaystyle\sum\limits_{i = i}^m {\displaystyle\sum\limits_{j = 1}^n {({S_{x,y}}(i,j) - {{\overline S }_{x,y}})(G(i,j) - \overline G )} } }}{{\sqrt {\dfrac{1}{{mn}}{{\displaystyle\sum\limits_{i = i}^m {\displaystyle\sum\limits_{j = 1}^n {({S_{x,y}}(i,j) - {{\overline S }_{x,y}})(G(i,j) - \overline G )} } }^2}} \sqrt {\dfrac{1}{{mn}}\displaystyle\sum\limits_{i = i}^m {\displaystyle\sum\limits_{j = 1}^n {{{(G(i,j) - \overline G )}^2}} } } }} $$ (2) 式中：$G(i,j)$为模板图像，大小为$m \times n$；${S_{x,y}}$为以$(x,y)$为左上角点且大小与模板图像一致的图像块；$\overline G $为$G(x,y)$灰度均值；$ {\overline S _{x,y}} $为${S_{x,y}}$的灰度均值.
算法提取到的ROI区域如图5所示. 对比图2可知，该算法在原始图像中准确提取到铜铝电极的焊缝区域，大幅减少了待处理的数据量，节省了计算资源，从而提高处理效率和算法性能，提升了实时性.
2.2 自适应阈值分割算法
自适应阈值分割算法可以自适应地对图像进行阈值分割，实现图像的二值化[15]操作从而区分出前景和背景，具体来说就是根据图像局部的像素信息计算出不同位置的阈值，依据该区域内像素点数值与阈值的大小关系实现图像二值化，进行焊盘特征点的初步提取.
步骤1:定义一个全1矩阵$ {\left[\begin{array}{ccc}1& \cdots & 1\\ \vdots & \ddots & \vdots\\ 1& \cdots & 1\end{array}\right]}_{n = 11} $来获取局部像素区域.
步骤2:对于每个点，计算以该点为中心的局部区域内像素的均值和标准差，以此来得到该点的阈值.
步骤3:对于每个点，将其灰度值与该点的阈值进行比较，如果大于阈值则将其置为255，否则将其置为0.
步骤2中的阈值计算采用的是高斯加权平均值的方法，具体地，对于以点$ (x,y) $为中心的局部区域，其自适应阈值$ T(x,y) $为
$$ \left\{ {\begin{array}{*{20}{l}} {T(x,y) = \overline I (x,y) - C \cdot s(x,y)} \\ {{w_{i,j}} = \dfrac{1}{{\sqrt {2{\text{π }}} \sigma }}{{\text{e}}^{ - \dfrac{{{{(i - x)}^2} + {{(j - y)}^2}}}{{2{\sigma ^2}}}}}} \\ {\overline I (x,y) = \dfrac{{\displaystyle\sum\limits_{i = x - k}^{x + k} {\displaystyle\sum\limits_{j = y - k}^{y + k} {{w_{i,j}} \cdot I(i,j)} } }}{{\displaystyle\sum\limits_{i = x - k}^{x + k} {\displaystyle\sum\limits_{j = y - k}^{y + k} {{w_{i,j}}} } }}} \end{array}} \right. $$ (3) 式中：$ \bar{I}\left(x,y\right) $为以点$ \left(x,y\right) $为中心的局部区域的像素灰度值平均值；$ s\left(x,y\right) $为以点$ \left(x,y\right) $为中心的局部区域的标准差；$ {w}_{i,j} $为点$ (i,j) $的高斯权值；$ \sigma $，$ {k} $通常取$ \dfrac{n_0-1}{2} $，$ n $0为局部像素区域大小；$ C $为控制阈值大小的常数，这里使用高斯加权平均值的方法，即对局部区域的每个像素进行加权平均.
