论文部分内容阅读
电弧熔积成型技术由于兼顾了增材制造可成形复杂形状以及高效低成本的特点,成为了金属3D打印领域的一个研究热点。然而,电弧熔积是一个复杂的成形过程,基于逐层累加的成形原理,导致每一层的表面质量都对整体零件的成形精度与质量有很重要的影响。因此,为了获得成形质量良好的熔积零件,需要对熔积过程中表面缺陷进行高效准确地检测与识别。从此点出发,并结合课题组在熔积成形过程中对于表面质量检测的需求,提出了以熔积表面图像作为信息载体,基于深度学习算法与支持向量机(SVM)的熔积表面缺陷检测与识别系统。系统使用130万像素工业CMOS相机获取熔积表面图像,然而原始表面图像直接作为输入会造成深度学习网络结构过于复杂且难以训练,因此选取像素大小为85×109的感兴趣区域并对其进行灰度化、直方图均衡化以及高斯滤波处理。将预处理后的图像作为卷积神经网络(CNN)的输入,进行抽象化、特征提取以及识别分类。为了提高分类结果的可信度,以卷积神经网络提取的特征向量作为SVM输入,使用SVM作为分类器进行缺陷分类。系统使用VS2010平台搭建,包括CNN与SVM的训练模块,测试模块和网络结构读取与保存模块。通过对正常、气孔、驼峰、凹坑和咬边五类熔积表面缺陷的总共570个样本进行训练,并在训练过程中通过旋转拉伸图像人为增加样本数量提高网络的泛化能力。在CNN与SVM网络测试中,使用训练数据进行测试可以达到99%准确率,使用测试数据可以达到95.29%准确率。识别速率为237样本/s。研究结果表明:该检测系统具有良好的表面缺陷检测分类效果,具有实用价值。