CN115775249A - 一种增材制造造件成形质量监测方法、系统及存储介质 - Google Patents
一种增材制造造件成形质量监测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115775249A CN115775249A CN202211682419.0A CN202211682419A CN115775249A CN 115775249 A CN115775249 A CN 115775249A CN 202211682419 A CN202211682419 A CN 202211682419A CN 115775249 A CN115775249 A CN 115775249A
- Authority
- CN
- China
- Prior art keywords
- molten pool
- additive manufacturing
- image
- experimental
- quality
- 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
Images
Classifications
-
- 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
本发明公开了一种增材制造造件成形质量监测方法、系统及存储介质,方法包括:进行增材制造实验,采集实验熔池图像并进行预处理,构成熔池数据集;搭建并训练神经网络模型,得到预训练后的神经网络模型并对其进行调优处理,生成成形质量检测模型;根据当前工艺参数进行增材制造,采集当前熔池图像,通过成形质量检测模型对增材制造造件进行质量预测,得到质量预测信息。本申请采用熔覆道的润湿角特征和稀释率特征作为预测成形质量的特征参数,能够更好地反映熔覆道的质量;所获得的预测模型具有更高的准确率和泛化能力,能够快速且准确地识别和分类增材制造过程中不同状态的熔池,并预测熔池的成形质量。本申请应用于增材制造技术领域。
Description
技术领域
本发明涉及增材制造质量监测技术领域,特别涉及一种增材制造造件成形质量监测方法、系统及存储介质。
背景技术
激光能量直接沉积(L-DED)是一种新兴的增材制造(Additive Manufacturing,AM)技术,也称为激光熔覆技术。激光熔覆技术是指以不同的填料方式将所选涂层材料放置于基体表面,经激光辐照使之与基体表面浅薄层同时熔化,并快速凝固后形成稀释度极低,与基体材料成冶金结合的表面涂层,从而显著改善基体材料表面的耐磨、耐蚀、耐热、抗氧化及电气特性等的工艺方法。
在激光熔覆的过程中,激光束作用于粉末床,粉末颗粒在这里熔合在一起,进而构成了熔池。在熔池内,少量金属蒸发会在熔池中心形成一个空腔。这个空腔如果变得不稳定,可能会对造件的质量造成不良影响。因此,对于本领域而言,在增材制造的过程中对制件进行状态监测和预测,特别是对熔池的状态监测和预测,是非常有必要的。
目前的增材制造质量监测方式通常为采用CCD相机采集打印过程中的熔池图像,通过传统的深度学习网络对熔池图像进行分析,找寻出增材制造过程中的缺陷问题。然而,由于传统图像处理方法进行对熔池图像的清晰度、背景复杂度以及缺陷映射形态具有很高的要求,即对图像处理的硬件要求较高,现有监测方法的监测成本较高。另外,传统的深度学习模型存在性能不佳、准确率较低的问题,模型的检测准确率和检测速率都难以到达预期的效果,预测成形质量具有一定难度。
并且,现有监测方法通常采用羽流和飞溅物的特征参数作为增材制造质量的评估参数。如专利号为CN110789128B,名为“一种增材制造制件成形质量预测与控制系统及方法”的中国发明专利公开了一种造件的监测和预测方法,通过羽流和飞溅物三个特征参数,结合LSTM网络对n秒后的制件成形质量进行预测。然而,羽流和飞溅物属于熔池的外在特征,在本领域中并未有明确的测量定义,也无法反映熔覆道的质量,进而使得成形质量的预测结果的准确率较低,无法准确地反映成形质量。
发明内容
本发明的目的是提供一种增材制造造件成形质量监测方法、系统及存储介质,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明解决其技术问题的解决方案是:第一方面,本申请提供一种增材制造造件成形质量监测方法,包括如下步骤:
控制增材制造机器人进行增材制造实验,在所述增材制造实验的过程中采集实验熔池图像并对所述实验熔池图像进行预处理,构成熔池数据集;
搭建神经网络模型,通过所述熔池数据集训练所述神经网络模型,得到预训练后的神经网络模型,并对所述预训练后的神经网络模型进行调优处理,生成成形质量检测模型;
控制所述增材制造机器人根据当前工艺参数进行增材制造,采集当前熔池图像,通过所述当前熔池图像和所述成形质量检测模型对增材制造的造件进行质量预测,得到质量预测信息;
其中,所述质量预测信息包括所述增材制造对应的工艺参数、所述熔池的位置信息和类别以及对应的成形质量的质量编号。
作为上述技术方案的进一步改进,所述控制增材制造机器人进行增材制造实验,在所述增材制造实验的过程中采集实验熔池图像,包括:
控制所述增材制造机器人执行i次增材制造实验,每次增材制造试验的工艺参数均不同,得到i个增材造件;
其中,第i个增材造件对应于第i组增材制造实验;
在进行所述增材制造实验时,通过旁轴高速相机采集若干张实验熔池图像,构成i组熔池实验数据集;
其中,第i组熔池实验图像数据集对应于第i组增材制造实验。
作为上述技术方案的进一步改进,所述对所述实验熔池图像进行预处理,构成熔池数据集,包括:
按照所述增材制造实验的实验时间,将所述增材制造实验的过程等分为十个进度区间;
其中,所述十个进度区间分别为:[0%,10%)、[10%,20%)、[20%,30%)、[30%,40%)、[40%,50%)、[50%,60%)、[60%,70%)、[70%,80%)、[80%,90%)和[90%,100%];
在每一组所述熔池实验数据集中,丢弃进度为[0%,10%)、[10%,20%)、[70%,80%)、[80%,90%)和[90%,100%]的所述实验熔池图像,从所述[20%,30%)进度区间、[30%,40%)进度区间、[40%,50%)进度区间、[50%,60%)进度区间、[60%,70%)进度区间中分别随机选取一定数量的所述实验熔池图像;
根据润湿角阈值,筛选润湿角小于所述润湿角阈值的增材造件,并根据稀释率将筛选后的所述增材造件进行成形质量分类,确定每个所述增材造件对应的质量编号;
其中,所述润湿角阈值为80°;
对随机选取的所述实验熔池图像进行标签处理,得到所述实验熔池图像对应的标签数据,将所述质量编号添加至对应的所述实验熔池图像的标签数据中,并对标签处理后的所述实验熔池图像进行数据扩增,构成熔池数据集。
作为上述技术方案的进一步改进,所述根据稀释率将筛选后的所述增材造件进行成形质量分类,确定每个所述增材造件对应的质量编号,包括:
将所述稀释率小于10%的增材造件归类至编号零,所述编号零用于映射所述增材造件的稀释率过小,所述增材造件的质量等级为不及格;
将所述稀释率大于或小于10%且小于或等于15%的增材造件归类至编号一,所述编号一用于映射所述增材造件的稀释率一般,所述增材造件的质量等级为及格;
将所述稀释率大于15%且小于或等于25%的增材造件归类至编号二,所述编号二用于映射所述增材造件的稀释率优秀,所述增材造件的质量等级为优秀;
