CN109085178A - 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 - Google Patents

一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 Download PDF

Info

Publication number
CN109085178A
CN109085178A CN201810990676.8A CN201810990676A CN109085178A CN 109085178 A CN109085178 A CN 109085178A CN 201810990676 A CN201810990676 A CN 201810990676A CN 109085178 A CN109085178 A CN 109085178A
Authority
CN
China
Prior art keywords
defect
material manufacturing
increasing material
image
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810990676.8A
Other languages
English (en)
Other versions
CN109085178B (zh
Inventor
林昕
朱锟鹏
段现银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Wuhan University of Science and Technology WHUST
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201810990676.8A priority Critical patent/CN109085178B/zh
Publication of CN109085178A publication Critical patent/CN109085178A/zh
Application granted granted Critical
Publication of CN109085178B publication Critical patent/CN109085178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/93—Detection standards; Calibrating baseline adjustment, drift correction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/93—Detection standards; Calibrating baseline adjustment, drift correction
    • G01N2021/936—Adjusting threshold, e.g. by way of moving average

Abstract

本发明涉及一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略，包括建立缺陷指纹数据库、匹配缺陷信息和自动修正过程。利用多尺度图谱分析算法获取缺陷，建立包含每种缺陷的尺寸、缺陷产生的加工条件和消除缺陷策略等信息的数据，进而建立缺陷指纹数据库。多尺度图谱分析算法具体包括：图像预处理、图像采样、图像特征点检测、边缘线提取，算法将多尺度分析方法和图谱理论结合，并提出采样、降维和在线识别的迭代算法加速计算。利用本发明的缺陷指纹数据库，在增材制造加工过程中出现微小缺陷时就可查询到解决方案，自动调整在下一层铺粉和扫描的工艺参数，以便在成形过程中消除缺陷，从而提高成形零件的质量。

