激光誘導擊穿光譜鋁合金在線分類識別系統研究

劉 佳，沈學靜,，徐 鵬，崔飛鵬，史孝俠，李曉鵬, 王海舟*

1. 鋼鐵研究總院，北京 100081 2. 鋼研納克檢測技術股份有限公司，北京 100094

引 言

鋁合金材料是工業中應用最廣泛的一類有色金屬材料，已在交通運輸、機械制造、電子電器、建筑行業等工業領域大量應用，使用量僅次于鋼鐵材料。 隨著各類鋁產品使用周期的到來，對廢舊鋁合金的循環利用顯得尤為重要，再生鋁工業對緩解資源壓力和節能環保都有很大貢獻[1]。

由于廢舊鋁合金種類多、成分混雜且形狀各異，難以高效分類回收。 目前的再生鋁產品以鑄造鋁錠為主，導致大量的優質鋁合金降級使用，造成巨大浪費。 因此，高效、準確、連續自動化的實現對鋁合金分類重熔再生，對于再生鋁產品的質量和經濟效益具有重要的意義[2]。

目前廢料常用的分類檢測方法有： 顏色分離、X射線熒光光譜法(XRF)以及發射光譜法(OES)等，其中，顏色分離技術對金屬細分適用性有限且需要特殊光源支持，受樣品狀態及外界影響較大； 手持式XRF合金分析儀需人工操作效率低且熒光光譜儀對樣品表面要求高、對輕金屬檢測能力有限； 移動式發射光譜(OES)需樣品前處理以及氣體保護，現場檢測效率不高。 因此，需要高效、快速、連續自動化的技術手段實現對大量廢料的分類。

近年來，激光誘導擊穿光譜(LIBS)技術憑借其原位、在線、快速、全元素分析的優勢，以及其他分析方法所不能及的寬范圍的檢測距離[3]，使其在快速分類分析領域成為研究熱點，結合化學計量學以及機器學習領域相關算法，開展了基于鋼鐵、地質、塑料、食品等眾多領域的分類研究。 Aberkane等[4]通過ANN，KNN以及SVM算法實現了對不同鋅合金的分類，結果表明SVM對鋅合金LIBS光譜有較好的分類結果。 周中寒等[5]應用光纖激光器LIBS技術，結合支持向量機(SVM)和主成分分析(PCA)算法，對2 000個脈沖累計LIBS信號實現鋁合金分類準確率99.83%。 劉可等[6]應用偏最小二乘(PLS)算法，對20個脈沖累計LIBS信號實現11種塑料樣品分類準確率100%。 柯梽全等[7]通過因子分析和BP神經網絡算法，對10個脈沖累計LIBS信號實現9種巖性分類準確率98.89%。 以上的研究都基于LIBS技術結合不同機器學習算法在分類問題上取得了不錯的結果，但研究大都基于靜態測試，待測物置于最優激發位置，識別通過多個激光信號的累計獲得較好的分類精度。 而實際合金廢料形狀各異，要實現高效、連續、自動準確檢測，則樣品基于測試位置是動態的且時間短暫，這些都對識別分類提出挑戰。

本文基于激光誘導擊穿光譜技術，針對運動物體進行快速圖像識別定位，基于概率密度思想，研究了單脈沖LIBS鋁合金光譜信號的多維高斯概率分布模式判別方法，實現了對三類鋁合金的快速分類檢測。 此研究可自適應檢測不同形狀的2xxx系、7xxx系和A356三個系列鋁合金樣品，識別正確率較高，速度較快。 研究結果為自動廢料分揀系統的建立提供了理論和技術實現基礎。

1 實驗部分

1.1 樣品

航空航天使用的鋁合金含有大量回收價值較高的合金元素，以2xxx系列和7xxx系列鋁合金為主，質量占飛機主要零部件的75%以上，因此，本文針對2xxx系、7xxx系和A356三個不同系列的鋁合金進行分類研究。 實驗采用含量范圍涵蓋三個系列的鋁合金標準樣品共39塊(西南鋁業有限責任公司)，實際樣品10塊。 實驗樣品形狀各異，且測試面高度差最大為3 cm。 如圖1所示。

