CN114216911A - 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 - Google Patents
一种金属选择性激光熔化成型中铺粉质量监测及控制方法 Download PDFInfo
- Publication number
- CN114216911A CN114216911A CN202111562903.5A CN202111562903A CN114216911A CN 114216911 A CN114216911 A CN 114216911A CN 202111562903 A CN202111562903 A CN 202111562903A CN 114216911 A CN114216911 A CN 114216911A
- Authority
- CN
- China
- Prior art keywords
- powder
- laser melting
- selective laser
- image
- metal selective
- 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.)
- Pending
Links
- 239000000843 powder Substances 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 94
- 239000002184 metal Substances 0.000 title claims abstract description 80
- 238000002844 melting Methods 0.000 title claims abstract description 77
- 230000008018 melting Effects 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 230000007547 defect Effects 0.000 claims abstract description 87
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000005286 illumination Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003892 spreading Methods 0.000 claims description 16
- 230000007480 spreading Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000000465 moulding Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 241001292396 Cirrhitidae Species 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 239000000654 additive Substances 0.000 abstract description 6
- 230000000996 additive effect Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 239000010410 layer Substances 0.000 description 6
- 238000007639 printing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010410 dusting Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000005253 cladding Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- 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
- B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- 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
-
- 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
- G06T2207/30204—Marker
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Automation & Control Theory (AREA)
- Plasma & Fusion (AREA)
- Powder Metallurgy (AREA)
Abstract