将所述稀释率大于25%的增材造件归类至编号三,所述编号三用于映射所述增材造件的稀释率过大,所述增材造件的质量等级为不及格。
作为上述技术方案的进一步改进,所述对随机选取的所述实验熔池图像进行标签处理,得到所述实验熔池图像对应的标签数据,将所述质量编号添加至对应的所述实验熔池图像的标签数据中,并对标签处理后的所述实验熔池图像进行数据扩增,包括:
通过图像标记工具对所述随机选取的所述实验熔池图像中的目标进行标记,所述目标为熔池,定位所述目标的类别和位置信息,得到所述实验熔池图像的标签数据,并将所述质量编号添加至对应的所述实验熔池图像的所述标签数据中;
对所述实验熔池图像进行线性变换和模糊滤波处理;
对处理后的所述实验熔池图像进行数据扩增,得到数据扩增图像,并调整所述数据扩增图像和所述实验熔池图像的分辨率,使得所述数据扩增图像和所述实验熔池图像的分辨率相同。
作为上述技术方案的进一步改进,所述搭建神经网络模型,通过所述熔池数据集训练所述神经网络模型,得到预训练后的神经网络模型,包括:
将所述熔池训练集按照1:1的比例划分为训练集和验证集;
基于YOLOv5搭建神经网络模型,将训练集和验证集作为神经网络模型的输入,对神经网络模型进行预训练,得到预训练后的神经网络模型及其权重文件YOLOv5.pt。
作为上述技术方案的进一步改进,所述对所述预训练后的神经网络模型进行调优处理,生成成形质量检测模型,包括:
控制所述增材制造机器人执行多次增材制造测试,在所述增材制造测试的过程中,通过同轴CCD相机采集若干张同轴熔池图像,通过旁轴高速相机采集若干张旁轴熔池图像;
对所述同轴熔池图像和所述旁轴熔池图像进行预处理,构成测试集和调优训练集;
将所述调优训练集作为所述预训练后的神经网络模型的输入,在所述权重文件YOLOv5.pt的基础上对所述预训练后的神经网络模型进行训练;
采用所述测试集评估所述神经网络模型的性能,输出成形质量预测模型。
作为上述技术方案的进一步改进,所述对所述同轴熔池图像和所述旁轴熔池图像进行预处理,构成测试集和调优训练集,包括:
根据稀释率,对所述增材制造测试得到的若干个测试增材造件进行成形质量分类,确定每个所述测试增材造件对应的质量编号;
对所述旁轴熔池图像进行标签处理,得到所述旁轴熔池图像对应的标签数据,将所述测试增材造件对应的质量编号添加至对应的所述标签数据中;
对标签处理后的所述旁轴熔池图像进行数据扩增,扩增后的所述旁轴熔池图像分类为测试集和待调优训练集;
提取所述同轴熔池图像中的熔池参数信息,所述熔池参数信息包括所述增材制造测试对应的工艺参数、熔池的宽度、高度和深度;
将所述熔池参数信息添加至所述待调优训练集中对应的所述旁轴熔池图像的标签数据中,构成所述调优训练集。
第二方面,本申请提供一种增材制造造件成形质量监测系统,包括:
图像采集单元,包括旁轴高速相机和同轴CCD相机,用于采集实验熔池图像、同轴熔池图像和旁轴熔池图像;
数据处理单元,用于对所述实验熔池图像、所述同轴熔池图像和所述旁轴熔池图像进行预处理,构成熔池数据集、调优训练集和测试集;
预训练单元,用于搭建神经网络模型,通过所述熔池数据集训练所述神经网络模型,得到预训练后的神经网络模型;
调优单元,用于通过所述调优训练集对预训练后的所述神经网络模型进行调优处理,并通过所述测试集对调优处理后的神经网络模型进行性能测试,生成成形质量检测模型;
高速相机实时监测系统,搭载有所述成形质量检测模型,用于采集当前熔池图像,通过所述成形质量检测模型对所述当前熔池图像进行质量检测,模型预测输出质量预测信息。
第三方面,本申请还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述的一种增材制造造件成形质量监测方法。
本发明的有益效果是:提供一种增材制造造件成形质量监测方法、系统及存储介质,利用激光熔覆过程中形成的熔池或者熔覆道,提取熔池或者熔覆道的润湿角特征和稀释率特征作为熔池的特征参数,能够更加全面地反映熔覆道的质量;且调优训练得到的神经网络模型具有更高的准确率和泛化能力,能够快速且准确地识别和分类增材制造过程中不同状态的熔池,并预测熔池的成形质量,进而实现了对造件质量的提前预测和对工艺参数进行修正,降低了生产成本,同时避免时间周期较长的后处理工作,能够为不同的增材制造材料的成形质量预测提供数据支撑。
附图说明
图1为本申请实施例提供的一种增材制造制件成形质量监测方法的流程图;
图2为本申请实施例提供的增材制造机器人、同轴高速相机和旁轴高速相机的结构示意图;
图3为本申请实施例提供的增材制造过程中的熔池形貌图;
图4为本申请实施例提供的预处理实验熔池图像的流程图;
图5为本申请实施例提供的熔覆道截面图;
图6为本申请实施例提供的不同的单道处理后的横截面示意图;
图7为本申请实施例提供的不同的单道表面质量示意图;
图8为本申请实施例提供的成形质量预测模型的性能曲线图;
图9为本申请实施例提供的高速相机实时监测系统的结果图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
下面结合说明书附图和具体的实施例对本申请进行进一步的说明。所描述的实施例不应视为对本申请的限制,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,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
增材制造(Additive Manufacturing,AM),也称为3D打印。3D打印是指融合了计算机辅助设计、材料加工与成型技术、以数字模型文件为基础,通过软件与数控系统将专用的金属材料、非金属材料以及医用生物材料,按照挤压、烧结、熔融、光固化、喷射等方式逐层堆积,制造出实体物品的制造技术。简而言之,3D打印是通过材料的逐层成形叠加来制造实体的过程。与传统的、对原材料去除-切削、组装的加工模式不同,3D打印是一种自下而上的、通过材料累加的制造方法。这使得过去受到传统制造方式的约束,而无法实现的复杂结构件制造变为可能。目前,3D打印通常应用于工业、生物制造等技术领域。
3D打印的基本过程为:
建模:建模是整个增材制造的第一步。建立数据模型的方法通常有两种:一种是通过三维建模软件进行建模;另一种是通过扫描仪扫描实物获得。
打印前处理:将模型文件转换为stl格式并通过切片软件对模型进行切片,同时设置打印参数或者工艺参数,例如设定自定义支撑、模型摆放方向、层厚等。
打印:将切片软件处理后的文件导入3D打印机,开始进行打印。打印前需检查料槽,避免有异物在打印区域内。
打印后处理:打印完成后,从打印机内取出模型,此时模型上还挂有支撑,需要将支撑扯掉或使用专业工具剪掉,并对模型的支撑面进行打磨。这一步往往需要熟练的人员在合适的环境和工具的帮助下进行。而后,根据打印工艺不同,对模型进行紫外灯后固化、金属件退火去应力等,最后根据最终需求,对模型进行打磨、抛光、喷漆等操作。
激光能量直接沉积(L-DED)是一种新兴的增材制造技术,也称为激光熔覆技术。激光熔覆技术是指以不同的填料方式将所选涂层材料放置于基体表面,经激光辐照使之与基体表面浅薄层同时熔化,并快速凝固后形成稀释度极低,与基体材料成冶金结合的表面涂层,从而显著改善基体材料表面的耐磨、耐蚀、耐热、抗氧化及电气特性等的工艺方法。