圖1 鋁合金樣品(a)： 鋁合金標準樣品； (b)： 鋁合金實際樣品Fig.1 Sample of aluminum alloy(a)： Aluminum alloy standard sample； (b)： Actual sample of aluminum alloy

1.2 儀器及參數

本研究采用自主搭建的LIBS自動分類檢測系統(Sorting-LIBS)，如圖2所示。 系統由樣品自動傳動單元，樣品圖像識別定位單元，LIBS檢測單元以及系統軟硬件控制單元組成。 系統在大氣環境下工作，其中樣品隨傳送單位運動，傳送速度1.2 m·s-1； 樣品圖像識別單元采用CMOS相機對物料傳送區域進行成像采集，PC通過算法分析樣品位置信息并將其傳送給硬件控制單元，使其對樣品進行準確的檢測控制； LIBS檢測單元主要由脈沖激光(Quantel CFR200，波長1 064 nm，頻率10 Hz)經過透鏡聚焦在傳動的樣品表面，光譜采用同軸取光方式通過收集透鏡耦合到光纖光譜儀，光譜探測范圍200～490 nm; 激光的激發和光譜儀的采集均由同步觸發控制單元控制，PC對光譜進行采集分類分析。

圖2 Sorting-LIBS系統原理圖Fig.2 Schematic diagram of Sorting-LIBS system

實驗針對運動中的待測物進行分類檢測。 為得到最優LIBS信噪比，對系統進行參數優化，實驗選擇LIBS信號采集延時的時間為1.7 μs，光譜儀的光譜探測時間為10 ms。 同時，為了滿足實際應用過程中高效、連續的自動化檢測的需求，實驗對快速運動待測物進行單脈沖分類測試。 實驗不受樣品表面氧化層、不平整度的影響，如圖1(a)為實際測試過程中的樣品狀態。

2 結果與討論

2.1 運動物體識別定位

物料的識別定位檢測的精度直接影響了系統對于檢測物料尺寸的限制，而整個過程又受到傳送速度穩定性，系統軟硬件數據傳輸延時等多方面因素影響，因此為保證激光有效準確聚焦在運動樣品表面，本研究設計實現了連續圖像識別定位方法。

系統采用COMS相機對物料傳送區進行成像監控，成像視野為100 mm×80 mm，物料傳送速度為1.2 m·s-1。 系統通過軟件實時捕獲相機圖像，對圖像中物料進行識別跟蹤，通過像場與物場的映射，運算得到該物料進入檢測位置的時刻Ttest，從而進入系統檢測序列。 系統對于一幀圖像曝光時間為20 ms，物料圖像識別定位速度為18 ms。 圖3(a)為系統對于傳動中的物料經過圖像監測區的連續跟蹤識別過程的圖像，圖像采集幀頻為50幀·s-1。 完成對物料的識別定位后，系統控制軟件將進入檢測序列的待檢測任務信息傳送給硬件控制系統，并由其完成對LIBS系統的激發和光譜收集的同步控制。

為了方便對系統重復定位檢測精度測試，在傳送裝置上固定了一個標志物作為模擬物料，保證其每次進入圖像視場的一致性，運動過程中連續識別測試100次，結果如圖4所示，LIBS沿傳送方向激發區域的離散不大于25 mm，即為該系統可檢測物料的極限最小尺寸，系統定位激光激發控制的時間抖動偏差小于20.83 ms。

圖3 傳動物料的快速識別定位(a)： 物料連續跟蹤識別定位圖像； (b)： 識別定位算法流程Fig.3 Fast identification and locationof transmission materials(a)： Material continuous tracking identification location image； (b)： Identification and positioning algorithm flow

圖4 系統識別檢測精度測試Fig.4 System identification and detection accuracy test

2.2 特征變量選擇及譜線優化

系統中LIBS檢測單元可探測200～490 nm范圍的譜線信息，原始光譜譜線復雜且數據維度較高，其中有大量冗余信息，因此，原始特征中獲取有效特征最大化降低維度，可有效提高分類識別算法的性能，提高檢測效率。

本文通過特征選擇的方式，結合三類鋁合金的元素成分信息，篩選出成分有梯度差異的元素Cu，Zn，Mg和Si作為特征元素，既而在原始全譜譜圖中提取特征元素對應的分析譜線構建特征變量，特征變量保持了其原始特征的物理意義，有效減少計算量及分類模型復雜度。

