CN111504227B - 一种基于深度学习的飞秒激光加工参数共焦轴向监测方法 - Google Patents
一种基于深度学习的飞秒激光加工参数共焦轴向监测方法 Download PDFInfo
- Publication number
- CN111504227B CN111504227B CN202010555314.3A CN202010555314A CN111504227B CN 111504227 B CN111504227 B CN 111504227B CN 202010555314 A CN202010555314 A CN 202010555314A CN 111504227 B CN111504227 B CN 111504227B
- Authority
- CN
- China
- Prior art keywords
- confocal
- sample
- laser processing
- real
- axial monitoring
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Microscoopes, Condenser (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明公开了一种基于深度学习的飞秒激光加工参数共焦轴向监测方法,属于激光精密加工检测技术领域,包括:S1、基于卷积神经网络构建激光加工参数共焦轴向监测网络;S2、使用训练样本对激光加工参数共焦轴向监测网络进行训练;S3、将加工件的表面形貌轮廓和表面实时轴向位置、精密工作台的实时位置、飞秒激光时空参数输入训练完成的激光加工参数共焦轴向监测网络,得到加工件的实时飞秒激光加工精度和形态变化监测结果。本发明通过共焦轴向监测系统与卷积神经网络结合,在大数据的情况下对深度学习模型进行训练,使其加工过程中能够快速同步的精准定焦和对准,不仅适用于大批量的工业生产,还实现了对加工中的样品形态性能参数进行高精度监测。
Description
技术领域
本发明属于激光精密加工检测技术领域,具体涉及一种基于深度学习的飞秒激光加工参数共焦轴向监测方法。
背景技术
飞秒激光加工过程中,加工材质不同,飞秒脉冲激光与物质的作用机理不同,加工过程中样品产生的形态和性能变化不同,在脉冲激光的作用下,样品的分子结构、元素比例和带电离子等均会发生变化,如何对加工完成后样品的物性参数和形态参数进行精确的检测,不仅是保证加工精度的关键、也是研究飞秒激光加工机理、提升加工工艺水平的重要前提。
现有技术中,使用飞秒激光加工中,对样品进行周期长,效率低,无法适用在大批量生产应用中。此外,还需要额外的辅助系统来对加工中的样品形态性能参数进行高精度监测,导致生产成本高;同时,限制了飞秒激光加工效果稳定性和跨尺度加工能力,也制约了飞秒激光加工机理研究和加工工艺水平的提高。
因此,急需一种能够适用于大批量生产、快速同步的精准定焦和对准还可以对加工中的样品形态性能参数进行高精度监测的监测方法。
发明内容
本发明的目的在于提供一种能够适用于大批量生产、快速同步的精准定焦和对准还可以对加工中的样品形态性能参数进行高精度监测的监测方法,本发明采取了如下技术方案:
一种基于深度学习的飞秒激光加工参数共焦轴向监测方法,包括:
S1、基于卷积神经网络构建激光加工参数共焦轴向监测网络;
S2、使用训练样本对所述激光加工参数共焦轴向监测网络进行训练,得到样品的加工精度和形态变化监测结果;
所述训练样本包括以下参数:样品的表面形貌轮廓、在加工过程中所述样品表面的实时轴向位置、与所述实时轴向位置对应的共焦曲线、加工后所述样品形态性能参数、飞秒激光时域和空域参数以及精密工作台的实时位置;
S3、将加工件的表面形貌轮廓和加工过程中所述加工件表面实时轴向位置、精密工作台的实时位置、飞秒激光时域和空域参数输入训练完成的所述激光加工参数共焦轴向监测网络,得到所述加工件的实时飞秒激光加工精度和形态变化监测结果。
进一步地,所述卷积神经网络包括输入层、卷积层、池化层,所述卷积层层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。
进一步地,所述训练样本包括80%的训练样本和20%的测试训练样本。
进一步地,步骤S2中所述激光加工参数共焦轴向监测网络的训练过程包括以下步骤:
