一种基于图像识别的激光熔覆在线质量检测方法及系统技术方案

本发明专利技术涉及基于图像识别的激光熔覆在线质量检测方法，由量子阵列图像传感器提前采集不同熔覆过程图像；对图像数据进行预处理和优化，再导入到视觉识别模块的初始深度卷积神经网络模型内，以对初始神经网络模型进行训练，再对模型进行评估和调优，确定最终深度卷积神经网络模型；由量子阵列图像传感器实时采集当前熔覆过程图像数据，导入到最终深度卷积神经网络模型内，并对图像数据进行识别和分析，以判断熔覆过程中是否存在质量问题，若存在，则确定质量问题的分类；控制器根据视觉识别模块判断的分类结果对应调整激光熔覆设备的参数。有益效果：不需要人工参与，可以自动化、实时地进行检测与控制，降低成本与误差概率，提高工效与质量。效与质量。效与质量。

【技术实现步骤摘要】
一种基于图像识别的激光熔覆在线质量检测方法及系统


[0001]本专利技术涉及激光熔覆
，具体涉及一种基于图像识别的激光熔覆在线质量检测方法及系统。

技术介绍

[0002]激光熔覆是一种先进、高效的表面加工技术，可广泛应用于制造业的各个领域，然而激光熔覆加工过程中存在诸多质量问题，如熔池湍流、粉末掺杂物、表面质量等，这些问题会直接影响加工件的材料性能和外观质量，严重降低加工效率和产量，因此需要进行在线质量检测。
[0003]目前，常见的激光熔覆质量检测方法包括：高速摄像技术、传感器测量技术等，但这些方法存在一些缺陷，如需要在加工过程中干预、无法检测到微小缺陷等。