将计算出来的阈值$ T\left(x,y\right) $与点$ \left(x,y\right) $的灰度值进行比较，如果像素点灰度值小于阈值$ T\left(x,y\right) $，则该点像素值被设置为255(白色)，否则被设置为0(黑色). 针对铜电极和铝电极ROI区域的自适应阈值分割效果，如图6所示. 由图可知，自适应阈值分割后，铜电极左侧焊盘特征点与背景区别明显，但右侧特征点附近存在大面积噪点，无法进行准确的特征点提取. 铝电极焊盘特征点虽然特征点均较为独立，但仍存在与焊盘背景粘连的情况，故需进行进一步的处理来消除干扰特征点提取的噪点.
![]()
图 6 自适应阈值分割效果Figure 6. Adaptive threshold segmentation effect. (a) copper electrode; (b) aluminum electrode2.3 灰度形态学运算
灰度形态学运算包含有膨胀运算、腐蚀运算、闭运算和开运算等[16]. 为了消除自适应阈值分割后的二值图中干扰特征提取的噪点，提出了一种进行焊盘特征点提取的形态学算法，即
$$ \text { Result }=G(x, y) \circ \boldsymbol{A}_1^1 \varTheta \boldsymbol{A}_2^2 \oplus \boldsymbol{A}_3^1$$ (4) 式中：$ G(x,y) $为自适应阈值分割后的二值图；$ \circ $为开运算；$ \varTheta $为腐蚀运算；$ \oplus$为膨胀运算；$ {\boldsymbol{A}}_{1} = \left[\begin{array}{ccc}1& 1& 0\\ 1& 1& 0\\ 0& 0& 0\end{array}\right],{\boldsymbol{A}}_{2} = \left[\begin{array}{ccc}0& 0& 0\\ 1& 1& 1\\ 0& 0& 0\end{array}\right],{\boldsymbol{A}}_{3} = \left[\begin{array}{ccc}0& 1& 0\\ 0& 1& 0\\ 0& 1& 0\end{array}\right] $均为形态学结构元素，$ {\boldsymbol{A}}_{1}^{1},{\boldsymbol{A}}_{2}^{2},{\boldsymbol{A}}_{3}^{1} $角标代表使用该结构元素运算的迭代次数.
该形态学算法处理后的分割效果，如图7所示.可见，虽然灰度图中的焊盘特征点存在被弱化的情况，但是灰度图中的噪点得到了更大程度的控制，使得特征点大多独立存在，后续可通过设置焊盘特征点所包含像素数去筛选掉剩余噪点，最终通过轮廓提取最大程度提取焊盘特征点.
![]()
图 7 形态学处理后二值图Figure 7. Binary image after morphological processing. (a) copper electrode; (b) aluminum electrode2.4 轮廓提取算法
文中采用的轮廓处理算法实现过程为
步骤1：灰度图像进行边缘检测.
步骤2：通过连通性分析，将相邻的边缘线段连接起来形成完整的轮廓线.
步骤3：根据轮廓线的中心位置、面积等特征，对轮廓进行分类和筛选，选出符合条件的轮廓.
步骤4：基于灰度图像中定位的轮廓坐标，在原始彩色图像中识别轮廓.
算法中采用的Canny边缘检测算子[17]为
$$E(x, y)=\left\{\begin{array}{ll} 255, & \text { if } g(x, y) \geqslant T_{\text {high }} \\ 0, & \text { if } g(x, y)< T_{\text {low }} \\ \text { undecide, } & \text { if } T_{\text {low }} \leqslant g(x, y)< T_{\text {high }} \end{array}\right. $$ (5) 式中：$ g\left(x,y\right) $为图像中点$ \left(x,y\right) $的梯度值；$ {T}_{\mathrm{h}\mathrm{i}\mathrm{g}\mathrm{h}} $为高梯度阈值；$ {T}_{\mathrm{l}\mathrm{o}\mathrm{w}} $为低梯度阈值.
