用于确定工件的材料类型和/或表面特征的方法和设备与流程

本发明涉及用于确定优选金属的、尤其板状的工件的材料类型和/或表面特征的方法和/或设备，以及用于执行该方法的计算机程序产品。

背景技术：

在工具机上加工工件时，例如在借助高能射束切割工件时，典型地需要了解工件的材料类型(例如结构钢、不锈钢、有色金属...)以及表面特征(例如表面氧化、粗糙度、例如借助颜料或者膜的表面涂层...)，以便适当地适配加工参数，例如进给量、激光功率、气体类型和气压。典型地由工具机的操作者手动地预给定待加工工件的材料类型或表面特征。如果操作者在工具机上预给定与待加工工件的实际待加工的材料类型或者表面特征不一致的材料类型或表面特征，典型地会产生低劣的加工结果。

由de102011005907b3已知一种用于确定表面反射率的方法，借助反射照明装置照明该表面，其中，以不同的照明时间接收表面图像，在所接收图像的每一个中确定达到预确定的最小亮度的明亮表面成分。根据不同的曝光时间从所确定的明亮表面成分来确定明亮表面成分随曝光时间的变化，并且从中确定表面的反射率，以便识别和区分高反射和无光泽的表面。

技术实现要素：

本发明的所基于的任务在于提供使得能自动确定工件的材料类型和/或表面特征的方法和设备。

根据本发明通过开头所提及类型的方法解决所述任务，所述方法包括以下步骤：借助照明射束照明工件的表面；接收经照明的表面的至少一个图像；并且根据至少一个转换到空间频率域的图像、典型地根据对至少一个转换到空间频率域的图像的统计分析来确定工件的材料类型和/或表面特征或者对工件的材料类型和/或表面特征进行分类。照明工件表面典型地涉及明场反射照明，其中，照明射束直接从工件表面朝向观察方向反射回来。

根据本发明提出，对工件的不同的材料类型或材料和/或不同的表面特征进行自动分类，以便——通常同样自动化地——选择对在工具机中加工工件最优的或特别好地适合的加工参数和/或加工工艺。根据分析所接收的至少一个已经转换到空间频率域的工件表面图像，确定工件的材料类型和/或表面特征。在空间频率域中可以特别好地识别或分析工件表面的特有结构、尤其明暗结构。尤其已表明的是，所接收的、给定表面的图像的空间频率域明显有别于其它表面的空间频率域，从而特别有利的是：根据转换到空间频率域的工件表面图像来区别不同的材料类型和/或表面特征。

在一种有利的扩展方案中，根据转换到空间频率域的图像的空间频率的频次分布的各向异性，和/或根据转换到空间频率域的图像的空间频率的频次分布的至少一个与方向无关的特性(典型地与方向无关的分散程度)，确定工件的材料类型和/或表面特征。可以借助已知的图像处理方法、例如通过计算二维空间矩(英语，“spatialmoments”)，对转换到空间频率域的图像的空间频率的频次分布进行统计分析，其中，计算空间频率分布的椭圆度，所述椭圆度是表面结构中的空间频率的频次分布的各向异性的衡量尺度，其中，所述空间矩提供空间频率的频次分布的标准偏差的外包椭圆的最大和最小半径，也就是标准偏差的主轴。标量分散程度、例如频次分布的(标量的)标准偏差或者方差例如可以充当空间频率域中的频率的频次分布的与方向无关的特性。不仅与方向无关的特性，而且空间频率域中的各向异性、也就是与方向有关的空间频率域(该空间频率域例如可以通过频次分布的外包椭圆的最大半径和最小半径的特征量(空间矩)予以描述)，均可以用作不同工件类型或不同表面特征之间的区分判据。尤其可以将这两个区分判据与作为第三区分判据的反射率一起用于确定材料类型和/或用于确定表面特征。

