提高粉末床融合-激光束过程监测:对卷积神经网络的转移和经典学习技术

科学领域:

• 添加剂制造 添加剂制造 添加剂制造
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 粉末床融合激光束 (PBF-LB/M) 工艺对于金属零件制造至关重要.
• 有效的监测对于质量控制和PBF-LB/M的缺陷检测至关重要.
• 现有的监测方法可能缺乏效率或适应性.

研究的目的:

• 为了比较小型卷积神经网络与大型VGG-19网络的性能,用于PBF-LB/M过程监控.
• 引入基于语义细分的过方法,以优化分类效率.
• 为了证明分类时间的显著减少,同时保持高准确度的缺陷检测.

主要方法:

• 为了PBF-LB/M过程监测,编制了超过26万个样本的总数据集.
• 开发了一个小型卷积神经网络 (CNN) 模型,并与VGG-19模型进行了比较.
• 使用语义细分方法从曝光后图像中预先选择感兴趣的区域.

主要成果:

• 小型CNN模型的性能与较大的VGG-19模型相提并论,即使没有广泛的转移学习.
• 语义细分预选方法显著减少了分类的区域.
• 分类时间缩短了4.51倍,对错误检测性能的影响微不足道.

结论:

• 通过较小,优化的深度学习模型,可以实现PBF-LB/M流程的高效和有效监控.
• 语义细分提供了一种实用且独立于机器的方法,以提高PBF-LB/M质量控制的速度.
• 开发的方法为增材制造中的实时缺陷检测提供了可行的解决方案.