算法中采用的轮廓面积和轮廓中心提取公式为
$$ \left\{ {\begin{array}{*{20}{l}} {S = \dfrac{1}{2}\displaystyle\sum\limits_{i = 1}^{{n_1}} {({x_i}{y_{i + 1}} - {y_i}{x_{i + 1}})} } \\ {{C_x} = \dfrac{1}{{6S}}\displaystyle\sum\limits_{i = 1}^{{n_1}} {({x_i} + {x_{i + 1}})({x_i}{y_{i + 1}} - {y_i}{x_{i + 1}})} } \\ {{C_y} = \dfrac{1}{{6S}}\displaystyle\sum\limits_{i = 1}^{{n_1}} {({y_i} + {y_{i + 1}})({x_i}{y_{i + 1}} - {y_i}{x_{i + 1}})} } \end{array}} \right. $$ (6) 式中：$ n $1为轮廓点的个数；$ \left({x}_{i}{,y}_{i}\right) $为第$ i $个点的坐标；$ S $为轮廓面积；$ {(C}_{x},{C}_{y}) $为中心点坐标.
对图7形态学处理后二值图应用轮廓提取算法，并将特征点轮廓绘制于原始ROI上得到焊盘特征点提取效果，如图8所示. 图8中铜铝两极的焊盘特征点由大量闭合轮廓线标识，图8(c)中极耳裁切不良的缺陷导致焊盘两侧特征点被大量遮挡，其特征点数量远少于图8(a)和图8(b)中正常电极的特征点数量，故文中以特征点数量为阈值，进行极耳裁切不良缺陷的检测.
![]()
图 8 焊盘特征点提取效果Figure 8. Weld pad feature point extraction effect. (a) copper electrode; (b) aluminum electrode; (c) lithium battery pole ear cutting defects2.5 语义分割模型
2.5.1 U2-Net语义分割模型
U2-Net是一种针对医学领域的分割任务的深度学习模型，该模型引入了Attention机制，并通过加深网络深度和引入多尺度信息提高了模型准确率.其在低对比度、复杂场景分割时有很好的鲁棒性和稳定性[18]. U2-Net网络结构包括编码器(Encoder)[18]、解码器(Decoder)[18]、U-shape[19]和注意力机制[19](Attention gates)，如图9所示. 编码器(Encoder)[18]采用了VGG16模型[20]的前12层卷积层作为特征提取器，将输入图像逐渐压缩为更小的特征图，提取出更高层次的特征. 解码器(Decoder)[18]采用了U-Net的结构，通过反卷积层将提取的特征图逐渐还原成与原始输入图像相同大小的图像，并且结合了U-Net中的跳跃连接，可以将Encoder和Decoder部分的特征图进行融合，以提高分割的准确性. U-shape是指在Decoder部分中的特征图大小和Encoder部分中的特征图大小相同，这使得两部分的特征图可以无缝连接. 注意力机制用于在Decoder部分中聚焦重要的特征图. 具体而言，Attention gates根据Encoder部分输出的特征图和Decoder部分输入的特征图，计算出每个点的重要性，并将重要的点保留下来，从而使得模型可以更加准确地分割出目标物体.
2.5.2 数据增强
数据增强(Data Augmentation)是一种广泛应用于深度学习中的技术，它通过对原始数据进行一系列变换和扭曲，来增加训练集的多样性，从而提高模型的鲁棒性和泛化能力，降低过拟合的风险[21].文中采用的数据增强方法为
步骤1：图像随机缩放(ResizeStepScaling)，缩放因子的范围为0.5 ~ 2.0，步长为0.25，步长的作用是控制缩放因子的变化速度，即每次缩放时，缩放因子可以增加或减少0.25.
步骤2：图像随机填充(RandomPaddingCrop)，裁剪的大小为
1024 × 512.步骤3：图像随机水平翻转(RandomHorizontalFlip).
步骤4：图像随机色彩扭曲(RandomDistort)，包括亮度(brightness)、对比度(contrast)和锐度(Sharpness)的随机扰动.
步骤5：所有变换后的图像进行归一化(Normalize)，将像素值缩放到[0, 1]之间.