在激光熔覆的过程中,激光束作用于粉末床,粉末颗粒在这里熔合在一起,进而构成了熔池。在熔池内,少量金属蒸发会在熔池中心形成一个空腔。这个空腔如果变得不稳定,可能会自行塌陷,从而导致在打印部件中形成孔隙。此外,如果发生坍塌,蒸汽会从钥匙孔中向上喷射并形成羽流。这会影响粉末床中一些未融合的颗粒,可能会干扰材料的顶层,这种现象会导致整个零件中分散大量微小缺陷,进而导致零件的质量不佳。因此,对于本领域而言,在增材制造的过程中对制件进行状态监测和预测,特别是对熔池的状态监测和预测,是非常有必要的。
本领域中,常用的增材制造的质量监测方式通常为采用CCD(Charge CoupledDevice,电荷耦合器件)相机采集打印过程中的熔池图像,通过传统的深度学习网络对熔池图像进行分析,找寻出增材制造过程中的缺陷问题。例如,基于PPCNN的金属激光熔化沉积熔池状态识别。然而,现有的质量监测方法具有局限性,其存在如下缺陷:
(1)采用传统的图像处理方法对熔池图像进行处理和转换,由于传统图像处理方法进行对熔池图像的清晰度、背景复杂度以及缺陷映射形态具有很高的要求,即对图像处理的硬件要求较高,进而提高了增材制造的监测成本。
(2)传统的深度学习模型存在性能不佳、准确率较低的问题,模型的检测准确率和检测速率都难以到达预期的效果,预测成形质量具有一定难度;
(3)在现有技术中,通常采用羽流和飞溅物的特征参数作为增材制造质量的评估参数。然而,在实际应用中,羽流和飞溅物属于熔池的外在特征,无法准确地反映成形质量,也没有明确的测量定义。并且,在定向能量沉积的应用中,由于最终目的是打印特定质量和特定形状的工件,工件的制作过程往往包括熔覆道搭接的步骤,而羽流和飞溅物的特征参数无法反映熔覆道的质量。
针对上述技术问题,本申请提出一种基于YOLOv5和熔池追踪的成形质量在线监测方法和系统,主要应用于增材制造技术领域,特别地应用于L-DED技术领域。参照图1至图3所示,图1所示为本申请实施例提供的一种增材制造造件成形质量监测方法的流程图;图2所示为本申请实施例提供的增材制造机器人、同轴高速相机和旁轴高速相机的结构示意图;图3所示为本申请实施例提供的增材制造过程中的熔池形貌图。本申请的一个实施例,下面将对本申请的增材制造造件成形质量监测方法进行说明和阐述。所述成形质量监测方法可以包括但不限于以下步骤。
S100,控制增材制造机器人进行增材制造实验,在增材制造实验的过程中采集实验熔池图像并对实验熔池图像进行预处理,构成熔池数据集。
本具体实施例中,增材制造机器人为六轴库卡机器人,增材制造机器人如图2所示。增材制造机器人包括:激光器、熔覆头101、冷水机、送粉机、气瓶和运动控制系统。激光器提供高能量的激光热源。熔覆头101用于输出激光和粉末,与实验材料对应的基板在熔覆头101输出口13毫米处。水冷机保障了激光器和激光熔覆头101的稳定运行。送粉机为激光熔覆提供连续不断的原材料。运动控制系统用于控制熔覆头101在空间中定向移动。另外,熔覆头101的附近布设有旁轴高速相机103和同轴CCD相机102,其中同轴CCD相机102安装在熔覆头101的上方。
本步骤为获取用于训练神经网络的数据的步骤。用于训练神经网络的数据通过若干次增材制造实验来获得,在增材制造的过程中,粉末床上会形成如图3所示的熔池。
S200,搭建神经网络模型,通过熔池数据集训练神经网络模型,得到预训练后的神经网络模型,并对预训练后的神经网络模型进行调优处理,生成成形质量检测模型;
本步骤为训练神经网络模型并对其进行调优的步骤。在神经网络训练的过程中,增加数据集的样本数量和种类,达到对神经网络的参数进行调优的效果。
S300,控制增材制造机器人根据当前工艺参数进行增材制造,采集当前熔池图像,通过当前熔池图像和成形质量检测模型对增材制造的造件进行质量预测,得到质量预测信息。
需要说明的是,质量预测信息包括增材制造对应的工艺参数、熔池的位置信息和类别以及对应的成形质量的质量编号。
本步骤为通过训练好的神经网络模型进行实时成形质量监测的步骤。通过训练好的成形质量预测模型搭建高速相机实时监测系统,系统可实时输出熔池追踪信息与成形质量预测信息。
本申请的一个实施例,下面将对S100中采集实验熔池图像进行进一步地说明和阐述。采集实验熔池图像的过程为:
首先,控制增材制造机器人执行i次增材制造实验,每次增材制造试验的工艺参数均不同,得到i个增材造件。第i个增材造件对应于第i组增材制造实验。
需要说明的是,工艺参数是指用于控制与指导增材制造机器人进行打印的工艺参数。工艺参数可以包括但不限于:
激光功率,是指增材制造机器人的激光器的工作功率,单位通常为瓦。
扫描速度,是指增材制造机器人扫描切片文件中的切片的速率,单位通常为mm/s。
送粉速度,也称为粉末质量流量,是指3D打印的喷涂材料为粉末时,单位时间内,送入增材制造机器人的熔覆头101的粉末的质量。
在进行增材制造实验时,通过旁轴高速相机103采集若干张实验熔池图像,构成i组熔池实验数据集。第i组熔池实验图像数据集对应于第i组增材制造实验。
需要说明的是,旁轴高速相机103安装在增材制造机器人的熔覆头101附近。可选地,旁轴高速相机103的色彩模式为黑白,捕获图像格式为tif,图像尺寸为832*600,曝光时间为25微秒,拍摄频率为4000帧每秒。
本具体实施例中,增材制造实验是指激光打印一条直线熔覆道。i的值选择为48,即控制增材制造机器人激光打印48条直线熔覆道。在激光打印的时候,旁轴高速相机103捕获48道单道实验的熔池图片,共采集50余万张的旁轴熔池图片。
参照图4所示,图4所示为本申请实施例提供的预处理实验熔池图像的流程图。本申请的一个实施例,下面将对S100中预处理实验熔池图像的过程进行进一步地说明和阐述。预处理实验熔池图像可以包括但不限于以下步骤。
S110,进度分类:按照增材制造实验的实验时间,将增材制造实验的过程等分为十个进度区间。
本步骤中,实验时间是指进行一次增材制造实验所需要的总时长。而增材制造的过程可以理解为增材制造的进度。在每次3D打印时,3D打印的操作系统通常会显示打印进度,当打印进度显示为100%时,则代表此次3D打印完成。因此,本申请将增材制造的进度等分为十个区间,每个区间的前端点和后端点之差为10%,以便于后续处理实验熔池图像。这十个进度区间为:
[0%,10%);本具体实施例中,对应0%-10%进度;其中不包括进度10%;
[10%,20%);本具体实施例中,对应10%-20%进度;其中包括进度10%,且不包括进度20%;
[20%,30%);本具体实施例中,对应20%-30%进度;其中包括进度20%,且不包括进度30%;
[30%,40%);本具体实施例中,对应30%-40%进度;其中包括进度30%,且不包括进度40%;
[40%,50%);本具体实施例中,对应40%-50%进度;其中包括进度40%,且不包括进度50%;
[50%,60%);本具体实施例中,对应50%-60%进度;其中包括进度50%,但不包括进度60%;
[60%,70%);本具体实施例中,对应60%-70%进度;其中包括进度60%,但不包括进度70%;
[70%,80%);本具体实施例中,对应70%-80%进度;其中包括进度70%,但不包括进度80%;
[80%,90%);本具体实施例中,对应80%-90%进度;其中包括进度80%,但不包括进度90%;
[90%,100%];本具体实施例中,对应90%-100%进度;其中包括进度90%和100%。
