SLM成型件表面球化程度表征方法及等級檢測

蔣國璋,邱 鶴,林 昕,劉江昊

(1.武漢科技大學(xué)機(jī)械自動化學(xué)院,湖北 武漢 430081；2.武漢科技大學(xué)材料與冶金學(xué)院,湖北 武漢 430081)

1 研究背景

選區(qū)激光熔化技術(shù)(selective laser melting,SLM)作為一種新的快速原型制造技術(shù),能夠利用分層制造原理根據(jù)零件的三維CAD模型直接從金屬粉末制造出致密的實體零件,而不受零件的形狀和結(jié)構(gòu)的限制。相比于傳統(tǒng)的加工技術(shù)具有時間成本低、能夠成型復(fù)雜薄壁零件以及無需后處理等優(yōu)點(diǎn),已經(jīng)被廣泛應(yīng)用到航空航天、生物醫(yī)療和其他工程領(lǐng)域[1]。然而,SLM是一個復(fù)雜的物理和化學(xué)冶金過程,其成型過程涉及多種形式的熱、力和動量傳遞。在激光掃描過程中,熔池在表面張力的作用下具有收縮成球的趨勢,球化現(xiàn)象隨即產(chǎn)生。

球化現(xiàn)象的發(fā)生在單層內(nèi)宏觀表現(xiàn)為金屬球團(tuán)聚集,造成成型件表面粗糙,且金屬球之間存在大量間隙。在連續(xù)成型的過程中,雖然下一層鋪粉可以獲得一個平坦的表面,但是粉末難以完全填充金屬球體之間的間隙,激光掃描之后這些間隙留存于零件內(nèi)部,形成不規(guī)則形狀的鎖孔。與傳統(tǒng)制造的零件類似,孔隙的存在降低了零件致密度,嚴(yán)重影響了零件的力學(xué)性能,阻礙了高強(qiáng)度和抗疲勞應(yīng)用[2]。目前,對于成型過中可能出現(xiàn)的內(nèi)部鎖孔缺陷,一般是對成型后的零件使用超聲檢測[3]、工業(yè)CT檢測[4]、X射線檢測[2]等無損檢測方法進(jìn)行離線檢測,隨后使用熱等靜壓[5]等方法進(jìn)行降低或消除。這種被動性檢測及后處理方法不僅耗時費(fèi)力,而且不能保證處理后的部件內(nèi)部孔隙完全消除并達(dá)到使用要求,對于成型過程中鎖孔缺陷發(fā)生及累積也更是無能為力。實際上,SLM成型過程受大量參數(shù)支配[6],獲得好的成型質(zhì)量部件的關(guān)鍵是了解工藝參數(shù)如何影響成型質(zhì)量,從而從源頭上控制孔隙缺陷的產(chǎn)生。Aboulkhair等[7]人指出,鎖孔是由球化現(xiàn)象以及粉末熔化凝固的體積收縮效應(yīng)引起的,通過改變掃描策略,在每層中進(jìn)行雙重掃描可以有效減少鎖孔的產(chǎn)生。Lee等[8]人采用了基于FDM的商業(yè)軟件Flow3D來模擬SLM過程。他們的研究表明,高掃描速度會導(dǎo)致球化現(xiàn)象,這是孔隙形成的間接原因。而孔隙的大小和數(shù)量也可通過優(yōu)化工藝參數(shù)顯著降低[9]。球化現(xiàn)象的發(fā)生通常也會導(dǎo)致下一層鋪粉不均勻,部分區(qū)域粉末厚度大于理論厚度。Wu等[10]研究表明,較大的粉層厚度是導(dǎo)致層間孔隙的關(guān)鍵因素,這是因為激光能量不足以完全熔化金屬粉末,從而在相鄰兩層之間的界面誘導(dǎo)層間孔隙?？梢园l(fā)現(xiàn),球化現(xiàn)象與工藝參數(shù)及成型質(zhì)量之間有著密切的聯(lián)系,合理的控制工藝參數(shù)可以避免球化現(xiàn)象的發(fā)生,從而獲得低孔隙率高致密度的零件。然而優(yōu)化工藝參數(shù)的獲取通常需要進(jìn)行大量實驗,這是一個昂貴和繁瑣的過程。實際打印過程中,這些參數(shù)對環(huán)境敏感,且相互影響,導(dǎo)致實際獲取的零件孔隙率和致密度未達(dá)到理論預(yù)期。因此,為了有效控制部件的成型質(zhì)量,避免成型過程中出現(xiàn)大量鎖孔缺陷以及粗糙的表面形貌,有必要在成型過程中對球化現(xiàn)象的發(fā)生進(jìn)行監(jiān)測和控制。然而目前大部分研究只著眼于如何優(yōu)化工藝參數(shù)提高SLM成型質(zhì)量,對球化現(xiàn)象的研究也局限于形成機(jī)理[11-12]和影響因素[13]方面,而忽略了在線監(jiān)測控制的可行性。