数据增强效果对比，如图10所示. 图10中第1行为增强前的原始数据，余下4行对应着增强后的数据. 由图10可知，数据增强操作改善了图像数据集的质量、多样性和可用性，增强后的图像数据集可以更好地满足模型训练的需求，从而提高训练模型的效果和性能.
2.5.3 模型训练和效果
设置U2-Net模型的优化器为随机梯度下降(stochastic gradient descent, SGD)动量设置为0.9，权重衰减4.0 × 10−5；学习率调度器为多项式衰减(polynomial decay)，起始学习率为
0.0075 ，最终学习率为0，衰减指数为0.9；损失函数为交叉熵损失函数，并基于32G显存的TeslaV100 GPU对增强后的焊缝和缺陷数据集进行训练，其迭代次数(iters)为4000 ，单次训练样本数目(batchsize)为6，将数据集按照7∶2∶1的比例分割为训练集、验证集和测试集，训练的Loss曲线，如图11所示. 两条曲线显示了模型在训练过程中的收敛情况，两者初始损失值较高，前500次迭代内迅速下降，约3000 次后逐渐趋于平稳. 焊缝数据集的损失值从接近8降至0.21，缺陷数据集的损失值从接近4降至接近0.06，表明模型在缺陷数据集上的表现略优于焊缝数据集.![]()
图 11 模型训练Loss曲线Figure 11. Loss curves during model training. (a) Loss curve of weld seam dataset; (b) Loss curve of defect dataset语义分割模型性能的评价指标主要包括平均交并比(mean Intersection over Union, mIoU)和准确率(Accuracy, Acc), mIoU衡量的是模型对每个类别预测的准确性和定位的精度，Acc指模型正确预测的像素数量与总像素数量的比值. 训练过程中，模型每迭代500次，将测试集输入到当前模型中进行模型性能验证，测试集测试得到最优的焊缝识别模型的mIoU为
0.9464 、Acc为0.9728 ，最优的缺陷识别模型的mIoU为0.9082 、Acc为0.9920. U2-Net模型识别效果，如图12所示. 图12(a)和图12(b)中的3条焊缝都被准确识别和标记，焊缝的形状和位置清晰可见，绿色标记覆盖了焊缝的整个区域，表明无论铜电极还是铝电极，模型都能提供高精度的焊缝分割结果；图12(c)、图12(d)和图12(e)中模型分别成功识别并以蓝色标记、黄色标记和绿色标记准确覆盖了虚焊、烧穿和焊接氧化3种缺陷区域，表现出高精度和可靠性.![]()
图 12 模型识别效果Figure 12. Model identification performance. (a) copper electrode weld seam; (b) aluminum electrode weld seam; (c) faulty welding defect; (d) burnthrough defect; (e) welding oxidation3. 系统试验
为了验证系统尺寸测量的精确性和重复性，对锂电池连接片铜铝两电极共6条焊缝的长度进行了多次测量，得到的数据如表2所示. 标准偏差与测量极差曲线，如图13所示. 为了验证系统的检测速度，使用系统对多个工件进行检测并绘制系统检测耗时曲线，如图14所示. 由表2和图13可知，测量值在真值附近波动并无整体偏大或偏小，这说明不存在系统方向性误差，测量可靠. 系统标准偏差最大为0.034 mm，测量极差最大为0.180 mm，表明系统具备一定的重复性和精确性. 由图14可知，系统的检测耗时稳定在255 ms附近，能够快速完成检测，满足生产线对于检测速度的要求.