例如,一次增材制造实验耗时为十分钟,那么可以将这十分钟等分为九个进度区间。第一个区间为零分钟至一分钟,但不包括第一分钟。第二个区间为一分钟至两分钟,其中包括一分钟但不包括两分钟。第三个区间为两分钟至三分钟,其中包括两分钟但不包括三分钟。第四个区间为三分钟至四分钟,其中包括三分钟但不包括四分钟。第五个区间为四分钟至五分钟,其中包括四分钟但不包括五分钟。第六个区间为五分钟至六分钟,其中包括五分钟但不包括六分钟。第七个区间为六分钟至七分钟,其中包括六分钟但不包括七分钟。第八个区间为七分钟至八分钟,其中包括七分钟但不包括八分钟。第九个区间为八分钟至九分钟,其中包括八分钟但不包括九分钟。第十个区间为九分钟至十分钟,其中包括九分钟和十分钟。
需要注意的是,在本申请其他实施例中,还可以根据增材制造的进度等分或不等分为其他数量的进度区间,并且进度区间所包括的进度也可以根据实际情况而定。
S120,丢弃与选取数据:在每一组熔池实验数据集中,丢弃进度为[0%,10%)、[10%,20%)、[70%,80%)、[80%,90%)和[90%,100%]的实验熔池图像,从[20%,30%)进度区间、[30%,40%)进度区间、[40%,50%)进度区间、[50%,60%)进度区间、[60%,70%)进度区间中分别随机选取一定数量的实验熔池图像。
可以理解的是,一定数量是指预设的样本数量。比如,预设样本数量为40张。那么,则从属于20%-30%、30%-40%、50%-60%、60%-70%进度的图像中均随机抽选40张熔池图像。
本步骤中,在实际的增材制造过程中,打印进度为0-20%时,打印所使用的材料尚未熔融,或者材料熔融状态还未稳定。因此,进度为0-20%的熔池图像存在一定的误差,无法准确地反映增材制造过程情况。而打印进度为70-100%时,增材制造作业即将结束,而由于相机视野问题,旁轴相机的镜头被造件阻挡,无法采集到熔池图像。因此,本申请舍弃在每次实验中,打印进度为0-20%以及打印进度为70-100%的熔池图像。
实际应用中,丢弃的熔池图像可以不局限于进度为0-20%和70-100%的图像。增材制造所使用的机器人可以根据实际情况而定,那么机器人的参数也会不同于本申请实施例。因此,丢弃的熔池图像可以根据实际情况而定。但需要注意的是,所丢弃的熔池图像必须满足如下两个条件:若图像中的材料尚未熔融或者材料熔融状态还未稳定,那么丢弃此图像;若图像无法反映增材制造作业,那么丢弃此图像。
另外,随机抽选图像数据是为了增强数据的不稳定性,防止模型训练过程中出现过拟合的情况。
本申请中,为了保证每一道单道实验的全程均有对应的图像数据映射增材制造的过程,并防止随机选取的数据集中于某一进度区间,本申请在拍摄每一道单道实验的过程中选取等分的时间点,即等分增材制造的过程为若干个进度区间,并在每个进度时间点附近选取等量的熔池图片。同时,考虑到进度前20%的图片多为还未开始熔融或熔融还未稳定的图片,而进度后20%的图片则由于相机视野问题都无法拍摄到,因此舍弃这两部分的图像。最后,数据集的提取规则如下:每一组原始的熔池实验数据集中,从进度20%处开始,分别在20%-30%、30%-40%、40%-50%、50%-60%、60%-70%这五个区间各随机取一定量的图像。
本具体实施例中,对于每一组熔池实验数据集,分别在20%-30%、30%-40%、40%-50%、50%-60%、60%-70%这五个区间中各随机取40张实验熔池图像,48组单道实验共取9600张实验熔池图像。
S130,质量分级:根据润湿角阈值,筛选润湿角小于润湿角阈值的增材造件,并根据稀释率将筛选后的增材造件进行成形质量分类,确定每个增材造件对应的质量编号。
需要说明的是,润湿角阈值为80°。在实际应用中,润湿角阈值可根据实际情况而定,本申请对润湿角阈值不作具体限定。
本步骤中,通过熔池的稀释率、润湿角和宽高比来反应熔覆道的质量。稀释率、润湿角和宽高比均可以通过熔覆道截面图测量得到,此截面图通过线切割、磨样、抛光、腐蚀处理后,经光镜拍摄得到。定向能量沉积的最终目标是打印特定质量或特定形状的工件,往往需要进行熔覆道搭接,而稀释率、宽高比和浸润角均为可以衡量熔覆道能否进行优质搭接的指标。
其中,稀释率是指焊缝横截面积中,母材熔入的金属面积与焊缝横截面积之百分比。通常,填充金属的成分同母材成分往往并不相同,特别是异质金属相焊或合金堆焊时。当堆焊金属的合金成分主要来自填充金属时,局部熔化了的母材在焊缝中的效果可以认为是稀释。因此,熔合比又常称为稀释率。
本具体实施例中,稀释率可以通过熔池深度b和熔池高度h计算得到。参照图5所示,图5为本申请实施例提供的熔覆道截面图,此附图反映了熔覆道的润湿角θ、熔池深度b、熔池高度h和熔池宽度w。因此,稀释率满足以下公式:
其中,D%表示稀释率。
其中,润湿角(Wetting Angle)是指液相与固相的接触点处液固界面和液态表面切线的夹角。当夹角等于0°时,表示完全润湿,即液体可以在固体的表面上自由铺展。当夹角小于90°时表示润湿,并且润湿效果随着角度增加而变差。而当夹角大于90°时,因润湿张力较小而基本不润湿。当夹角等于180°时,表示完全不润湿。参照图5所示,图5中的润湿角通过θ角来表示。
根据润湿角阈值,将低于80°的润湿角对应的增材造件进行筛选。之后,根据预设的质量分类规则和稀释率,对剩下的增材造件进行质量分类,确认其映射质量编号。这样做以便于将每个实验的增材造件的质量情况添加到对应的标签数据中,以完善数据集。
本具体实施例中,质量分类规则如下:
质量等级分为四级,对应于四个质量编号:编号0、编号1、编号2和编号3。具体地,编号0表示增材造件的稀释率过小,其质量等级为不及格。将稀释率D%<10%的增材造件归类为编号0。编号1表示增材造件的稀释率一般,其质量等级为及格。将稀释率10%≤D%≤15%的增材造件归类为编号1。编号2表示增材造件的稀释率优秀,其质量等级为优秀。将稀释率15%<D%≤25%的增材造件归类为编号2。编号3表示增材造件的稀释率过大,其质量等级与编号0的质量等级相同,均为不及格。将稀释率D%>25%的增材造件归类为编号3。
本申请中,由于每一次实验的工艺参数均不相同,质量编号实际上反映了不同的工艺参数对应于不同的成形质量,也就是说,质量编号映射了工艺参数与成形质量的关系。参照图6和图7所示,图6为本申请实施例提供的不同的单道处理后的横截面图;图7为本申请实施例提供的不同的单道表面质量示意图。如图6和图7所示,根据质量分类规则可以将实验熔池图像分类为不同的质量编号对应的类别。
S140,数据处理:对随机选取的实验熔池图像进行标签处理,得到实验熔池图像对应的标签数据,将质量编号添加至对应的实验熔池图像的标签数据中,并对标签处理后的实验熔池图像进行数据扩增,构成熔池数据集。
具体地,数据处理的步骤如下:
S141,通过图像标记工具对随机选取的实验熔池图像中的目标进行标记,定位目标的类别和位置信息,得到实验熔池图像的标签数据,并将质量编号添加至对应的实验熔池图像的标签数据中。
需要说明的是,目标为熔池。图像标记工具为Labellmg。
本步骤中,由于目标检测算法的目的在于找出高速相机拍摄的图像中感兴趣的目标,即熔池,并且确定熔池的类别和位置。因此,在制作目标检测所使用的数据集时,首先需要通过LabelImg工具对随机选取得到的实验熔池图像进行信息标注,并生成对应的标签数据。其中,标签数据包括熔池的类别、熔池在图像中的位置信息以及熔池的面积信息等。同时,将S130中得到的质量编号添加到对应的标签数据中。
