网站地图
-
飞机作为一种便利的交通工具，其表面油漆对飞机的飞行安全具有重要的作用，为了保证飞行安全，必须每隔一段时间就对飞机漆层进行清理。传统的机械打磨等除漆方法会对飞机基材产生损坏，故本文中将对不损害飞机基层，且除漆效果更好的新型激光清洗技术进行研究。但因激光清洗后的飞机蒙皮漆层复杂，并且除漆后的飞机蒙皮图像细微结构繁杂，如果采用传统的人眼直接观察记录飞机蒙皮的烧蚀情况来分析其机理和特性, 就变得尤为困难且容易出错。SONG等人通过图像处理对漆层进行在线检测[1]，对除漆机理进行了研究，对激光参数的选择进行反向调节，以此达到对激光清洗的完全把控。本文作者也采用图像处理的方法对除漆后的飞机蒙皮进行处理，不仅有效避免了人眼观察的误差，并且能通过图像处理对清洗情况进行实时监测，保证清洗的质量。
近年来，国内外研究人员对复杂的油漆图像的图像处理算法进行了深入的研究并取得了一定的成果。2018年，WANG等人用一种基于模糊C均值聚类的算法，使得示温漆中漆层细节的提取得到一定得提升[2]。2018年，TAO等人设计出基于形态学边缘算子的阈值分割方法，加强了漆器的漆层图像轮廓提取的准确度以及清晰度[3]。2021年，HU等人提出了针对示温漆的k近邻算法，对漆层颜色特征的提取精准度达到90%[4]。
上述方法在面对飞机蒙皮复杂的多层漆层结构时，普遍存在无法分割出面漆和底漆边缘的细微结构等问题。故本文作者提出将原图像从RGB转换为Lab颜色空间，再采用k均值聚类法对图像进行分割，然后对漆层烧灼部分的电镜图进行边缘检测，最后通过热应力分析来验证分析结果。
-
针对飞机蒙皮的复杂漆层存在漆层边缘烧蚀情况难提取、漆层连接处的烧蚀断裂痕迹难观察的问题，本文中提出采用基于Lab颜色空间的k均值聚类和基于Canny算子的边缘检测的方法对图像进行处理，达到对漆层边缘烧蚀情况、漆层连接处的烧蚀断裂痕迹有效提取，以此研究蒙皮漆层的机理和特性。
-
激光清洗后的飞机蒙皮底漆和基底的颜色相差不大。在图像处理时，蒙皮上的相近颜色漆层的烧蚀细节容易丢失，此时将图像从常规的RGB颜色空间转换为Lab颜色空间，由于Lab颜色空间定义的色彩更多，且与外界光线及设备无关，可以更好地避免由于图像处理带来的颜色丢失等问题，也使得对飞机蒙皮机理和特性的研究更加有效精准。
Lab颜色空间由3个独立的通道组成：亮度L和两个色度通道a和b。L分量量化像素的亮度，其值范围从0~100，代表从纯黑到纯白的光谱; a通道表示从绿色到红色的色彩范围，包含-128~127的值; 同样, b通道跨越从蓝色到黄色的范围，值范围也在-128~127之间。此颜色空间旨在实现设备独立，提供跨不同设备和照明条件下更一致的颜色表现。
而要将RGB颜色空间转换为Lab颜色空间，必须先将RGB转换到XYZ颜色空间，再由XYZ空间转换至Lab颜色空间[5]。
二者的关系如下：
$ \left\{\begin{array}{l} X=0.4124 R+0.3576 G+0.1805 B \\ Y=0.2126 R+0.7152 G+0.0722 B \\ Z=0.0193 X+0.1192 G+0.9505 B \end{array}\right. $
(1) XYZ颜色空间转换到Lab颜色空间[6]：
$ L^*=116 f\left(\frac{Y}{Y_{\mathrm{n}}}\right)-16 $
(2) $ a^*=500\left[f\left(\frac{X}{X_{\mathrm{n}}}\right)-f\left(\frac{Y}{Y_{\mathrm{n}}}\right)\right] $
(3) $ b^*=200\left[f\left(\frac{Y}{Y_{\mathrm{n}}}\right)-f\left(\frac{Z}{Z_{\mathrm{n}}}\right)\right] $
(4) $ f(t)=\left\{\begin{array}{l} t^{\frac{1}{3}}, \left(t>\left(\frac{6}{29}\right)^3\right) \\ \frac{1}{3}\left(\frac{29}{6}\right)^2 t+\frac{4}{29}, (\text { otherwise }) \end{array}\right. $
(5) 式中: L*、a*和b*是LAB色彩空间3个通道的值; X、Y和Z是RGB转为XYZ后计算出来的值; 系数Xn、Yn和Zn一般默认是95.047，100.0，108.883。
-