表 2 测量验证Table 2. Measurement verification焊缝序号
N0焊缝长度 d /mm 测量均值
μ/mm标准偏差
σ0/mm测量极差
R/mm真值 测量值1 测量值2 测量值3 测量值4 测量值5 测量值6 测量值7 测量值8 1 22.752 22.752 22.752 22.716 22.752 22.738 22.691 22.753 22.824 22.747 0.005 0.133 2 23.330 23.328 23.328 23.364 23.328 23.400 23.257 23.364 23.220 23.324 0.006 0.180 3 23.005 23.005 23.004 23.005 23.005 23.077 23.040 23.005 23.077 23.027 0.022 0.073 4 22.400 22.339 22.305 22.339 22.339 22.386 22.408 22.374 22.442 22.367 0.034 0.137 5 22.362 22.345 22.411 22.344 22.375 22.280 22.338 22.280 22.344 22.340 0.022 0.131 6 22.201 22.202 22.236 22.202 22.235 22.167 22.233 22.203 22.201 22.210 0.009 0.069 针对实际应用的需要，基于Qt Toolkit 5.15.2和Visual Studio 2017平台开发了检测软件，为了验证检测系统整体的运行的可靠性、鲁棒性和准确性，在生产现场进行了该系统的搭建并进行6次系统试验，每次24 h，试运行时系统检测效果，如图15所示；相关试验数据，如表3所示. 其中试验序号7为144 h系统试验的累计数据. 检测系统快速准确的识别出焊接存在的虚焊、烧穿、焊接氧化和极耳裁切不良等缺陷，使用红色方框进行可视化标注，并输出对应NG警告，如图15所示. 系统也能够清晰地识别出每条焊缝，并以绿色框标记出焊缝的区域，同时精确地测量了焊缝的长度、宽度和面积，表明系统在快速检测焊缝时能提供高精度和高效的尺寸测量. 系统试运行期间会通过与工控PLC的通信将检测出的缺陷工件流转到人工复检处来进行检测结果的验证，复检人员统计的数据以表格形式呈现在表3中. 系统稳定运行144 h后，可知系统达到了0.040 mm/像素的检测精度，综合表3可知误检率为0.06%，缺陷检出率为99.98%，满足了工业检测过程中的误检率和缺陷检出率的指标要求，实现了生产线上对锂电池连接片进行实时检测的目标.
![]()
图 15 系统检测效果Figure 15. System detection performance. (a) faulty welding defect; (b) burnthrough defect; (c) welding oxidation defect; (d) lithium battery pole ear cutting defect; (e) weld seam表 3 系统试运行数据统计Table 3. Statistical data of system trial run试验序号
n2真实缺陷数N1/个 检测缺陷数N2/个 检测工件
总数
N3/个漏检缺陷
总数
N4/个误检
总数
N5/个误检率
p(%)缺陷
检出率
ρ(%)极耳缺陷 虚焊缺陷 烧穿缺陷 焊接氧化 极耳缺陷 虚焊缺陷 烧穿缺陷 焊接氧化 1 3 21 5 5 3 24 4 5 7317 1 3 0.04 99.99 2 3 12 2 12 3 12 6 12 6551 0 4 0.06 100.00 3 2 10 10 6 2 12 11 6 7558 0 3 0.04 100.00 4 2 22 7 25 2 25 2 30 6734 5 8 0.11 99.30 5 2 11 1 8 2 11 1 9 8346 0 1 0.01 100.00 6 2 13 11 5 3 15 15 5 6689 0 7 0.10 100.00 7 15 99 39 67 14 89 36 61 43195 6 26 0.06 99.98 4. 结论
(1) 针对连接片焊缝检测存在的对比度低、反光严重和前景纹理复杂等难点，综合传统视觉算法检测速度快以及语义分割算法精度高、善于处理复杂背景的优点，采用传统视觉算法与语义分割模型相结合的方法，进行连接片焊缝的检测，以多重自适应模板匹配、自适应阈值分割、形态学运算和轮廓提取相结合提取焊盘特征点完成极耳裁切不良检测，以U2-Net语义分割模型和轮廓提取相结合来完成焊缝尺寸测量和虚焊、烧穿等缺陷的检测，从而实现了焊接质量检测的功能.