例如,第一组熔池数据集对应的是第一次增材制造实验,此次增材制造实验生产第一增材造件。经过质量评估,第一增材造件的质量为“优秀”,质量编号为三。那么质量编号三添加到第一次增材制造实验中的所有实验熔池图像的标签数据中。第二组熔池数据集对应的是第二次增材制造实验,此次增材制造实验生产了第二增材造件。经过质量评估,第二增材造件的质量为“一般”,质量编号二。那么质量编号二添加到第二第一次增材制造实验中的所有实验熔池图像的标签数据中。以此类推,直到将所有熔池图像的标签数据均添加有对应的质量编号。
本具体实施例中通过LabelImg工具对9600张实验熔池图像进行打标签操作。
S142,对实验熔池图像进行线性变换和模糊滤波处理。
本步骤中,实验熔池图像为灰度图像,线性变换为灰度变换的方式之一,线性变换是指原图像灰度值为x,通过线性变换函数f(x)=kx+b对像素灰度值进行变换操作。
具体地,定义函数为s=T(r),其中T为灰度变换函数,r是变换前的灰度,s为变换后的像素。而线性变换方程为f(x)=kx+b,f(x)为变换后的灰度值,x为变换前的灰度值。当斜率k大于一时,线性变换会增大灰度之间的对比度;当k大于零且小于一时,线性变换会减小灰度之间的对比度。通过改变k和b这两个变量的值,来调整实验熔池图像的变换结果。本申请对实验熔池图像进行线性变换的目的是增强图像的对比度。
可选地,对实验熔池图像进行分段,并采用不同的线性变换函数对每一段图像进行变换操作。这样可以将实验熔池图像中感兴趣区域的对比度增大,将非感兴趣区域的对比度压缩。
另外,图像模糊滤波是通过卷积算子对图像进行计算,因此又称为线性滤波。卷积计算满足以下公式:
其中,h(k,l)为卷积算子,f(i,j)为图像的像素。
本步骤中,通过中值滤波来进行实验熔池图像的模糊滤波,以使得实验熔池图像更加平滑。中值滤波是指将卷积核内的像素重新排序,将中间值取出来去替换中心点的像素值。中值滤波对图像的椒盐噪声有很好的抑制效果。
S143,对处理后的实验熔池图像进行数据扩增,得到数据扩增图像,并调整数据扩增图像和实验熔池图像的分辨率,使得数据扩增图像和实验熔池图像的分辨率相同。
本步骤中,目标检测模型性能较差的其中一个原因是训练中的目标的再现性较差。为了提高目标检测模型的性能,保证训练过程中熔池目标的再现性,本申请采用多种数据扩增方法对实验熔池图像进行样本扩增。在完成数据扩增后,将数据扩增得到的数据扩增图像和实验熔池图像一并调整为分辨率为640*640的图像。最后,构成熔池数据集。
可选地,数据扩增的方式可以包括但不限于图像拼接、目标熔池随机粘贴、随机仿射变换等。其中:
图像拼接是指将两幅或两幅以上的熔池图像拼接在一起,构成新的图像。
目标熔池随机粘贴是指将一幅熔池图像中的熔池目标随机复制粘贴另一幅熔池图像中的任一位置,使得另一幅熔池图像变为新的图像。复制粘贴的次数可以是多次。
随机仿射变换是指将任一熔池图像进行缩放、翻折和旋转等处理,构成新的图像。
本申请的一个实施例,下面将对步骤200中训练神经网络的过程进行说明和阐述。本申请训练神经网络的过程可以分为两个步骤:第一个步骤是预训练神经网络;第二个步骤是对预训练完毕的神经网络(以下称为预训练模型)进行调优,进行二次训练,最终得到质量预测模型。
具体地,预训练神经网络的过程包括:
首先,将熔池训练集按照1∶1的比例划分为训练集和验证集。
本步骤中,随机抽取所述熔池训练集中的50%的实验熔池图像作为训练集,剩下的50%的实验熔池图像作为验证集。
然后,基于YOLOv5搭建神经网络模型,将训练集和验证集作为神经网络模型的输入,对神经网络模型进行预训练,得到预训练后的神经网络模型。
需要说明的是,YOLOv5网络模型主要分为输入端、主干网络、Neck网络和预测端这四个模块,其采用GIOU_Loss作为损失函数,通过非极大值抑制NMS来筛选目标框。YOLOv5的SPPF模块的计算速度相比于过往的SPP模块更快。除了SPPF,Neck网络中还采用了自上而下的FPN特征金字塔和自下而上的PAN特征金字塔来提升网络的特征提取能力。
其中,损失函数GIOU满足:
其中,M表示目标真实框和预测框之间的交集,N表示目标真实框和预测框之间的并集,IOU表示交集和并集之比。目标真实框和预测框的最小外接矩形通过C来表示,D为C与并集N之间的差集。因此,GIOU_Loss可通过如下公式来表示:
本步骤中,设定网络模型的训练参数,如修改迭代次数、初始化学习率和设定图像通道数等。设定训练参数后,将抽选得到的训练集输入到YOLOv5网络中进行训练,得到网络的权重文件YOLOv5.pt。本具体实施例中,网络模型参数设定如下:初始学习率为0.01;
学习率动量(Momentum) | 批量数据(Batch-Size) | IOU损失系数(Box) |
0.937 | 32 | 0.5 |
权重衰减系数(weight_decay) | 分类损失系数(CIs) | 迭代次数(Epochs) |
0.0005 | 0.5 | 250 |
在得到预训练模型后,对网络模型进行调优。具体地,网络调优的过程包括:
首先,控制所述增材制造机器人执行多次增材制造测试,在增材制造测试的过程中通过同轴CCD相机102采集若干张同轴熔池图像,通过旁轴高速相机103采集若干张旁轴熔池图像。
本步骤中,设置不同的工艺参数,控制增材制造机器人进行若干次增材制造测试。在进行测试的过程中,使用同轴CCD相机102拍摄多张同轴熔池图像,同时,旁轴高速相机103拍摄多张旁轴熔池图像。旁轴熔池图像用于测试训练完毕的神经网络的性能。同轴熔池图像用于对预训练模型进行调优。
再者,对同轴熔池图像和旁轴熔池图像进行预处理,构成测试集和调优训练集。
具体地,使用前述S130和S140的步骤处理旁轴熔池图像。先根据质量分类规则对增材制造测试得到的增材造件进行质量评估和分类,生成质量编号;后对旁轴熔池图像进行打标签和数据扩增操作,并把旁轴熔池图像对应的质量编号添加到标签数据中。将处理后的旁轴熔池图像分为测试集和待调优训练集。
处理同轴熔池图像,提取其中的熔池参数信息,熔池参数信息为增材制造测试对应的工艺参数、熔池的宽度、高度和深度等。将同轴熔池图像的熔池参数信息添加至待调优训练集中对应的旁轴熔池图像的标签数据中,进而构成调优训练集。
然后,将调优训练集作为预训练后的神经网络模型的输入,对预训练后的神经网络模型进行训练。
本步骤中,将调优训练集输入到预训练模型中,在权重文件YOLOv5.pt的基础上继续训练优化。在训练优化结束之前,需要人为对少量CCD相机判断异常信息进行修正。本申请的网络调优侧重于对学习率的优化。在warm-up阶段,采用一维线性插值来进行对每次迭代的学习率进行更新。在warmp-up阶段以后采用的余弦退火算法来对学习率进行更新。最终使得学习率下降至0.01*0.01。
最后,采用所述测试集评估所述神经网络模型的性能,输出成形质量预测模型。
参照图8所示,图8所示为本申请实施例提供的成形质量预测模型的性能曲线图。图8是本申请实施例的模型训练实验数据,具体如下:
“train/box_loss”是指训练集boundingbox损失。本具体实施例中,训练集boundingbox损失为0.0116。
“train/obj_loss”是指训练集目标检测损失均值。本具体实施例中,训练集目标检测损失均值为0.0032。
“train/cls_loss”是指训练集分类损失均值。本具体实施例中,训练集损失均值为0.0001。