Description

一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略
技术领域
本发明涉及增材制造过程在线监测和质量精确控制，尤其涉及一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略。
背景技术
增材制造技术是基于“分层-叠加”制造的思想，具有柔性高、无模具、周期短、不受零件结构和材料限制等一系列优点，因此可以用于结构复杂、难加工以及薄壁零件的制造，在航空航天领域的高性能复杂构件和生物医学制造领域的多孔复杂结构制造具有显著优势。
然而，成形零件的质量缺陷至今仍是阻碍增材制造技术广泛应用的技术瓶颈，成形过程的在线监测技术是解决这类难题的重要途径。目前增材制造的工艺实际上是循环测试后加工工艺参数就保持固定，那么前一层的微小缺陷(如“球化”现象)可能累积，导致下一层的铺粉过程无法完成。这种开环式制造方法将造成质量缺陷累积效应，从而使得加工的成形精度无法达到要求。
同时，在成形过程监测中，如何系统性建立成形过程工艺参数与成形质量之间量化关系仍是成形过程监测的难点问题。目前增材制造监测中所用监测仪器，主要是光电高温计和高速摄像机。零件成形质量的监测方法，主要是基于光学与视觉的方法和通过对成形零件结构特征以及几何尺寸与误差的测量来实现。但是这些方法只提供了零件尺寸精度的局部信息，考虑单一或部分变量对成形精度的影响，缺乏系统性。没有将工艺过程与监测系统融合，便不能形成工艺参数与成形质量之间的精确量化关系，难以实现有效的质量精确控制。
发明内容
本发明的目的在于克服上述现有技术的缺点和不足，提出一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略，利用图像处理方法建立包含每种缺陷尺寸、缺陷产生条件和消除缺陷的对应策略的缺陷指纹数据库，从而建立起成形过程物理量与成形质量之间确定性的量化关系，使得能够在出现微小缺陷时就查询缺陷指纹数据库来自动调整在下一层铺粉和扫描的工艺参数消除缺陷，提高成形零件的质量。
本发明解决上述技术问题的技术方案如下：
一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略，包括以下步骤：
步骤1、建立包括多条缺陷指纹数据的缺陷指纹数据库，每条缺陷指纹数据包括相应缺陷的类型、加工条件、面积、尺寸和位置以及缺陷的最优解决方案；
步骤2、设定加工工艺参数，进行增材制造加工，本层加工完成后，获取成形平台区域的图像信息；
步骤3、对图像信息进行滤波处理；
步骤4、利用多尺度图谱分析算法，对图像信息中的特征点进行提取，得到特征点集合；
步骤5、利用形态学和骨架提取方法从特征点集合中提取图像边缘线，根据几何学方法，拟合出图像中的缺陷形貌，获得缺陷类型，并计算得到缺陷对应的面积、尺寸和位置；将缺陷类型、面积、尺寸和位置信息与缺陷指纹数据库中的缺陷指纹数据进行匹配，若匹配成功，则采取相应缺陷指纹数据的最优解决方案，若匹配失败，则放弃该缺陷的修正，进入对下一层成形过程监测。
进一步的，所述步骤1具体包括以下步骤：
步骤1.1、设定加工工艺参数，进行增材制造加工，本层加工完成后，获取成形平台区域的图像信息；
步骤1.2、对图像信息进行滤波处理；
步骤1.3、利用多尺度图谱分析算法，对图像信息中的特征点进行提取，得到特征点集合；
步骤1.4、利用形态学和骨架提取方法从特征点集合中提取图像边缘线，根据几何学方法，拟合出图像中的缺陷形貌，获得缺陷类型，并计算得到缺陷对应的面积、尺寸和位置；
步骤1.5、通过反复进行消除缺陷的试验，寻找得到缺陷的最优解决方案，将缺陷对应的最优解决方案与缺陷的类型、加工条件、面积、尺寸和位置一起作为一项缺陷指纹数据，将每一个缺陷对应的缺陷指纹数据均录入缺陷指纹数据库中。
进一步的，所述多尺度图谱分析算法具体包括以下步骤：
步骤3.1、在图像上构建加权无向图G，将加权无向图G中所有的像素点为样本点，令初始尺度水平l＝T；
步骤3.2、对样本点构造扩散映射，得到新的像素集；
步骤3.3、计算新的像素集中每个像素点的分数St，所述分数St为像素点周围K近邻的距离的均值，若St小于预设阈值th，则判断该像素点为特征点；若St大于预设阈值th，则判断该像素点为噪声点；对所有像素点进行判断后，得到特征点集合和噪声点集合；
步骤3.4、判断l-1是否等于0，若是，则转到下一步，若否，则从特征点集合中随机选取部分像素点，与噪声点集合中的所有像素点一起，作为待处理样本点，令l＝l-1，对待处理样本点进行下采样，得到新的样本点，转到步骤3.2；
步骤3.5、将每一个尺度水平l下判断得到的特征点集合进行汇总，得到的特征点的总和即为特征点集合。