除了根据转换到空间频率域的图像来确定材料类型和/或表面特征之外，为了确定工件的材料类型或表面特征，也可以考虑工件表面对照明射束的反射率。在此，可以针对某一波长、例如针对照明射束的波长来确定反射率，也就是作为绝对反射率。但也可以确定工件表面对照明射束的多个不同波长的反射率，并且使得相应的反射率相互关联(相对反射)，以便确定表面特征和/或材料类型。也可以确定表面的最大、最小和平均反射率。为了区分不同的材料类型和/或表面特征，除了根据转换到空间频率域的图像的分析获得的区分判据之外，可以使用(绝对或者相对)反射率作为另一区分判据。

在一种扩展方案中，为了确定工件的材料类型和/或表面特征，将反射率、空间频率的各向异性和/或空间频率的频次分布与不同的材料类型和/或表面特征的参考数据进行比较。不同的材料类型和/或表面特征的反射率的参考数据、空间频率的各向异性的参考数据和/或空间频率的频次分布的各向异性的参考数据可以存储在数据库中。根据以上区分判据的在分析图像时求取的值与相应参考数据的比较，可以确定最接近于在分析图像时求取的值的材料类型或表面特征。

在一种扩展方案中，借助一种学习系统、尤其借助一种(人工)神经网络进行比较。在学习期间，可以借助不同的已知材料类型和/或表面特征的空间频率的各向异性的参考数据、空间频率的频次分布的参考数据和/或反射率的参考数据来训练一种学习系统。如果将各向异性、频次分布和/或反射率的在分析工件图像时求取的值提供给经过训练的神经网络作为输入量，则神经网络给这些输入量自动化地分配最接近于所给定的输入量的材料类型和/或表面特征。可以使用用于比较的其它方法代替所述学习系统，例如所谓的模板匹配法“templatematching”、sad(“sumofabsolutedifference”，绝对误差和)等等，在所述模板匹配法中将图像的小的子区域与预给定的图像组成部分(“template”)进行比较。

在一种变型方案中，从包括结构钢、不锈钢和有色金属的组中确定材料类型，就是说将工件分类为结构钢、不锈钢或者有色金属。材料类型的分类不必一定局限于划分为工件的上述三种类型中的某一种类型。更确切地说，必要时可以区分结构钢的不同类型，和/或可以在有色金属材料类别中确定一种相应的有色金属，例如铜、铝等等。

在另一变型方案中，对表面特征的确定包括对工件的轧制表面的识别。因为轧制过的板材具有与轧制方向有关的槽结构，所以可以根据转换或变换到空间频率域的图像中的空间频率的各向异性来识别：是否涉及轧制过的工件。在此，尤其可以将轧制过的工件与例如以压铸法制作的工件或者以颜料、膜等涂覆的工件区别开来，因为此类工件典型地不具有可在空间频率域中识别为各向异性的优先方向。附加于或替代于工件轧制方向，也可以确定其它表面特征，例如表面的粗糙度或者氧化。

在另一变型方案中，在接收图像时使曝光时间和/或照明强度适配于工件表面的反射率。在此，这样选择照明强度或曝光时间，使得所接收的图像具有尽可能高的对比度。根据产生高对比度所需的曝光时间或照明强度，可以间接推断出表面的反射率，也就是说，不需要借助单独的反射率测量来确定表面的反射率。

在另一变型方案中，对材料类型和/或表面特征的确定包括由10至1000个转换到空间频率域的图像来构造平均值。根据经平均化的图像序列对工件的材料类型和/或表面特征进行的确定典型地明显好于根据唯一一个图像进行的确定。分析单个图像的空间频率范围通常已经能够明确区分不同的材料类型或表面特征。

在另一变型方案中，借助激光辐射作为照明射束来照明工件表面，也就是说借助具有(至少)一种离散波长的照明射束。照明装置的照明源例如可以涉及二极管激光器，该二极管激光器产生660nm、808nm、915nm、980nm波长的照明射束。应尽可能均匀地照明表面。例如可以通过光纤或者玻璃棒使照明射束均匀化。优选以反射照明方式照明表面，因为在反射照明时可通过工件表面的自然粗糙度产生高对比度。可以将具有不同波长的照明射束用于确定表面在不同波长情况下的反射率或反射强度并且比较反射强度。如上所述，不同波长情况下的反射率可以充当不同材料类型和/或表面特征之间的另一区分判据。