“metrics/precision”是指查准率。本具体实施例中,查准率为0.9995。
“metrics/Recall”是指查全率。本具体实施例中,查全率为0.9993。
“val/box_loss”是指验证集boundingbox损失。本具体实施例中,验证集boundingbox损失为0.0168。
“val/obj_loss”是指验证集目标检测损失均值。本具体实施例中,验证集目标检测损失均值为0.0036。
“val/cls_loss”是指验证集分类损失均值。本具体实施例中,验证集分类损失均值为0.0001。
“metrics/mAP_0.5”是指阈值大于0.5的平均精度均值。本具体实施例中,此平均精度均值为0.9950。
“metrics/mAP_0.5:0.95”是指阈值在阈值区间[0.5,0.95]内,步长为0.05的平均精度均值。本具体实施例中,此平均精度均值为0.7544。
通过图8可以得知,该模型随着迭代次数的增加,准确度不断提升,损失逐渐降低。本申请通过调优,使得神经网络模型的训练集boundingbox损失下降到0.0116,目标检测损失均值下降并稳定到0.0032,分类损失均值下降收敛到0.0001,网络预测熔池图像对应的成形质量的准确率达到99.9%。本申请提供的成形质量监测方法从获取单张熔池图像到对其完成质量预测的时间低于0.005秒。图8以及上述实验数据不仅体现了本申请的成形质量预测模型的性能要优于现有技术中大部分的神经网络模型(如CNN模型、PNCNN模型和LSTM模型),还证明了本申请的模型调优方法能够提升预测模型的性能。
本申请的一个实施例,下面将对S300进行进一步地说明和阐述。S300可以包括但不限于以下步骤。
通过高速相机实时监测系统采集当前增材制造的当前熔池图像,将当前熔池图像输入成形质量检测模型中。
本步骤中,将成形质量检测模型搭载在高速相机实时监测系统,监测系统拍摄当前图像,并将当前图像输入至系统中进行检测。高速相机实时监测系统的安装位置与前述旁轴高速相机103的安装位置相同。
通过成形质量检测模型对当前熔池图像进行质量预测,得到质量预测信息。
需要说明的是,质量预测信息包括:此次增材制造对应的工艺参数、熔池的位置信息和类别,以及熔池对应的成形质量的质量编号。其中,工艺参数是指激光功率、扫描速度和送粉速度。
参照图9所示,图9所示为本申请实施例提供的高速相机实时监测系统的结果图。通过图9可知,本申请提供的方法可以实时并且准确地预测熔覆道的单道成形质量,可以避免时间周期较长的后处理工作,能够为不同的增材制造材料的成形质量预测提供数据支撑。
基于上述实施例,本申请还提供了一种增材制造造件成形质量监测系统,上述监测方法应用于此系统。系统由如下单元模块构成:
图像采集单元,包括旁轴高速相机103和同轴CCD相机102。
其中,同轴CCD相机102的作用是采集同轴熔池图像。旁轴高速相机103的作用是采集实验熔池图像和旁轴熔池图像。
数据处理单元,其作用是对所述实验熔池图像、所述旁轴熔池图像、所述同轴熔池图像进行预处理,构成熔池数据集、调优训练集和测试集;
预训练单元,其作用是搭建神经网络模型,通过所述熔池数据集预训练所述神经网络模型;
调优单元,其作用是通过调优训练集对预训练后的所述神经网络模型进行调优处理,并通过测试集测试调优处理后的神经网络模型的性能,生成成形质量检测模型;
高速相机实时监测系统,搭载有所述成形质量检测模型,其作用是采集当前熔池图像,通过所述成型质量检测模型对所述当前熔池图像进行质量检测,模型预测输出质量预测信息。
可选地,数据处理单元、预训练单元、调优单元集成于PC端。
另外,本申请还提供了一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行所述的一种增材制造造件成形质量监测方法。
本申请具有如下技术效果:
(1)利用激光熔覆过程中形成的熔池或者熔覆道,提取熔池或者熔覆道的润湿角特征和稀释率特征作为熔池的特征参数,润湿角和稀释率能够更加全面地反映熔覆道的质量。
(2)通过预训练和调优训练得到用于预测的神经网络模型,此模型具有更高的准确率和泛化能力,能够快速且准确地识别和分类增材制造过程中不同状态的熔池,并预测熔池的成形质量。
(3)通过搭载预测模型的高速相机监测系统对增材制造的过程进行监测和质量预测,通过预测结果可对工艺参数进行修正,降低了生产成本;同时,避免时间周期较长的后处理工作,能够为不同的增材制造材料的成形质量预测提供数据支撑。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其他步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,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,在本申请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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机、服务器或者网络装置等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于上述方法实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
Claims (10)
1.一种增材制造造件成形质量监测方法,其特征在于,包括如下步骤:
控制增材制造机器人进行增材制造实验,在所述增材制造实验的过程中采集实验熔池图像并对所述实验熔池图像进行预处理,构成熔池数据集;
搭建神经网络模型,通过所述熔池数据集训练所述神经网络模型,得到预训练后的神经网络模型,并对所述预训练后的神经网络模型进行调优处理,生成成形质量检测模型;
控制所述增材制造机器人根据当前工艺参数进行增材制造,采集当前熔池图像,通过所述当前熔池图像和所述成形质量检测模型对增材制造的造件进行质量预测,得到质量预测信息;
其中,所述质量预测信息包括所述增材制造对应的工艺参数、所述熔池的位置信息和类别以及对应的成形质量的质量编号。
2.根据权利要求1所述的一种增材制造造件成形质量监测方法,其特征在于,所述控制增材制造机器人进行增材制造实验,在所述增材制造实验的过程中采集实验熔池图像,包括:
控制所述增材制造机器人执行i次增材制造实验,每次增材制造试验的工艺参数均不同,得到i个增材造件;
其中,第i个增材造件对应于第i组增材制造实验;
在进行所述增材制造实验时,通过旁轴高速相机采集若干张实验熔池图像,构成i组熔池实验数据集;
其中,第i组熔池实验图像数据集对应于第i组增材制造实验。
3.根据权利要求1所述的一种增材制造造件成形质量监测方法,其特征在于,所述对所述实验熔池图像进行预处理,构成熔池数据集,包括:
按照所述增材制造实验的实验时间,将所述增材制造实验的过程等分为十个进度区间;
其中,所述十个进度区间分别为:[0%,10%)、[10%,20%)、[20%,30%)、[30%,40%)、[40%,50%)、[50%,60%)、[60%,70%)、[70%,80%)、[80%,90%)和[90%,100%];