进一步的，所述步骤3.2具体包括以下步骤：计算谱值λ并利用谱值λ构建扩散映射。
进一步的，所述阈值th是从统计学定义的一个概率密度参数，th决定了缺陷与背景分离的效果。
进一步的，根据几何学方法，拟合出图像中的缺陷形貌，具体指的是：利用图像边缘线的凹凸性拟合几何图形，模拟出缺陷形貌。
本发明的有益效果为：1、通过将缺陷对应的最优解决方案与缺陷的类型、加工条件、面积、尺寸和位置一起作为一项缺陷指纹数据录入缺陷指纹数据库中，量化了缺陷消除与工艺参数的对应关系，从而可以量化、精确控制成形，保证了成型件的质量；2、提出了多尺度图谱分析算法，该算法中前一个尺度为下个尺度的计算提供了先验信息，将大大提高了在线监测与识别的效率。在相同数量的样本情况下，该算法比单尺度监测的计算复杂度低，因为在更大的尺度下，更小的图像块可以作为特征识别，减少了关联矩阵的计算时间，因此在线识别的速度更快，解决了复杂干扰增材制造环境下低质量图像的处理问题；3、建立缺陷指纹数据库，为反馈控制提供缺陷的解决策略，使得加工过程中能有闭环控制，从而提高了增材制造的智能化水平。
附图说明
图1为本发明的总体流程示意图；
图2为缺陷指纹数据库的建立流程示意图；
图3为多尺度图谱分析算法流程示意图；
图4为原始图像信息；
图5为提取特征点集合后的图像信息；
图6为提取边缘线后的图像信息。
附图中，各标号所代表的段件列表如下：
1、机架；2、成型缸；3、旋转电机；4、连接件；5、丝杆；6、丝杆螺母；7、活塞板；8、转轴螺钉；9、法兰直线轴承；10、直线导轨
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一段分实施例，而不是全段的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略，包括以下步骤：
步骤1、建立包括多条缺陷指纹数据的缺陷指纹数据库
如图2所示，建立缺陷指纹数据库的过程具体包括以下步骤：
步骤1.1、设定加工工艺参数，进行增材制造加工，本层加工完成后，获取成形平台区域的图像信息；
设定零件加工工艺的输入参数(空气量参数、铺粉厚度参数、扫描参数)后，进行单层扫描完成后，使用高速相机拍摄成形平台区域的图像。
本实施例中，图像采集设备包括：高速摄像机、滤光镜、F-theta透镜和高性能台式机或FPGA芯片重组硬件设备。所述采集大小为10μm图像存储量达到10khz，为了加速如此大规模数据的处理，采用优化FPGA芯片功率和将图像分成子算法并行处理。
所述高速摄像机为CMOS高速摄像机，其像素最高分辨率为1080p，采集帧速为7700fps，最短曝光时间为500ns，6.5倍变焦镜头，视野范围为最小能达到0.01mm。滤光片放置于高速相机的光路上，用于滤出熔池内金属强烈反光，采用中心波长处于630nm且带宽40nm的窄带滤光片，以保证高速摄像机的光谱灵敏度。
步骤1.2、对图像信息进行滤波处理；
本实施例中，滤波去噪使用中值滤波，由于采集的图像包含粉末的熔化/凝固是一个动态变化且高度非平衡的过程，在这个过程中存在很多外部干扰因素，如粉末层沉积不良、激光光学器件上有灰尘、成形室内部含氧量过高等，会造成光学系统捕捉到的图像质量不高。因此，需要对采集的图像进行预处理，消除噪声，但中值滤波只能消除孤立的噪声点。
图像特征提取是将预处理后的图片利用多尺度图谱分析算法，提取有纹理干扰和噪声的图像中的成形轨迹特征。
步骤1.3、利用多尺度图谱分析算法，对图像信息中的特征点进行提取，得到特征点集合；
图像特征提取，即在提取成形轨迹特征后，使用形态学方法和骨架提取方法，得到金属粉末熔化凝固区域，然后根据几何学方法计算出缺陷区域，主要是“球化”和开放的孔。再利用图像、相机和世界坐标系之间的坐标转换可以计算出图像中缺陷位置和粉床中的缺陷位置。
如图3所示，所述多尺度图谱分析算法具体包括以下步骤：
(1)在图像上建立扩散无向图
将n维数据集X作为顶点构造带权图(Weighted Graph)，用连接顶点x到顶点z的边的权重ω(x,z)用来衡量两个数据点之间的相似性。令初始尺度水平l＝T，权重函数ω(x,z)的值是非负且对称的，常用高斯核作为权重函数：
ω(xi,yi)＝exp(-||xi-zi||2/σ2) (1)
其中σ＞0是尺度参数。
所述公式(1)可以用一种规范化核函数来刻画从顶点x到顶点z的随机游动概率p(x,y)，由转移概率组成转移矩阵P。根据谱图理论，扩散距离可由特征向量计算表示：
其中ψ和λ分别表示P分解的特征向量和正特征值。考虑到谱的衰减性，扩散距离可以近似的由前l个特征向量计算得到。