本发明适用于增材制造技术领域,提供了一种金属选择性激光熔化成型中铺粉质量监测及控制方法,该方法包括:获取金属选择性激光熔化成型设备的粉末床初始图像;对粉末床图像进行畸变矫正和光照均匀矫正预处理,得到预处理后的粉末床图像;基于训练后的深度学习目标检测网络模型检测粉末床图像,生成检测结果;基于检测结果调整金属选择性激光熔化成型设备的铺粉操作。本发明提供的金属选择性激光熔化成型中铺粉质量监测及控制方法可以及时发现并处理铺粉缺陷,避免因铺粉缺陷引起的零件成型缺陷,提高金属选择性激光熔化成型的效率。
Description
技术领域
本发明属于增材制造技术领域,尤其涉及一种金属选择性激光熔化成型中铺粉质量监测及控制方法。
背景技术
增材制造(Additive Manufacture,AM)技术是一种可以将数字化模型支架制造为实体零件的新型制造技术。具体的,增材制造技术基于离散堆积成型思想,采用材料逐层叠加的方法实现模型零件的制造。其中,基于快速成型高性能复杂金属零件的需要,诞生了选择性激光熔化(Selective Laser Melting,SLM)快速成型技术。
虽然选择性激光熔化快速成型技术是增材制造领域的研究热点,获得了较快的发展,但仍存在可重复性不足和制备零件稳定性差的缺点。选择性激光熔化快速成型技术主要包括设计过程、铺粉过程、激光扫描过程和后处理过程。在各个过程中,铺粉和激光扫描过程对零件成型质量的影响较大。
传统的铺粉质量监测将铺粉过程的缺陷分为线性缺陷和非线性缺陷,其中线性缺陷使用霍夫变换提取;非线性缺钱采用特征提取,再通过训练分类器进行识别。或者,将采集图图像进行区域切分,再使用卷积神经网络AlexNet进行缺陷识别。传统的铺粉质量监测及控制方法的准确性不足,可靠性差。
发明内容
有鉴于此,本发明实施例提供了一种金属选择性激光熔化成型中铺粉质量监测及控制方法,能够提高铺粉质量监测的准确性和可靠性。
本发明实施例的第一方面提供了一种金属选择性激光熔化成型中铺粉质量监测及控制方法,包括:
获取金属选择性激光熔化成型设备的粉末床初始图像;
对所述粉末床图像进行畸变矫正和光照均匀矫正预处理,得到预处理后的粉末床图像;
基于训练后的深度学习目标检测网络模型检测所述粉末床图像,生成检测结果;
基于所述检测结果调整所述金属选择性激光熔化成型设备的铺粉操作。
本发明实施例的第二方面提供了一种金属选择性激光熔化成型中铺粉质量监测装置,包括:
初始图像获取模块,用于获取金属选择性激光熔化成型设备的粉末床初始图像;
预处理模块,用于对所述粉末床图像进行畸变矫正和光照均匀矫正预处理,得到预处理后的粉末床图像;
检测模块,用于基于训练后的深度学习目标检测网络模型检测所述粉末床图像,生成检测结果;
铺粉调整模块,用于基于所述检测结果调整所述金属选择性激光熔化成型设备的铺粉操作。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得电子设备执行上述第一方面中任一项所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例提供了一种金属选择性激光熔化成型中铺粉质量监测及控制方法,包括:获取金属选择性激光熔化成型设备的粉末床初始图像;对粉末床图像进行畸变矫正和光照均匀矫正预处理,得到预处理后的粉末床图像;基于训练后的深度学习目标检测网络模型检测粉末床图像,生成检测结果;基于检测结果调整金属选择性激光熔化成型设备的铺粉操作。本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法,可以实现铺粉过程中各类缺陷的在线监测和反馈,提高增材制造的成型效率;及时发现铺粉缺陷,从而避免铺粉缺陷引起的零件成型缺陷。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法应用的硬件系统结构示意图。
图2是本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法的实现流程示意图;
图3是本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法的又一实现流程示意图;
图4是本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法的另一实现流程示意图;
图5是本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法的再一实现流程示意图;
图6是本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测装置的结构示意图;
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法可以应用于SLM设备。
图1示出了本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法应用的硬件系统。参见图1,本发明实施例提供的SLM设备可以包括铺粉部分和激光熔化部分。其中,铺粉部分包括基板、前后溢粉仓、粉末仓、刮刀,基板用于承载制备中的零件;粉末仓用于将粉末铺至零件上;刮刀用于根据需要调整铺粉的厚度及形状;前溢粉仓和后溢粉仓用于回收多于的粉末。激光熔化部分包括激光器、扩束镜、动态聚焦装置、物镜和XY振镜,从而实现将激光准确的发射至制备零件的相应位置进行激光选择性熔化成型过程。
具体的,成型基板的尺寸包括250mm×250mm。