技术实现思路

[0004]本专利技术所要解决的技术问题是提出了一种基于图像识别的激光熔覆在线质量检测方法及系统，以克服上述现有技术中的不足。
[0005]本专利技术解决上述技术问题的技术方案如下：一种基于图像识别的激光熔覆在线质量检测方法，包括如下步骤：
[0006]S1、由量子阵列图像传感器提前采集不同熔覆过程图像；
[0007]S2、对图像数据进行预处理和优化，再导入到视觉识别模块的初始深度卷积神经网络模型内，以对初始神经网络模型进行训练，然后再对模型进行评估和调优，确定最终深度卷积神经网络模型；
[0008]S3、由量子阵列图像传感器实时采集当前熔覆过程图像数据，导入到最终深度卷积神经网络模型内，并对图像数据进行识别和分析，以判断熔覆过程中是否存在质量问题，若存在，则确定质量问题的分类；/>[0009]S4、控制器根据视觉识别模块判断的分类结果对应调整激光熔覆设备的参数。
[0010]本专利技术的有益效果是：采用量子阵列图像传感器采集熔覆过程图像数据，无需考虑图像噪声问题，另外采用特定的网络结构对采集的图像数据进行识别，以判断熔覆过程中是否存在质量问题，然后再由控制器根据视觉识别模块的判断结果对应调整激光熔覆设备的参数，可以实时对熔池和加工表面的高清晰度、高精度、快速自动识别和分析，并对应进行控制，该技术不需要人工参与，降低了人力成本与误差概率，提高了生产效率和质量，为制造业提供了全新的解决方案，此外，基于超高分辨率图像采集以及深度卷积网络的算法，可以高精准地实现在线的现场检测，检测结果准确可靠，该技术可应用于各种金属制造领域，如3D打印、航空、汽车零部件等。
[0011]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0012]进一步，采用Python语言和深度学习框架TensorFlow实现初始深度卷积神经网络模型的设计和训练。
[0013]进一步，采用交叉验证技术对模型进行评估和调优。
[0014]进一步，采用随机梯度下降算法进行参数优化，同时采用动量或学习率衰减技术。
[0015]进一步，深度卷积神经网络模型包括：输入层、多个卷积层、多个池化层和全连接层，将卷积层和池化层的输出结果展开成一维向量后，通过多个全连接层进行分类或回归任务，每个全连接层的神经元数量逐渐减少。
[0016]进一步，每个卷积层包括多个卷积核，卷积层中卷积核大小为3
×
3或5
×
5，步长为1，padding方式为same，每个卷积核的数量逐渐增加，激活函数采用修正线性单元。
[0017]进一步，每个池化层采用最大池化方式，池化核大小为2
×
2，步长为2。
[0018]基于上述技术方案，本专利技术还提供一种基于图像识别的激光熔覆在线质量检测系统，包括：
[0019]量子阵列图像传感器，用以实时采集熔覆过程图像；
[0020]视觉识别模块，用以对量子阵列图像传感器所采集的图像数据进行识别和分析，以判断熔覆过程中是否存在质量问题；
[0021]控制器，用以根据视觉识别模块的判断结果对应调整激光熔覆设备的参数。
[0022]进一步，视觉识别模块与控制器之间通过高速通信协议进行数据传输。
附图说明
[0023]图1为本专利技术所述基于图像识别的激光熔覆在线质量检测方法的流程图；
[0024]图2为本专利技术所述基于图像识别的激光熔覆在线质量检测系统的结构图；
[0025]图3为本专利技术所述最终深度卷积神经网络模型结构图。
具体实施方式
[0026]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0027]实施例1
[0028]如图1、图3所示，一种基于图像识别的激光熔覆在线质量检测方法，包括如下步骤：
[0029]S1、由量子阵列图像传感器1提前采集不同熔覆过程图像，图像至少包含常规的质量问题，选用量子阵列图像传感器1的原因如下：量子阵列图像传感器1可以很好地解决图像采集中的噪声问题，保证图像的清晰度，其高灵敏度、低噪声和高分辨率的特性使得它能够高质量地采集熔池和加工表面的图像，为后续的分析和处理提供了非常重要的数据基础；
[0030]S2、对图像数据进行预处理和优化，其中，预处理和优化主要在于改善图像数据，抑制不需要的变形或者增强某些对于后续处理重要的图像特征，进一步提升图像质量，方法比较常规，例如：灰度变换，亮度校正等，经过该操作以利于有效地识别熔覆过程中的缺陷和气孔等质量问题，从而提高神经网络的训练效果和准确性，再导入到视觉识别模块2的初始深度卷积神经网络(Deep CNN)模型内，以对初始神经网络模型进行训练，然后再对模型进行评估和调优，确定最终深度卷积神经网络模型，在本实施例中，神经网络模型是根据量子阵列图像传感器1所特定建立，两者彼此关联，并不能对其进行简单拆分；
[0031]S3、由量子阵列图像传感器1实时采集当前熔覆过程图像数据，导入到最终深度卷积神经网络模型内，并对图像数据进行识别和分析，以判断熔覆过程中是否存在质量问题，若存在，则确定质量问题的分类；
[0032]S4、控制器3根据视觉识别模块2判断的分类结果对应调整激光熔覆设备4的参数，如功率、速度，送粉速度等参数，实现了自动化的在线质量检测和控制，无需人工干预，保证了生产效率和产品质量。
[0033]实施例2
[0034]本实施例为在实施例1的基础上所进行的进一步改进，其具体如下：
[0035]采用Python语言和深度学习框架TensorFlow实现初始深度卷积神经网络模型的设计和训练，该技术在原理上讲都属于常规类，主要是在应用过程中对应去结合具体的场景。
[0036]实施例3
[0037]本实施例为在实施例1或2的基础上所进行的进一步改进，其具体如下：
[0038]同时，为了提高网络的泛化能力，采用交叉验证技术对模型进行评估和调优，最终，将训练好的模型部署到实际的激光熔覆在线质量检测系统中，实现对缺陷、气孔等质量问题的准确识别和实时调整。
[0039]或者：采用随机梯度下降(Stochastic Gradient Descent，SGD)算法进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的激光熔覆在线质量检测方法，其特征在于，包括如下步骤：S1、由量子阵列图像传感器(1)提前采集不同熔覆过程图像；S2、对图像数据进行预处理和优化，再导入到视觉识别模块(2)的初始深度卷积神经网络模型内，以对初始神经网络模型进行训练，然后再对模型进行评估和调优，确定最终深度卷积神经网络模型；S3、由量子阵列图像传感器(1)实时采集当前熔覆过程图像数据，导入到最终深度卷积神经网络模型内，并对图像数据进行识别和分析，以判断熔覆过程中是否存在质量问题，若存在，则确定质量问题的分类；S4、控制器(3)根据视觉识别模块(2)判断的分类结果对应调整激光熔覆设备(4)的参数。2.根据权利要求1所述的一种基于图像识别的激光熔覆在线质量检测方法，其特征在于：采用Python语言和深度学习框架TensorFlow实现初始深度卷积神经网络模型的设计和训练。3.根据权利要求1或2所述的一种基于图像识别的激光熔覆在线质量检测方法，其特征在于：采用交叉验证技术对模型进行评估和调优。4.根据权利要求1或2所述的一种基于图像识别的激光熔覆在线质量检测方法，其特征在于：采用随机梯度下降算法进行参数优化，同时采用动量或学习率衰减技术。5.根据权利要求1～4任一项所述的一种基于图像识别的激光熔覆在线质量检测方法，其特征在于...

【专利技术属性】
技术研发人员：李震，叶小威，王亦军，石江雄，
申请(专利权)人：宝宇武汉激光技术有限公司，
类型：发明
国别省市：