所述公式(2)的功能可以解释为：由以上算法得到的新的映射中，背景像素点拥有相似的扩散坐标，并且位于高密度邻居区域；而从背景区域分离出的轮廓像素点则位于低密度邻居区域。这样，通过扩散映射可以方便的去除图像纹理及背景噪声，克服增材制造加工中每层切片识别时的易受背景影响的缺点。同时，避免了传统方法计算测试样本中每个点与所有其他点之间距离的局限性，大大减少了计算复杂度，提高在线处理速度。
(2)计算谱值
通过前面(1)(2)式将图像中的像素点数据转化为加权无向图G后。矩阵P包含多个部分信息，如轮廓，线和几何尺寸与公差等；因此，图谱能够获得精确的成型件尺寸完整性方面的信息，而这些是统计分析和单纯的基于面标记所无法获取的。
将矩阵P归一化得到标准化拉普拉斯矩阵L：首先计算上述步骤(1)中G的顶点i的度di，di表示入射到该顶点的边的数目，通过di构造对角线次数矩阵D：
接下来，定义图G的容量ν和标准化拉普拉斯矩阵L如下：
L的特征谱通过下式计算：
Lψi＝λ*ψj (7)
所述公式(7)计算出谱值的功能为：Laplacian矩阵L的谱特征可用来描述几何特征，通过比较图谱的相似性，推断成形零件与标准3D模型之间的差异。两者图谱的差异(距离度量)也越大，表示成形件的尺寸精度越低。
其中ψ和λ分别表示P分解的特征向量和正特征值，求得λ后，可以计算得到ψ，将λ和ψ代入公式(2)中，即可获得扩散映射。
步骤3.3、计算新的像素集中每个像素点的分数St，所述分数St为像素点周围K近邻的距离的均值，若St小于预设阈值th，则判断该像素点为特征点；即若St大于预设阈值th，则判断该像素点为噪声点；对所有像素点进行判断后，得到特征点集合和噪声点集合；
所述特征点的分数值越大(在阈值内)，表示提取到的目标像素点可能越多。所述K近邻是像素点i在大小为2R+1窗口外的K个最近邻居点，R是一个经验值。所述阈值th是从统计学定义的一个概率密度参数，th决定了缺陷与背景分离的效果，本实施例中，阈值th＝0.7。
步骤3.4、判断l-1是否等于0，若是，则转到下一步，若否，则从特征点集合中随机选取部分像素点，与噪声点集合中的所有像素点一起，作为待处理样本点，令l＝l-1，对待处理样本点进行下采样，得到新的样本点，转到步骤3.2；
对图像进行下采样可以按照以下操作获得：给定原始图像I0后，使用公式(1)中的高斯核对原始图像进行卷积，然后以向下2倍采样，得到水平1的图像I1，如此反复操作就能得到尺度为l的图像Il。
该算法中前一个尺度为下个尺度的计算提供了先验信息，将大大提高了在线监测与识别的效率。在相同数量的样本情况下，该算法比单尺度监测的计算复杂度低，因为在更大的尺度下，更小的图像块可以作为特征识别，减少了关联矩阵的计算时间，因此在线识别的速度更快。采样、降维和在线识别在每个尺度下重复进行，上一个尺度的输出结果将作为下个尺度的输入。
步骤3.5、将每一个尺度水平l下判断得到的特征点集合进行汇总，得到的特征点的总和即为特征点集合。
步骤1.4、利用形态学和骨架提取方法从特征点集合中提取图像边缘线，根据几何学方法，拟合出图像中的缺陷形貌，获得缺陷类型，并计算得到缺陷对应的面积、尺寸和位置；
根据几何学方法，拟合出图像中的缺陷形貌，具体指的是：利用图像边缘线的凹凸性拟合几何图形，模拟出缺陷形貌。
例如，利用轮廓的凹凸性拟合椭圆和圆形，可以模拟出“球化”和开放性孔等缺陷形貌，从而可以计算出椭圆或圆形缺陷的面积、直径。
利用台式机里的图像处理软件可以得到矢量图像，并取得相对坐标系。其中选取包含在摄像机采集到的成形平台的右下角为相对坐标系的零点，成形零件的相对坐标信息，均在相对坐标系的第二象限坐标区域内。
再利用图像、相机和粉床坐标系之间的坐标转换可以计算出图像中缺陷位置和对应的粉床中的缺陷位置。
具体效果如图3-5所示。
步骤5、通过反复进行消除缺陷的试验，寻找得到缺陷的最优解决方案，将缺陷对应的最优解决方案与缺陷的类型、加工条件、面积、尺寸和位置一起作为一项缺陷指纹数据；
具体为：首先根据不同加工条件和缺陷的成形机理标注缺陷的类型，如开放性孔标记为001、“球化”为002。同时还需标注加工条件、缺陷面积、直径等信息。
通过反复进行消除缺陷的试验，寻找合适解决方案，这些方案可以是下一层扫描的补偿参数或一些弥补措施(如一次成形后进行二次扫描)，获得缺陷的最优解决方案后，将这一最优解决方案同以上标注一起作为一项缺陷指纹数据录入缺陷指纹数据库中。
通过改变步骤1.1的工艺参数，多次进行模拟实验，可获得不同工艺参数条件下对应的多种不同缺陷指纹数据，将每一个缺陷对应的缺陷指纹数据均录入缺陷指纹数据库中。