在每一组所述熔池实验数据集中,丢弃进度为[0%,10%)、[10%,20%)、[70%,80%)、[80%,90%)和[90%,100%]的所述实验熔池图像,从所述[20%,30%)进度区间、[30%,40%)进度区间、[40%,50%)进度区间、[50%,60%)进度区间、[60%,70%)进度区间中分别随机选取一定数量的所述实验熔池图像;
根据润湿角阈值,筛选润湿角小于所述润湿角阈值的增材造件,并根据稀释率将筛选后的所述增材造件进行成形质量分类,确定每个所述增材造件对应的质量编号;
其中,所述润湿角阈值为80°;
对随机选取的所述实验熔池图像进行标签处理,得到所述实验熔池图像对应的标签数据,将所述质量编号添加至对应的所述实验熔池图像的标签数据中,并对标签处理后的所述实验熔池图像进行数据扩增,构成熔池数据集。
4.根据权利要求3所述的一种增材制造造件成形质量监测方法,其特征在于,所述根据稀释率将筛选后的所述增材造件进行成形质量分类,确定每个所述增材造件对应的质量编号,包括:
将所述稀释率小于10%的增材造件归类至编号零,所述编号零用于映射所述增材造件的稀释率过小,所述增材造件的质量等级为不及格;
将所述稀释率大于或小于10%且小于或等于15%的增材造件归类至编号一,所述编号一用于映射所述增材造件的稀释率一般,所述增材造件的质量等级为及格;
将所述稀释率大于15%且小于或等于25%的增材造件归类至编号二,所述编号二用于映射所述增材造件的稀释率优秀,所述增材造件的质量等级为优秀;
将所述稀释率大于25%的增材造件归类至编号三,所述编号三用于映射所述增材造件的稀释率过大,所述增材造件的质量等级为不及格。
5.根据权利要求4所述的一种增材制造造件成形质量监测方法,其特征在于,所述对随机选取的所述实验熔池图像进行标签处理,得到所述实验熔池图像对应的标签数据,将所述质量编号添加至对应的所述实验熔池图像的标签数据中,并对标签处理后的所述实验熔池图像进行数据扩增,包括:
通过图像标记工具对所述随机选取的所述实验熔池图像中的目标进行标记,所述目标为熔池,定位所述目标的类别和位置信息,得到所述实验熔池图像的标签数据,并将所述质量编号添加至对应的所述实验熔池图像的所述标签数据中;
对所述实验熔池图像进行线性变换和模糊滤波处理;
对处理后的所述实验熔池图像进行数据扩增,得到数据扩增图像,并调整所述数据扩增图像和所述实验熔池图像的分辨率,使得所述数据扩增图像和所述实验熔池图像的分辨率相同。
6.根据权利要求1所述的一种增材制造造件成形质量监测方法,其特征在于,所述搭建神经网络模型,通过所述熔池数据集训练所述神经网络模型,得到预训练后的神经网络模型,包括:
将所述熔池训练集按照1:1的比例划分为训练集和验证集;
基于YOLOv5搭建神经网络模型,将训练集和验证集作为神经网络模型的输入,对神经网络模型进行预训练,得到预训练后的神经网络模型及其权重文件YOLOv5.pt。
7.根据权利要求6所述的一种增材制造造件成形质量监测方法,其特征在于,所述对所述预训练后的神经网络模型进行调优处理,生成成形质量检测模型,包括:
控制所述增材制造机器人执行多次增材制造测试,在所述增材制造测试的过程中,通过同轴CCD相机采集若干张同轴熔池图像,通过旁轴高速相机采集若干张旁轴熔池图像;
对所述同轴熔池图像和所述旁轴熔池图像进行预处理,构成测试集和调优训练集;
将所述调优训练集作为所述预训练后的神经网络模型的输入,在所述权重文件YOLOv5.pt的基础上对所述预训练后的神经网络模型进行训练;
采用所述测试集评估所述神经网络模型的性能,输出成形质量预测模型。
8.根据权利要求7所述的一种增材制造造件成形质量监测方法,其特征在于,所述对所述同轴熔池图像和所述旁轴熔池图像进行预处理,构成测试集和调优训练集,包括:
根据稀释率,对所述增材制造测试得到的若干个测试增材造件进行成形质量分类,确定每个所述测试增材造件对应的质量编号;
对所述旁轴熔池图像进行标签处理,得到所述旁轴熔池图像对应的标签数据,将所述测试增材造件对应的质量编号添加至对应的所述标签数据中;
对标签处理后的所述旁轴熔池图像进行数据扩增,扩增后的所述旁轴熔池图像分类为测试集和待调优训练集;
提取所述同轴熔池图像中的熔池参数信息,所述熔池参数信息包括所述增材制造测试对应的工艺参数、熔池的宽度、高度和深度;
将所述熔池参数信息添加至所述待调优训练集中对应的所述旁轴熔池图像的标签数据中,构成所述调优训练集。
9.一种增材制造造件成形质量监测系统,其特征在于,包括:
图像采集单元,包括旁轴高速相机和同轴CCD相机,用于采集实验熔池图像、同轴熔池图像和旁轴熔池图像;
数据处理单元,用于对所述实验熔池图像、所述同轴熔池图像和所述旁轴熔池图像进行预处理,构成熔池数据集、调优训练集和测试集;
预训练单元,用于搭建神经网络模型,通过所述熔池数据集训练所述神经网络模型,得到预训练后的神经网络模型;
调优单元,用于通过所述调优训练集对预训练后的所述神经网络模型进行调优处理,并通过所述测试集对调优处理后的神经网络模型进行性能测试,生成成形质量检测模型;
高速相机实时监测系统,搭载有所述成形质量检测模型,用于采集当前熔池图像,通过所述成形质量检测模型对所述当前熔池图像进行质量检测,模型预测输出质量预测信息。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-8任一项所述的一种增材制造造件成形质量监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211682419.0A CN115775249A (zh) | 2022-12-26 | 2022-12-26 | 一种增材制造造件成形质量监测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211682419.0A CN115775249A (zh) | 2022-12-26 | 2022-12-26 | 一种增材制造造件成形质量监测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115775249A true CN115775249A (zh) | 2023-03-10 |
Family
ID=85393556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211682419.0A Pending CN115775249A (zh) | 2022-12-26 | 2022-12-26 | 一种增材制造造件成形质量监测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775249A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051562A (zh) * | 2023-03-31 | 2023-05-02 | 北京大学 | 基于深度生成网络的金属3d打印质量预测方法 |
CN117805248A (zh) * | 2024-02-29 | 2024-04-02 | 云耀深维(江苏)科技有限公司 | 利用声学测量实现增材制造质量监测的方法和系统 |
-
2022
- 2022-12-26 CN CN202211682419.0A patent/CN115775249A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051562A (zh) * | 2023-03-31 | 2023-05-02 | 北京大学 | 基于深度生成网络的金属3d打印质量预测方法 |