将图像从RGB图像转换为Lab图像后，实现彩色图像像素特征的精准分类和漆层的有效区分，是本研究工作的核心环节。由于各漆层颜色相差大，相比于采用传统的根据阈值或者边缘等去分割图像，选择k均值聚类算法根据像素值分割漆层能够更加精准有效地分割飞机蒙皮[7]。
k均值聚类算法是一种无监督学习方法，适用于数据的分类处理。在给定聚类数量k和初始类簇中心的前提下，算法通过迭代过程实现数据点的分类。具体来说，首先将每个数据点指派至最近的类簇中心，形成初步的类簇。随后，基于类簇内所有点的位置，重新计算每个类簇的中心点(即取坐标的平均值), 这一过程不断迭代，即重复数据点的重新分配和类簇中心的更新，直至达到类簇中心稳定(变化极小)或指定的迭代次数, k均值聚类的目标是最小化类簇内部数据点与其中心点之间的距离，从而实现数据的有效分类[8]。最后，该算法的核心指标是误差平方和(sum of the squared errors, SSE):
$ S_{\mathrm{SSE}}=\sum\limits_{i=1}^k \sum\limits_{p \in C_i}\left|p-m_i\right|^2 $
(6) 式中: Ci是第i个簇; p是Ci的样本点; mi是Ci的质心; SSSE是所有样本的聚类误差，代表了聚类效果的好坏[9]。
k均值聚类算法由图 1所示步骤组成。
图 1 算法流程
Figure 1. Algorithm flow
本文中选用了k均值聚类算法，而其中聚类数目k的选择对k均值聚类算法影响很大。k值过大，有可能过分割，而k值过小，则可能出现部分区域未分割，所以k值的选择要结合经验以及实际情况进行判断[10]。因此k均值聚类的算法过程可以总结如下：(a)初始化。随机的挑选k个样本点成为开始的聚类中心; (b)对样本进行聚类。对每个样本计算其到各个聚类中心的距离，并把样本划分到距其最近的聚类中心所代表的类别中; (c)计算新的聚类中心。对于每个类别，计算其中所有样本的平均值，以此确定新的聚类中心; (d)如果聚类中心不在发生改变或者到达截至条件就停止迭代，否则重复步骤(b)和(c)。
-
针对飞机蒙皮漆层连接部分的电镜图，由于其边缘烧蚀断裂痕迹交错复杂，如果只采用聚类的方法，可能会带来部分漆层边缘被忽略的问题，所以本文中采用基于Canny算子的边缘检测的方法结合上面提到的聚类方法共同处理电镜图，达到对漆层信息更好的提取。Canny算子作为一种关键的边缘检测工具，被认为是最理想的阶梯型边缘检测方法之一[11]。下面是Canny算子实施步骤的详细描述。
-
在边缘检测算法的应用中，直接在未经处理的原始图像上进行操作往往难以获得理想的结果。因此，作为预处理步骤，通常会先将原始图像与2维高斯滤波器进行卷积运算。此操作的目的是对图像进行轻微的模糊处理，以此消除图像中的噪声。通过这种预处理，可以有效减少噪声对边缘检测结果的影响，提升算法的准确性和鲁棒性。
-
通过应用导数算子，可以确定图像灰度在两个方向上的导数变化。进而能够分别计算出梯度的大小|G|和方向角θ:
$ |G|=\sqrt{G_x{ }^2+G_y{ }^2} $
(7) $ \theta=\operatorname{arccot}\left(\frac{G_y}{G_x}\right) $
(8) -
求出了边缘的方向，边缘的梯度方向可以大致划分为几个角度(如0°、45°、90°和135°)，这就能够识别出与该像素梯度方向相邻的像素点。
-
若该像素点的灰度值在其梯度方向上不是局部最大(即与相邻像素在梯度方向上的灰度值相比并非最大)，则该像素点的灰度值将被置为0，表明其不属于边缘部分。
-
高于高阈值的像素确定不属于边缘，低于低阈值的像素也不属于边缘。对于介于两阈值之间的检测结果，若其邻接像素中存在超过高阈值的边缘像素，则判定为边缘；否则，不视为边缘。
-
激光除漆的装置如图 2所示。实验中采用镭宝公司生产的Nd∶YAG激光器，输出光束轮廓为高斯型，波长1064 nm，脉宽12 ns，选用的频率为1 Hz，输出能量稳定性不大于3%。首先脉冲激光经过分束器(透射与反射能量比为8∶2)将脉冲激光分为两束，其中一束激光到达能量计来监测激光的能量，另一束经1064 nm波长的光全反射镜后，由焦距f=20 cm的透镜聚焦样品上。
图 2 实验装置图
Figure 2. Diagram of the experimental setup
本研究中所用的样品为波音717飞机的蒙皮，由1 mm厚的铝合金基材构成。其表面涂有3层材料：一层是黄绿色的化学转化涂层，另外两层分别是红色的聚氨酯面漆(厚度约为80 μm~90 μm)和灰色的环氧底漆(厚度大约在100 μm~110 μm之间)，如图 3所示。