在建立缺陷指纹数据库后，在正常增材制造加工过程中，可以对加工过程进行监测，监测到缺陷产生后，按照前述步骤1.1-1.4的方法，可以获得缺陷类型，缺陷对应的面积、尺寸和位置，根据缺陷信息，查询缺陷指纹数据库，在匹配出对应的缺陷指纹数据后，得到缺陷指纹数据中的解决方案，将解决方案中的参数值反馈给各个控制器，由各个控制器去执行所设置的下一层打印的工艺参数。从而在加工过程中就能将缺陷消除，避免了在零件加工好后破坏性地切割零件来检测缺陷的方式。例如，单层粉末成形出现孔洞，下一层铺粉时，在粉床对应位置补偿上孔洞所需的粉末量，从而补偿了层厚，保证了零件成形的尺寸精度。若监测到的缺陷与缺陷指纹数据库中的类型没有匹配成功，则放弃该缺陷的修正，进入对下一层成形过程监测。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略，其特征在于，包括以下步骤：
步骤1、建立包括多条缺陷指纹数据的缺陷指纹数据库，每条缺陷指纹数据包括相应缺陷的类型、加工条件、面积、尺寸和位置以及缺陷的最优解决方案；
步骤2、设定加工工艺参数，进行增材制造加工，本层加工完成后，获取成形平台区域的图像信息；
步骤3、对图像信息进行滤波处理；
步骤4、利用多尺度图谱分析算法，对图像信息中的特征点进行提取，得到特征点集合；
步骤5、利用形态学和骨架提取方法从特征点集合中提取图像边缘线，根据几何学方法，拟合出图像中的缺陷形貌，获得缺陷类型，并计算得到缺陷对应的面积、尺寸和位置；将缺陷类型、面积、尺寸和位置信息与缺陷指纹数据库中的缺陷指纹数据进行匹配，若匹配成功，则采取相应缺陷指纹数据的最优解决方案，若匹配失败，则放弃该缺陷的修正，进入对下一层成形过程监测。
2.根据权利要求1所述的用于增材制造的缺陷指纹精确在线监测方法和反馈策略，其特征在于，所述步骤1具体包括以下步骤：
步骤1.1、设定加工工艺参数，进行增材制造加工，本层加工完成后，获取成形平台区域的图像信息；
步骤1.2、对图像信息进行滤波处理；
步骤1.3、利用多尺度图谱分析算法，对图像信息中的特征点进行提取，得到特征点集合；
步骤1.4、利用形态学和骨架提取方法从特征点集合中提取图像边缘线，根据几何学方法，拟合出图像中的缺陷形貌，获得缺陷类型，并计算得到缺陷对应的面积、尺寸和位置；
步骤1.5、通过反复进行消除缺陷的试验，寻找得到缺陷的最优解决方案，将缺陷对应的最优解决方案与缺陷的类型、加工条件、面积、尺寸和位置一起作为一项缺陷指纹数据，将每一个缺陷对应的缺陷指纹数据均录入缺陷指纹数据库中。
3.根据权利要求1或2中任一项所述的用于增材制造的缺陷指纹精确在线监测方法和反馈策略，其特征在于，所述多尺度图谱分析算法具体包括以下步骤：
步骤3.1、在图像上构建加权无向图G，将加权无向图G中所有的像素点为样本点，令初始尺度水平l＝T；
步骤3.2、对样本点构造扩散映射，得到新的像素集；
步骤3.3、计算新的像素集中每个像素点的分数St，所述分数St为像素点周围K近邻的距离的均值，若St小于预设阈值th，则判断该像素点为特征点；若St大于预设阈值th，则判断该像素点为噪声点；对所有像素点进行判断后，得到特征点集合和噪声点集合；
步骤3.4、判断l-1是否等于0，若是，则转到下一步，若否，则从特征点集合中随机选取部分像素点，与噪声点集合中的所有像素点一起，作为待处理样本点，令l＝l-1，对待处理样本点进行下采样，得到新的样本点，转到步骤3.2；
步骤3.5、将每一个尺度水平l下判断得到的特征点集合进行汇总，得到的特征点的总和即为特征点集合。
4.根据权利要求3所述的用于增材制造的缺陷指纹精确在线监测方法和反馈策略，其特征在于，所述步骤3.2具体包括以下步骤：计算谱值λ并利用谱值λ构建扩散映射。
5.根据权利要求3所述的用于增材制造的缺陷指纹精确在线监测方法和反馈策略，其特征在于，所述阈值th是从统计学定义的一个概率密度参数，th决定了缺陷与背景分离的效果。
6.根据权利要求1或2中任一项所述的用于增材制造的缺陷指纹精确在线监测方法和反馈策略，其特征在于，根据几何学方法，拟合出图像中的缺陷形貌，具体指的是：利用图像边缘线的凹凸性拟合几何图形，模拟出缺陷形貌。
CN201810990676.8A 2018-08-28 2018-08-28 一种用于增材制造的缺陷指纹精确在线监测和反馈方法 Active CN109085178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810990676.8A CN109085178B (zh) 2018-08-28 2018-08-28 一种用于增材制造的缺陷指纹精确在线监测和反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810990676.8A CN109085178B (zh) 2018-08-28 2018-08-28 一种用于增材制造的缺陷指纹精确在线监测和反馈方法

