CN113077423B - 基于卷积神经网络的激光选区熔化熔池图像分析系统 - Google Patents

基于卷积神经网络的激光选区熔化熔池图像分析系统 Download PDF

Info

Publication number
CN113077423B
CN113077423B CN202110303918.3A CN202110303918A CN113077423B CN 113077423 B CN113077423 B CN 113077423B CN 202110303918 A CN202110303918 A CN 202110303918A CN 113077423 B CN113077423 B CN 113077423B
Authority
CN
China
Prior art keywords
image
molten pool
module
sputtering
molten
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
Application number
CN202110303918.3A
Other languages
English (en)
Other versions
CN113077423A (zh
Inventor
周鑫
段玉聪
张佩宇
成星
郭西洋
张婷
王学德
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.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
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 Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202110303918.3A priority Critical patent/CN113077423B/zh
Publication of CN113077423A publication Critical patent/CN113077423A/zh
Application granted granted Critical
Publication of CN113077423B publication Critical patent/CN113077423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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

Abstract

本发明公开了一种基于卷积神经网络的激光选区熔化熔池图像分析系统，包括熔池图像采集模块、图像预处理模块、熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块、数据可视化模块和数据存储模块；熔池图像采集模块采集的熔池图像经过图像预处理模块的预处理后，依次经过熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块，进而对激光选区熔化过程中熔池的质量进行评价；数据可视化模块对分类识别的结果和熔池质量评价结果进行显示，数据存储模块对所有数据进行存储。本发明可以实时监测熔池状态，快速处理熔池监控中的大量图像数据，分析激光选区熔化过程中可能出现的质量问题。