图 3 实验样品侧面图
Figure 3. Side view of experimental sample
-
在进行激光去漆实验中，发现单次激光脉冲即可实现漆层的去除。本研究中探讨了在不同激光能量密度下，面漆去除的形貌变化。如图 4a所示，在较低的激光能量密度(1.27 J/cm2)条件下，激光作用于漆层并未产生等离子体光现象，仅伴随微弱声响。在此条件下，激光作用区域较小，且光斑中心区域显示烧蚀现象，烧蚀区呈现轻微凸起和明显的断裂痕迹，未观察到熔融现象。同时，表面出现多条裂缝，漆层呈不规则块状分裂，边缘环状区域漆层变黑，出现少量碳化现象。图 4b展示了原图的聚类图，清晰标示了受激光辐照的区域及范围。图 4c显示了脉冲激光光斑的辐照区，由于聚焦激光束中心能量高、热量集中，导致该区域出现熔融和飞溅等现象。图 4d展示了脉冲激光照射产生的热影响区，在这一区域，油漆层的热传导导致边缘漆层温度上升，但由于能量水平较低，只观察到轻微的颜色变化[12]。
图 4 低能量密度单个脉冲作用下的面漆
Figure 4. Topcoat under low energy density and single pulse
当激光能量密度增加至6.37 J/cm2时，实验观察到清洗过程中产生少量烟尘，等离子体亮度明显增强，伴随有尖锐的声响，在此能量水平下，激光去除面漆的面积增大，边缘区域呈现明显的断裂痕迹和清晰的切口，表明面漆通过机械剥离方法移除，激光处理后的底漆表面呈现较小的烧蚀坑起伏; 图 5a为原始图像的聚类图像，展示了各漆层区域的清晰界定; 图 5b显示了未受激光辐照的面漆区域; 图 5c展示了脉冲激光辐照的热影响区, 在这一区域，由于油漆层的热传导作用，边缘漆层温度升高，但由于能量较低，仅显示轻微的颜色变化; 图 5d呈现了面漆完全清除后的底漆状态。
图 5 面漆完全去除的图像
Figure 5. Image of complete removal of the topcoat
随着激光能量密度的提升，面漆和底漆中的最高温度和最大热应力呈现出上升的趋势。在激光作用下，面漆层对激光能量的逐渐吸收使其表面温度首先升高，随后该温度沿轴向向内部逐步降低。当激光激光穿透至底漆层时，由于底漆相对较高的激光吸收系数和热膨胀系数，其温度迅速上升至最高点。同时，底漆的热应力也随之显著增加。特别是当激光能量密度超过1.91 J/cm2时，面漆和底漆之间的热应力差异超出66 MPa，面漆开始从底漆表面剥离，此时底漆尚未达到其气化温度。
当激光能量密度提升至6.37 J/cm2后，观察到激光光斑中心的温度达到最高值，且沿径向逐渐降低，形成高斯分布的温度场。在此情况下，底漆的温度显著高于面漆。在底漆与面漆的接触界面，热应力差达到最大，成为判断面漆是否能被有效清除的关键因素[13]。在6.37 J/cm2的激光能量密度下，底漆由于显著的温度升高迅速达到其汽化点。此时，面漆与底漆接触面的热应力超过了两者之间的粘附力，导致面漆从底漆表面剥离[14]。如图 5d所示，中心区域的面漆完全脱落，而在边缘区域则观察到局部烧蚀现象。
-
底漆的层状梯形去除边缘表明其去除过程是由多次脉冲作用造成的。为了关联漆层厚度和脉冲数，将入射光强I0与烧蚀深度l1的仿真数据应用对数函数拟合，从而得到以下公式：
$ l_1=4.71+5.23 \ln \left(I_0-0.29\right) $
(9) 经模拟仿真，底漆完全从基底消除时，经过最后一层底漆后辐照在基底表面的激光能量密度为0.026 J/cm2，此时入射光强I0与最后一层底漆的厚度l2的关系为：
$ l_2=-\frac{\ln \left[0.026 /\left(A_{\mathrm{p}} I_0\right)\right]}{a_\mathrm{p}} $
(10) 于是可以得到[15]：
$ \begin{gathered} l=(n-1)\left[4.71+5.23 \ln \left(I_0-0.29\right)\right]- \\ \frac{\ln \left[0.026 /\left(A_{\mathrm{p}} I_0\right)\right]}{a_{\mathrm{p}}} \end{gathered} $
(11) 式中: Ap为底漆的吸收率; ap为底漆的吸收系数; l为漆层厚度; n为总激光脉冲数。