Publications (2)

Publication Number Publication Date
CN109085178A true CN109085178A (zh) 2018-12-25
CN109085178B CN109085178B (zh) 2021-02-12

Family

ID=64795060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810990676.8A Active CN109085178B (zh) 2018-08-28 2018-08-28 一种用于增材制造的缺陷指纹精确在线监测和反馈方法

Country Status (1)

Country Link
CN (1) CN109085178B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111912856A (zh) * 2020-07-30 2020-11-10 北京首钢股份有限公司 一种板带材表面缺陷分析系统
CN112906701A (zh) * 2021-02-08 2021-06-04 重庆兆光科技股份有限公司 一种基于多注意力神经网络的细粒度图像识别方法及系统
CN113722942A (zh) * 2021-07-08 2021-11-30 北京理工大学 一种考虑3d打印几何缺陷的有限元计算模型
CN113777033A (zh) * 2021-08-18 2021-12-10 长沙长泰机器人有限公司 一种基于机器视觉的生条缺陷检测方法和装置
CN114998342A (zh) * 2022-08-04 2022-09-02 海门市刘氏铸造有限公司 基于镀锌板面图案识别的镀锌工艺控制方法及装置
CN116977117A (zh) * 2023-09-25 2023-10-31 深圳市松青锌镁铝精密压铸有限公司 一种精密部件的加工智能分析方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150177158A1 (en) * 2013-12-13 2015-06-25 General Electric Company Operational performance assessment of additive manufacturing
CN105160654A (zh) * 2015-07-09 2015-12-16 浙江工商大学 基于特征点提取的毛巾标签缺陷检测方法
CN106404795A (zh) * 2016-10-26 2017-02-15 华中科技大学 一种基于红外信息的金属增材制造过程控制装置与方法
US20170072645A1 (en) * 2008-06-06 2017-03-16 Virginia Venture Industries, Llc Methods and apparatuses for printing three dimensional images
CN107175329A (zh) * 2017-04-14 2017-09-19 华南理工大学 一种3d打印逐层检测反求零件模型及定位缺陷装置与方法
CN107368642A (zh) * 2017-07-13 2017-11-21 武汉大学 金属增材制造多尺度多物理场耦合仿真方法
CN107402217A (zh) * 2017-07-27 2017-11-28 哈尔滨工业大学（威海） 基于视觉传感的激光增材制造缺陷的在线诊断方法
US20180071821A1 (en) * 2016-09-13 2018-03-15 General Electric Company Additive manufacturing material analysis system and related method
CN107807568A (zh) * 2017-10-27 2018-03-16 中国电子产品可靠性与环境试验研究所 增材制造监控系统、方法、装置及增材制造设备
CN108060417A (zh) * 2016-11-07 2018-05-22 东台精机股份有限公司 粉末积层制造的检测修补装置及其方法
US20180194075A1 (en) * 2017-01-06 2018-07-12 International Business Machines Corporation Methods and systems for detecting and rectifying faults in 3d printing processes

