在基于光微镜图像的超短脉冲激光处理中对自我组织的表面结构进行机器学习分类

科学领域:

• 材料科学 材料科学 材料科学
• 激光技术 激光技术 激光技术
• 机器学习 机器学习

背景情况:

• 超短脉冲激光处理可以进行表面修饰,但缺乏自动化质量保证.
• 机器学习 (ML) 为自动化程序提供了潜力,但在这个领域未得到充分利用.
• 目前的方法需要复杂的参数研究,缺乏强大的监测系统.

研究的目的:

• 开发一种机器学习方法来从光显微镜图像中分类自组织的表面结构.
• 为了实现基于激光的表面修饰的自动化质量保证.
• 建立自动化过程参数推和线内控制的基础.

主要方法:

• 使用300 fs激光在热加工工具钢和不钢上制造三种类型的自组织表面结构.
• 使用谷歌的可教机器对钢基板的光学图像进行分类算法的训练.
• 测试算法在区分不同基板和放大度的表面类型时的准确性.

主要成果:

• ML分类算法在区分表面结构类型方面取得了非常高的准确性.
• 经过训练的算法在学习的热加工钢基板和不钢基板上都表现出高精度.
• 该算法在分类不同光学放大度捕获的相同结构类型的图像时保持了高精度.

结论:

• 拟议的方法提供了一种简单,强大和自动化的方法来对激光诱导的表面结构进行分类.
• 这种基于ML的分类可以作为开发先进质量保证系统的基础.
• 该方法支持未来在自动化激光过程参数推和线内控制方面的进展.