S21、将待加工样品置于精密工作台上,由所述精密工作台带动所述样品进行二维扫描运动,利用共焦轴向监测模块对样品的表面轮廓进行扫描测量,并将测量结果输入给所述激光加工参数共焦轴向监测网络;
S22、将激光共焦轴向监测模块在加过程中探测生成的实时共焦曲线输入所述激光加工参数共焦轴向监测网络;
S23、将激光共焦轴向监测模块得到的所述实时共焦曲线峰值位置与所述轴向扫描器对所述样品表面轴向扫描,并进行一一对应的输入到所述激光加工参数共焦轴向监测网络中;
S24、根据所述激光共焦轴向监测模块对加工监测结果实时调整精密工作台的位置,同时对应输入所述激光加工参数共焦轴向监测网络;
S25、加工完成后,利用所述激光共焦轴向监测模块对加工完成后的所述样品结构进行扫描测量,得到加工后样品形态参数的纳米级高精度原位检测结果,并输入所述激光加工参数共焦轴向监测网络。
进一步地,所述激光共焦轴向监测模块包括激光器、扩束器、第一分光镜、共焦探测模块;所述共焦探测模块包括探测物镜和强度探测器。
进一步地,所述实时共焦曲线生成方法为轴向监测平行光束依次经所述第一分光镜透射、经二向色镜A反射、二向色镜B透射后,进入物镜并被聚焦到样品上,经所述样品反射的反射轴向监测光束经所述第一分光镜反射后,经所述探测物镜聚焦到所述强度探测器,得到共焦曲线。
进一步地,飞秒激光加工系统发出的加工激光光束与所述轴向监测平行光束经所述物镜同轴耦合到所述样品表面,实现飞秒激光加工所述样品几何形态与性能参数的高分辨监测。
有益效果:
本发明提供了一种基于深度学习的飞秒激光加工参数共焦轴向监测方法,通过共焦轴向监测系统与卷积神经网络相结合,在大数据的情况下对深度学习模型进行训练,使其加工过程中能够快速同步的精准定焦和对准,不仅适用于大批量的工业生产,还实现了对加工中的样品形态性能参数进行高精度监测。
附图说明
图1基于深度学习的飞秒激光加工参数共焦轴向监测示意图
其中,1、共焦轴向监测模块;2、激光器;3、扩束器;4、轴向监测平行光束;5、二向色镜A;6、二向色镜B;7、物镜;8、轴向扫描器;9、样品;10、精密工作台;11、反射轴向监测光束;12、第一分光镜;13、共焦探测模块;14、探测物镜;15、强度探测器;16、共焦曲线;17、飞秒激光器;18、激光时空整形模块;19、加工激光光束;20、深度学习模型。
具体实施方式
实施例1
一种基于深度学习的飞秒激光加工参数共焦轴向监测方法,包括:
S1、基于卷积神经网络构建激光加工参数共焦轴向监测网络20;
本实施例中,卷积神经网络包括输入层、卷积层、池化层,卷积层层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。
S2、使用训练样本对激光加工参数共焦轴向监测网络20进行训练,得到样品9的加工精度和形态变化监测结果;
训练样本包括以下参数:样品9的表面形貌轮廓、在加工过程中样品9表面的实时轴向位置、与实时轴向位置对应的共焦曲线16、加工后样品9形态性能参数、飞秒激光时域和空域参数以及精密工作台10的实时位置;
本实施例中,训练样本包括80%的训练样本和20%的测试训练样本。本实施例中,训练样本包含10000组参数数据,其中,8000组参数数据作为训练样本,剩下的2000组参数数据作为测试训练样本。
步骤S2中激光加工参数共焦轴向监测网络20的训练过程包括以下步骤:
S21、将待加工样品9置于精密工作台10上,由精密工作台10带动样品9进行二维扫描运动,利用共焦轴向监测模块1对样品9的表面轮廓进行扫描测量,并将测量结果输入给激光加工参数共焦轴向监测网络20;
S22、将激光共焦轴向监测模块1在加过程中探测生成的实时共焦曲线16输入激光加工参数共焦轴向监测网络;
S23、将激光共焦轴向监测模块1得到的实时共焦曲线16峰值位置与轴向扫描器8对样品9表面轴向扫描,并进行一一对应的输入到激光加工参数共焦轴向监测网络20中;
S24、根据激光共焦轴向监测模块1对加工监测结果实时调整精密工作台10的位置,同时对应输入激光加工参数共焦轴向监测网络20;
S25、加工完成后,利用激光共焦轴向监测模块1对加工完成后的样品9结构进行扫描测量,得到加工后样品9形态参数的纳米级高精度检测结果,并输入激光加工参数共焦轴向监测网络20。
S3、将加工件的表面形貌轮廓和加工过程中加工件表面实时轴向位置、精密工作台10的实时位置、飞秒激光时域和空域参数输入训练完成的激光加工参数共焦轴向监测网络20,得到加工件的实时飞秒激光加工精度和形态变化监测结果。