(2) 通过对基于计算机视觉的锂电池连接片焊接质量检测系统的搭建和线上试验，系统测量精度为0.040 mm/像素，达成了测量精度0.05 mm的设计指标，具备尺寸测量的精确性和重复性，误检率仅为0.06%和缺陷检出率达99.98%均满足需求，系统具备运行的稳定性、鲁棒性，满足了生产线上对锂电池连接片焊接质量进行实时检测的需求.
-
![]()
图 1 试验流程示意图(mm)
Figure 1. Schematic diagram of experimental process. (a) step 1; (b) step 2; (c) step 3; (d) step 4
![]()
图 4 合金元素的绝对烧损率与设计含量拟合图
Figure 4. Fitting diagram of absolute burning loss rate and design content of alloying elements. (a) Mn; (b) Si
表 1 试样设计成分(质量分数，%)
Table 1 Design composition of sample
试样编号 Mn Si Cr Ni Fe 1 14 6 9 5 余量 2 18 6 9 5 余量 3 22 6 9 5 余量 4 26 6 9 5 余量 5 14 8 9 5 余量 6 14 10 9 5 余量 
下载: 导出CSV
表 2 纯元素的平衡蒸气压方程常数
Table 2 Equilibrium vapor pressure equation constant of pure element
元素 A B C D E Fe 11.56 −19540 −0.6254 −2.7 × 10−9 2 × 10−13 Mn −123.9 −5990 47.07 −0.014 1.5 × 10−6 Si 315 −71384 −89.68 0.0083 −2.6 × 10−9 Cr −80.35 −12221 29.746 −0.0068 5.2 × 10−7 Ni −57.4 −13533 23.611 −0.0077 7.8 × 10−7
下载: 导出CSV
表 3 试样的化学成分(质量分数，%)
Table 3 Chemical compositions of sample
试样编号 Mn Si Cr Ni Fe 1 8.86 4.52 9.70 5.41 71.50 2 11.77 4.66 9.85 5.50 68.22 3 14.90 4.83 10.06 5.57 64.63 4 18.26 4.99 10.21 5.64 60.90 5 9.01 6.18 9.76 5.44 69.61 6 9.22 7.83 9.83 5.46 67.66
下载: 导出CSV
表 4 Mn和Si的绝对烧损率(%)
Table 4 Absolute burning loss ratios of Mn and Si
试样编号 Mn Si 1 41.52 30.39 2 40.51 29.31 3 39.25 27.84 4 37.76 26.26 5 40.80 28.91 6 39.67 28.27
下载: 导出CSV
-
[1] Lee Y Sr, Kirka M M, Dinwiddie R B, et al. Role of scan strategies on thermal gradient and solidification rate in electron beam powder bed fusion[J]. Additive Manufacturing, 2018, 22: 516 − 527. doi: 10.1016/j.addma.2018.04.038
[2] 陈国庆, 树西, 张秉刚, 等. 国内外电子束熔丝沉积增材制造技术发展现状[J]. 焊接学报, 2018, 39(8): 123 − 128. doi: 10.12073/j.hjxb.2018390214 Chen Guoqing, Shu Xi, Zhang Binggang, et al. State-of-arts of electron beam freeform fabrication technology[J]. Transactions of the China Welding Institution, 2018, 39(8): 123 − 128. doi: 10.12073/j.hjxb.2018390214
[3] Chen X, Li J, Cheng X, et al. Effect of heat treatment on microstructure mechanical and corrosion properties of austenitic stainless steel 316L using arc additive manufacturing[J]. Materials Science & Engineering A, 2018, 715: 307 − 314.
[4] Biswal R, Zhang X, Syed A K, et al. Criticality of porosity defects on the fatigue performance of wire + arc additive manufactured titanium alloy[J]. International Journal of Fatigue, 2019, 122(5): 208 − 217.
[5] Szost B A, Terzi S, Martina F, et al. A comparative study of additive manufacturing techniques: Residual stress and microstructural analysis of CLAD and WAAM printed Ti-6Al-4V components[J]. Materials & Design, 2016, 89: 559 − 567.
