引用論文

Guo Zhu, Bochuan Li, Chao Jiang. Deep learning model-driven pore detection for laser directed energy deposition under varying brightness and image size conditions. Additive Manufacturing Frontiers, Volume 4, Issue 2, 2025, 200216.

https://doi.org/10.1016/j.amf.2025.200216.

文章鏈接：

https://www.sciencedirect.com/science/article/pii/S2950431725000267

1研究背景及目的

AM過(guò)程中的孔隙問(wèn)題已成為AM技術(shù)發(fā)展的重大挑戰(zhàn)之一，過(guò)量孔隙的存在會(huì)使得AM零部件性能急劇下降，制約AM技術(shù)的推廣與應(yīng)用。為應(yīng)對(duì)這一技術(shù)挑戰(zhàn)，基于圖像數(shù)據(jù)驅(qū)動(dòng)的孔隙在線檢測(cè)技術(shù)迅速發(fā)展并成為研究的熱點(diǎn)。

然而，現(xiàn)存在線檢測(cè)技術(shù)由于受限于單一檢測(cè)環(huán)境和單一圖像尺寸輸入的約束，導(dǎo)致其預(yù)測(cè)精度和應(yīng)用范圍被嚴(yán)重限制。因此，本文提出了一種基于深度學(xué)習(xí)的AM在線孔隙檢測(cè)方法有望能較好地處理上述問(wèn)題。

2論文亮點(diǎn)

(1) LCNN模型具備一定的抗亮度變化干擾能力：LCNN模型即使在亮度檢測(cè)環(huán)境發(fā)生變化的情況下依然能夠保持孔隙狀態(tài)的高精度穩(wěn)定檢測(cè)和局部孔隙率的準(zhǔn)確預(yù)測(cè)；

(2) LCNN模型具備一定的適應(yīng)輸入圖像尺寸多變的能力：無(wú)論是高孔隙率還是低孔隙率試樣，LCNN模型都能準(zhǔn)確預(yù)測(cè)局部孔隙率，并跟蹤局部孔隙率的波動(dòng)趨勢(shì)。

3試驗(yàn)方法

以Inconel 718合金為原材料，結(jié)合激光直接能量沉積技術(shù)(Laser-Directed Energy Deposition，L-DED)，高速相機(jī)信息采集系統(tǒng)與深度學(xué)習(xí)(Deep learning)模型，從而提出一種基于深度學(xué)習(xí)模型的L-DED孔隙檢測(cè)方法，該方法由基于U-net網(wǎng)絡(luò)的語(yǔ)義分割模型與基于深度學(xué)習(xí)的孔隙屬性預(yù)測(cè)模型(LCNN)組成。

“3D Science Valley 白皮書(shū) 圖文解析

具體而言，基于U-net網(wǎng)絡(luò)的語(yǔ)義分割模型通過(guò)分割熔池圖像可獲得清晰的熔池輪廓，為后續(xù)的熔池長(zhǎng)度特征以及孔隙狀態(tài)與局部孔隙率等孔隙屬性的提取奠定良好的基礎(chǔ)。基于深度學(xué)習(xí)的孔隙屬性預(yù)測(cè)模型可借助深度學(xué)習(xí)模型去學(xué)習(xí)高速相機(jī)采集的熔池圖像中的特征信息，從而在多變亮度檢測(cè)環(huán)境和多尺寸圖像輸入條件下高效完成孔隙狀態(tài)檢測(cè)任務(wù)與局部孔隙率預(yù)測(cè)任務(wù)。

試驗(yàn)視頻

Fig. 1. The pore detection system setup of L-DED: (a) Schematic diagram; (b) Physical diagram

Fig. 2. The internal pore size extraction steps

Fig. 3. The proposed detection architecture, showing the U-net-based semantic segmentation model and CNN-based pore attribute prediction model

4研究結(jié)果

(1) 在多明亮度檢測(cè)環(huán)境下，LCNN模型的孔隙狀態(tài)檢測(cè)的精度均保持在93.5%左右，模型的局部孔隙率預(yù)測(cè)的RMSE保持在0.42左右，且波動(dòng)范圍極??；

(2) LCNN模型83.9%的錯(cuò)誤檢測(cè)發(fā)生局部孔隙率低于0.1%的樣本上；

(3) 當(dāng)LCNN模型的輸入熔池圖像尺寸發(fā)生變化時(shí)，若是高孔隙率試樣，模型的孔隙狀態(tài)檢測(cè)的精度依然保持在93%左右，局部孔隙率預(yù)測(cè)的RMSE依然保持在0.42左右。若是低孔隙率試樣，模型的孔隙狀態(tài)檢測(cè)的精度依然能保持在96%左右，局部孔隙率預(yù)測(cè)的RMSE依然保持在0.09左右。

5結(jié)論

(1) 在多明亮度檢測(cè)環(huán)境下，LCNN模型依然能夠保持孔隙狀態(tài)的高精度穩(wěn)定檢測(cè)和局部孔隙率的準(zhǔn)確預(yù)測(cè)，模型具備一定的抗亮度變化干擾能力；

(2) LCNN模型對(duì)于局部孔隙率大于0.1%的樣本具有可靠的檢測(cè)能力，顯示出LCNN模型在孔隙實(shí)時(shí)檢測(cè)方面的極大潛力;

(3) 在多尺寸輸入圖像條件下，無(wú)論是高孔隙率還是低孔隙率試樣，LCNN模型具有適應(yīng)圖像輸入尺寸多變的能力，能夠在不同尺寸的圖像輸入下實(shí)現(xiàn)高精度的穩(wěn)定檢測(cè)和準(zhǔn)確預(yù)測(cè)。

6前景與應(yīng)用

基于深度學(xué)習(xí)模型的L-DED孔隙檢測(cè)方法可應(yīng)對(duì)多亮度檢測(cè)環(huán)境和多尺寸輸入圖像下的挑戰(zhàn)，使得LCNN模型具有較強(qiáng)的適應(yīng)性。模型可從復(fù)雜的熔池圖像中學(xué)習(xí)到具體孔隙信息，為后續(xù)搭建整體閉環(huán)孔隙檢測(cè)與控制平臺(tái)奠定基礎(chǔ)，當(dāng)平臺(tái)內(nèi)的模型檢測(cè)出孔隙時(shí)，控制平臺(tái)快速響應(yīng)，自動(dòng)調(diào)節(jié)AM工藝參數(shù)以避免大規(guī)?？紫兜漠a(chǎn)生，實(shí)現(xiàn)從“檢測(cè)”到“控制”的閉環(huán)質(zhì)量?jī)?yōu)化，進(jìn)而達(dá)到打印質(zhì)量控制的目的。

關(guān)于團(tuán)隊(duì)

作者團(tuán)隊(duì)介紹

李博川（通訊作者），男，湖南大學(xué)機(jī)械與運(yùn)載工程學(xué)院副教授，機(jī)械設(shè)計(jì)系主任，博士生導(dǎo)師。

近年團(tuán)隊(duì)發(fā)表文章

[1] Li B, Xu K, Jiang C. Anisotropy reduction and mechanical property improvement of additively manufactured stainless steel based on cyclic phase transformation[J]. Journal of Materials Science & Technology, 2024, 184: 1-14.(第一作者)

[2] Xu K, Huang S, Yu M, et al. Improving the fatigue property of 316L stainless steel through direct energy deposition technology[J]. International Journal of Fatigue, 2024, 183: 108270.(通訊作者)

[3] Xu K, Li B*, Jiang C*. Adjusting microstructure and improving mechanical property of additive manufacturing 316L based on process optimization. Materials Science and Engineering: A, 2023,870:144824. （通訊作者）

AMF增材制造前沿 l

▌三維科學(xué) l 無(wú)限可能

投稿丨 2509957133@qq.com

www.3dsciencevalley.com