一种基于复合连接超网络的金属增减材制造熔池检测方法技术

本发明专利技术公开了一种基于复合连接超网络的金属增减材制造熔池检测方法，包括：采集熔池动态视频，获得清晰的熔池检测图像，进行数据预处理；将预处理后的熔池检测图像制成数据集，并记为源数据集，进行数据划分；搭建新型复合连接的超网络，获得熔池图像检测网络模型；将源数据集输入构建的熔池图像检测网络模型，分别对熔池图像检测网络模型进行训练、验证、测试；通过训练好的熔池图像检测网络模型实现对于熔池图像的实时检测。本发明专利技术利用超网络编码器

A method of detecting molten pool in metal additive manufacturing based on composite connected hypernetwork

【技术实现步骤摘要】
一种基于复合连接超网络的金属增减材制造熔池检测方法


[0001]本专利技术属于金属增减材制造领域，涉及深度学习、图像识别技术，具体涉及一种基于复合连接超网络的金属增减材制造熔池检测方法。

技术介绍

[0002]金属增减材制造成形过程中非平衡物理冶金和热物理过程十分复杂，伴随着激光、固体基材、粉末或丝材、熔池的交互作用，制件长时间经历高能激光束的周期性、剧烈和非稳态的循环加热、冷却及短时非平衡循环固态相变，温度梯度大，在制件内产生热应力和应力集中，易造成组织性能降低。因此，在金属增减材制造成形过程进行检测、分析与控制，降低温度梯度，减少热应力、热变形和缺陷，以提高成形精度及优化组织性能，对金属增减材制造技术研究具有重要价值，然而工业相机采集的熔池图像易受强光、飞溅、电离等干扰，导致增减材过程中熔池难以准确检测，目前现有的激光增减材过程中熔池的视觉监测方法大多是基于传统的阈值分割和边缘检测等方法，当存在飞溅等干扰时对熔池区域难以进行准确提取，因而存在一定的误差。同时目前的卷积神经网络在目标检测图像处理领域存在问题，卷积核的增多导致参数数量不断增大，效率低下，训练困难，同时大量的参数也会很快使得网络产生过拟合现象。
[0003]所以，需要一个新的技术方案来解决上述问题。

技术实现思路

[0004]专利技术目的：为了克服现有技术中存在的不足，提供一种基于复合连接超网络的金属增减材制造熔池检测方法，其大量减少了参数数量，降低运算量，同时可以实现增减材过程中的干扰抵抗，不断强化检测结果，获得较高的检测精确度。
[0005]技术方案：为实现上述目的，本专利技术提供一种基于复合连接超网络的金属增减材制造熔池检测方法，包括如下步骤：
[0006]S1：采集并保存金属增减材制造过程中熔池动态视频，并从熔池动态视频中提取出图像，获得清晰的熔池检测图像，对所采集的熔池检测图像数据进行预处理；
[0007]S2：将步骤S1中预处理后的熔池检测图像制成数据集，并记为源数据集，将源数据集进行数据划分，分为训练集、验证集、测试集；
[0008]S3：搭建新型复合连接的超网络，获得熔池图像检测网络模型；
[0009]S4：将源数据集输入构建的熔池图像检测网络模型，利用训练集、验证集、测试集分别对熔池图像检测网络模型进行训练、验证、测试；
[0010]S5：通过训练好的熔池图像检测网络模型实现对于熔池图像的实时检测。
[0011]进一步地，所述步骤S1具体包括：
[0012]A1：录制金属增减材制造熔池的视频，并保存；
[0013]A2：对视频进行分帧处理，舍弃不清晰和不包含熔池的图像，保存K张可用的金属增减材制造熔池图像，其中K为根据实际情况确定的数值；
[0014]A3：对保存的金属增减材制造熔池图像进行预处理，采用图像处理算法对熔池图像进行灰度处理、滤波去噪，并进行数据增强，得到最终数据集图像。
[0015]进一步地，所述步骤A3具体包括：
[0016]A3
‑
1：采用图像处理算法对熔池图像进行灰度处理、滤波去噪处理；
[0017]A3
‑
2：采用随机的图像处理方法来对原始数据集进行扩充，包括水平翻转、垂直翻转以及90
°
、180
°
、270
°
的旋转，提高网络的泛化能力，实现数据增强。
[0018]进一步地，所述步骤S2中采用图像标注工具对预处理后的熔池检测图像进行图像标注制成数据集，并记为源数据集，训练集、验证集、测试集的划分比例分别为6∶2∶2。
[0019]进一步地，所述步骤S3中新型复合连接的超网络包括自动编码器部分、后端网络解码器部分和多头权重生成模块，该超网络的搭建方法为：
[0020]B1：新型复合连接的超网络(hypernetwork)部分，即自动编码器部分(encoder)简称为e，设计了两层复合骨干网络结构(backbone)，分别记为backbone1，backbone2，简称为b1、b2，b1、b2均为小型网络；
[0021]B2：后端网络解码器(decoder)部分，简称为d，设计5次上采样(deconvolution)，放置于单位模块内(metablock)，每一步都会得到由构建好的多头权重生成模块生成的权重w
i
，权重通过权重映射器(weight mapper)嵌入到后端网络解码器部分的每个单位模块当中(metablock)，i的具体数值由单位模块的数量确定，同时每个单位模块，有一个2
×
2的卷积层，其激活函数使用ReLU函数，之后跟随两个3
×
3的卷积层，最后结合一个1
×
1的卷积层得到输出的分割图像。
[0022]进一步地，所述步骤B1具体为：
[0023]B1
‑
1：b1与b2为2个相同的骨干网络，b1和b2均分为4层，每层都是两级3
×
3的卷积层，每层之后跟随一个2
×
2的最大池化层(Maxpooling Layer)，卷积层负责获取图像局域特征，池化层对图像进行下采样并且将尺度不变特征传送到下一层，将b1每一层的输出特征当作为b2网络对应层的输入特征，实现特征共享，深浅层特征融合，对于骨干网络中的第a
k
层，其中k＝1,2,3,4，其输入特征与输出特征分别为：
[0024]x
k
＝φ(x
k
‑1),k≥2
ꢀꢀꢀ
(1)
[0025]y
k
＝φ(x
k
+C(x
k
‑1)),k≥2
ꢀꢀꢀ
(2)
[0026]其中，φ表示每一层卷积池化后实现的非线性变换作用；C表示复合连接实现的非线性变换作用；x
k
表示第a
k
层的输入特征；x
k
‑1表示第a
k
‑1层的输入特征；y
k
表示第a
k
层的输出特征；
[0027]B1
‑
2：骨干网络b2在每个步长中输出特征图f
j
，其中j＝0,1,2,3，结合Network
‑
in
‑
Network的思想，将1
×
1的卷积层引入b2骨干网络，通过减小特征图f
j
的通道数(channel)，减少后续模块与解码器的体积，在实现降维的同时，能够大大减小了参数数量，在保持计算成本的同时也增加了网络的深度和宽度；
[0028]B1
‑
3：在骨干网络的输出端设置多头权重生成模块(head)，将不同的编码器级别与解码器的分层主网络的级别连接起来；
[0029]B1
‑
4：输入骨干网络的是单通道的熔池图像，大小为...