本实施例中,激光共焦轴向监测模块1包括激光器2、扩束器3、第一分光镜12、共焦探测模块13;共焦探测模块13包括探测物镜14和强度探测器15。
其中,实时共焦曲线16生成方法为轴向监测平行光束4依次经第一分光镜透射12、经二向色镜A5反射、二向色镜B6透射后,进入物镜7并被聚焦到样品9上,经样品9反射的反射轴向监测光束11经第一分光镜12反射后,经探测物镜14聚焦到强度探测器15,得到共焦曲线。
飞秒激光加工系统由飞秒激光器17发出经激光时空整形模块18的加工激光光束19与轴向监测平行光束4经物镜7同轴耦合到样品9表面,实现飞秒激光加工样品9几何形态与性能参数的高分辨监测。
本实施例中,训练完成激光加工参数共焦轴向监测网络20与精密工作台10连接,根据加工过程中的实时监测结果控制精密工作台10实时进行调整;训练完成激光加工参数共焦轴向监测网络20与激光时空整形模块18控制连接,根据实时共焦曲线16峰值位置得到的实时加工参数及时调整激光的时域和空域参数。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围的。
Claims (6)
1.一种基于深度学习的飞秒激光加工参数共焦轴向监测方法,其特征在于,包括:
S1、基于卷积神经网络构建激光加工参数共焦轴向监测网络;
S2、使用训练样本对所述激光加工参数共焦轴向监测网络进行训练,得到样品的加工精度和形态变化监测结果;
所述训练样本包括以下参数:样品的表面形貌轮廓、在加工过程中所述样品表面的实时轴向位置、与所述实时轴向位置对应的共焦曲线、加工后所述样品形态性能参数、飞秒激光时域和空域参数以及精密工作台的实时位置;
S3、将样品 的表面形貌轮廓和加工过程中所述样品 表面实时轴向位置、精密工作台的实时位置、飞秒激光时域和空域参数输入训练完成的所述激光加工参数共焦轴向监测网络,得到所述样品 的实时飞秒激光加工精度和形态变化监测结果;
步骤S2中所述激光加工参数共焦轴向监测网络的训练过程包括以下步骤:
S21、将待加工样品置于精密工作台上,由所述精密工作台带动所述样品进行二维扫描运动,利用共焦轴向监测模块对样品的表面轮廓进行扫描测量,并将测量结果输入给所述激光加工参数共焦轴向监测网络;
S22、将共焦轴向监测模块在加工 过程中探测生成的实时共焦曲线输入所述激光加工参数共焦轴向监测网络;
S23、将共焦轴向监测模块得到的所述实时共焦曲线峰值位置与轴向扫描器对所述样品表面轴向扫描,并进行一一对应的输入到所述激光加工参数共焦轴向监测网络中;
S24、根据所述共焦轴向监测模块对加工监测结果实时调整精密工作台的位置,同时对应输入所述激光加工参数共焦轴向监测网络;
S25、加工完成后,利用所述共焦轴向监测模块对加工完成后的所述样品结构进行扫描测量,得到加工后样品形态参数的纳米级高精度原位检测结果,并输入所述激光加工参数共焦轴向监测网络。
2.根据权利要求1所述的基于深度学习的飞秒激光加工参数共焦轴向监测方法,其特征在于,所述卷积神经网络包括输入层、卷积层、池化层,所述卷积层层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。
3.根据权利要求1所述的基于深度学习的飞秒激光加工参数共焦轴向监测方法,其特征在于,所述训练样本包括80%的训练样本和20%的测试训练样本。
4.根据权利要求1所述的基于深度学习的飞秒激光加工参数共焦轴向监测方法,其特征在于,所述共焦轴向监测模块包括激光器、扩束器、第一分光镜、共焦探测模块;所述共焦探测模块包括探测物镜和强度探测器。
5.根据权利要求4所述的基于深度学习的飞秒激光加工参数共焦轴向监测方法,其特征在于,所述实时共焦曲线生成方法为轴向监测平行光束依次经所述第一分光镜透射、经二向色镜A反射、二向色镜B透射后,进入物镜并被聚焦到样品上,经所述样品反射的反射轴向监测光束经所述第一分光镜反射后,经所述探测物镜聚焦到所述强度探测器,得到共焦曲线。