底漆去除采用的是多脉冲激光，所以通过公式可以计算出不同脉冲数以及光强的关系，为了定量分析脉冲激光能量密度对除漆的影响，本文中采用最佳脉冲数量即20个脉冲除漆[16]。采用多脉冲激光清洗之后，漆层也随着激光能量密度的增加发生了改变，图 6为0.71 J/cm2脉冲之后的图像。脉冲开始清除底漆，部分地区已经露出少量化学涂料层，化学转换涂层保持比较完整，表面存在许多不规则的裂缝，具体观察表面几乎无烧蚀痕迹，化学转化涂层总是与底漆同时被去除，且由于化学涂层较薄只有2 μm~3 μm，所以不予研究。
图 6 多脉冲底漆清洗图像及处理图
Figure 6. Multi-pulse primer cleaning image and processing diagram
增加到1.91 J/cm2后，底漆大规模去除，基底也露了出来, 如图 7所示。图 7a展示了多次脉冲作用后底漆被去除露出金属基底的形貌图像，整体呈现出“梯田”的形貌特征，表明底漆是被逐层清洗的; 图 7b为聚类图像，显示飞机蒙皮的面漆、底漆、基底的范围区域; 图 7c和图 7d为面漆清洗部分的脉冲尚未作用到的面漆部分和脉冲激光辐照的热影响区; 图 7e为剩余还未去除的底漆，并且还有很多的裂痕，仔细观察可以看出，底漆从基底呈断裂分离状，与仅经过单次脉冲处理后仍残留的底漆相比较，烧蚀痕迹明显变重[17]; 图 7f为基底部分，可以观察到基底的漆层已经被完全清除，甚至基底已经出现消融的情况。
图 7 底漆完全去除露出基底的图像及处理图
Figure 7. Image and the processing drawing of the substrate after removing the primer completely
在初始阶段，激光脉冲主要通过烧蚀效应逐步减少涂层的厚度。随着激光能量密度的增加，底漆表面的最高温度呈线性上升趋势，相应地，烧蚀深度也逐步增加。当激光能量密度达到0.71 J/cm2时，底漆开始经历烧蚀过程。由于底漆具有较高的吸收系数，根据朗伯定律，吸收激光能量的深度相对较浅。当激光能量密度提升至1.91 J/cm2时，底漆的表面温度达到624 K。在这一能量密度下，激光能击穿空气，部分能量在此过程中被空气吸收，同时观察到出现了等离子体屏蔽效应，导致实际到达涂层的能量减少。当涂层的厚度到一定程度后，最后一个脉冲产生的烧蚀深度将超过之前单个脉冲的效果，如图 7e和图 7f所示。此时，因为基底具有较高的热膨胀系数和弹性模量，在其与底漆的接触面上产生的热应力差达到了168 MPa，超出了它们之间的粘附强度。因此，在光斑中心区域，底漆和化学转换涂层会从基底处断裂并分离[18]。
-
为进一步分析面漆底漆被激光清洗时的不同之处，本文作者采用显微镜对样品漆层进行拍摄，并通过高斯滤波平滑电镜图，再采用Canny算子对其实现边缘检测。结合上文中的图像分割方法分割出来的形貌图以及边缘检测后的电镜图，对底漆和面漆的清洗进行分析判断。
-
图 8展示了在0.64 J/cm2的激光能量密度时面漆的形貌。在该能量密度下，激光作用的范围相对较小，且单个脉冲无法彻底去除面漆。从图 8a可以观察到，激光烧蚀形成的坑呈现出明显的不光滑特征，烧蚀坑的不规则起伏较大, 在激光作用的边缘区域，漆层轻微隆起，断裂痕迹明显，但未出现熔融现象; 图 8b揭示了表面存在众多裂缝，漆层分裂成形状不规则的块状结构; 图 8c显示出漆层具有层次感，并分布着少量的熔融颗粒。
图 8 激光能量密度为0.64 J/cm2时的面漆电镜图及其聚类图和边缘检测
Figure 8. Topcoat electron microscopy, cluster plot and edge detection at laser energy density of 0.64 J/cm2
图 9展示了当激光能量密度增至6.37 J/cm2时，单脉冲去除面漆后，底漆的形态特征。图 9a揭示了面漆在激光作用下被完整地通过机械剥离方式去除，去除边缘呈现出明显的切口特征, 在此激光条件下，作用于底漆后形成的烧蚀坑表面起伏程度较低; 图 9b和图 9c表明，底漆的块状结构更加突出，同时纳米颗粒的数量也有显著增加。在放大下观察时，底漆层表面较为平滑，纳米颗粒之间的吸附作用显著，且部分纳米颗粒仍在形成初期或刚开始显现。
图 9 激光能量密度为6.37 J/cm2时的面漆电镜图及其聚类图和边缘检测
Figure 9. Topcoat electron microscopy, clustering plot and edge detection at laser energy density of 6.37 J/cm2