鋁合金樣品的LIBS光譜信息復雜，圖5是2xxx, 7xxx, A356三個系列鋁合金的全譜譜圖。 因此，實驗依據譜峰清晰、相對獨立無干擾、信噪比較高且穩定性較好的原則，優化篩選出特征元素分析譜線： Cu 327.4 nm, Si 288.1 nm, Mg 488.1 nm和Zn 481.1 nm。 同時，為了降低系統波動，提高檢測精度，篩選了鋁元素的特征譜線396.1 nm作為參考譜線。 圖6是隨機選取三個系列標樣各3塊，每塊樣品隨機測試5個點，總共動態測試45個點，通過四條特征譜線的歸一化強度比對，可以看到，構造的特征變量由于樣品高低的變化、單脈沖測試等原因導致信號波動較大，但不同系列鋁合金樣品中不同元素的差異被有效區分且趨勢與成分差異一致，因此，特征變量較好的表征了不同系列鋁合金的特點。

圖5 三個系列鋁合金LIBS全譜譜徒Fig.5 LIBS full spectrum of three seriesof aluminum alloy

2.3 基于概率密度分布的鋁合金分類分析

本文基于概率密度分布函數的方法，通過三個系列鋁合金樣本的訓練集，利用特征變量來構建三個系列鋁合金的多維高斯分布分類判別函數，以此來估計不同系列的概率密度分布情況，概率最大的系列即為分類結果。 相對于現在熱點的基于邊界決策的支持向量機(SVM)的分類方法，概率密度的方法針對核函數直接建模，建模效率高，對于特征數據維數較低且樣本數據集較多的分類應用，可很好的估計分布特征，達到較好的分類精度。

實驗選擇覆蓋三個系列鋁合金元素含量的梯度標準樣品20塊作為模型訓練樣品，其余19塊標準樣品和10塊實際樣品作為系統測試樣品。 訓練集每一塊樣品隨機動態測試，共采集4 068張LIBS光譜譜圖，分別用特征變量的譜線強度和歸一化強度建立分類模型，比對了兩種情況下，模型對于訓練集數據的預測能力，結果如圖7所示，圖中“○”代表數據對應的鋁合金真實類別，“×”代表模型預測的類別，結果表明，特征譜線強度模型預測準確率僅為76.2%，而特征譜線歸一化強度模型預測準確率可達到99.8%，利用基體元素特征譜線進行特征變量強度歸一化，顯著提升了由于樣品差異及系統波動對分類準確率帶來的影響。 同時，選擇強度歸一化概率分類模型，對29塊測試樣品進行動態長期測試，統計了38 357個分類測試結果并與SVM分類方法的結果進行了比對，結果見表1，與SVM算法相比，多維高斯概率分布分類判斷方法的預測準確率與SVM相當，平均建模時間提高了一個數量級，分類預測具有較好的泛化能力，大大縮短了建模時間，提高了檢測效率。

圖6 三個系列鋁合金特征譜線LIBS信號Fig.6 LIBS signals of three series of aluminum alloy characteristic lines

圖7 不同特征變量模型預測訓練集準確率比對(a)： Gaussian強度歸一訓練集； (b)： Gaussian強度訓練集Fig.7 Comparison of the accuracy of different characteristic variable models in predicting training set(a)： Gaussian intensity normalization training set; (b)： Gaussian intensity training set

表1 分類模型性能比對Table 1 Classification model performance comparison

3 結 論

基于激光誘導擊穿光譜技術，搭建自動化分類檢測實驗平臺，設計基于圖像的物料識別定位方法，實現了1.2 m·s-1傳送過程中物料的識別定位時間為18 ms，可有效激發物料最小尺寸為25 mm； 運用概率密度分布方法，建立2xxx, 7xxx和A356三個系列鋁合金的多維高斯概率密度分布，實現了三個系列鋁合金的快速高精度分類，平均預測的分類識別準確率可達到99.15%，平均建模時間僅為7 ms。 實驗結果表明，運用激光誘導擊穿光譜可實現對于鋁合金樣品分類的高速、連續、自動化測試，有助于大量廢舊金屬的高性能分類在線檢測回收。

致謝：波音公司、中國商用飛機有限責任公司對本項目提供了資金支持，特此表示感謝！