Description

基于卷积神经网络的激光选区熔化熔池图像分析系统
技术领域
本发明涉及增材制造技术领域，尤其涉及基于卷积神经网络的激光选区熔化熔池图像分析系统。
背景技术
不同于铸造和锻造部件中出现的缺陷，激光选区熔化部件存在许多独有的缺陷，例如孔隙率大、熔合不良、形状畸变等，这些缺陷的形成与激光选区熔化过程中粉末的冶金参数、打印工艺等密不可分。因此，研究者必须更好地理解激光选区熔化中各种加工参数与产品性能之间的复杂关系，才能实现减少产品缺陷、提高制造质量的目的。
为了理解这些参数与最终制造质量之间的关系，目前学者提出了两种驱动方式：一种是物理驱动，即研究人员通过建立各种物理模型，以一种清晰、准确的方式对这种关系进行描述，但是由于缺乏对激光选区熔化的深入理解，这些模拟研究只能集中于整个激光选区熔化过程的一个或两个方面，通过这些物理驱动的方法不可能在短时间内快速准确地预测整个激光选区熔化过程；除了上述物理驱动模型外，数据驱动的模型也已广泛应用于增材制造领域，这些模型统一称为机器学习算法(Machine Learning，ML)。数据驱动的优势在于其不需要构建一系列基于物理过程的方程，而是根据以前的数据自动学习输入特征和输出目标之间的关系。在机器学习方法中，神经网络(Neural Network，NN)算法最为广泛使用，并且由于当前大量可用的数据和计算资源，以及其先进的算法结构，该算法目前正在快速发展。
激光选区熔化在线监测硬件可以从多个传感器获得大量过程参数信息与数据，将这些加工参数信息数据作为神经网络的输入，经过神经网络的数据清洗、特征提取、特征选择、数据挖掘等过程，就可实现加工参数与产品质量之间复杂的非线性关系的表征，最终可以进行缺陷判别和质量分析，进而就能实现对激光选区熔化过程的全闭环控制。
目前，国内乃至国外都还没有一套完整的能够对激光选区熔化过程中熔池图像进行评价分析的系统，在进行激光选区熔化熔池图像评价分析时往往需要人为去处理一些参数才能够得到最终的分析结果，不仅耗时较长，还可能存在人为因素导致的分析结果不精确等问题。
发明内容
针对上述存在的问题，本发明旨在提供一种基于卷积神经网络的激光选区熔化熔池图像分析系统，能够实时采集激光选区熔化过程中的熔池图像，基于卷积神经网络进行评价分析，避免了人为因素导致的误差，能够实时对熔池中的情况进行监测评价，评价结果精确度高，所需时间较短。
为了实现上述目的，本发明所采用的技术方案如下：
基于卷积神经网络的激光选区熔化熔池图像分析系统，其特征在于，包括熔池图像采集模块、图像预处理模块、熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块、数据可视化模块和数据存储模块；
所述熔池图像采集模块对激光选区熔化过程中的熔池图像进行采集，输入至图像预处理模块进行预处理；
所述图像预处理模块对输入的熔池图像进行预处理，然后输出至熔池图像分类识别模块进行熔池图像的分类识别；
所述熔池图像分类识别模块基于卷积神经网络模型，对预处理后的熔池图像进行熔池、溅射的分类与识别，并将分类识别的结果输出至图像重组模块进行拼接重组；
所述图像重组模块将熔池图像分类识别模块输出的分类图像进行标记，通过图像拼接重组恢复出分类标记的熔池、溅射全貌图像，并将结果输入至熔池形貌特征分析模块；
所述熔池形貌特征分析模块对所述图像重组模块输出的熔池、溅射标记图像进行特征分析，对激光选区熔化过程中熔池的质量进行评价，预测缺陷，实时告警；并将结果输出至数据可视化模块和数据存储模块；
所述数据可视化模块对分类识别的结果和熔池质量评价结果进行显示，以便直观的观察熔池行为以及实时监测熔池质量，对可能出现的缺陷进行预测、告警和纠正，所述数据存储模块对所有数据进行存储。
进一步的，所述熔池图像采集模块使用高速相机对激光选区熔化过程中的熔池图像进行实时采集。
进一步的，所述图像预处理模块对输入的熔池图像进行预处理的具体操作包括以下步骤，
S1、图像去冗余：删除激光扫描间隙中没有熔池的全黑图像；
S2、图像采样：删除由于相机高帧率所采集到的相邻的特征相似的重复图像，提取出特征明显的优质图像；
S3、分割提取：对步骤S2中提取出来的优质图像进行熔池区域分割，删除图像中的黑色背景，提取出图像中含有熔池、溅射的图像区域。
S4、图像网格化：将步骤S3中提取到的熔池部分分割成32*32像素大小的图像，作为熔池图像分类识别模块的输入。
进一步的，所述熔池图像分类识别模块中的卷积神经网络模型包括1个输入层，3个卷积层，2个池化层，1个全连接层和1个输出层；
输入层：将数据预处理模块输出的32*32像素大小的图像进行输入；
