[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

本發明公開了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。所述監控方法采用基于CNN框架建立的基于全深度可分離卷積神經網絡，其建立方法包括：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，并進行不同數量的堆疊建立網絡模型。其中，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；利用Concat操作將兩路維度拼接，再進行通道清洗操作，實現不同通道間的特征融合。本發明在保證高精度的同時大大縮短了參數量和推理時間，大大節省了計算時間和資源，為設計MMC增材制造的實時控制系統打下基礎。

技術領域

本發明涉及增材制造過程監測領域中的一種監控方法、采用所述監控方法的監控系統、具有所述監控系統的實驗平臺，尤其涉及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、采用所述監控方法的監控系統、具有所述監控系統的實驗平臺。

背景技術

隨著產品零件服役環境的日益復雜及苛刻，在基體材料中添加硬質陶瓷顆粒，形成陶瓷增強金屬基復合材料(CRMMC)可以進一步提升激光定向能量沉積的產品硬度、耐磨性等力學性能。但在沉積過程中陶瓷顆粒會發生不同程度的偏聚和溶解，影響CRMMC成形質量的穩定性，而陶瓷顆粒的溶解與偏聚與熔池特性密切相關。因此，對CRMMC在沉積過程中產生的熔池狀態監測是提升最終產品性能的有效手段。

相關研究表明，熔池圖像包含重要的工藝信息，可用于零件的缺陷識別和質量監測。目前，熔池圖像的處理方法中，機器學習技術應用的越來越廣泛。但是傳統的機器學習算法，比如BP神經網絡、SVM以及隨機森林等，需要依靠人工提取熔池的長度、寬度和溫度等簡單特征。依據上述特征，建立工藝參數與熔池狀態或成形質量的預測關系。這種方法存在明顯的缺陷：依靠人工方式提取的特征相對簡單而且過程耗時從而導致模型訓練效率低，并且應用場景單一，很難滿足熔池狀態監測在實際生產工藝中高頻采集帶來的實時性要求，無法實現熔池狀態的工業實時性監測。

隨著深度學習算法的興起，其中的重要分支—卷積神經網絡(CNN)因其具有快速數據處理和圖像特征提取能力，不需要像傳統機器學習手工提取特征而被廣泛應用在熔池圖像的識別處理中。

發明內容

解決實際工業中的熔池狀態實時性需求，是目前亟待解決的增材制造在線監測的應用問題，為此，本發明提供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、采用所述監控方法的監控系統、具有所述監控系統的實驗平臺，其監控方法基于CNN框架建立高精度輕量化全深度可分離神經網絡模型(FD-Net)，將紅外熱像儀采集到的熔池紅外圖像送入模型，實現CRMMC熔池狀態的快速準確識別。

為達到上述目的，本發明采用以下技術方案實現：

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；

其中，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：