[6] Zhao Pengkang, Fang Kui, Tang Cheng, et al. Effect of interlayer cooling time on the temperature field of 5356-TIG wire arc additive manufacturing[J]. China Welding, 2021, 30(2): 17 − 24.
[7] Raut L P, Taiwade R V. Wire arc additive manufacturing: A comprehensive review and research directions[J]. Journal of Materials Engineering and Performance, 2021, 30(7): 4768 − 4791. doi: 10.1007/s11665-021-05871-5
[8] Maji B C, Krishnan M, Gouthama, et al. Role of Si in improving the shape recovery of FeMnSiCrNi shape memory alloys[J]. Metallurgical and Materials Transactions, 2011, 42(8): 2153 − 2165. doi: 10.1007/s11661-011-0651-x
[9] 牛锐锋, 林冰华, 王亚妮, 等. 铝合金脉冲激光焊Mg元素烧损行为及接头硬度分布[J]. 焊接学报, 2010, 31(3): 81 − 84,117. Niu Reifeng, Lin Binghua, Wang Yani, et al. Evaporation loss of Mg element in pulsed laser welding of 5A05 aluminum alloy and distribution of micro-hardness of welding joint[J]. Transactions of the China Welding Institution, 2010, 31(3): 81 − 84,117.
[10] Jandaghi M, Parvin P, Torkamany M J, et al. Alloying element losses in pulsed Nd: YAG laser welding of stainless steel 316[J]. Journal of Physics D: Applied Physics, 2008, 41(23): 225503.
[11] Yuan Tao, Yu Zhanliang, Chen Shujun, et al. Loss of elemental Mg during wire + arc additive manufacturing of Al-Mg alloy and its effect on mechanical properties[J]. Journal of Manufacturing Processes, 2020, 49: 456 − 462. doi: 10.1016/j.jmapro.2019.10.033
[12] Hashemi M, Halvaee A. Effect of GTAW parameters on structure and mechanical properties of C86300 weld joint[J]. Transactions of the Indian Institute of Metals, 2014, 67(5): 741 − 752. doi: 10.1007/s12666-014-0397-4
[13] Shareef I, Martin C. Effect of process parameters on weld spatter in robotic welding[J]. Procedia Manufacturing, 2020, 48: 358 − 371.
[14] 张恒铭, 石玗, 李春凯, 等. 极性对细直径自保护药芯焊丝CMT下熔滴过渡及焊缝成形的影响[J]. 焊接学报, 2021, 42(8): 75 − 81. doi: 10.12073/j.hjxb.20210419001 Zhang Hengming, Shi Yu, Li Chunkai, et al. Effect of electrode polarity on droplet transfer and spatter mechanism in CMT arc welding with fine diameter selfshielded flux cored wire[J]. Transactions of the China Welding Institution, 2021, 42(8): 75 − 81. doi: 10.12073/j.hjxb.20210419001
[15] 冯志文. Fe-Al-Mn合金选择性氧化及TWIP钢表层氧化膜的制备研究[D]. 常州: 常州大学, 2021. Feng Zhiwen. Study on selective oxidation of Fe-Al-Mn alloy and preraration of oxide film on TWIP steel surface[D]. Changzhou: Changzhou University, 2021.
[16] Cari L Yaws. Handbook of vapor pressure [M]. Elsevier Inc, Amsterdam, The Netherlands, 1995.
[17] 魏恺文, 王泽敏, 曾晓雁. AZ91D镁合金在激光选区熔化成形中的元素烧损[J]. 金属学报, 2016, 52(2): 184 − 190. Wei Kaiwen, Wang Zemin, Zeng Xiaoyan. Element loss of AZ91D magnesium alloy during selective laser melting process[J]. Acta Metallurgica Sinica, 2016, 52(2): 184 − 190.
计量
- 文章访问数: 395
- HTML全文浏览量: 68
- PDF下载量: 48