卷积层C1：有六个卷积核，每个核的大小为5×5，输出6个大小为28×28的特征图；
池化层S2：采用最大值池化函数Max-Pooling，生成对应图像大小为14×14的缩略图，池化窗口大小为2×2；
卷积层C3，进行多通道16核卷积，16个卷积核大小为5×5，输出16个10×10大小的特征图；
池化层S4：使用2×2窗口最大值池化，输出16个5×5大小的特征图；
卷积层C5：有120个卷积核，每个核的大小为5×5，生成120个大小为1×1的特征图；
全连接层F6：共有84个神经元，并与卷积层C5进行全连接，全连接层F6层计算输入向量和权重之间的点积，加上一个偏置之后，传递给sigmoid函数将数值规范化；
输出层：使用softmax方法分类处理。
进一步的，所述图像重组模块对图像的具体处理操作包括以下步骤，
S5：将熔池图像分类识别模块输出的32×32大小的分类图像使用阈值分割，将大于背景像素值的熔池和溅射部分用红线圈出，输出带有熔池和溅射部分标记的分类结果图像；
S6：通过图像拼接重组恢复出分类标记的熔池、溅射的全貌图像。
进一步的，所述熔池形貌特征分析模块对所述图像重组模块输出的熔池、溅射图像进行特征分析的具体操作包括以下步骤，
S7：统计图像重组模块输出的熔池、溅射图像中的特征参数；
S8：根据步骤S7中统计出来的特征参数的数据特征，结合工艺参数，对熔池形貌、溅射数量作以评价，当熔池面积和溅射数量大于规定值时，判断为激光功率过大，容易过烧形成缺陷；当熔池宽长比小于规定值，判定为扫描速度过快，容易熔粉不良造成缺陷；当溅射数量超出规定值时，容易形成造成分床污染，影响下一层成型，进而产生欠融合和气孔等缺陷；
S9：对激光选区熔化成形过程中的熔池和溅射的动态行为进行分析，包括：分析熔池面积变化行为、溅射数量变化行为，当熔池面积变化和溅射数量变化过于剧烈时容易造成产品局部密度不均，从而造成产品质量不稳定。
进一步的，步骤S7中所述的特征参数包括熔池轮廓、溅射轮廓、熔池面积、溅射面积、熔池圆度、熔池宽长比、溅射数量；
步骤S8中所述的工艺参数包括功率、速度、间距和层厚。
本发明的有益效果是：
1、本发明中基于卷积神经网络的激光选区熔化熔池图像分析系统包括熔池图像采集模块、图像预处理模块、熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块、数据可视化模块和数据存储模块；熔池图像采集模块采集的熔池图像经过图像预处理模块对预处理后，依次经过熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块的分类识别、拼接重组和特征分析，对激光选区熔化过程中熔池的质量进行评价；数据可视化模块对分类识别的结果和熔池质量评价结果进行显示，数据存储模块对所有输出结果数据进行存储；从而实现对激光选区熔化过程熔池中的情况进行实时的监测和评价，识别出人眼难以观察到的熔池、溅射的细微变化，同时快速处理熔池监控中大量的图像数据，大大降低了人工质量检测的成本，处理数据时间短，可以为后续人工智能决策和实时反馈提供科学依据。
2、本发明中基于卷积神经网络的激光选区熔化熔池图像分析系统利用人工智能的卷积神经网络对熔池图像进行分类与识别，准确捕捉熔池、溅射的轮廓大小、数量多少和动态的行为变化，避免了图像处理中人为因素导致的误差，分类识别的精确度更好，数据处理时间短，能够快速处理大量的图像数据，可以预测出人工所不能识别的熔池缺陷，大大提高了激光选区熔化工艺参数调整的可靠性和实时性。
附图说明
图1为本发明基于卷积神经网络的激光选区熔化熔池图像分析系统结构图。
图2为本发明图像预处理模块对输入的熔池图像进行预处理操作流程图；
图3为本发明熔池图像分类识别模块中的卷积神经网络模型图；
图4为本发明图像重组模块对图像的具体处理操作流程图；
图5为本发明熔池形貌特征分析模块对熔池、溅射图像进行特征分析的算法流程图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
如附图1所示，基于卷积神经网络的激光选区熔化熔池图像分析系统，包括熔池图像采集模块、图像预处理模块、熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块、数据可视化模块和数据存储模块；
所述熔池图像采集模块对激光选区熔化过程中的熔池图像进行采集，输入至图像预处理模块进行预处理；
所述图像预处理模块对输入的熔池图像进行预处理，然后输出至熔池图像分类识别模块进行熔池图像的分类识别；