图2示出了本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法的实现流程示意图。参见图2,本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法可以包括步骤S101至S104。
S101:获取金属选择性激光熔化成型设备的粉末床初始图像。
参见图1,在一些实施例中,S101之前,本方法还可以包括:搭建监测系统硬件环境,选取相机,进行相机和光源的安装。
在一个具体的应用场景中,根据系统的监测精度需求,选取可检测1mm缺陷的工业相机和镜头进行图像采集工作。
可选的,工业相机为面阵工业相机。
进一步的,在进行图像采集之前,根据SLM的技术特点,旁轴安装相机并设置光源。
在一些实施例中,通过与相机和SLM设备通信连接的上位机实现本发明实施例提供的在一些实施例中,S101之前,本方法还可以包括:对相机进行标定。
相机进行标定的过程可以包括步骤S201至S203。
S201:设置基本坐标系并读取标定板的参数文件和相机的参数。
S202:采集所述标定板在不同位置的旋转角度图像、基本坐标系下的坐标和标定板参考位姿。
S203:基于所述标定板的参数文件、所述相机的参数、所述旋转角度图像、所述坐标和所述标定板参考位姿,计算变换矩阵。
在一个具体的应用场景中,标定相机包括采用Halcon相机标定策略,通过采集圆形标定板图像实现相机标定。
设置世界坐标系、相机坐标系、图像坐标系、像素坐标系作为基本坐标系。
读取标定板参数文件,根据相机参数设置内参。
采集标定板不同位置和旋转角度图像,获取圆形标志点的圆心坐标及标定板参考位姿。
计算得到对应变换矩阵,完成相机标定和畸变校正。
在一些实施例中,S101包括:通过OPCUA通讯协议读取金属打印机信号,实时采集打印过程中的粉末床图像。
具体的,OPCUA通讯协议是利用C#语言,基于OPC基金会开源组件开发的OPCUAClient实现与金属SLM设备控制器内的OPCUAServer实现数据交互与数据传输。
S102:对所述粉末床图像进行畸变矫正和光照均匀矫正预处理,得到预处理后的粉末床图像。
在一些实施例中,S102包括基于所述变换矩阵对所述粉末床图像进行畸变矫正和光照均匀矫正预处理。
在一些实施例中,利用相机直接采集到的图像会存在轻微的畸变和扭曲现象,可以利用相机标定出的矩阵进行图像矫正,利用伽马算法对图像光照不均匀进行矫正。
S103:基于训练后的深度学习目标检测网络模型检测所述粉末状图像,生成检测结果。
在一些实施例中,S103之前,本方法还可以包括:训练深度学习目标检测网络模型。
在一些实施例中,训练模型的过程可以包括步骤S301至步骤S303。
S301:获取预存的缺陷数据集。
S302:基于Halcon目标检测模型框架,将预训练的resnet50卷积神经网络模型作为特征提取网络,利用K-means聚类算法计算所述缺陷数据中各个缺陷图像的锚框参数。
S303:基于迁移学习技术,通过各个缺陷图像的锚框参数训练所述深度学习目标检测网络模型。
在一些实施例中,S301之前,本方法还可以包括生成缺陷数据集。
生成缺陷数据集的过程可以包括步骤S401至S403。
S401:重复进行金属选择性激光熔化成型实验,采集实验缺陷图像;
S402:利用伽马算法对所述实验缺陷图像进行光照不均匀矫正;
S403:基于MVTec Deep learning Tool软件进行数据标注,生成所述缺陷数据集。
可选的,通过多次、多参数打印实验获取实际打印工作时的铺粉缺陷图像,并进行数据标注,制作缺陷数据集。
具体的,获取铺粉缺陷图像的过程可以包括:进行大量金属SLM成型实验,采集各类缺陷图像。利用伽马算法对光照不均匀进行矫正,再利用MVTec Deep Learning Tool软件进行数据标注,以制作金属SLM成型过程的铺粉缺陷数据集。
具体的,训练深度学习神经网络的过程可以包括:选择Halcon目标检测模型框架,将预训练resnet50卷积神经网络模型作为特征提取网络,选用K-means聚类算法获得锚框参数。其中,选择框尺度可以为4、5,长宽比为0.1、1、1.5、35。对缺陷图像进行预处理生成锚框信息并进行保存深度学习目标检测网络模型。
采用迁移学习技术对深度学习目标检测网络模型进行训练,设置批次大小、初始学习率、迭代次数、随机种子等超参数,利用CUDA进行GPU训练加速,将得到的最优模型作为最终的深度学习目标检测网络模型。
可选的,在训练过程中,若选择框的交并比(Intersection-over-Union,IoU)为当前图像最大值,例如大于0.75,则判定该目标框为真。交并比为产生的候选框A与原标记框B之间的交迭率,即交集与并集的比值。在最理想的情况下,候选框A与原标记框B完全重叠,即交并比值为1。
具体的,IoU=(A∩B)/(A∪B)。
可选的,设置迭代此时为1000次。
运用深度学习目标检测算法进行铺粉质量的监测,相对于传统的机器学习方法,可以更好地适应环境及随机缺陷,获得更好的识别效果;相对于分类网络,能够在单层粉末床图像存在多个、多种缺陷时准确地进行识别和分类。
进一步的,当出现新的缺陷种类时,深度学习算法可以基于新的数据再次进行训练,迅速适应新的缺陷,保障铺粉质量监测的准确性和可靠性。
