CN111390168A - 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法 - Google Patents

激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法 Download PDF

Info

Publication number
CN111390168A
CN111390168A CN202010179637.7A CN202010179637A CN111390168A CN 111390168 A CN111390168 A CN 111390168A CN 202010179637 A CN202010179637 A CN 202010179637A CN 111390168 A CN111390168 A CN 111390168A
Authority
CN
China
Prior art keywords
image
molten pool
defocusing amount
negative feedback
feedback state
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
CN202010179637.7A
Other languages
English (en)
Other versions
CN111390168B (zh
Inventor
刘伟嵬
孙慧
唐梓珏
马琳杰
杨征宇
王奉涛
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010179637.7A priority Critical patent/CN111390168B/zh
Publication of CN111390168A publication Critical patent/CN111390168A/zh
Application granted granted Critical
Publication of CN111390168B publication Critical patent/CN111390168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20—Direct sintering or melting
    • B22F10/25—Direct deposition of metal particles, e.g. direct metal deposition [DMD] or laser engineered net shaping [LENS]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
    • B22F12/90—Means for process control, e.g. cameras or sensors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Powder Metallurgy (AREA)
  • Laser Beam Processing (AREA)

Abstract

一种激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法，属于激光增材制造技术领域。首先，采用标定板对图像同轴采集装置进行对焦，进行增材打印，通过图像同轴采集单元采集熔池图像，通过图像处理单元对熔池视觉图像预处理。其次，判断熔池视觉图像是否处于景深范围，若在其范围内则将该熔池视觉图像继续进行下一步的流程，相反，则直接判定此时的离焦量不能保障完成加工或不处于负反馈状态。最后，将采集到的熔池视觉图像输入到图像识别的神经网络中，对采集的熔池视觉图像集进行分类打标签，在神经网络中输出表示不同离焦量或反馈状态的标签值，进而得到离焦量或反馈状态。本发明能够对离焦量及反馈状态进行检测，保障良好的加工过程，且适用范围广。