所述熔池图像分类识别模块基于卷积神经网络模型，对预处理后的熔池图像进行熔池、溅射的分类与识别，并将分类识别的结果输出至图像重组模块进行拼接重组；
所述图像重组模块将熔池图像分类识别模块输出的分类图像进行标记，通过图像拼接重组恢复出分类标记的熔池、溅射全貌图像，并将结果输入至熔池形貌特征分析模块；
所述熔池形貌特征分析模块对所述图像重组模块输出的熔池、溅射标记图像进行特征分析，对激光选区熔化过程中熔池的质量进行评价，预测缺陷，实时告警；并将结果输出至数据可视化模块和数据存储模块；
所述数据可视化模块对分类识别的结果和熔池质量评价结果进行显示，以便直观的观察熔池行为以及实时监测熔池质量，对可能出现的缺陷进行预测、告警和纠正，所述数据存储模块对所有数据进行存储。
进一步的，所述熔池图像采集模块使用高速相机对激光选区熔化过程中的熔池图像进行实时采集。
进一步的，所述图像预处理模块对输入的熔池图像进行预处理的具体操作流程如附图2所示，包括以下步骤，
S1、图像去冗余：删除激光扫描间隙中没有熔池的全黑图像；
S2、图像采样：删除由于相机高帧率所采集到的相邻的特征相似的重复图像，提取出特征明显的优质图像；
S3、分割提取：对步骤S2中提取出来的优质图像进行熔池区域分割，删除图像中的黑色背景，提取出图像中含有熔池、溅射的图像区域。
S4、图像网格化：将步骤S3中提取到的熔池部分分割成32*32像素大小的图像，作为熔池图像分类识别模块的输入。
进一步的，所述熔池图像分类识别模块中的卷积神经网络模型如附图3所示，包括1个输入层，3个卷积层，2个池化层，1个全连接层和1个输出层；
输入层：将数据预处理模块输出的32*32像素大小的图像进行输入；
卷积层C1：有六个卷积核，每个核的大小为5×5，输出6个大小为28×28的特征图；
池化层S2：采用最大值池化函数Max-Pooling，生成对应图像大小为14×14的缩略图，池化窗口大小为2×2；
卷积层C3，进行多通道16核卷积，16个卷积核大小为5×5，输出16个10×10大小的特征图；
池化层S4：使用2×2窗口最大值池化，输出16个5×5大小的特征图；
卷积层C5：有120个卷积核，每个核的大小为5×5，生成120个大小为1×1的特征图；
全连接层F6：共有84个神经元，并与卷积层C5进行全连接，全连接层F6层计算输入向量和权重之间的点积，加上一个偏置之后，传递给sigmoid函数将数值规范化；
输出层：使用softmax方法分类处理。
进一步的，所述图像重组模块对图像的具体处理操作如附图4所示，包括以下步骤，
S5：将熔池图像分类识别模块输出的32×32大小的分类图像使用阈值分割，将大于背景像素值的熔池和溅射部分用红线圈出，输出带有熔池和溅射部分标记的分类结果图像；
S6：通过图像拼接重组恢复出分类标记的熔池、溅射的全貌图像。
进一步的，所述熔池形貌特征分析模块对所述图像重组模块输出的熔池、溅射图像进行特征分析的具体操作包括以下步骤，
S7：统计图像重组模块输出的熔池、溅射图像中的特征参数；所述的特征参数包括熔池轮廓、溅射轮廓、熔池面积、溅射面积、熔池圆度、熔池宽长比、溅射数量；
S8：根据步骤S7中统计出来的特征参数的数据特征，结合工艺参数(具体为功率、速度、间距和层厚)，对熔池形貌、溅射数量作以评价，其算法流程图如附图5所示，当熔池面积大于规定值时，判断为激光功率过大，容易过烧形成缺陷；当熔池宽长比小于规定值，判定为扫描速度过快，容易熔粉不良造成缺陷；当溅射数量超出规定值时，容易形成造成分床污染，影响下一层成型，进而产生欠融合和气孔等缺陷；
S9：对激光选区熔化成形过程中的熔池和溅射的动态行为进行分析，包括：分析熔池面积变化行为、溅射数量变化行为，当熔池面积变化和溅射数量变化过于剧烈时容易造成产品局部密度不均，从而造成产品质量不稳定。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.基于卷积神经网络的激光选区熔化熔池图像分析系统，其特征在于，包括熔池图像采集模块、图像预处理模块、熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块、数据可视化模块和数据存储模块；
所述熔池图像采集模块对激光选区熔化过程中的熔池图像进行采集，输入至图像预处理模块进行预处理；
所述图像预处理模块对输入的熔池图像进行预处理，然后输出至熔池图像分类识别模块进行熔池图像的分类识别；
所述熔池图像分类识别模块基于卷积神经网络模型，对预处理后的熔池图像进行熔池、溅射的分类与识别，并将分类识别的结果输出至图像重组模块进行拼接重组；
