湖南大学 l 基于深度学习的激光沉积孔隙检测方法

引用论文

Guo Zhu, Bochuan Li, Chao Jiang. Deep learning model-driven pore detection for laser directed energy deposition under varying brightness and image size conditions. Additive Manufacturing Frontiers, Volume 4, Issue 2, 2025, 200216.

https://doi.org/10.1016/j.amf.2025.200216.

文章链接：

https://www.sciencedirect.com/science/article/pii/S2950431725000267

1研究背景及目的

AM过程中的孔隙问题已成为AM技术发展的重大挑战之一，过量孔隙的存在会使得AM零部件性能急剧下降，制约AM技术的推广与应用。为应对这一技术挑战，基于图像数据驱动的孔隙在线检测技术迅速发展并成为研究的热点。

然而，现存在线检测技术由于受限于单一检测环境和单一图像尺寸输入的约束，导致其预测精度和应用范围被严重限制。因此，本文提出了一种基于深度学习的AM在线孔隙检测方法有望能较好地处理上述问题。

2论文亮点

(1) LCNN模型具备一定的抗亮度变化干扰能力：LCNN模型即使在亮度检测环境发生变化的情况下依然能够保持孔隙状态的高精度稳定检测和局部孔隙率的准确预测；

(2) LCNN模型具备一定的适应输入图像尺寸多变的能力：无论是高孔隙率还是低孔隙率试样，LCNN模型都能准确预测局部孔隙率，并跟踪局部孔隙率的波动趋势。

3试验方法

以Inconel 718合金为原材料，结合激光直接能量沉积技术(Laser-Directed Energy Deposition，L-DED)，高速相机信息采集系统与深度学习(Deep learning)模型，从而提出一种基于深度学习模型的L-DED孔隙检测方法，该方法由基于U-net网络的语义分割模型与基于深度学习的孔隙属性预测模型(LCNN)组成。

“3D Science Valley 白皮书 图文解析

具体而言，基于U-net网络的语义分割模型通过分割熔池图像可获得清晰的熔池轮廓，为后续的熔池长度特征以及孔隙状态与局部孔隙率等孔隙属性的提取奠定良好的基础。基于深度学习的孔隙属性预测模型可借助深度学习模型去学习高速相机采集的熔池图像中的特征信息，从而在多变亮度检测环境和多尺寸图像输入条件下高效完成孔隙状态检测任务与局部孔隙率预测任务。

试验视频

Fig. 1. The pore detection system setup of L-DED: (a) Schematic diagram; (b) Physical diagram

Fig. 2. The internal pore size extraction steps

Fig. 3. The proposed detection architecture, showing the U-net-based semantic segmentation model and CNN-based pore attribute prediction model

4研究结果

(1) 在多明亮度检测环境下，LCNN模型的孔隙状态检测的精度均保持在93.5%左右，模型的局部孔隙率预测的RMSE保持在0.42左右，且波动范围极小；

(2) LCNN模型83.9%的错误检测发生局部孔隙率低于0.1%的样本上；

(3) 当LCNN模型的输入熔池图像尺寸发生变化时，若是高孔隙率试样，模型的孔隙状态检测的精度依然保持在93%左右，局部孔隙率预测的RMSE依然保持在0.42左右。若是低孔隙率试样，模型的孔隙状态检测的精度依然能保持在96%左右，局部孔隙率预测的RMSE依然保持在0.09左右。

5结论

(1) 在多明亮度检测环境下，LCNN模型依然能够保持孔隙状态的高精度稳定检测和局部孔隙率的准确预测，模型具备一定的抗亮度变化干扰能力；

(2) LCNN模型对于局部孔隙率大于0.1%的样本具有可靠的检测能力，显示出LCNN模型在孔隙实时检测方面的极大潜力;

(3) 在多尺寸输入图像条件下，无论是高孔隙率还是低孔隙率试样，LCNN模型具有适应图像输入尺寸多变的能力，能够在不同尺寸的图像输入下实现高精度的稳定检测和准确预测。

6前景与应用

基于深度学习模型的L-DED孔隙检测方法可应对多亮度检测环境和多尺寸输入图像下的挑战，使得LCNN模型具有较强的适应性。模型可从复杂的熔池图像中学习到具体孔隙信息，为后续搭建整体闭环孔隙检测与控制平台奠定基础，当平台内的模型检测出孔隙时，控制平台快速响应，自动调节AM工艺参数以避免大规模孔隙的产生，实现从“检测”到“控制”的闭环质量优化，进而达到打印质量控制的目的。

关于团队

作者团队介绍

李博川（通讯作者），男，湖南大学机械与运载工程学院副教授，机械设计系主任，博士生导师。

近年团队发表文章

[1] Li B, Xu K, Jiang C. Anisotropy reduction and mechanical property improvement of additively manufactured stainless steel based on cyclic phase transformation[J]. Journal of Materials Science & Technology, 2024, 184: 1-14.(第一作者)

[2] Xu K, Huang S, Yu M, et al. Improving the fatigue property of 316L stainless steel through direct energy deposition technology[J]. International Journal of Fatigue, 2024, 183: 108270.(通讯作者)

[3] Xu K, Li B*, Jiang C*. Adjusting microstructure and improving mechanical property of additive manufacturing 316L based on process optimization. Materials Science and Engineering: A, 2023,870:144824. （通讯作者）

AMF增材制造前沿 l

▌三维科学 l 无限可能

投稿丨 2509957133@qq.com

www.3dsciencevalley.com