Description

激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法
技术领域
本发明属于激光增材制造技术领域，涉及一种激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法。
背景技术
激光熔化沉积是进行金属3D打印的重要技术手段之一，旨在通过激光束一层一层的扫描，采用逐层累积的方法将数字模型转换成金属材料三维实体模型。它的形成过程是通过将具有高能量的激光束打到基材上，聚焦而形成的熔池，并且用一个同轴或旁轴送粉装置将金属粉末送入熔池当中并与熔池中的熔液融合。此时，熔池会随着激光束的移动而移动，前面的溶液凝固成沉积层，而激光束所行走的轨迹便是沉积层形成的轨迹。许多与此同类的技术具有不同名称，包括激光熔覆、激光定向能量沉积、激光熔覆沉积、激光熔融沉积等。
激光熔化沉积时粉末流的离焦量在加工过程中起着重要的作用，随着打印的层数的增加，其离焦量会产生一定的波动，若离焦量超过了一定的合适范围，则有可能导致多层薄壁堆积加工脱离负反馈状态，并引起加工的失败。
发明内容
为了解决背景技术当中工件加工的问题，本发明提供了一种同轴检测离焦量及负反馈状态的方法。该方法旨在采用摄相机采集熔池视觉图像，将采集到的图像采用机器学习的识别方法，来识别离焦量及负反馈状态，由此可以解决因离焦量设置不当而造成不能完成加工的问题，并可以减少资源的耗费以及加工时间。
本发明为解决上述技术问题采用以下技术方案：
一种激光熔化沉积粉末流离焦量在监测与负反馈状态识别方法，该方法所采用的激光熔化沉积离焦量在线监测与负反馈状态识别系统，在现有的激光熔化沉积及其在线监测系统的基础上，增加了图像在线处理单元、粉末流离焦量在线监测单元和负反馈状态在线识别单元；现有激光熔化沉积及其在线监测系统包含激光器、激光头、位移装置、材料进给装置、图像同轴采集单元。
所述图像在线处理单元包括ROI(region of interest)区域提取模块、图像的滤波降噪处理模块和熔池轮廓特征提取模块。所述粉末流离焦量在线监测单元可根据图像在线处理单元的数据，在线得出离焦量值。所述负反馈状态在线识别单元可根据图像在线处理单元的数据，对沉积层高度的负反馈自优化状态进行识别判断。
具体步骤如下：
(1)调节激光头与基板之间的距离，至粉末流聚焦处，即离焦量为0mm位置，使用标定板对图像同轴采集装置进行对焦。
(2)由位移装置控制激光头与基板之间的距离或激光头与已加工部分的相对距离，分别取离焦量为-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6和7mm，在基板上进行增材打印，通过图像同轴采集单元进行熔池图像的采集，采集帧率范围为50～500fps。
(3)图像处理单元对所采集的熔池视觉图像进行预处理，包括ROI(region ofinterest)区域提取、滤波降噪处理以及熔池轮廓特征提取。
所述ROI区域提取为只截取图像识别所需的熔池区域，避免后续在对图像进行模式识别过程中对背景区域进行处理，减少训练时间；所述滤波降噪处理主要是过滤掉在实验过程中熔池区域外的粉末飞溅及熔渣等干扰因素；所述熔池轮廓特征主要提取熔池的宽度及长度。
(4)根据相机镜头焦距、拍摄距离的远近、光圈值及所拍摄出的图像的清晰度，判断熔池视觉图像是否处于景深范围，若在其范围内则将该熔池视觉图像继续进行下一步的流程，相反，则直接判定此时的离焦量不能保障完成加工或不处于负反馈状态。
其中，景深的计算公式为
Figure BDA0002412018150000021
式中，δ表示容许弥散圆直径；f表示镜头焦距；F表示镜头拍摄光圈值；L表示对焦距离；
(5)搭建基于神经网络模式识别的模型，确定各层网络的参数，将采集到的熔池视觉图像输入到图像识别的神经网络中，该图像识别神经网络采用深度卷积网络或深度信念网络等深度学习的模型。具体为：首先，对采集的熔池视觉图像集进行分类打标签，其种类可分为上述步骤(2)中15个类别，并将图像数据集分为训练数据和测试数据两类；其次，设置神经网络的结构与参数，进行训练，得到神经网络模型；最后，将得到的此神经网络模型内置于上位机中，在实验过程中，根据相机所拍摄的熔池图像，调用此网络神经模型可自动识别出离焦量数值，从而实现离焦量的在线监测。
(6)根据实际加工经验确定可实现负反馈状态时的离焦量范围，再与步骤(5)的离焦量在线监测方法相结合，当系统识别出处于负反馈状态则输出为0，当系统识别出处于正反馈状态则输出为1，从而实现负反馈状态的在线识别。
进一步的，所述的图像同轴采集单元包括内置于激光头的45°的分光镜、滤光片、镜头和相机。所述分光镜可实现激光的正向传递与可见光的逆向传递，滤光片可以滤除强光及干扰光，镜头和相机可以获取每一个时刻的激光增材熔池图像。
进一步的，所述的激光器为半导体激光器；相机为CMOS相机。
本发明的有益效果：
(1)本发明能够对离焦量进行在线监测，对及反馈状态进行检测，从而使工作人员在打印多层薄壁件时能够事先设置好离焦量范围及反馈状态，从而保障良好的加工过程，减少实验材料以及资源的耗费；
(2)本发明集成化程度高，可嵌入到目前监测系统中而不需新添加过多的硬件设备，并可实时采集熔池其它动态特征，利用这些熔池特征可以进行更深层次的分析。
(3)本发明适用范围广，不受限于实验粉末材料或基板材料属性、尺寸、表面质量等因素，具有较好的适应能力。
附图说明
图1为激光熔化沉积及其在线监测系统中的图像同轴采集单元；
图2为激光熔化沉积离焦量在线监测与负反馈状态识别方法的流程示意图；
图中：1基板；2激光器；3相机。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在激光增材制造过程中加工多层薄壁件时，随着打印的层数的堆积，经常会出现堆积部分塌陷或不成型等现象，在此过程中，离焦量以及反馈状态的变化起着关键的作用。由于离焦量超过了一定的范围或加工中未处于负反馈状态，都不会保证加工的完整度。因此，本发明充分利用现有的先进技术与算法，提出了激光增材制造离焦量及负反馈状态的控制方法。
本发明基于激光熔化沉积离焦量在线监测与负反馈状态识别系统实现，所述激光熔化沉积离焦量在线监测与负反馈状态识别系统是在现有的激光熔化沉积及其在线监测系统的基础上增加图像在线处理单元、粉末流离焦量在线监测单元和负反馈状态在线识别单元。所述现有激光熔化沉积及其在线监测系统包含激光器、激光头、位移装置、材料进给装置、图像同轴采集单元(专利号为：CN 108931535A，专利名称为：一种激光增材制造气孔缺陷在线监测方法)。
参看图1，本实施例中图像同轴采集单元包括：基板1：所述基板的材料为316L基体；激光器2：所述的激光器为半导体激光器；相机3：所述的相机为CMOS相机。
本实施例所采用的粉末材料为Ni60粉末，基体材料为316L，粉末直径为40～120μm，基体尺寸为60×30×10mm。
由图2，实施例的步骤为：
(1)调节激光头与基板之间的距离，至粉末流聚焦处，即离焦量为0mm位置，使用标定板对图像同轴采集装置进行对焦；
(2)由位移装置控制激光头与基板之间的距离或激光头与已加工部分的相对距离，分别取离焦量为-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6和7mm，在基板上进行增材打印，通过图像同轴采集单元进行熔池图像的采集，采集帧率300fps；
(3)图像处理单元对所采集的熔池视觉图像进行预处理，包括ROI区域提取，滤波降噪处理以及熔池轮廓特征提取；
所述ROI区域提取为只截取图像识别所需的熔池区域，采集到的图像大小为632×508，截取后图像大小为320×320，由此可以避免后续在神经网络训练过程中对背景区域进行处理，减少训练时间；
所述滤波降噪处理主要采用高斯滤波、均值滤波等，过滤掉在实验过程中熔池区域外的粉末飞溅及熔渣等干扰因素；
所述熔池轮廓特征提取熔池的宽度及长度，其中熔池长宽比小于1.2的认为为近圆形，大于1.2的认为为近矩形，当熔池呈近矩形且尾部接近直角，则可判定为堆积层壁厚由于热累积与离焦量等原因有逐渐增加趋势；
(4)根据镜头焦距，拍摄距离远近，光圈值及所拍摄出的图像的清晰度，设置景深范围为-2.5mm～-0.5mm，对焦点在-1mm处，此范围内的图像清晰度较高，而后将处于此范围内的图像输入到下一步流程中，相反，则直接判定此时的离焦量不能保障完成加工或不处于负反馈状态；
(5)搭建基于神经网络模式识别的模型，确定各层网络的参数，将采集到的熔池视觉图像输入到图像识别的神经网络中，此实例中该图像识别神经网络采用基于特征融合的神经网络，相比于传统的神经网络，此网络融合了不同尺度的特征，所包含的特征信息更为丰富，提高了获取全局信息的能力，有效的减少了高层特征的信息丢失问题。首先，对采集的熔池视觉图像集进行分类打标签，其种类可分为上述步骤(2)中15个类别，并将图像数据集分为训练数据和测试数据两类；其次，设置神经网络的结构与参数，进行训练，得到神经网络模型；最后，将得到的此神经网络模型内置于上位机中，在实验过程中，根据相机所拍摄的熔池图像，调用此网络神经模型可自动识别出离焦量数值，从而实现离焦量的在线监测。
(6)根据实际加工经验确定可实现负反馈状态时的离焦量范围，再与步骤(5)的离焦量在线监测方法相结合，当系统识别出处于负反馈状态则输出为0，当系统识别出处于正反馈状态则输出为1，从而实现负反馈状态的在线识别。
以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (1)