所述图像重组模块将熔池图像分类识别模块输出的分类图像进行标记，通过图像拼接重组恢复出分类标记的熔池、溅射全貌图像，并将结果输入至熔池形貌特征分析模块；
所述熔池形貌特征分析模块对所述图像重组模块输出的熔池、溅射标记图像进行特征分析，对激光选区熔化过程中熔池的质量进行评价，预测缺陷，实时告警；并将结果输出至数据可视化模块和数据存储模块；
所述数据可视化模块对分类识别的结果和熔池质量评价结果进行显示，以便直观的观察熔池行为以及实时监测熔池质量，对出现的缺陷进行预测、告警和纠正，所述数据存储模块对所有数据进行存储；
所述熔池图像分类识别模块中的卷积神经网络模型包括1个输入层，3个卷积层，2个池化层，1个全连接层和1个输出层；
输入层：将数据预处理模块输出的32*32像素大小的图像进行输入；
卷积层C1：有六个卷积核，每个核的大小为5×5，输出6个大小为28×28的特征图；
池化层S2：采用最大值池化函数Max-Pooling，生成对应图像大小为14×14的缩略图，池化窗口大小为2×2；
卷积层C3，进行多通道16核卷积，16个卷积核大小为5×5，输出16个10×10大小的特征图；
池化层S4：使用2×2窗口最大值池化，输出16个5×5大小的特征图；
卷积层C5：有120个卷积核，每个核的大小为5×5，生成120个大小为1×1的特征图；
全连接层F6：共有84个神经元，并与卷积层C5进行全连接，全连接层F6层计算输入向量和权重之间的点积，加上一个偏置之后，传递给sigmoid函数将数值规范化；
输出层：使用softmax方法分类处理；
所述图像预处理模块对输入的熔池图像进行预处理的具体操作包括以下步骤，
S1、图像去冗余：删除激光扫描间隙中没有熔池的全黑图像；
S2、图像采样：删除由于相机高帧率所采集到的相邻的特征相似的重复图像，提取出特征明显的优质图像；
S3、分割提取：对步骤S2中提取出来的优质图像进行熔池区域分割，删除图像中的黑色背景，提取出图像中含有熔池、溅射的图像区域；
S4、图像网格化：将步骤S3中提取到的熔池部分分割成32*32像素大小的图像，作为熔池图像分类识别模块的输入；
所述图像重组模块对图像的具体处理操作包括以下步骤，
S5：将熔池图像分类识别模块输出的32×32大小的分类图像使用阈值分割，将大于背景像素值的熔池和溅射部分用红线圈出，输出带有熔池和溅射部分标记的分类结果图像；
S6：通过图像拼接重组恢复出分类标记的熔池、溅射的全貌图像。
2.根据权利要求1所述的基于卷积神经网络的激光选区熔化熔池图像分析系统，其特征在于，所述熔池图像采集模块使用高速相机对激光选区熔化过程中的熔池图像进行实时采集。
3.根据权利要求1所述的基于卷积神经网络的激光选区熔化熔池图像分析系统，其特征在于，所述熔池形貌特征分析模块对所述图像重组模块输出的熔池、溅射图像进行特征分析的具体操作包括以下步骤，
S7：统计图像重组模块输出的熔池、溅射图像中的特征参数；
S8：根据步骤S7中统计出来的特征参数的数据特征，结合工艺参数，对熔池形貌、溅射数量作以评价，当熔池面积大于规定值时，判断为激光功率过大，容易过烧形成缺陷；当熔池宽长比小于规定值，判定为扫描速度过快，容易熔粉不良造成缺陷；当溅射数量超出规定值时，容易形成造成分床污染，影响下一层成型，进而产生欠融合和气孔缺陷；
S9：对激光选区熔化成形过程中的熔池和溅射的动态行为进行分析，包括：分析熔池面积变化行为、溅射数量变化行为，当熔池面积变化和溅射数量变化过于剧烈时容易造成产品局部密度不均，从而造成产品质量不稳定。
4.根据权利要求3所述的基于卷积神经网络的激光选区熔化熔池图像分析系统，其特征在于，步骤S7中所述的特征参数包括熔池轮廓、溅射轮廓、熔池面积、溅射面积、熔池圆度、熔池宽长比、溅射数量；
步骤S8中所述的工艺参数包括功率、速度、间距和层厚。
CN202110303918.3A 2021-03-22 2021-03-22 基于卷积神经网络的激光选区熔化熔池图像分析系统 Active CN113077423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110303918.3A CN113077423B (zh) 2021-03-22 2021-03-22 基于卷积神经网络的激光选区熔化熔池图像分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110303918.3A CN113077423B (zh) 2021-03-22 2021-03-22 基于卷积神经网络的激光选区熔化熔池图像分析系统

