基于深度学习的增材制造铺粉状态的识别方法
摘要
提出了一种创新的基于深度学习的激光选区熔化（SLM）铺粉状态识别方法，以应对传统铺粉异常检测方法中效率低下和精度有限的问题。通过模拟5种常见的铺粉状态（正常铺粉、划痕、铺粉不均匀、粉末不足和粉末过多），构建了一个包含1327张多角度图像的数据集。采用VGG-16、ResNet-101和EfficientNetV2-XL三种深度学习模型进行训练和测试。实验结果表明，该方法在实时检测铺粉异常方面相比传统方法具有显著优势。其中，VGG-16模型在保持高精度的同时推理速度最快，达到68.24 frame/s，适用于工业实时监控；而ResNet-101和EfficientNetV2-XL模型则在处理更复杂的异常类型（如铺粉不均匀）时表现更为出色，但推理速度相对较慢。基于Grad-CAM技术的注意力区域分析结果显示，VGG-16模型更适合检测局部异常，而ResNet-101和EfficientNetV2-XL模型在处理复杂背景和大范围异常方面具有优势。多角度图像数据集的构建和深度学习模型的比较分析，为SLM工艺的实时质量监控提供了新的解决方案，并为未来的模型优化和多模态传感器集成应用指明了方向。
引用本文（GB/T 7714）
左明轶 Zuo Mingyi, 国洪轩 Guo Hongxuan, 李怀学 Li Huaixue. 基于深度学习的增材制造铺粉状态的识别方法[J]. Chinese Journal of Lasers, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。