1.一种激光熔化沉积粉末流离焦量在监测与负反馈状态识别方法，该方法基于激光熔化沉积离焦量在线监测与负反馈状态识别系统实现，所述激光熔化沉积离焦量在线监测与负反馈状态识别系统在现有的激光熔化沉积及其在线监测系统的基础上增加图像在线处理单元、粉末流离焦量在线监测单元和负反馈状态在线识别单元；所述现有激光熔化沉积及其在线监测系统包括激光器、激光头、位移装置、材料进给装置、图像同轴采集单元；其特征在于，所述图像在线处理单元包括ROI区域提取模块、图像的滤波降噪处理模块和熔池轮廓特征提取模块；所述粉末流离焦量在线监测单元根据图像在线处理单元的数据，在线得出离焦量值；所述负反馈状态在线识别单元根据图像在线处理单元的数据，对沉积层高度的负反馈自优化状态进行识别判断；具体步骤如下：
(1)调节激光头与基板之间的距离，至粉末流聚焦处，即离焦量为0mm位置，使用标定板对图像同轴采集装置进行对焦；
(2)由位移装置控制激光头与基板之间的距离或激光头与已加工部分的相对距离，分别取离焦量为-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6和7mm，在基板上进行增材打印，通过图像同轴采集单元进行熔池图像的采集，采集帧率范围为50～500fps；
(3)图像处理单元对所采集的熔池视觉图像进行预处理，包括ROI区域提取、滤波降噪处理以及熔池轮廓特征提取；所述ROI区域提取为只截取图像识别所需的熔池区域，避免后续在对图像进行模式识别过程中对背景区域进行处理；所述滤波降噪处理用于过滤掉在实验过程中熔池区域外的干扰因素；所述熔池轮廓特征主要提取熔池的宽度及长度；
(4)根据相机镜头焦距、拍摄距离的远近、光圈值及所拍摄出的图像的清晰度，判断熔池视觉图像是否处于景深范围，若在其范围内则将该熔池视觉图像继续进行下一步的流程，否则，直接判定此时的离焦量不能保障完成加工或不处于负反馈状态；其中，景深的计算公式为
Figure FDA0002412018140000011
式中，δ表示容许弥散圆直径；f表示镜头焦距；F表示镜头拍摄光圈值；L表示对焦距离；
(5)搭建基于神经网络模式识别的模型，确定各层网络的参数，将采集到的熔池视觉图像输入到图像识别的神经网络中，该图像识别神经网络采用深度卷积网络或深度信念网络等深度学习的模型；具体为：首先，对采集的熔池视觉图像集进行分类打标签，其种类可分为上述步骤(2)中15个类别，并将图像数据集分为训练数据和测试数据两类；其次，设置神经网络的结构与参数，进行训练，得到神经网络模型；最后，将得到的此神经网络模型内置于上位机中，在实验过程中，根据相机所拍摄的熔池图像，调用此网络神经模型可自动识别出离焦量数值，从而实现离焦量的在线监测；
(6)根据实际加工经验确定可实现负反馈状态时的离焦量范围，再与步骤(5)的离焦量在线监测方法相结合，当系统识别出处于负反馈状态则输出为0，当系统识别出处于正反馈状态则输出为1，从而实现负反馈状态的在线识别。
CN202010179637.7A 2020-03-16 2020-03-16 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法 Active CN111390168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010179637.7A CN111390168B (zh) 2020-03-16 2020-03-16 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010179637.7A CN111390168B (zh) 2020-03-16 2020-03-16 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法

