[发明专利]一种全卷积神经网络的激光定向能量沉积溅射计数方法

说明书

本发明提出一种全卷积神经网络的激光定向能量沉积溅射计数方法。本发明采集激光定向能量沉积图像，利用拓扑结构分析方法找到每幅图像内所有轮廓，对轮廓建立最小矩形框，分割出最小矩形框内图像并标注标签，构建训练集；搭建全卷积神经网络，将图像及标签输入网络预测，构建损失函数并训练至纳什均衡态优化网络；采集待检测图像，进行形态学处理，用拓扑结构分析方法找到每幅图像轮廓，建立最小矩形框并分割出其内图像，输入网络预测：若为溅射，则保留像素；否则，置为黑色；灰度化、梯度化像素处理后图像，采用分水岭算法找到轮廓，对轮廓数量计数得溅射数量。本发明对激光定向能量沉积过程中的溅射进行识别并计数，利于制造过程的调控。

技术领域

本发明属于激光的定向能量沉积技术领域，尤其涉及一种全卷积神经网络的激光定向能量沉积溅射计数方法。

背景技术

基于激光的定向能量沉积(L-DED)是一种广泛使用的增材制造技术。L-DED使用激光束熔化金属粉末。计算机将复杂零件的CAD模型切成图层，以获取零件的二维平面剖面数据。根据二维平面剖面数据，激光快速熔化金属粉末，通过分层点、线和表面获得复杂部件。其强大的复杂工件处理能力，加上出色的物理和机械性能，都有助于其巨大的应用潜力。

为了提高L-DED加工过程中产品质量，提出了一些方法。杨等人展示了一种用于激光工程网整的网式控制系统，以提高工件处理精度。舒等人.介绍了一种通过改进加工材料成功准备无裂纹零件的方法。Ngoveni等人对L-DED过程中的剩余应力进行了实验分析和建模模拟，并选择了合适的热处理方法，以提高加工零件的机械性能。

L-DED的发展迫切需要一个更可靠和高效的制造工艺。识别图像的缺陷感知可以作为控制过程参数环境数据的强化学习方法，使过程参数的决策系统能够做出最佳决策，实现从感知到决策的集成制造。Gobert等人使用高分辨率相机断层扫描和机器学习来检测原位增材制造工艺中的缺陷。雅各布斯穆伦等人研究了激光束熔化制造过程的质量管理和过程控制方法。Yang等人使用基于遗传算法的最大熵双阈值图像处理算法来识别图像的飞溅体，但捕获的飞溅体形态不是很清楚。方等人使用基于U网的卷积神经网络(CNN)来捕捉熔池的地形特征。

目前主流的增材制造缺陷检测技术主要是通过各种传感器获取零件的图像数据。虽然激光超声波检测能检测零件的地下缺陷，但检测设备复杂、昂贵。检测性能不好，原位检测尚未实现。基于深度学习和计算机视觉算法的图像处理可以真正实现在线就地监控。随着计算能力的增加，图像的预测推理时间可以逐渐缩短。主要技术问题在于深度学习模型体系结构和参数调优的设计。本文构建了L-DED过程的现场监测系统，提出了一个全卷积神经网络(FCN)，以提取飞溅图像的几何特征，在L-DED过程中对飞溅体进行原位监测。

发明内容

为解决现有技术存在的以上技术问题，本发明提供一种全卷积神经网络的激光定向能量沉积溅射计数方法。

本发明的技术方案为一种全卷积神经网络的激光定向能量沉积溅射计数方法

步骤1：采集多幅激光定向能量沉积区域图像，将每幅激光定向能量沉积区域图像利用图像拓扑结构分析方法找到每幅激光定向能量沉积区域图像内的所有轮廓，对找到的轮廓建立最小矩形框，分割出每幅激光定向能量沉积区域图像内最小矩形框内的图像，人工标注每幅激光定向能量沉积区域图像内最小矩形框内的图像的标签，进一步构建全卷积神经网络训练集。

步骤2：搭建全卷积神经网络，将每幅激光定向能量沉积区域图像内最小矩形框内的图像以及对应的标签作为训练样本依次输入到全卷积神经网络中，得到神经网络的预测样本的分属类别的概率预测值，进一步结合人工标注的每幅激光定向能量沉积区域图像内最小矩形框内的图像的标签构建损失函数，通过调整网络学习参数至损失函数达到纳什均衡状态，得到优化后的全卷积神经网络。