在激光粉末床融合与图像处理中同时检测毛孔和提取形态特征
Jiaming Li1, Xiaoxun Zhang1, Fang Ma2
1School of Materials Science and Engineering, Shanghai University of Engineering Science, Shanghai 201620, China.
Materials (Basel, Switzerland)
|March 28, 2024
概括
这项研究引入了一种新的方法,用于检测激光粉床融合 (LPBF) 部件的内部孔缺陷,使用光学显微镜图像. 该方法在有限的数据中提供了高精度,降低了检测成本并改善了质量控制.
科学领域:
- 材料科学 材料科学 材料科学
- 添加剂制造 添加剂制造 添加剂制造
- 质量控制 质量控制 质量控制
背景情况:
- 在激光粉床融合 (LPBF) 部件中,内部孔缺陷很常见,会对机械性能产生负面影响.
- 目前用于缺陷检测的监督模型由于广泛的数据,标签和计算要求而昂贵.
研究的目的:
- 利用光学显微镜 (OM) 图像开发一种具有成本效益的方法来分类和检测LPBF部件中的孔缺陷.
- 为了提高毛孔缺陷检测的准确性,特别是有限的样本数据.
主要方法:
- 收集了广泛的LPBF样本数据.
- 开发了一种新的算法来检测毛孔缺陷,并根据OM图像中的形态特征对其进行分类.
- 与先进模型对比,评估了该方法的性能.
主要成果:
- 与其他先进模型相比,拟议的方法在具有有限数据的毛孔缺陷数据集上显示出更高的检测准确性.
- 在孔隙缺陷检测的图像细分中,平均准确度得分超过85%.
- 该算法适用于快速准确地识别OM图像中的毛孔缺陷.
结论:
- 开发的算法为识别LPBF部件中孔隙缺陷提供了可行和高效的解决方案.
- 这种方法可以显著降低在增材制造中检测缺陷的成本和复杂性.
- 这些发现有助于推进深度学习在制造零件质量控制中的应用.