-
图 10展现了经过多次激光脉冲处理后，底漆暴露出的金属基体的特征。从图 10a中可以看到，在经历了最终一个脉冲处理之后，有些底漆以块状形式从基体上分离，但并未完全脱落; 图 10b展示了激光照射区域边缘的底漆表面形态，可以观察到沿激光辐照方向，底漆层呈现出阶梯状的结构，这说明底漆层经受了分层清除的过程[19-20]; 在图 10c中，对底漆进行了放大观察，显示出激光处理后形成的众多熔化坑和冷凝的纳米粒子, 与单脉冲去除面漆后剩余的底漆相比，烧蚀痕迹更为显著。
图 10 激光能量密度为0.64 J/cm2时的底漆电镜图及其聚类图和边缘检测
Figure 10. Primer electron microscopy, cluster plot and edge detection at laser energy density of 0.64 J/cm2
-
利用软件模型模拟激光除漆过程的温度分布。面漆的尺寸为2 mm×80 μm，底漆的尺寸2 mm×100 μm，由于激光去除面漆时不会影响到基底，将基底尺寸设为2 mm×200 μm, 得到材料的温度场随时间变化的分布。具体参数如表 1所示。
表 1 面漆和底漆的物理参数
Table 1. Physical parameters of topcoat and primer
parameter topcoat primer linear coefficient/m-1 4.29×104 1.49×105 thermal coductivity/(W·m-1·K-1) 0.192 0.2 constant pressure heat capacity/(J·kg-1·K-1) 2.5×103 1.18×103 density/(kg·m-3) 1450 1800 coefficient of thermal expansion/K-1 1.0×10-6 5.5×10-5 decomposition temperature/K 573 415 -
随着激光能量密度的提高，面漆和底漆的最高温度及其所承受的最大热应力均呈现上升趋势。面漆在对激光能量的逐渐吸收过程中，温度从表面向轴向逐步降低。当激光到达底漆时，由于其较高的激光吸收系数和热膨胀系数，其温度迅速升高至最高点，然后在40 μm的范围内迅速降至室温。相应地，底漆的热应力也随之急剧增大。在6.37 J/cm2的激光能量密度下，单个脉冲作用于面漆时，样品的温度和应力分布如图 11所示。图 11a展示了温度分布；图 11b展示了热应力分布。
图 11 激光能量密度为6.37 J/cm2时的热力图
Figure 11. Heat map at laser energy density of 6.37 J/cm2
在激光处理过程中，位于光斑核心的区域温度最高，且随着距离光斑中心的增加，温度逐步降低。这种温度分布呈现典型的高斯分布特性。特别地，底漆区域的温度显著高于面漆区域。在底漆与面漆的交界处，热应力的差异达到最大，这对于成功移除面漆至关重要。在一定的激光能量密度条件下，由于底漆温度的显著升高，它迅速达到了蒸发点。这时，面漆与底漆之间的连接处热应力升至227 MPa，超出了它们之间的粘合力，导致面漆从底漆表面分离。正如之前所提到的，面漆在光斑中心区出现烧蚀，而在边缘区则可见裂纹迹象。
-
观察实验形貌图可见，面漆的去除主要是由于底漆温度的显著升高而产生的较大热应力差，这一热应力差超过了面漆与底漆之间的粘附力，导致面漆的崩裂和去除。在对底漆的作用过程中，由于底漆具有较大的吸收系数，激光能量难以在基底表面传导，因此单个脉冲无法直接实现底漆的去除，需要多个脉冲的持续作用。如前文所述，底漆的去除边缘呈现层状梯形分布，这表明底漆的去除是多脉冲作用的结果。在1.91 J/cm2的激光能量密度下，作用时间为30 ns时剩余漆层厚度为25 μm，最后一个脉冲作用时底漆与基底的热力学特性如图 12所示。图 12a展示了温度分布；图 12b展示了热应力分布。
图 12 激光能量密度为2.55 J/cm2时的热力图
Figure 12. Heat map at laser energy density of 2.55 J/cm2
在此实验条件下，由于漆层具有较低的热传导性，当激光照射到漆层时，能量在表面集中，迅速提高温度。这导致漆层表面出现许多纳米大小的颗粒和平滑凹坑，因为温度迅速升高到达或超过漆的熔化和气化点。因此，在底漆迅速气化和挥发时，生成的液滴通过碰撞、合并和聚集过程形成了不同大小的纳米颗粒。这些颗粒的尺寸与它们的凝结速率紧密相关：当它吸收的激光能量较高时，颗粒有更多时间发展和增大；而吸收较少激光能量的颗粒，由于重新凝固时间较短，无法充分生长，因此颗粒尺寸较小。在这一过程中，底漆的主要去除机制是烧蚀效应。