【技术保护点】

【技术特征摘要】
1.一种基于复合连接超网络的金属增减材制造熔池检测方法，其特征在于，包括如下步骤：S1：采集并保存金属增减材制造过程中熔池动态视频，并从熔池动态视频中提取出图像，获得熔池检测图像，对所采集的熔池检测图像数据进行预处理；S2：将步骤S1中预处理后的熔池检测图像制成数据集，并记为源数据集，将源数据集进行数据划分，分为训练集、验证集、测试集；S3：搭建新型复合连接的超网络，获得熔池图像检测网络模型；S4：将源数据集输入构建的熔池图像检测网络模型，利用训练集、验证集、测试集分别对熔池图像检测网络模型进行训练、验证、测试；S5：通过训练好的熔池图像检测网络模型实现对于熔池图像的实时检测。2.根据权利要求1所述的一种基于复合连接超网络的金属增减材制造熔池检测方法，其特征在于，所述步骤S1具体包括：A1：录制金属增减材制造熔池的视频，并保存；A2：对视频进行分帧处理，舍弃不清晰和不包含熔池的图像，保存K张可用的金属增减材制造熔池图像，其中K为根据实际情况确定的数值；A3：对保存的金属增减材制造熔池图像进行预处理，得到最终图像。3.根据权利要求2所述的一种基于复合连接超网络的金属增减材制造熔池检测方法，其特征在于，所述步骤A3具体包括：A3
‑
1：采用图像处理算法对熔池图像进行灰度处理、滤波去噪处理；A3
‑
2：采用随机的图像处理方法来对原始数据集进行扩充，实现数据增强。4.根据权利要求1所述的一种基于复合连接超网络的金属增减材制造熔池检测方法，其特征在于，所述步骤S2中采用图像标注工具对预处理后的熔池检测图像进行图像标注制成数据集，并记为源数据集。5.根据权利要求1所述的一种基于复合连接超网络的金属增减材制造熔池检测方法，其特征在于，所述步骤S3中新型复合连接的超网络包括自动编码器部分、后端网络解码器部分和多头权重生成模块，该超网络的搭建方法为：B1：自动编码器部分，设计了两层复合骨干网络结构，分别记为backbone1，backbone2，简称为b1、b2；B2：后端网络解码器部分，简称为d，设计5次上采样，放置于单位模块内，每一步都会得到由构建好的多头权重生成模块生成的权重w
i
，权重通过权重映射器嵌入到后端网络解码器部分的每个单位模块当中，i的具体数值由单位模块的数量确定，同时每个单位模块，有一个卷积层，其激活函数使用ReLU函数，之后跟随两个卷积层，最后结合一个卷积层得到输出的分割图像。6.根据权利要求5所述的一种基于复合连接超网络的金属增减材制造熔池检测方法，其特征在于，所述步骤B1具体为：B1
‑
1：b1与b2为2个相同的骨干网络，b1和b2均分为4层，每层都是卷积层，每层之后跟随一个最大池化层，卷积层负责获取图像局域特征，池化层对图像进行下采样并且将尺度不变特征传送到下一层，将b1每一层的输出特征当作为b2网络对应层的输入特征，实现特征共享，深浅层特征融合，对于骨干网络中的第a
k
层，其中k＝1,2,3,4，其输入特征与输出特征
分别为：x
k
＝φ(x
k
‑1)，k≥2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)y
k
＝φ(x
k
+C(x
k
‑1))，k≥2
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，φ表示每一层卷积池化后实现的非线性变换作用；C表示复合连接实现的非线性变换作用；x
k
表示第a
k
层的输入特征；x
k
‑1表示...

【专利技术属性】
技术研发人员：王可，谢非，杨继全，叶欣雨，刘谦，锁红波，吴倩茹，唐俊秋，唐文来，史建军，
申请(专利权)人：南京中科煜宸激光技术有限公司，
类型：发明
国别省市：