S103包括:将处理后的粉末床图像输入深度学习神经网络模型中进行识别,将识别到的缺陷进行框选标注,并输出结果类别。
图3示出了本发明实施例提供的神经网络训练过程的流程图。
参见图3,在一些实施例中,神经网络的训练过程可以包括:进行监控系统硬件的搭建,进行相机标定畸变校正,进行打印实验采集缺陷图像;对图像进行缺陷标注制作数据集,对数据集进行预处理,最终利用深度学习目标检测算法进行训练,得到训练后的最优模型。
S104:基于所述检测结果调整所述金属选择性激光熔化成型设备的铺粉操作。
在一些实施例中,S104可以包括:利用OPCUA协议,将识别结果反馈至设备控制器,以使设备控制器执行调整SLM设备的操作。
具体的,本发明实施例将金属选择性激光熔化成型中铺粉的缺陷分刮刀条纹、条形粉堆、块状粉堆、铺粉不足以及熔覆层过高等。
在一些实施例中,通过金属SLM设备的控制器实现铺粉过程的调整。
在一些实施例中,S104可以包括步骤S501至S503。
S501:当检测到目标类别缺陷时,判断检测到该目标类别缺陷的次数;
S502:若所述次数小于预设的次数阈值,则重新进行铺粉并再次进行检测。
S503:若所述次数等于或大于所述次数阈值,则停止进行金属选择性激光熔化成型过程并进行告警。
具体的,目标类别缺陷可以包括铺粉不足、块状粉堆、条形粉堆缺陷。
可选的,对各类目标类别缺陷分别进行计数。
在一些实施例中,在一次金属选择性激光熔化成型操作过程中,检测到铺粉不足、块状粉堆、条形粉堆缺陷时,重新进行铺粉并重新采集粉末床图像进行检测。
在一些实施例中,在一次金属选择性激光熔化成型操作过程中,检测到铺粉不足、块状粉堆、条形粉堆缺陷的次数大于预设次数时,停止金属选择性激光熔化成型过程,并进行铺粉故障提示。
在一些实施例中,出现刮刀条纹缺陷时,停止金属选择性激光熔化成型过程,并进行刮刀故障提示。
在一些实施例中,出现熔覆层过高缺陷时,进行记录并继续金属选择性激光熔化成型过程。
本发明实施例提供的铺粉质量监测及控制方法基于金属SLM设备,利用机器视觉、图像处理、深度学习以及OPCUA通讯技术实现监测过程,并可以将识别结果进行实时反馈。
相对于现有的人工目视监测及控制方法,本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法可以避免长时间的零件制备过程中,操作者过多的接触有害的金属粉末。利用实时获取图像和数据实时交互功能,实现对铺粉缺陷的实时监测,避免铺粉缺陷对零件成型造成影响,降低人力成本,提高金属选择性激光熔化成型的工作效率和成品质量。
图4示出了本发明实施例提供的金属选择性激光熔化成型过程的实现流程示意图,
参见图4,一次金属选择性激光熔化成型的器件制备过程可以包括:首先进行刮刀铺粉,在铺粉完成后触发拍照。将获取的图像进行预处理后,通过深度学习神经网络进行缺陷识别。若存在缺陷,则反馈缺陷类型,重新进行操作拍照获取图像的操作;若不存在缺陷则判断是否完成打印过程。重复执行以上步骤,将工作台下降继续进行刮刀铺粉及后续步骤,直至打印过程完成。
图5示出了本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法及缺陷处理的实现流程示意图。
参见图5,在一个具体的示例中,对金属选择性激光熔化成型过程的每一层制备,均可以包括:铺粉,在铺粉结束后获取粉床图像,并判断是否存在缺陷。若不存在缺陷,则继续激光扫描的加工过程,在激光扫描结束后进行下一层结构的制备。若粉床图像存在缺陷,则进行缺陷分类,根据缺陷的种类和具体情况进行处理。具体的,若初次出现铺粉不足、块状粉堆、条纹粉堆的情况,则重新进行铺粉操作;若连续两次出现铺粉不足、块状粉堆、条纹粉堆中的同一缺陷,则暂停加工工序,发出铺粉故障提示;若出现熔覆层过高的缺陷,则进行记录后继续进行加工;若出现刮刀条纹缺陷,则暂停加工工序并发出刮刀报警提示。
进一步的,基于本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测及控制方法,可以利用C#语言调用Halcon算法库进行模型部署,并通过开发OPCUA客户端实现与设备的数据交互。在此基础上,可以开发计算机辅助软件,包括用户管理、监控系统主页面、历史数据在线离线查询等功能。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图6示出了本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测装置的结构示意图。参见图6,本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测装置60可以包括初始图像获取模块610、预处理模块620、检测模块630、铺粉调整模块640。
初始图像获取模块610用于获取金属选择性激光熔化成型设备的粉末床初始图像;
预处理模块620用于对粉末床图像进行畸变矫正和光照均匀矫正预处理,得到预处理后的粉末床图像;
检测模块630用于基于训练后的深度学习目标检测网络模型检测粉末床图像,生成检测结果;
铺粉调整模块640用于基于检测结果调整金属选择性激光熔化成型设备的铺粉操作。
本发明提供的金属选择性激光熔化成型中铺粉质量监测装置可以及时发现并处理铺粉缺陷,避免因铺粉缺陷引起的零件成型缺陷,提高金属选择性激光熔化成型的效率。