在一种有利的扩展方案中，将照明射束与用于加工工件的高能射束同轴地射到表面上。在借助高能射束、例如借助激光射束加工工件时(例如在激光射束切割时或激光射束焊接时)或者借助等离子射束加工工件时，被证明有利的是：与高能射束同轴地照明工件表面和/或观察工件表面。以这种方式产生极小的干扰轮廓，并且不仅可以直接在加工之前、而且可以在加工期间(在基本加工时间内)确定材料类型和/或表面特征。例如可以通过局部(例如侧向)耦合或退耦，或者通过半透镜(堇青石)将照明射束耦合到高能射束的光路之中，以及将观察光路从高能射束的光路中退耦。

在另一变型方案中，所述方法还包括：根据材料类型和/或表面特征确定至少一个用于加工工件的加工参数。如上所述，可以根据用上述方式确定的材料类型和/或表面特征优化加工过程(例如激光焊接过程或者激光切割过程)的加工参数，例如进给速度、激光功率、作为辅助气体或者作为切割气体提供给工件的气体的种类以及这种气体的气压。也可以根据材料类型和/或表面特征选择用于加工工件的合适的加工工艺，例如选择适合用于加工的激光器或者合适的激光波长。

本发明还涉及一种计算机程序产品，该计算机程序产品构造用于，当所述计算机程序产品在数据处理设备上运行时，执行上述方法的所有步骤。所述数据处理设备例如可以涉及控制装置、调节装置或者分析处理装置，所述控制装置、调节装置或者分析处理装置是用于工件的加工机的一部分。但也可以涉及外部装置、例如pc，所述外部装置与加工机为了交换数据而连接。

本发明的另一方面涉及开头所述类型的设备，该设备包括：照明装置，其用于产生照明射束以照明工件表面；图像感测装置，其用于接收工件的经照明的表面的至少一个图像；以及分析处理装置，其构造或编程用于根据至少一个转换到空间频率域的图像来确定工件的材料类型和/或表面特征。

如以上联系所述方法而描述的那样，可以借助所述设备自动化地确定工件的材料类型和/或表面特征。所述设备例如可以构造为加工头、尤其激光加工头。在这种情况下，分析处理装置典型地集成到加工头之中。所述设备也可以涉及加工机、尤其激光加工机。在这种情况下，分析处理装置典型地与加工头分开布置。

在一种实施方式中，图像感测装置构造用于，借助穿过用于将高能射束聚焦到工件上的聚焦透镜而延伸的观察光路，接收至少一个图像。图像感测装置这样布置或者取向，使得观察光路穿过所述聚焦透镜而延伸，用于加工工件的高能射束(例如激光射束或等离子束)也穿过该聚焦透镜。为了实现这种观察光路，可以给图像感测装置分配具有一个或者多个适当定位的光学元件的成像光具，所述光学元件例如呈一个或者多个透镜的形式。

在一种扩展方案中，图像感测装置构造用于从与聚焦透镜主轴线同轴的观察方向接收至少一个图像。高能射束的射束轴线在理想情况下与居中地穿过聚焦透镜而延伸的聚焦透镜主轴线一致，也就是说高能射束居中地穿过聚焦透镜。通过同轴地来观察典型地垂直于聚焦透镜主轴线的平坦工件表面，可以实现与方向无关的观察，这有利于确定工件的材料类型和/或表面特征。

在一种扩展方案中，用于通过聚焦透镜照明工件表面的照明装置构造成优选与聚焦透镜的主轴线同轴。如上所述，对工件表面进行反射照明是有利的，因为在此基于工件表面的自然粗糙度而产生高的对比度。