CN117805248A (zh) * | 2024-02-29 | 2024-04-02 | 云耀深维(江苏)科技有限公司 | 利用声学测量实现增材制造质量监测的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Caggiano et al. | Machine learning-based image processing for on-line defect recognition in additive manufacturing | |
CN115775249A (zh) | 一种增材制造造件成形质量监测方法、系统及存储介质 | |
US20210318673A1 (en) | In-Situ Inspection Method Based on Digital Data Model of Weld | |
Yang et al. | Investigation of deep learning for real-time melt pool classification in additive manufacturing | |
US20160098825A1 (en) | Feature extraction method and system for additive manufacturing | |
EP3495904A1 (en) | Method and apparatus for predicting manufacturing parameters of a product to be manufactured in a 3d-printing process | |
Angelone et al. | Bio-intelligent selective laser melting system based on convolutional neural networks for in-process fault identification | |
Wu et al. | In situ monitoring methods for selective laser melting additive manufacturing process based on images—A review | |
US20230260103A1 (en) | Computer-implemented, adapted anomaly detection method for powder-bed-based additive manufacturing | |
CN112557445B (zh) | 一种基于增材制造的缺陷在线检测方法、装置和系统 | |
CN116597391B (zh) | 一种焊缝表面形貌和熔透状态同步在线监测方法 | |
Kim et al. | Deep learning-based data registration of melt-pool-monitoring images for laser powder bed fusion additive manufacturing | |
EP3712846A1 (en) | Recoater automated monitoring systems and methods for additive manufacturing machines | |
Zhang et al. | In situ monitoring of direct energy deposition via structured light system and its application in remanufacturing industry | |
Pacher et al. | Real-time continuous estimation of dross attachment in the laser cutting process based on process emission images | |
US20210197282A1 (en) | Method and apparatus for estimating height of 3d printing object formed during 3d printing process, and 3d printing system having the same | |
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 | |
Gajbhiye et al. | In situ image processing for process parameter-build quality dependency of plasma transferred arc additive manufacturing | |
Delacroix et al. | Measurement of powder bed oxygen content by image analysis in laser powder bed fusion | |
Chen et al. | In-Process Sensing, Monitoring and Adaptive Control for Intelligent Laser-Aided Additive Manufacturing | |
Safari et al. | Dependency Evaluation of Defect Formation and Printing Location in Additive Manufacturing | |
Terry et al. | Active Monitoring of Selective Laser Melting Process by Training an Artificial Neural Net Classifier on Layer-By-Layer Surface Laser Profilometry Data | |
Courtier et al. | Predictive visualization of fiber laser cutting topography via deep learning with image inpainting | |
Dellarre et al. | Qualify a near-infrared camera to detect thermal deviation during aluminum alloy Wire Arc Additive Manufacturing | |
Imran et al. | In-Situ Process Monitoring and Defects Detection Based on Geometrical Topography With Streaming Point Cloud Processing in Directed Energy Deposition |
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 |