本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测装置还可以包括标定模块,用于:
设置基本坐标系并读取标定板的参数文件和相机的参数。
采集标定板在不同位置的旋转角度图像、基本坐标系下的坐标和标定板参考位姿。
基于标定板的参数文件、相机的参数、旋转角度图像、坐标和标定板参考位姿,计算变换矩阵。
在一些实施例中,预处理模块620具体用于:
基于变换矩阵对粉末床图像进行畸变矫正和光照均匀矫正预处理。
本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测装置还可以包括模型训练模块,用于:
获取预存的缺陷数据集。
基于Halcon目标检测模型框架,将预训练的resnet60卷积神经网络模型作为特征提取网络,利用K-means聚类算法计算缺陷数据中各个缺陷图像的锚框参数。
基于迁移学习技术,通过各个缺陷图像的锚框参数训练深度学习目标检测网络模型。
本发明实施例提供的金属选择性激光熔化成型中铺粉质量监测装置还可以包括缺陷数据集生成模块,用于:
重复进行金属选择性激光熔化成型实验,采集实验缺陷图像。
利用伽马算法对实验缺陷图像进行光照不均匀矫正。
基于MVTec Deep learning Tool软件进行数据标注,生成缺陷数据集。
在一些实施例中,铺粉调整模块640具体用于:
当检测到目标类别缺陷时,判断检测到该目标类别缺陷的次数。
若次数小于预设的次数阈值,则重新进行铺粉并再次进行检测。
在一些实施例中,铺粉调整模块640具体用于:
若次数等于或大于次数阈值,则停止进行金属选择性激光熔化成型过程并进行告警。
图7是本发明一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备70包括:处理器700、存储器710以及存储在所述存储器710中并可在所述处理器700上运行的计算机程序720,例如金属选择性激光熔化成型中铺粉质量监测程序。所述处理器70执行所述计算机程序720时实现上述各个金属选择性激光熔化成型中铺粉质量监测及控制方法实施例中的步骤,例如图2所示的步骤S101至S104。或者,所述处理器700执行所述计算机程序720时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块610至640的功能。
示例性的,所述计算机程序720可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器710中,并由所述处理器700执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序720在所述终端设备70中的执行过程。例如,所述计算机程序720可以被分割成初始图像获取模块、预处理模块、检测模块、铺粉调整模块。
所述终端设备70可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器700、存储器710。本领域技术人员可以理解,图7仅仅是终端设备70的示例,并不构成对终端设备70的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器700可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器710可以是所述终端设备70的内部存储单元,例如终端设备70的硬盘或内存。所述存储器710也可以是所述终端设备70的外部存储设备,例如所述终端设备70上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器710还可以既包括所述终端设备70的内部存储单元也包括外部存储设备。所述存储器710用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器710还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种金属选择性激光熔化成型中铺粉质量监测及控制方法,其特征在于,包括:
获取金属选择性激光熔化成型设备的粉末床初始图像;
对所述粉末床图像进行畸变矫正和光照均匀矫正预处理,得到预处理后的粉末床图像;
基于训练后的深度学习目标检测网络模型检测所述粉末床图像,生成检测结果;
基于所述检测结果调整所述金属选择性激光熔化成型设备的铺粉操作。
2.如权利要求1所述的金属选择性激光熔化成型中铺粉质量监测及控制方法,其特征在于,所述获取金属选择性激光熔化成型设备的粉末床初始图像之前,所述方法还包括:
设置基本坐标系并读取标定板的参数文件和相机的参数;
采集所述标定板在不同位置的旋转角度图像、基本坐标系下的坐标和标定板参考位姿;
基于所述标定板的参数文件、所述相机的参数、所述旋转角度图像、所述坐标和所述标定板参考位姿,计算变换矩阵。
3.如权利要求2所述的金属选择性激光熔化成型中铺粉质量监测及控制方法,其特征在于,所述对所述粉末床图像进行畸变矫正和光照均匀矫正预处理,包括:
基于所述变换矩阵对所述粉末床图像进行畸变矫正和光照均匀矫正预处理。
