用于在激光增材制造期间检测缺陷的方法、用于实现该方法的数据处理设备、计算机程序和存储介质技术

用于在激光增材制造期间检测缺陷的方法(B2)，包括以下步骤：B21)捕获第一图像(I

【技术实现步骤摘要】
【国外来华专利技术】用于在激光增材制造期间检测缺陷的方法、用于实现该方法的数据处理设备、计算机程序和存储介质


[0001]本专利技术涉及在激光增材制造的特定情况下的制造质量控制方法的领域。

技术介绍

[0002]图1示意性地表示了一种用于粉末床选择性熔融的方法。
[0003]该方法使用粉末床(在这种情况下中为金属粉末)选择性熔融制造机器100来实施。机器100包括制造板110、粉末储存板130和激光源140，将在制造板110上逐层制造待制造的零件120。板110和130包括致动器112和132，致动器112和132可以以控制每个平台的高度位置的方式而被控制。
[0004]机器100还包括可控反射镜150和控制单元160，其被配置为驱动反射镜的取向和平台110和130的高度。
[0005]零件的制造包括逐层地连续制造零件。
[0006]将制造零件的合金最初是粉末形式的。在每个制造周期中，进行以下操作：
[0007]刮刀170沉积一层粉末；
[0008]由激光源140发射的激光束142由反射镜150引导以便选择性地扫描所沉积的粉末层的方式，从而将粉末颗粒熔化在必须是零件一部分的区域中(这些区域基于待制造的零件的3D数字定义来进行定义)。
[0009]在激光束对粉末层的撞击点144处，温度可以达到2000℃，使上层粉末熔化，但也使一个或多个下层熔化，从而局部产生液浴。连续层的凝固逐渐形成零件。
[0010]随着制造的进行，储存粉末的托盘130上升以允许刮刀170沉积新的粉末层；相反，制造板110下降的增量等于熔化层的厚度。
[0011]在这种制造期间，可能会出现制造缺陷，原因有很多：激光束聚焦缺陷、在激光束撞击点处熔融过多、粉末中存在杂质等。
[0012]因此，为了确保被制造零件的质量，有必要尽快检测这些缺陷，以便采取适当的纠正措施。
[0013]传统上，缺陷的检测是通过拍摄受到激光束扫描的粉末层表面的照片来完成的；这些照片随后由专门从事正在进行的制造的操作员来进行解读，负责检测制造是否正常，或者另一方面是否出现缺陷。
[0014]这种控制方法自然很昂贵且容易出错。因此需要一种更可靠且更便宜的在通过选择性激光熔融制造期间检测缺陷的方法。