Publications (2)

Publication Number Publication Date
CN111390168A true CN111390168A (zh) 2020-07-10
CN111390168B CN111390168B (zh) 2021-05-18

Family

ID=71416276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010179637.7A Active CN111390168B (zh) 2020-03-16 2020-03-16 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法

Country Status (1)

Country Link
CN (1) CN111390168B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967267A (zh) * 2021-03-23 2021-06-15 武汉大学 一种全卷积神经网络的激光定向能量沉积溅射计数方法
CN113066060A (zh) * 2021-03-23 2021-07-02 武汉大学 一种空洞卷积神经网络的激光定向能量沉淀图像识别方法
CN113136578A (zh) * 2021-04-20 2021-07-20 大连理工大学 一种基于离焦量预测的激光熔覆薄壁件高度控制方法
CN113188473A (zh) * 2021-04-30 2021-07-30 聚时科技(上海)有限公司 一种表面形貌测量装置及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3645262B2 (ja) * 1993-10-20 2005-05-11 ユナイテッド テクノロジーズ コーポレイション 多重ビームレーザ焼結
CN204228119U (zh) * 2014-05-29 2015-03-25 苏州大学张家港工业技术研究院 一种激光熔覆熔池离焦量测量装置
CN107328391A (zh) * 2017-06-28 2017-11-07 武汉理工大学 一种针对宽带激光熔覆的多传感器协同监测装置及方法
CN109136912A (zh) * 2018-09-11 2019-01-04 大连理工大学 一种激光熔覆离焦量在线监测与负反馈状态识别方法
CN109778182A (zh) * 2019-03-11 2019-05-21 西安交通大学 一种激光熔覆增材成形高度在线监测装置及闭环控制方法
US20190262936A1 (en) * 2018-02-23 2019-08-29 The University Of Tokyo Laser processing system
CN110472698A (zh) * 2019-08-22 2019-11-19 四川大学 基于深度和迁移学习的金属增材成形熔深实时预测方法
CN110490867A (zh) * 2019-08-22 2019-11-22 四川大学 基于深度学习的金属增材制造成形尺寸实时预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3645262B2 (ja) * 1993-10-20 2005-05-11 ユナイテッド テクノロジーズ コーポレイション 多重ビームレーザ焼結
CN204228119U (zh) * 2014-05-29 2015-03-25 苏州大学张家港工业技术研究院 一种激光熔覆熔池离焦量测量装置
CN107328391A (zh) * 2017-06-28 2017-11-07 武汉理工大学 一种针对宽带激光熔覆的多传感器协同监测装置及方法
US20190262936A1 (en) * 2018-02-23 2019-08-29 The University Of Tokyo Laser processing system
CN109136912A (zh) * 2018-09-11 2019-01-04 大连理工大学 一种激光熔覆离焦量在线监测与负反馈状态识别方法
CN109778182A (zh) * 2019-03-11 2019-05-21 西安交通大学 一种激光熔覆增材成形高度在线监测装置及闭环控制方法
CN110472698A (zh) * 2019-08-22 2019-11-19 四川大学 基于深度和迁移学习的金属增材成形熔深实时预测方法
CN110490867A (zh) * 2019-08-22 2019-11-22 四川大学 基于深度学习的金属增材制造成形尺寸实时预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘旭阳: "激光熔覆熔池宽度在线检测与控制系统的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *
干净51: "景深", 《百度百科》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967267A (zh) * 2021-03-23 2021-06-15 武汉大学 一种全卷积神经网络的激光定向能量沉积溅射计数方法
CN113066060A (zh) * 2021-03-23 2021-07-02 武汉大学 一种空洞卷积神经网络的激光定向能量沉淀图像识别方法
CN113066060B (zh) * 2021-03-23 2023-12-19 湖南珞佳智能科技有限公司 一种空洞卷积神经网络的激光定向能量沉淀图像识别方法
CN112967267B (zh) * 2021-03-23 2024-01-23 湖南珞佳智能科技有限公司 一种全卷积神经网络的激光定向能量沉积溅射计数方法
CN113136578A (zh) * 2021-04-20 2021-07-20 大连理工大学 一种基于离焦量预测的激光熔覆薄壁件高度控制方法
CN113188473A (zh) * 2021-04-30 2021-07-30 聚时科技(上海)有限公司 一种表面形貌测量装置及方法
CN113188473B (zh) * 2021-04-30 2024-10-18 聚时科技(上海)有限公司 一种表面形貌测量装置及方法

