关键词:
边缘特征处理
电子束斑
激光加工
图像处理
ResNet18网络
摘要:
现代工业领域中,在大量电子元件需要微米乃至纳米级加工处理的背景下,电子束和激光束加工技术得到了快速发展,并在高温合金的打孔、焊接和表面改性等方面得到广泛应用。目前该行业内围绕此类加工结果的检测,普遍基于工人对加工效果进行直观的判断,不仅耗费了相当多的精力和时间,还存在效率低下与准确率差的问题。由于在高精度加工过程中产生的些许误差会严重影响到加工的效果,因此为了保证对加工结果的精准判断,本论文将面向电子束和激光束实验测试图像的检测需求,提出一种基于MFC和Open CV的可视化双束检测系统。针对双束加工图像的不同特点,主要工作如下:(1)在电子束斑图像处理算法中,设计了预处理步骤,利用增强算法(线性变换增强、顶帽操作)增加了图像背景和目标区域的对比度,利用噪声处理算法(滤波算法)对图像进行降噪处理来减少无关因素对检测精度的干扰。研究了基于Canny算子以及形态学梯度边缘检测等轮廓检测方法,并通过电子束斑轮廓图像的圆度(D)和轮廓宽度(Width)进行目标轮廓的双阈值筛选,提取得到目标轮廓,最后基于网格计数法提出了电子束斑图像专用的均匀度检测标准。减少了噪声信息,优化结构,增加了图像边缘特征提取的识别度和准确率,提高了算法的鲁棒性。(2)在激光加工图像处理算法中,设计改进了图像分割算法以及图像检测算法。其中图像分割部分,利用图像增强(线性图像增强)等预处理增加目标区域与背景的对比度。改进电子束斑边缘检测算法得到激光加工图像的边缘特征,并通过图像边缘的外接矩形进行图像分割处理。图像检测部分,利用图像预处理算法(灰度直方图、区域扩充、细小边缘保留、背景填充、掩膜处理)得到较为完整的边缘信息图像。提出辐射边缘点检测算法对边缘信息进行有效点的提取,然后通过对最小二乘法进行干扰点去除算法改进实现激光加工图像边缘轮廓的拟合处理,且该算法有较好的自适应能力。最后基于上述算法得到的轮廓数据,进行激光加工图像数据集的制作,为通过深度学习的方式拟合激光加工图像的轮廓提供数据支撑。(3)基于深度学习算法,本论文对激光加工图像处理算法得到的数据集通过ResNet18残差网络进行数据集检测实验。通过对网络结构的输入、输出端和残差模块的调整,对比分析发现较大尺寸输入图像与较深的网络结构更适合此类激光加工图像的检测。同时设计了此类激光加工图像的动态学习率调整机制(Laser-SGD),极大程度上提高了训练的速度。本论文通过电子束加工平台和紫外激光器,在铝箔纸和不锈钢表面进行电子束斑加工,在亚克力板表面进行激光图像加工,进行实验数据采集。并以C++和Python语言为依托,通过Open CV、MFC和Py Torch搭建框架,通过不同的算法对比、较多样本的测试,提出的电子束斑边缘检测算法能够有效的提取不同环境下的电子束斑图像的轮廓特征,提出的激光图像检测算法能够自适应处理各不相同的激光加工图像并成功拟合加工图像的边缘轮廓,且能够得到其轮廓的圆度、均匀度等相关参数。基于ResNet18网络对激光轮廓数据集进行检测实验,提出的Laser-SGD于传统的SGD相比,训练时间减少了90%,且通过网络的部分调整,与原始的ResNet18相比,拟合准确率提升了1.78%。该检测系统可以有效地检测到电子束斑图像和激光加工图像的边缘特征,有利于工程师对设备机器准确率的把握,并及时调整,有较好的应用价值。