技术实现思路

[0015]根据本公开的第一方面，提供了一种用于在激光增材制造期间检测缺陷的方法，使得可以满足该需求。该方法由计算机来实现。
[0016]该方法包括以下步骤：
[0017]B21)捕获第一图像，所述第一图像是在红外光谱中捕获的暴露于激光扫描的粉末层的上表面的图像；
[0018]B23)使用自编码类型的第一卷积神经网络处理所述第一图像，以便产生缺陷掩模，该缺陷掩模指示所述粉末层的上表面处的位置。
[0019]在某些实施模式中，处理第一图像的步骤B23由相对简单的神经网络来完成，例如由如上定义的自编码类型的第一神经网络来完成。然而，在某些实施模式中，处理第一图像的步骤B23由神经网络组来完成，除了如上定义的所述第一神经网络之外，还包括一个或多个附加神经网络，特别是自编码类型的。
[0020]处理步骤B23可以在零件(或多个零件)的制造期间完成或随后完成。
[0021]缺陷掩模在本文档中是指单个图像或一组图像(张量)；掩模的图像或每个图像表示在粉末涂层的上表面处显露的一种或多种类型的缺陷的位置。该一个或多个缺陷可以例如在掩模的图像或每个图像中由一种特定颜色、多种特定颜色或特定颜色范围来表示。
[0022]缺陷掩模的每个图像例如可以是灰度图像(指示在每个像素的位置处缺陷的存在概率或显著性)或在适用的情况下是二进制图像。
[0023]可能由缺陷掩模表示的缺陷类型例如是熔融不足、烧焦区域或由于粉末层中存在杂质而导致的零件污染。
[0024]在某些实施例中，几种类型的缺陷在单个图像中被表示：例如，在缺陷掩模的图像中，颜色或颜色范围可以对应于某种类型的缺陷。
[0025]在某些实施例中，掩模的不同图像分别表示不同类型缺陷的位置。
[0026]在某些实施例中，在使用所述第一卷积神经网络将处理应用于所述第一图像并产生缺陷掩模期间，第一图像仅被传输到第一卷积神经网络的输入。
[0027]很明显，基于在红外光谱中捕获的暴露于激光扫描的表面的至少一个图像，该图像仅被传输到神经网络的输入，自编码类型的卷积神经网络能够处理所述至少一个图像以便使得可以非常有效地检测在激光增材制造期间出现的缺陷。
[0028]换句话说，这样的神经网络能够有效地处理包含在所述第一图像中的信息，并且因此，随后再次参考第一图像以获得缺陷掩模是没有意义的。
[0029]在某些实施模式中，被用来产生缺陷掩模的唯一信息项是作为输入被提供给第一神经网络的信息项，这些信息项仅作为第一神经网络的输入而被提供。因此，在这些实施模式中，除了作为输入被提供给第一神经网络的信息之外，不可能考虑补充信息项来计算缺陷掩模。因此，处理只考虑作为输入被提供给第一神经网络的信息，特别是包括所述第一图像。
[0030]在这里，暴露于激光扫描的表面自然是由刮刀沉积的粉末层的表面，并且它受到激光束的扫描，使得粉末在某些预定义区域中被熔化以便被并入到已制造的零件的一部分中。
[0031]表述“激光扫描”是指使用激光束在整个表面或部分表面上扫描或行进的操作，其撞击点在所述表面上移动。
[0032]通过实施以下全部改进或部分改进，可以提高神经网络检测缺陷的效率：
[0033]在一种实施模式中，所述第一图像是上表面的积分图像。在这里的术语“积分图像”是指这样一种图像，其中对于每个像素，像素的强度表示在捕获周期期间、特别是持续
时间大于0.1秒的捕获周期期间由该像素接收到的累积光能。光强度因此随时间进行积分，并将所获得的值指派给所考虑的像素，从而形成积分图像。
[0034]可以为处理步骤中涉及的一个或多个神经网络设想不同的架构。
[0035]在一种实施模式中，在处理步骤B23中，缺陷掩模由卷积神经网络直接产生。
[0036]表述“由神经网络(在本例中为卷积)直接产生”意味着缺陷掩模是卷积神经网络的(或一个)输出数据。因此，在这种情况下，不可能通过对该神经网络的输出数据应用包括除了作为输入被提供给该神经网络的那些数据或信息之外的附加数据或信息(诸如包括其他图像等)的处理来获得缺陷掩模。
[0037]在这种情况下，也不可能通过对神经网络的输出数据应用在该阶段再次涉及作为输入被提供给神经网络的数据的处理来获得缺陷掩模。
[0038]尽管如此，由神经网络直接产生输出掩模并不排除由神经网络执行的均衡、格式化或阈值化中的一个或多个操作以产生其包括缺陷掩模的输出数据。
[0039]在某些实施模式中，缺陷掩模由第一神经网络直接产生。换句话说，第一神经网络被配置为直接产生缺陷掩模作为输出。
[0040]在某些实施模式中，除了先前指示的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于在激光增材制造期间检测缺陷的方法(B2)，包括以下步骤：B21)捕获第一图像(I
INT_
i)，所述第一图像是在红外光谱中捕获的暴露于激光扫描的粉末层的上表面的图像；B23)使用自编码类型的第一卷积神经网络(NN1，NN2)处理所述第一图像，以便产生缺陷掩模(Mi)，所述缺陷掩模(Mi)指示缺陷在所述粉末层的上表面处的位置。2.根据权利要求1所述的用于检测缺陷的方法，其中所述第一图像是上表面的积分图像(I
INT
i)，其中对于每个像素，像素的强度表示在捕获周期、特别是持续时间大于0.1秒的捕获周期期间由所述像素接收到的累积光能。3.根据权利要求1或2所述的用于检测缺陷的方法，其中在捕获步骤B21期间，还捕获暴露于激光辐射的上表面的第二图像；第二图像是在红外光谱中捕获的所述表面的图像(I
MAX_
i)，其中对于每个像素，像素的强度表示在捕获周期期间由所述像素接收到的最大光能；以及在处理步骤B23期间，除了第一图像(I
INT
i)之外，所执行的处理还考虑将第二图像(I
MAX_
i)作为输入。4.根据权利要求1至3中任一项所述的用于检测缺陷的方法，其中在捕获步骤(B21)期间，还捕获暴露于激光扫描的上表面的第三图像；第三图像是在可见光谱中捕获的所述表面的图像(I
VIS_
i)；以及在处理步骤(B23)期间，除了第一图像(I
INT
i)之外，所执行的处理还考虑将第三图像(I
VIS_
i)作为输入。5.根据权利要求3或4所述的用于检测缺陷的方法，其中所述第一卷积神经网络(AE
INT
)被配置为接收第一图像和来自所述第二图像和所述第三图像之中的至少一个第一附加图像(I
MAX
、I
VIS
)作为输入。6.根据权利要求5所述的用于检测缺陷的方法，其中缺陷掩模(Mi)由第一卷积神经网络(NN1)直接产生。7.根据权利要求5所述的用于检测缺陷的方法，其中在处理步骤(B23)期间，使用神经网络组(NN2)执行处理，神经网络组(NN2)包括作为输入的所述第一卷积神经网络(AE
INT
)和作为输出的特别是自编码类型的输出神经网络(AE
OUT
)，所述输出神经网络(AE
OUT
)被配置为接收第一卷积神经网络的输出作为输入，并基于该输入来产生缺陷掩模(Mi)。8.根据权利要求3或4所述的用于检测缺陷的方法，其中在处理步骤(B23)期间，使用神经网络组(NN2)...

【专利技术属性】
技术研发人员：安德烈，
申请(专利权)人：阿丽亚娜集团股份有限公司，
类型：发明
国别省市：