Also Published As

Publication number Publication date
CN111390168B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN111390168B (zh) 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法
CN109136912B (zh) 一种激光熔覆离焦量在线监测与负反馈状态识别方法
EP3245043B1 (de) Vorrichtung zur generativen herstellung dreidimensionaler bauteile
CN110793572B (zh) 基于多传感器融合的选择性激光熔融过程监控系统
CN106881462B (zh) 一种针对激光选区熔化成形缺陷的在线检测与优化系统
CN108489986B (zh) 一种增材制造在线检测及修复方法
CN107688028B (zh) 一种激光增材制造搭接率在线监测方法
CN107402217B (zh) 基于视觉传感的激光增材制造缺陷的在线诊断方法
US20080314878A1 (en) Apparatus and method for controlling a machining system
EP1916046B1 (de) Verfahren und Vorrichtung zum maschinellen Schneiden eines plattenförmigen Werkstücks
JP2939647B2 (ja) フローイメージングサイトメータにおける自動焦点調整方法
KR102236148B1 (ko) 3d 프린팅 공정 중 형성되는 용융풀 크기를 제어할 수 있는 3d 프린팅 시스템 및 방법
DE102015210030A1 (de) Chipherstellungsverfahren
CN109676135A (zh) 一种激光增材制造视觉灰度值差异在线监测与缺陷修复装置
CN108931535A (zh) 一种激光增材制造气孔缺陷在线监测方法
US20110132883A1 (en) Methods for precise laser micromachining
DE102018200566B4 (de) System und Verfahren zur Überwachung der Fertigungsgenauigkeit bei der additiven Herstellung dreidimensionaler Bauteile
CN111390377B (zh) 一种用于激光加工的表面自动聚焦方法及系统、存储介质
Pacher et al. Real-time continuous estimation of dross attachment in the laser cutting process based on process emission images
US20230219165A1 (en) Device for process monitoring in a deposition welding method
Chen et al. Quality detection of laser additive manufacturing process based on coaxial vision monitoring
CN103529544A (zh) 一种可自动调位和聚焦的纳米膜厚测量仪
CN104002020B (zh) 基于焊接熔池的数字相机自动对焦系统及其自动聚焦方法
US20210197282A1 (en) Method and apparatus for estimating height of 3d printing object formed during 3d printing process, and 3d printing system having the same
Gajbhiye et al. In situ image processing for process parameter-build quality dependency of plasma transferred arc additive manufacturing

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