在另一实施方式中，作为照明源的照明装置包括至少一个激光器，尤其二极管激光器或者发光二极管。为了确定工件的工件类型和/或表面特征，被证明有利的是：在至少一种离散波长的情况下以及借助一种具有高光束质量的均匀照明源、例如借助二极管激光器进行照明。例如可以从侧面或者借助半透镜将照明射束耦合到高能射束的光路之中。

在另一实施方式中，分析处理装置构造或编程用于，根据空间频率的频次分布的各向异性，和/或根据转换到空间频率域的图像的空间频率的频次分布的至少一个与方向无关的特性，来确定工件的材料类型和/或表面特征。如以上联系所述方法而描述的那样，可以借助已知的图像处理方法、例如通过计算空间矩来计算与方向有关的空间频率域或空间频率的各向异性以及空间频率的频次分布的至少一个与方向无关的特性。

在另一实施方式中，分析处理装置构造用于，为了确定工件的材料类型和/或表面特征，还考虑工件表面的反射率。如上所述，表面的反射率(必要时针对照明射束的不同波长测量)可充当附加的区分判据，以便可以区分不同的材料类型和/或表面特征。

在一种扩展方案中，分析处理装置构造或编程用于，为了确定材料类型和/或表面特征，而将反射率、空间频率的各向异性和/或空间频率的频次分布与不同的工件类型和/或表面特征的参考数据进行比较。不同的材料类型和/或表面特征的反射率的参考数据、空间频率的各向异性的参考数据和/或空间频率的频次分布的各向异性的参考数据可以存储在数据库中。根据三种区分判据与相应参考数据的比较结果，可以确定最接近于在分析图像时求取的值的材料类型或表面特征。分析处理装置尤其可以构造用于借助一种自我学习系统、例如借助一种(人工)神经网络进行比较。但也可以借助一种传统的最小化函数来比较或搜索数据库中类似的参数，例如通过最小误差平方的最小化。

本发明的其它优点由说明书和附图得出。以上提及的和以下还将列举的特征同样可以单独使用或者任意组合使用。示出的和所描述的实施方式不应理解为最终计数，而是更确切地说具有用于叙述本发明的示例特征。

附图说明

附图示出：

图1：用于确定待加工工件的材料类型和/或材料特征的激光加工机的一种实施例的示意图，

图2a-c：空间域中的三个图像的示图以及板状工件的工件表面的转换到空间频率域的三个图像的示图，

图3a-d：不同结构钢种类的工件的工件表面的四个图像的示图。

具体实施方式

图1示出呈激光加工机1形式的设备的示例性结构，所述设备包括加工头3，该加工头用于将激光射束2聚焦到与加工头3间隔开的工件4上。在示出的示例中，由co2激光器产生激光射束2。替代地，也可以例如通过固体激光器产生激光射束2。为了在工件4上执行例如呈激光焊接过程或激光切割过程形式的工件加工，借助呈聚焦透镜5形式的聚焦装置将激光射束2聚焦到工件4上。

此外，激光头3包括加工喷嘴6，其中，在示出的示例中，聚焦透镜5将激光射束2穿过加工喷嘴6、更准确地说穿过加工喷嘴6内侧的开口7聚焦到工件4上，具体地说聚焦到在工件4的上侧形成的工件表面8上，激光射束2在示出的示例中在焦点位置f处照射在该工件表面上。

在图1中同样可看出半透镜10，从射束引导部入射的激光射束2穿过半透镜并且照射到聚焦透镜5上。在半透镜10处使图1中以虚线示出的观察光路12的观察辐射(例如在可见波长范围内)偏转，并且使其通过另一透镜9以及另一半透镜14到达呈摄像机形式的图像感测装置13。图像感测装置13可以涉及高分辨率的摄像机，该高分辨率的摄像机尤其可以构造为高速摄像机。在示出的示例中，通过图像感测装置13在近红外波长范围内接收图像。也可以在可见光或者紫外光范围内接收图像。在图1中示出的示例中，如果应排除借助图像感测装置13进行的感测的其它射束成分或波长成分，则可以将滤光片布置在图像感测装置13前面。例如可以将滤光片构造为窄带的带通滤光片。