6.根据权利要求5所述的基于深度学习的飞秒激光加工参数共焦轴向监测方法,其特征在于,飞秒激光加工系统发出的加工激光光束与所述轴向监测平行光束经所述物镜同轴耦合到所述样品表面,实现飞秒激光加工所述样品几何形态与性能参数的高分辨监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010555314.3A CN111504227B (zh) | 2020-06-17 | 2020-06-17 | 一种基于深度学习的飞秒激光加工参数共焦轴向监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010555314.3A CN111504227B (zh) | 2020-06-17 | 2020-06-17 | 一种基于深度学习的飞秒激光加工参数共焦轴向监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111504227A CN111504227A (zh) | 2020-08-07 |
CN111504227B true CN111504227B (zh) | 2021-06-01 |
Family
ID=71875372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010555314.3A Active CN111504227B (zh) | 2020-06-17 | 2020-06-17 | 一种基于深度学习的飞秒激光加工参数共焦轴向监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504227B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112059407A (zh) * | 2020-09-17 | 2020-12-11 | 苏州快光科技有限公司 | 一种基于深度学习的皮秒超快激光加工系统及方法 |
CN112548326B (zh) * | 2020-11-17 | 2023-10-13 | 华东师范大学重庆研究院 | 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备 |
CN115644804B (zh) * | 2022-09-29 | 2023-08-18 | 浙江浙大西投脑机智能科技有限公司 | 一种基于钙成像恢复算法的双光子成像方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000263380A (ja) * | 1999-03-11 | 2000-09-26 | Sony Corp | 工作物の加工方法およびその装置 |
JP3103009B2 (ja) * | 1995-05-19 | 2000-10-23 | 新日本製鐵株式会社 | 銅合金のレーザ加工方法 |
CN102785129A (zh) * | 2012-07-30 | 2012-11-21 | 广东工业大学 | 复杂零件的曲面加工精度的在线检测方法 |
CN107009031A (zh) * | 2016-01-28 | 2017-08-04 | 发那科株式会社 | 机器学习装置、激光装置以及机器学习方法 |
CN108286936A (zh) * | 2017-04-18 | 2018-07-17 | 北京理工大学 | 激光微纳加工差动共焦在线监测一体化方法与装置 |
CN109410158A (zh) * | 2018-08-21 | 2019-03-01 | 西安电子科技大学 | 一种基于卷积神经网络的多焦点图像融合方法 |
-
2020
- 2020-06-17 CN CN202010555314.3A patent/CN111504227B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3103009B2 (ja) * | 1995-05-19 | 2000-10-23 | 新日本製鐵株式会社 | 銅合金のレーザ加工方法 |
JP2000263380A (ja) * | 1999-03-11 | 2000-09-26 | Sony Corp | 工作物の加工方法およびその装置 |
CN102785129A (zh) * | 2012-07-30 | 2012-11-21 | 广东工业大学 | 复杂零件的曲面加工精度的在线检测方法 |
CN107009031A (zh) * | 2016-01-28 | 2017-08-04 | 发那科株式会社 | 机器学习装置、激光装置以及机器学习方法 |