4.如权利要求1所述的金属选择性激光熔化成型中铺粉质量监测及控制方法,其特征在于,所述基于训练后的深度学习目标检测网络模型检测所述粉末状图像之前,所述方法还包括:
获取预存的缺陷数据集;
基于Halcon目标检测模型框架,将预训练的resnet50卷积神经网络模型作为特征提取网络,利用K-means聚类算法计算所述缺陷数据中各个缺陷图像的锚框参数;
基于迁移学习技术,通过各个缺陷图像的锚框参数训练所述深度学习目标检测网络模型。
5.如权利要求4所述的金属选择性激光熔化成型中铺粉质量监测及控制方法,其特征在于,所述获取预存的缺陷数据集之前,所述方法还包括:
重复进行金属选择性激光熔化成型实验,采集实验缺陷图像;
利用伽马算法对所述实验缺陷图像进行光照不均匀矫正;
基于MVTec Deep learning Tool软件进行数据标注,生成所述缺陷数据集。
6.如权利要求1所述的金属选择性激光熔化成型中铺粉质量监测及控制方法,其特征在于,所述基于所述检测结果调整所述金属选择性激光熔化成型设备的铺粉操作,包括:
当检测到目标类别缺陷时,判断检测到该目标类别缺陷的次数;
若所述次数小于预设的次数阈值,则重新进行铺粉并再次进行检测。
7.如权利要求6所述的金属选择性激光熔化成型中铺粉质量监测及控制方法,其特征在于,所述当检测到目标类别缺陷时,判断检测到该目标类别缺陷的次数之后,所述方法还包括:
若所述次数等于或大于所述次数阈值,则停止进行金属选择性激光熔化成型过程并进行告警。
8.一种金属选择性激光熔化成型中铺粉质量监测及控制装置,其特征在于,包括:
初始图像获取模块,用于获取金属选择性激光熔化成型设备的粉末床初始图像;
预处理模块,用于对所述粉末床图像进行畸变矫正和光照均匀矫正预处理,得到预处理后的粉末床图像;
检测模块,用于基于训练后的深度学习目标检测网络模型检测所述粉末床图像,生成检测结果;
铺粉调整模块,用于基于所述检测结果调整所述金属选择性激光熔化成型设备的铺粉操作。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111562903.5A CN114216911A (zh) | 2021-12-20 | 2021-12-20 | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111562903.5A CN114216911A (zh) | 2021-12-20 | 2021-12-20 | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114216911A true CN114216911A (zh) | 2022-03-22 |
Family
ID=80704610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111562903.5A Pending CN114216911A (zh) | 2021-12-20 | 2021-12-20 | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114216911A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058154A (zh) * | 2023-10-13 | 2023-11-14 | 西安空天机电智能制造有限公司 | 3dp金属打印铺粉过程的缺陷识别方法、系统及介质 |
WO2023237318A1 (en) * | 2022-06-07 | 2023-12-14 | Nikon Slm Solutions Ag | Calibration method and printing system configured to produce a three-dimensional workpiece |
CN117876369A (zh) * | 2024-03-11 | 2024-04-12 | 西安空天机电智能制造有限公司 | 基于图像识别的锻打印在线监测方法、系统、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106881462A (zh) * | 2017-01-23 | 2017-06-23 | 华中科技大学 | 一种针对激光选区熔化成形缺陷的在线检测与优化系统 |
CN109360204A (zh) * | 2018-11-28 | 2019-02-19 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
US20190283333A1 (en) * | 2018-03-19 | 2019-09-19 | Tytus3D System Inc. | Systems and methods for real-time error detection, and automatic correction in additive manufacturing environment |
EP3659727A1 (en) * | 2018-11-27 | 2020-06-03 | Siemens Aktiengesellschaft | Method for automatic identification of material deposition deficiencies during an additive manufacturing process and manufacturing device |