另一透镜9与聚焦透镜5共同用作成像光具，所述成像光具用于将工件表面8成像到摄像机13的探测面13a上。成像光具或摄像机13这样布置，使得观察光路12与图1中以点画线示出的激光射束轴线19或者其延长线同轴地延伸。因为激光射束轴线19与聚焦透镜5的主轴线5a一致，所以在与聚焦透镜5的主轴线5a以及与典型地旋转对称的加工喷嘴6的纵轴线同轴的观察方向r上、且因此与方向无关地观察工件表面8或者接收工件表面8的图像。

加工头3还包括照明装置15，该照明装置用于照明工件4的与加工头3间隔开的表面8。照明装置15具有照明源16，该照明源产生图1中以虚线示出的照明射束17。作为照明源16，尤其可以设置例如波长λb为660nm、808nm、915nm或980nm的二极管激光器或者必要时设置led。照明射束17穿过另一半透镜14以及另一透镜9，并且在半透镜10处朝向聚焦透镜5偏转，其中，照明射束17与激光射束2或者与聚焦透镜5的主轴线5a同轴地取向，使得该照明射束穿过加工喷嘴6的开口7并且照明工件4的表面8。

以下将描述如何借助图1中所示的激光加工机1确定工件4的材料类型和/或工件4的表面8的表面特征的方法。显然，并不是一定要在图1所示的工件加工期间确定工件4的材料类型和/或表面特征，而是这尤其也可以在工件加工即将开始之前进行。

在图2a-c上方分别示出由摄像机13接收的工件4表面8图像b。加工喷嘴6的圆形边缘轮廓形成观察区域的边界，可以通过该观察区域观察工件4的表面8。工件表面8的可以透过开口7识别的局部具有各自不同的、特有的表面特征。

在图2a-c所示图像b中示出工件4的表面8，该工件在所有三种情况下均涉及轧制的不锈钢板材。在图2a中，工件4涉及光亮的不锈钢板材，也就是说图像b是对不锈钢板材的光亮表面8的成像。在图2b中所示的图像b中，不锈钢板材涂覆有不可被切割的膜，并且在图2c中所示的图像b中，不锈钢板材涂覆有可被切割的膜。

为了可以根据图2a-c中所示的图像b更好地区分不同的表面特征(光亮表面或者不同的涂层)，将工件4的表面8的在图2a-c中所示的图像b转换到空间频率域(也就是说进行傅里叶变换)，其中，得到图2a-c下方示出的空间频率域中的图像b′。在图2a中所示的、转换到空间频率域中的图像b′中，明显可以看出空间频率的各向异性或者说具有以虚线表示的优先方向v的与方向有关的空间频率域，该各向异性的原因在于沿着轧制方向轧制的不锈钢板材的槽结构。图2b和图2c中所示的、转换到空间频率域的图像b′在空间频率域中基本上各向同性，但是区别在于空间频率的频次分布值的分散度，也就是说图2b中所示的、转换到空间频率域的图像b′具有更强的空间频率分散度，而图2c中所示的、转换到空间频率域的图像b′则更加集中在较低空间频率的中心的周围。通过与方向无关的(以刻度表示的)频次分布分散程度，例如通过频次分布的各个值与频次分布平均值的平均绝对偏差或者通过(与方向无关的)标准偏差或方差，可以很好地描述图2b和图2c中所示的频次分布之间的差异。

可以根据图2a-c中所示的、转换到空间频率域的三个图像b′确定工件4的表面特征，其方式是：计算与频次分布的空间频率的各向异性相关的分散程度，和/或空间频率的频次分布的至少一个与方向无关的分散程度。可以借助图像处理领域众所周知的方法来计算分散程度，例如通过计算转换到空间频率域的图像b′的空间矩。空间矩形成二维分散程度，由该二维分散程度可得出频次分布的各向异性。在激光加工机1中设置分析处理装置20来进行这种计算，所述分析处理装置与摄像机13存在信号技术上的连接。分析处理装置20例如可以以pc等形式集成到激光加工机1中，并且与控制或调节装置21存在信号技术上的连接。