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170072645A1 (en) * 2008-06-06 2017-03-16 Virginia Venture Industries, Llc Methods and apparatuses for printing three dimensional images
US20150177158A1 (en) * 2013-12-13 2015-06-25 General Electric Company Operational performance assessment of additive manufacturing
CN105160654A (zh) * 2015-07-09 2015-12-16 浙江工商大学 基于特征点提取的毛巾标签缺陷检测方法
US20180071821A1 (en) * 2016-09-13 2018-03-15 General Electric Company Additive manufacturing material analysis system and related method
CN106404795A (zh) * 2016-10-26 2017-02-15 华中科技大学 一种基于红外信息的金属增材制造过程控制装置与方法
CN108060417A (zh) * 2016-11-07 2018-05-22 东台精机股份有限公司 粉末积层制造的检测修补装置及其方法
US20180194075A1 (en) * 2017-01-06 2018-07-12 International Business Machines Corporation Methods and systems for detecting and rectifying faults in 3d printing processes
CN107175329A (zh) * 2017-04-14 2017-09-19 华南理工大学 一种3d打印逐层检测反求零件模型及定位缺陷装置与方法
CN107368642A (zh) * 2017-07-13 2017-11-21 武汉大学 金属增材制造多尺度多物理场耦合仿真方法
CN107402217A (zh) * 2017-07-27 2017-11-28 哈尔滨工业大学（威海） 基于视觉传感的激光增材制造缺陷的在线诊断方法
CN107807568A (zh) * 2017-10-27 2018-03-16 中国电子产品可靠性与环境试验研究所 增材制造监控系统、方法、装置及增材制造设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
OLIVER HOLZMOND ET AL.: "In situ real time defect detection of 3D printed parts", 《ADDITIVE MANUFACTURING 》 *
XIN LIN ET AL.: "Three-Dimensional CAD Model Matching With Anisotropic Diffusion Maps", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *
任传奇等: "基于图像反馈的涂覆成形形貌控制方法研究", 《机械设计与制造》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111912856A (zh) * 2020-07-30 2020-11-10 北京首钢股份有限公司 一种板带材表面缺陷分析系统
CN112906701A (zh) * 2021-02-08 2021-06-04 重庆兆光科技股份有限公司 一种基于多注意力神经网络的细粒度图像识别方法及系统
CN112906701B (zh) * 2021-02-08 2023-07-14 重庆兆光科技股份有限公司 一种基于多注意力神经网络的细粒度图像识别方法及系统
CN113722942A (zh) * 2021-07-08 2021-11-30 北京理工大学 一种考虑3d打印几何缺陷的有限元计算模型
CN113777033A (zh) * 2021-08-18 2021-12-10 长沙长泰机器人有限公司 一种基于机器视觉的生条缺陷检测方法和装置
CN114998342A (zh) * 2022-08-04 2022-09-02 海门市刘氏铸造有限公司 基于镀锌板面图案识别的镀锌工艺控制方法及装置
CN116977117A (zh) * 2023-09-25 2023-10-31 深圳市松青锌镁铝精密压铸有限公司 一种精密部件的加工智能分析方法及系统
CN116977117B (zh) * 2023-09-25 2023-12-08 深圳市松青锌镁铝精密压铸有限公司 一种精密部件的加工智能分析方法及系统

Also Published As

Publication number Publication date
CN109085178B (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN109085178A (zh) 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略
CN107633516B (zh) 一种识别路面变形类病害的方法和装置
CN106934800B (zh) 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
CN109580630B (zh) 一种机械零部件缺陷的视觉检测方法
CN111223088A (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN110070521A (zh) 一种基于视觉神经学习的3d打印模型瑕疵预判系统及方法
CN108760747A (zh) 一种3d打印模型表面缺陷视觉检测方法
CN110544233B (zh) 基于人脸识别应用的深度图像质量评价方法
CN103759676A (zh) 一种工件表面粗糙度非接触式的检测方法
CN110473201A (zh) 一种刹车片表面缺陷的自动检测方法及装置
CN113240626A (zh) 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法
CN113421230B (zh) 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法
CN115330958A (zh) 基于激光雷达的实时三维重建方法及装置
CN115760654A (zh) 一种工业显微镜图像处理系统
CN111209822A (zh) 一种热红外图像的人脸检测方法
CN109145846A (zh) 材料微观结构智能识别分析系统及分析方法
CN114549446A (zh) 一种基于深度学习的气缸套缺陷标检测方法
Tatzel et al. Image-based roughness estimation of laser cut edges with a convolutional neural network
CN115953550A (zh) 针对线结构光扫描的点云离群点剔除系统及方法
CN114881998A (zh) 一种基于深度学习的工件表面缺陷检测方法及系统
CN115456938A (zh) 一种基于深度学习和超声红外图像的金属部件裂纹检测方法
Foglia et al. An inspection system for pharmaceutical glass tubes
CN112101060B (zh) 基于平移不变性和小区域模板匹配的二维码定位方法
CN113705564A (zh) 一种指针式仪表识别读数方法
CN117392097A (zh) 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant