The invention discloses a laser metal additive manufacturing forming accuracy prediction system based on deep learning, which includes a printing workbench, an image acquisition device, a human-computer interaction device, a display and a host computer. The image acquisition device, the human-computer interaction device and the display are all electrically connected with the host computer. The invention continuously collects the molten pool image and the temperature image under a certain time series, normalizes the effective molten pool image and the temperature image first, so that the parameters of the picture size and the pixel size of the molten pool image are consistent, the deep learning convolution neural network model excludes other irrelevant features during the training, only trains the key features, which has the advantages of improving The advantages of the training efficiency of the deep learning convolution neural network model and the prediction of the single channel forming width by using the deep learning convolution neural network model can effectively improve the accuracy of the parameters.
【技术实现步骤摘要】
基于深度学习的金属增材制造成形尺寸实时预测方法
本专利技术属于增材制造
,具体涉及基于深度学习的金属增材制造成形尺寸实时预测方法。
技术介绍
单道成形的尺寸,如成形宽度、成形高度等参数是影响增材制造质量的重要因素,而熔池特征是对成形质量影响最为直接的因素。因而研究增材制造过程中熔池特征的变化以及实现熔池某些参数的控制对增材制造质量的保证有着重要的意义,同时根据熔池特征变化来控制增材制造质量也是实现增材制造智能化的一个重要组成部分。近年来,随着计算机视觉技术的发展,利用机器视觉直接观察增材制造熔池,通过图像处理获取熔池特征信息,对增材制造质量进行闭环控制,已成为增材制造技术重要的研究方向。授权公告号为CN102519387B的中国专利公开了一种电子束焊接熔池形状参数的视觉检测方法对电子束焊彩色熔池图像视觉传感系统进行标定,然后启动系统采集熔池图像,采用二值形态学图像处理算法提取熔池图像边缘,最后利用熔池形状参数提取算法对熔池形状参数进行提取。类似上述中的现有技术方案存在以下缺陷:例如,在进行增材制造实验时,会存在金属粉末残留在熔池边缘形成凸点的情况,灰度化处理后,凸点区域的灰度值和熔池区域的灰度值接近,带有凸点的熔池图像通过摄像机获取的熔池图像经上述视觉检测方法中的二值形态学图像处理算法提取熔池图像边缘后,上述视觉检测方法仍然无法将凸点与熔池边缘分离。总体来说,基于图像处理算法对熔池图像进行处理获得熔池形态和尺寸参数的方式,存在泛化性能差,精度较低的问题。此外,由此获得的熔池形态和尺寸参数实际上并 ...
【技术保护点】
1.基于深度学习的金属增材制造成形尺寸实时预测方法,其特征在于,包括以下步骤:/nS1:在一定时间序列下连续采集熔池图像,使用部分该连续的熔池图像建立训练数据集,同样的,使用部分该连续的熔池图像建立测试数据集;/nS2:建立深度学习卷积神经网络模型,设置相应的模型参数,包括网络层数和激活函数;网络模型的框架为Resnet101;/nS3:将训练数据集中的熔池图像输入深度学习卷积神经网络模型中,对深度学习卷积神经网络模型进行训练,优化深度学习卷积网络模型;/nS4:将测试数据集中的熔池图像输入优化后的深度学习卷积神经网络模型中,预测成形单道的宽度。/n
【技术特征摘要】 【专利技术属性】
1.基于深度学习的金属增材制造成形尺寸实时预测方法,其特征在于,包括以下步骤:
S1:在一定时间序列下连续采集熔池图像,使用部分该连续的熔池图像建立训练数据集,同样的,使用部分该连续的熔池图像建立测试数据集;
S2:建立深度学习卷积神经网络模型,设置相应的模型参数,包括网络层数和激活函数;网络模型的框架为Resnet101;
S3:将训练数据集中的熔池图像输入深度学习卷积神经网络模型中,对深度学习卷积神经网络模型进行训练,优化深度学习卷积网络模型;
S4:将测试数据集中的熔池图像输入优化后的深度学习卷积神经网络模型中,预测成形单道的宽度。
2.根据权利要求1所述的基于深度学习的金属增材制造成形尺寸实时预测方法,其特征在于,所述S1具体包括以下步骤:
S11:进行不同工艺参数下的单道试验,并利用图像采集装置采集不同试验下的熔池图像;
S12:对成形单道进行宽度测量;
S13:根据成形单道宽度标注熔池图像,将部分标注后的熔池图像作为训练数据集,同样的,将部分标注后的熔池图像作为测试数据集。
3.根据权利要求2所述的基于深度学习的金属增材制造成形尺寸实时预测方法,其特征在于,步骤S13在生成训练数据集和测试数据集之前,先对有效的熔池图像进行归一化处理。
4.根据权利要求1所述的基于深度学习的金属增材制造成形尺寸实时预测方法,其特征在于,所述深度学习卷积神经网络模型为残差模型,所述残差模型包括卷积层、池化层以及残差结构。
技术研发人员:殷鸣,向枭,谢罗峰,殷国富,颜虎,刘浩浩,李家勇,
申请(专利权)人:四川大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。