为了根据转换到空间频率域的相应图像b′的空间频率的频次分布的各向异性和/或根据该图像的空间频率的频次分布的至少一个与方向无关的特性(典型地，分散程度)确定工件4的表面特征，分析处理装置20构造用于将在分析相应图像b′时获得的值与不同表面特征的参考数据或参考值进行比较，所述参考数据或参考值典型地存储在数据库中，分析处理装置20可以动用该数据库。为了所述比较，可以在分析处理装置20中构建一种例如呈人工神经网络形式的学习系统。代替该学习系统地，分析处理装置20也可以使用其它比较方法，例如所谓的模板匹配法“templatematching”sad等等，在所述模板匹配法中将图像的小的子区域与预给定的图像组成部分(templates)进行比较。但是分析处理装置20也可以借助传统的最小化函数来进行比较或寻找数据库中类似的参数，例如通过最小误差平方的最小化。

除了在其表面特征方面将工件4区分或分类之外，分析处理装置20还可以确定不同的材料类型。为此可以将不同材料类型的参考数据或参考值存储在数据库中，并且同样可以将它们与分别在分析时确定的、针对空间频率的频次分布的标量特性或与方向有关的特性的值进行比较。

除了针对不同材料和/或不同表面特征的以上所述的两种区分判据之外，还可以考虑将工件4的表面8的反射率作为另一区分判据。为此，例如可以适配曝光时间ta(参见图3a-d)和/或照明强度i(参见图1)，直至图像b具有充足的对比度，摄像机13以所述曝光时间接收相应图像b。

根据经适配的曝光时间ta和经适配的照明强度i可以推断出工件4的表面8的反射率，该反射率提供工件4的材料类型和/或表面特征的第一标志。也可以在照明射束17的多种波长的情况下确定反射率，以改善对不同的材料类型或表面特征的分类。这种情况下可以使针对照明射束17的不同波长而确定的反射率相互关联(相对反射)，以便确定表面特征和/或材料类型。

图3a-d示出借助摄像机13接收的不同结构钢种类的四个图像b，其中，以15μs曝光时间ta接收图3a、3b中所示的图像b，以30μs曝光时间ta接收图3c、3d所示的图像b。可以通过不同的反射率ro以及根据槽结构区分结构钢种类，所述槽结构可以根据工件4的表面8的在图3a-d中未示出的、转换到空间频率域的图像来分析。

以上述方式，尤其能够对结构钢、不锈钢和有色金属这些材料类型进行相互区分，其中，也可以区分不同的有色金属和不同的结构钢种类。与联系图2a-c和图3a-d所述的不同之处在于，有利的是，代替转换到空间频率域的单个图像，从多个时间相继地接收的图像、例如从转换到空间频率范围的10至1000个图像b′来构造(逐个像素的)平均值，并且根据该平均值确定材料类型和/或表面特征。这种情况下可考虑将平均值与相应的参考数据进行比较。必要时可以有利的是，为了确定反射率，也从多个时间相继地接收的图像来确定平均值。

根据以上述方式确定的材料类型和/或表面特征，可以适当地选择加工过程的加工参数，在本示例中即是选择激光焊接过程或者激光切割过程的加工参数，例如进给速度、激光功率、作为辅助气体或者作为切割气体提供给工件的气体的种类及其气压。可以在控制和/或调节装置21中自动化地选择加工参数，所述控制和/或调节装置可以为此动用数据库。如果在激光加工机1中可以在用于产生激光射束2的多个激光源之间进行选择，则必要时也可以在控制和/或调节装置21中选择合适的加工工艺，例如选择适用于加工的激光源。

通过自动化地识别或确定材料类型和表面特征，可以避免在操作者手动输入材料类型时的错误源。也可以避免激光射束2在高反射材料上反射回来毁坏加工机。也可以自动优化加工参数，其中，例如可以自动预处理覆膜的工件。也可以有利地使用照明装置15和图像感测装置13来测量或确定对于加工过程重要的其它测量参量。