-
由于激光清洗后的飞机蒙皮漆层图像复杂，采用传统人眼观测的方法来分析漆层特性十分困难，故本文中采用了基于Lab颜色空间的k均值聚类算法和基于Canny算子的边缘检测相结合的漆层宏观图像和微观图像共同分析的算法对激光清洗后的飞机蒙皮漆层的特性和机理进行研究。实验结果表明, 采用图像处理的方法可以直接获取面漆底漆的断裂细节以及具体烧蚀情况, 从而判断面漆主要是通过热应力使得漆层断裂去除，底漆主要通过多脉冲的积累，利用烧蚀效应去除。通过图像处理对激光清洗漆层进行分析，能对清洗情况进行实时监测，保证了清洗的质量，为自动除漆打下了坚实的基础，具有广泛的应用前景。
基于图像处理的激光清洗飞机蒙皮特性和机制研究
Research on the characteristics and mechanism of laser cleaning aircraft skin based on image processing
-
摘要: 为了避免激光清洗后的飞机蒙皮图像难以直接观察、分析蒙皮特性与机制的问题，采用了一种基于Lab颜色空间的k均值聚类算法和基于Canny算子的边缘检测相结合的漆层宏观图像和微观图像共同分析的方法。首先对清洗后的图像进行颜色空间转换，将原本的RGB颜色空间转换为Lab颜色空间，并通过k均值聚类的算法进行图像分割，再将各漆层连接处的电镜图通过Canny算子进行边缘检测提取边缘信息，然后通过处理后的图像分别进行特性和机制研究，最后将图像处理结果通过热应力分析进行验证。结果表明，采用该方法，激光能量密度分别为6.37 J/cm2和1.91 J/cm2时，飞机蒙皮的面漆和底漆能被激光完全消除。该研究为激光自动除漆提供了参考。Abstract: In order to avoid the problem of difficult direct observation and analysis of skin characteristics and mechanisms in aircraft skin images after laser cleaning, a method combining k-means clustering algorithm based on Lab color space and edge detection based on Canny operator was adopted to jointly analyze macroscopic and microscopic images of the paint layer. Firstly, perform color space conversion on the cleaned image, converting the original RGB color space into Lab color space, and perform image segmentation using k-means clustering algorithm. Then use the Canny operator to perform edge detection and extract edge information from the electron microscopy images at the junction of each paint layer. Then, study the characteristics and mechanisms of the processed images separately. Finally, the image processing results were validated through thermal stress analysis. The results indicate that, when laser energy density is 6.37 J/cm2 and 1.91 J/cm2, the top coat and primer of the aircraft skin can be completely removed by the laser. This study provides a reference for laser automatic paint removal.