CN111899227A (zh) * | 2020-07-06 | 2020-11-06 | 北京交通大学 | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 |
CN112150561A (zh) * | 2020-10-20 | 2020-12-29 | 叠境数字科技(上海)有限公司 | 一种多相机标定方法 |
CN112669275A (zh) * | 2020-12-23 | 2021-04-16 | 中国电子技术标准化研究院 | 基于YOLOv3算法的PCB表面缺陷检测方法及装置 |
CN113066047A (zh) * | 2021-02-23 | 2021-07-02 | 青岛科技大学 | 轮胎x射线图像杂质缺陷检测方法 |
CN113077431A (zh) * | 2021-03-30 | 2021-07-06 | 太原理工大学 | 基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质 |
CN113172240A (zh) * | 2021-04-23 | 2021-07-27 | 浙江机电职业技术学院 | 基于选择性激光熔化的3d打印系统及方法 |
-
2021
- 2021-12-20 CN CN202111562903.5A patent/CN114216911A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106881462A (zh) * | 2017-01-23 | 2017-06-23 | 华中科技大学 | 一种针对激光选区熔化成形缺陷的在线检测与优化系统 |
US20190283333A1 (en) * | 2018-03-19 | 2019-09-19 | Tytus3D System Inc. | Systems and methods for real-time error detection, and automatic correction in additive manufacturing environment |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
EP3659727A1 (en) * | 2018-11-27 | 2020-06-03 | Siemens Aktiengesellschaft | Method for automatic identification of material deposition deficiencies during an additive manufacturing process and manufacturing device |
CN109360204A (zh) * | 2018-11-28 | 2019-02-19 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN111899227A (zh) * | 2020-07-06 | 2020-11-06 | 北京交通大学 | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 |
CN112150561A (zh) * | 2020-10-20 | 2020-12-29 | 叠境数字科技(上海)有限公司 | 一种多相机标定方法 |
CN112669275A (zh) * | 2020-12-23 | 2021-04-16 | 中国电子技术标准化研究院 | 基于YOLOv3算法的PCB表面缺陷检测方法及装置 |
CN113066047A (zh) * | 2021-02-23 | 2021-07-02 | 青岛科技大学 | 轮胎x射线图像杂质缺陷检测方法 |
CN113077431A (zh) * | 2021-03-30 | 2021-07-06 | 太原理工大学 | 基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质 |
CN113172240A (zh) * | 2021-04-23 | 2021-07-27 | 浙江机电职业技术学院 | 基于选择性激光熔化的3d打印系统及方法 |
Non-Patent Citations (3)
Title |
---|
卢振洋;宫兆辉;闫志鸿;翟思宽;: "基于深度学习的TIG焊背部熔池检测和熔宽提取", 北京工业大学学报, no. 09, pages 150 - 153 * |
周宏强;黄玲玲;王涌天;: "深度学习算法及其在光学的应用", 红外与激光工程, no. 12 * |
