[發明專利]監控金屬基復材的激光熔覆過程的監控方法及系統與平臺

在審

• 申請號: 202211409047.4
• 申請日: 2022-11-11
• 公開（公告）號: CN115909145A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 黃海鴻;陳穎;徐鴻蒙;劉志峰
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/80;G06V10/82;G06N3/0464;G06N3/047;G06N3/08;G01J5/48
• 代理公司: 合肥市澤信專利代理事務所(普通合伙) 34144
• 代理人: 方榮肖

1.一種基于全深度可分離卷積的監控金屬基復材在激光熔覆過程中的監控方法，所述監控方法包括以下步驟：

S1，捕捉在連續時間下金屬基復材在激光熔覆過程中的實時激光熔覆動態視頻；

S2，將所述實時激光熔覆動態視頻分解為多張單獨幀的實時激光熔覆圖像；

S3，將每張實時激光熔覆圖像依次送入一個神經網絡的網絡模型中，通過所述網絡模型實時識別所述金屬基復材在激光熔覆過程中的激光熔覆狀態；

其特征在于，所述神經網絡為基于CNN框架建立的基于全深度可分離卷積神經網絡FD-Net；所述神經網絡的建立方法包括以下步驟：

S31，利用深度可分離卷積和通道清洗建立多個全深度可分離卷積模塊，

S32，將所述多個全深度可分離卷積模塊進行不同數量的堆疊建立所述網絡模型，所述模型表征基于CNN框架建立的基于全深度可分離卷積神經網絡FD-Net；

其中，每個全深度可分離卷積模塊的建立方法包括以下步驟：

S311，將每個全深度可分離卷積模塊的輸入通道進行等分，兩條分路分別進行深度可分離卷積，使用不同大小的卷積核提取特征，形成兩路維度；

S312，利用Concat操作將所述兩路維度拼接；

S313，拼接后的兩路維度進行通道清洗操作，實現不同通道間的特征融合，形成所述全深度可分離卷積模塊。

2.如權利要求1所述的基于全深度可分離卷積的監控金屬基復材在激光熔覆過程中的監控方法，其特征在于：在S311中，所述全深度可分離卷積模塊分別利用3×3和7×7大小的卷積核進行特征提取。

3.如權利要求1所述的基于全深度可分離卷積的監控金屬基復材在激光熔覆過程中的監控方法，其特征在于：在S32中，按照1:1:3:1的數量比堆疊所述全深度可分離卷積模塊建立所述網絡模型。

4.如權利要求1所述的基于全深度可分離卷積的監控金屬基復材在激光熔覆過程中的監控方法，其特征在于：所述網絡模型在使用前，需要進行訓練、調優和測試：

開展多組不同激光能量輸入下，所述金屬基復材的激光直接能量沉積實驗，采集對應的多組實驗激光熔覆動態視頻；

將每組實驗激光熔覆動態視頻分解為多張單獨幀的實驗激光熔覆圖像；

對所有實驗激光熔覆圖像均進行預處理和數據增強操作，并均添加圖像標簽，由此建立原始數據集；

將原始數據集中的所有實驗激光熔覆圖像，按照目標比例隨機分為訓練集、驗證集和測試集；

將所述訓練集、所述驗證集以及所述測試集分別送入所述網絡模型進行訓練、調優和測試，并保存最好的模型參數，由此更新所述網絡模型。

5.如權利要求4所述的基于全深度可分離卷積的監控金屬基復材在激光熔覆過程中的監控方法，其特征在于：所述網絡模型進行訓練、調優和測試時：

經過模型卷積、ReLU激活函數激活以及BN歸一化堆疊操作，不斷的對所述原始數據集的每張實驗激光熔覆圖像中的熔池狀態圖像特征進行深度提取，得到高維抽象的輸出特征圖；

將所述輸出特征圖經過所述網絡模型的全連接層展開為一維向量，然后輸入到所述網絡模型的softmax分類層，并利用損失函數計算損失；

通過一階梯度的隨機優化算法ADAM不斷更新所述網絡模型的權重參數，從而最小化所述損失函數，幫助所述網絡模型完成訓練和優化；

通過所述網絡模型在驗證集上的表現來判斷是否保存所述網絡模型；如果判斷保存所述網絡模型，則每訓練一個循環，若所述驗證集上的精度是當前最優結果則保存所述網絡模型的權重，反之則不保存；

將所述測試集送入到所述網絡模型中，加載保存好的所述網絡模型的模型參數，根據測試結果來判斷所述網絡模型的最終性能。

6.如權利要求4所述的基于全深度可分離卷積的監控金屬基復材在激光熔覆過程中的監控方法，其特征在于：所述預處理為：利用Python-OpenCV工具對每張原始的實驗激光熔覆圖像進行高斯濾波、輪廓檢測和圖像裁剪，提取相應圖像的ROI。