-
Key words:
- image processing /
- laser cleaning /
- k-means clustering /
- edge detection /
- thermal stress
-
图 7 底漆完全去除露出基底的图像及处理图
Figure 7. Image and the processing drawing of the substrate after removing the primer completely
图 8 激光能量密度为0.64 J/cm2时的面漆电镜图及其聚类图和边缘检测
Figure 8. Topcoat electron microscopy, cluster plot and edge detection at laser energy density of 0.64 J/cm2
图 9 激光能量密度为6.37 J/cm2时的面漆电镜图及其聚类图和边缘检测
Figure 9. Topcoat electron microscopy, clustering plot and edge detection at laser energy density of 6.37 J/cm2
图 10 激光能量密度为0.64 J/cm2时的底漆电镜图及其聚类图和边缘检测
Figure 10. Primer electron microscopy, cluster plot and edge detection at laser energy density of 0.64 J/cm2
表 1 面漆和底漆的物理参数
Table 1. Physical parameters of topcoat and primer
parameter topcoat primer linear coefficient/m-1 4.29×104 1.49×105 thermal coductivity/(W·m-1·K-1) 0.192 0.2 constant pressure heat capacity/(J·kg-1·K-1) 2.5×103 1.18×103 density/(kg·m-3) 1450 1800 coefficient of thermal expansion/K-1 1.0×10-6 5.5×10-5 decomposition temperature/K 573 415 
下载: 导出CSV
-
[1] 宋章明, 贺慧勇, 黄跃俊. 扁平漆包线表面缺陷在线检测研究[J]. 电子科技, 2021, 34(5): 72-78. SONG Zh M, HE H Y, HUANG Y J. Research on online detection of surface defects in flat enameled wires[J]. Electronic Technology, 2021, 34(5): 72-78(in Chinese). [2] 王展, 杜平安, 李杨, 等. 基于FCM聚类的示温漆图像分割算法[J]. 航空动力学报, 2018, 33(3): 604-610. WANG Zh, DU P A, LI Y, et al. A temperature indicator paint image segmentation algorithm based on FCM clustering[J]. Journal of Aerodynamics, 2018, 33(3): 604-610(in Chinese). [3] 陶莹, 杨锋, 刘洋, 等. k均值聚类算法的研究与优化[J]. 计算机技术与发展, 2018, 28(6): 90-92. TAO Y, YANG F, LIU Y, et al. Research and optimization of k-means clustering algorithm[J]. Computer Technology and Development, 2018, 28 (6): 90-92(in Chinese). [4] 胡明, 葛俊锋, 薛秀生, 等. 基于图像处理和k近邻算法的示温漆判读方法[J]. 航空发动机, 2021, 47(6): 80-84. HU M, GE J F, XUE X Sh, et al. A temperature indicating paint interpretation method based on image processing and k-nearest neighbor algorithm[J]. Aviation Engine, 2021, 47(6): 80-84(in Chin-ese). [5] MAUTZ D, WEI Y, CLAUDIA P, et al. Non-redundant subspace clusterings with Nr-Kmeans and Nr-DipMeans[J]. ACM Transactions on Knowledge Discovery from Data, 2020, 14(5): 1-24. [6] ADNANRANA M, KULWINDER S P, SALIM H, et al. Suspended sediment modeling using a heuristic regression method hybridized with k-means clustering[J]. Sustainability, 2021, 13(9): 4648. doi: 10.3390/su13094648 [7] FORGHANI Y. Comment on "DSKmeans: A new kmeans-type approach to discriminative subspace clustering"[J]. Knowledge-Based Systems, 2017, 118(C): 1-3. [8] HUO Y H, CAO Y, WANG Zh H, et al. Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering[J]. Computer Modeling in Engineering and Sciences, 2021, 126(3): 1053-1091. [9] 刘伟军, 赵子铭, 李强, 等. 激光清洗2A12铝合金复合漆层的技术研究[J]. 中国激光, 2022, 49(8): 0802013. LIU W J, ZHAO Z M, LI Q, et al. Laser cleaning technology of 2A12 aluminum alloy composite paint layer[J]. Chinese Journal of Lasers, 2022, 49(8): 0802013(in Chinese). [10] 邢宏楠, 冉合利, 赵慧峰, 等. 