安超;张远明;张金松;吕东喜;阮亮;: "选区激光熔化成型钴铬合金致密度与孔隙缺陷实验研究", 应用激光, no. 05 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023237318A1 (en) * | 2022-06-07 | 2023-12-14 | Nikon Slm Solutions Ag | Calibration method and printing system configured to produce a three-dimensional workpiece |
CN117058154A (zh) * | 2023-10-13 | 2023-11-14 | 西安空天机电智能制造有限公司 | 3dp金属打印铺粉过程的缺陷识别方法、系统及介质 |
CN117058154B (zh) * | 2023-10-13 | 2024-03-12 | 西安空天机电智能制造有限公司 | 3dp金属打印铺粉过程的缺陷识别方法、系统及介质 |
CN117876369A (zh) * | 2024-03-11 | 2024-04-12 | 西安空天机电智能制造有限公司 | 基于图像识别的锻打印在线监测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114216911A (zh) | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 | |
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 | |
CN108921925B (zh) | 基于激光雷达和视觉融合的语义点云生成方法和装置 | |
DE102013210478B4 (de) | Geometrische vorkorrektur zur automatischen nummernschilderkennung | |
Brion et al. | Generalisable 3D printing error detection and correction via multi-head neural networks | |
CN113313135A (zh) | 打标控制方法、装置及计算机可读存储介质 | |
CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN111723453A (zh) | 用于增材制造机器的重涂器自动化监控系统和方法 | |
CN116638766A (zh) | 3d打印偏差检测方法、装置和计算机设备 | |
CN115861733A (zh) | 点云数据标注方法、模型训练方法、电子设备及存储介质 | |
CN117058155B (zh) | 3dp金属打印铺粉缺陷检测方法、装置、设备及介质 | |
García-Moreno | A fast method for monitoring molten pool in infrared image streams using gravitational superpixels. | |
CN105224941A (zh) | 对象辨识与定位方法 | |
US20220281177A1 (en) | Ai-powered autonomous 3d printer | |
Guo et al. | Machine vision-based intelligent manufacturing using a novel dual-template matching: a case study for lithium battery positioning | |
CN115240031B (zh) | 一种基于生成对抗网络的板材表面缺陷生成方法及系统 | |
CN112102252B (zh) | 一种微带天线焊点外观缺陷的检测方法及装置 | |
Liu et al. | Online monitoring of variable polarity tig welding penetration state based on fusion of welding characteristic parameters and SVM | |
CN114693773A (zh) | 一种目标识别跟踪方法及系统 | |
TWM619409U (zh) | 智慧化加工系統 | |
CN109304871B (zh) | 一种铺粉控制方法及其增材制造设备 | |
Patil et al. | Automation of geometric feature computation through image processing approach for single-layer laser deposition process | |
Trinks et al. | Image mining for real time quality assurance in rapid prototyping | |
TWI582721B (zh) | 工件導電特徵檢查方法及工件導電特徵檢查系統 | |
Werkle et al. | Generalizable process monitoring for FFF 3D printing with machine vision |
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 |