Publications (2)

Publication Number Publication Date
CN113077423A CN113077423A (zh) 2021-07-06
CN113077423B true CN113077423B (zh) 2023-06-09

Family

ID=76613392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110303918.3A Active CN113077423B (zh) 2021-03-22 2021-03-22 基于卷积神经网络的激光选区熔化熔池图像分析系统

Country Status (1)

Country Link
CN (1) CN113077423B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114012210B (zh) * 2021-12-06 2022-12-09 上海交通大学 电弧增材过程的沉积质量判断系统及方法
CN114526671A (zh) * 2022-01-04 2022-05-24 中国航空工业集团公司北京长城计量测试技术研究所 一种增材制造过程激光熔池在线校准装置及评价方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696107A (zh) * 2020-08-05 2020-09-22 南京知谱光电科技有限公司 一种实现闭合连通域的熔池轮廓图像提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875912A (zh) * 2018-05-29 2018-11-23 天津科技大学 一种用于图像识别的神经网络模型
US11080542B2 (en) * 2018-07-27 2021-08-03 International Business Machines Corporation Sparse region-of-interest pooling for object detection
CN110363781B (zh) * 2019-06-29 2022-08-12 南京理工大学 基于深度神经网络的熔池轮廓检测方法
CN111860290B (zh) * 2020-07-16 2022-09-20 大连理工大学 一种激光熔覆过程中裂纹识别的方法
CN111951249A (zh) * 2020-08-13 2020-11-17 浙江理工大学 基于多任务学习网络的手机导光板缺陷可视化检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696107A (zh) * 2020-08-05 2020-09-22 南京知谱光电科技有限公司 一种实现闭合连通域的熔池轮廓图像提取方法

Also Published As

Publication number Publication date
CN113077423A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN110232380A (zh) 基于Mask R-CNN神经网络的火灾夜间场景复原方法
CN113077423B (zh) 基于卷积神经网络的激光选区熔化熔池图像分析系统
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN113324864B (zh) 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法
CN110070008A (zh) 一种采用无人机图像的桥梁病害识别方法
CN110532946B (zh) 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN111815555A (zh) 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置
CN111738336B (zh) 基于多尺度特征融合的图像检测方法
CN112183313A (zh) 一种基于SlowFast的电力作业现场动作识别方法
CN111400040B (zh) 基于深度学习和边缘计算的工业互联网系统及工作方法
CN111860143B (zh) 一种面向巡检机器人的火焰实时检测方法
CN106778650A (zh) 基于多类型信息融合的场景自适应行人检测方法和系统
CN113065431B (zh) 一种基于隐马尔可夫模型和循环神经网络的人体违规行为预测方法
CN113084193B (zh) 一种激光选区熔化技术原位质量综合评价方法
CN107871315B (zh) 一种视频图像运动检测方法和装置
CN115082517B (zh) 基于数据增强的赛马场景多目标追踪方法
CN112270661B (zh) 一种基于火箭遥测视频的空间环境监测方法
CN114049543A (zh) 一种基于深度学习的废钢卸料变化区域自动识别方法
CN114882303A (zh) 一种基于帧过滤和目标检测的牲畜计数方法
CN117409332B (zh) 基于大数据处理的长材刨花外观数据检测系统及方法
Fabijanić et al. Biofouling Estimation in Mariculture
CN113361655B (zh) 一种基于残差网络与特征差拟合的异纤分类方法
CN113642572B (zh) 一种基于多级注意力的图像目标检测方法、系统与装置
CN116543450A (zh) 一种基于背景解耦的异常行为检测方法
Zhang et al. Weld joint penetration state sequential identification algorithm based on representation learning of weld images

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