CN108286936A (zh) * | 2017-04-18 | 2018-07-17 | 北京理工大学 | 激光微纳加工差动共焦在线监测一体化方法与装置 |
CN109410158A (zh) * | 2018-08-21 | 2019-03-01 | 西安电子科技大学 | 一种基于卷积神经网络的多焦点图像融合方法 |
Non-Patent Citations (4)
Title |
---|
Development of an auto-interchangeable multi-pinhole array for confocal laser scanning microscopy systems using precision laser processing;Richard M. Boutilier等;《Optics and Laser Technology》;20190318;全文 * |
Real-time laser differential confocal microscopy without sample reflectivity effects;Lirong Qiu等;《Optics Express》;20141231;第22卷(第18期);全文 * |
反向传播人造神经网络预测激光微孔表面粗糙度;丁华等;《激光与光电子学进展》;20171231;第011407-1至011407-8页 * |
飞秒激光螺旋加工小孔几何参数演化实验研究;李效基等;《中国激光》;20180530;第45卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111504227A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504227B (zh) | 一种基于深度学习的飞秒激光加工参数共焦轴向监测方法 | |
CN107389688B (zh) | 大口径熔石英光学元件表面微缺陷多工位集成修复方法 | |
CN101913105B (zh) | 用于数控机床在位测量的非接触三维光学测头及测量方法 | |
CN203817634U (zh) | 一种多头高效激光加工系统 | |
CN109903342B (zh) | 一种基于扫描振镜的激光原位加工装备及方法 | |
CN106770128A (zh) | 快速三维探测光学元件亚表面缺陷的检测装置及检测方法 | |
CN103394973B (zh) | 数字图像相关法测量高速正交切削过程应变装置及方法 | |
CN109940270A (zh) | 一种七轴五联动超快激光加工系统 | |
CN103008878A (zh) | 振镜加工的四坐标系校正方法 | |
CN201693290U (zh) | 一种激光加工装置 | |
CN109807471A (zh) | 一种激光打标装置及方法 | |
CN109926711A (zh) | 一种自动获取激光焦点的方法及自动获取激光焦点的加工装置 | |
CN110261071B (zh) | 激光参数监测与矫正系统和方法 | |
CN206348270U (zh) | 快速三维探测光学元件亚表面缺陷的检测装置 | |
CN203069151U (zh) | 基于光学相干层析扫描的三维孔形检测系统 | |
CN106773025A (zh) | 调焦镜头及振镜式激光扫描系统 | |
CN108088379B (zh) | 一种基于三标准棒法的双光路激光扫描测径系统及方法 | |
CN112213331A (zh) | 一种基于机器视觉的表面波长级点缺陷表征装置及方法 | |
CN109270047A (zh) | 飞秒激光加工参数共焦拉曼光谱原位监测方法与装置 | |
CN201371316Y (zh) | 一种多功能激光加工系统 | |
CN102547048B (zh) | 激光扫描装置 | |
CN108195292B (zh) | 一种位移量测量方法 | |
CN213543477U (zh) | 动力电池极片涂层均匀性在线计量测试系统 | |
CN112059407A (zh) | 一种基于深度学习的皮秒超快激光加工系统及方法 | |
CN102841097A (zh) | 基于高精度复位技术的损伤阈值测量方法及测量装置 |
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 |