激光清洗技术发展及应用[J]. 清洗世界, 2018, 34(5): 23-31. XING H N, RAN H L, ZHAO H F, et al. Development and application of laser cleaning technology[J]. Cleaning World, 2018, 34 (5): 23-31(in Chinese). [11] 靳森, 王静轩, 袁晓东, 等. 飞机金属蒙皮以及复合材料表面激光除漆技术[J]. 航空制造技术, 2018, 61(17): 63-70. JIN S, WANG J X, YUAN X D, et al. Laser paint removal techno-logy for aircraft metal skin and composite material surfaces[J]. Aerospace Manufacturing Technology, 2018, 61(17): 63-70(in Chin-ese). [12] 王蔚, 沈杰, 刘伟军, 等. 脉冲激光清洗过程中振镜扫描速度对TA15钛合金表面氧化层的影响[J]. 中国激光, 2021, 48(18): 1802004. WANG W, SHEN J, LIU W J, et al. Effect of scanning speed of galvanometer on surface oxide layer of TA15 titanium alloy in pulsed laser cleaning[J]. Chinese Journal of Lasers, 2021, 48(18): 1802004(in Chinese). [13] ATASEVER U H. A novel unsupervised change detection approach based on reconstruction independent component analysis and ABC-K means clustering for environmental monitoring[J]. Environmental Monitoring and Assessment, 2019, 191(7): 447. [14] HAN L F, LUO S L, WANG H Q, et al. An intelligible risk stratification model based on pairwise and size constrained Kmeans[J]. IEEE Journal of Biomedical and Health Informatics, 2017, 21(5): 1288-1296. [15] ZHANG R F, LU Sh Z, YU H L, et al. Recognition method of cement rotary kiln burning state based on Otsu-Kmeans flame image segmentation and SVM[J]. Optik, 2021, 243: 167418. [16] 李世杰, 张丽君, 何佳, 等. 声光复合的激光清洗飞机蒙皮实时监测[J]. 红外与激光工程, 2023, 52(2): 20220821. LI Sh J, ZHANG L J, HE J, et al. Real time monitoring of aircraft skin cleaning using acousto-optic composite laser[J]. Infrared and Laser Engineering, 2023, 52(2): 20220821(in Chinese). [17] EHSAN S, VELCIN J, MILIOS E E. Fast and simple deterministic seeding of Kmeans for text document clustering[C]//Experimental IR Meets Multilinguality, Multimodality, and Interaction. New York, USA: Cross-Language Evaluation Forum, 2018: 76-88. [18] 杨毅然, 余立冬, 查榕威, 等. 激光清洗汉白玉表面油漆层的实验研究[J]. 应用光学, 2022, 43(2): 352-358. YANG Y R, YU L D, ZHA R W, et al. Experimental study on laser cleaning of paint layer on white marble surface[J]. Journal of Applied Optics, 2022, 43(2): 352-358(in Chinese). [19] 李宇强, 郭玲玉, 蒋平, 等. 铝合金激光清洗表面形貌变化的实验研究及工艺参数优化[J]. 中国激光, 2021, 48(22): 2202016. LI Y Q, GUO L Y, JIANG P, et al. Experimental study on surface morphology changes of aluminum alloy laser cleaning and optimization of process parameters[J]. Chinese Journal of Lasers, 2021, 48(22): 2202016 (in Chinese). [20] 贾秀梅. 基于法向特征提取的曲面自适应检测算法研究[J]. 激光技术, 2021, 45(5): 620-624. doi: 10.7510/jgjs.issn.1001-3806.2021.05.014 JIA X M. Research on surface adaptive detection algorithm based on normal feature extraction[J]. Laser Technology, 2021, 45(5): 620-624 (in Chinese). doi: 10.7510/jgjs.issn.1001-3806.2021.05.014 -
点击查看大图
图(14) / 表(1)
计量
- 文章访问数: 1426
- HTML全文浏览量: 787
- PDF下载量: 16
- 被引次数: 0