作為聯(lián)系工藝參數(shù)與成型質(zhì)量的中間變量,球化現(xiàn)象不僅反映了成型后零件內(nèi)部孔隙缺陷以及表面粗糙度等成型質(zhì)量問題,同時也是工藝參數(shù)改變的最直接影響對象,其出現(xiàn)在零件逐層打印表面,這給逐層監(jiān)測控制提供了可能。而建立這三者之間聯(lián)系的基礎(chǔ)是定義什么是球化程度。球化程度是零件成型過程中成型層內(nèi)球化顆粒出現(xiàn)的數(shù)量、大小的度量,直觀反映了零件打印過程中成型層內(nèi)的表面質(zhì)量,同時也間接反映了最終部件的內(nèi)部孔隙的發(fā)生。因此,有效識別成型層內(nèi)球化程度等級是判斷最終零件成型質(zhì)量的關(guān)鍵。為獲得高質(zhì)量的成型部件,目前亟需解決的問題是球化程度的表征方法和球化程度等級檢測識別方法問題。

本文在研究SLM成型過程中部件表面球化特征提取方法的基礎(chǔ)上提出了球化程度表征方法。并通過正交實驗驗證了表征方法的有效性,同時建立了球化程度與激光能量密度之間的關(guān)聯(lián)關(guān)系。最后對球化程度等級進(jìn)行了分級界定,構(gòu)建了基于SLM成型件表面球化程度等級檢測的CNN模型,旨在對成型過程中部件表面球化程度等級進(jìn)行自動檢測,輔助實驗及生產(chǎn)人員做出相應(yīng)的決策,并在必要時刻對工藝參數(shù)進(jìn)行調(diào)控,以獲得低孔隙率高致密度以及低表面粗糙度的零件。

2 實現(xiàn)方法

2.1 球化特征提取及球化程度表征方法

近年來,隨著深度學(xué)習(xí)技術(shù)的發(fā)展,應(yīng)用深度神經(jīng)網(wǎng)絡(luò)的方法在工業(yè)缺陷檢測及特征提取領(lǐng)域逐漸興起。本節(jié),我們將采用全卷積神經(jīng)網(wǎng)絡(luò)(FCN)進(jìn)行成型件表面顯微圖像的球化特征提取。有關(guān)FCN的工作,Long等[14]人已經(jīng)做了大量研究。不同于CNN網(wǎng)絡(luò),FCN將最后的全連接層替換為卷積層,訓(xùn)練一種端到端、點(diǎn)到點(diǎn)的網(wǎng)絡(luò),以實現(xiàn)像素級分割。經(jīng)過訓(xùn)練優(yōu)化的FCN模型,球化特征從復(fù)雜背景中分離出來。如圖1所示為最終的分割結(jié)果。

圖1 FCN模型球化特征提取結(jié)果Fig.1 Balling feature extraction results of FCN model

由圖1(a)特征提取可視化圖像可以發(fā)現(xiàn),幾乎所有的球化顆粒均被提取出來,這意味著FCN能夠有效的提取部件表面的球化特征。而圖1(b)為所對應(yīng)的特征提取結(jié)果標(biāo)簽圖,其中球化特征區(qū)域呈現(xiàn)灰色(像素值為1),背景呈現(xiàn)黑色(像素值為0)。則單個部件表面的球化程度表征公式可由下式給出:

(1)

式中,Q為單個部件表面的球化程度;Pij為單個小圖像在位置(i,j)處的像素值;H和W分別為所采集顯微圖像的高和寬;N為單個部件表面均勻采集的顯微圖像數(shù)量。

2.2 正交實驗

本實驗采用4因素3水平的L9(34)的正交實驗表,并以計算的球化程度為優(yōu)化指標(biāo)驗證球化程度表征方法的有效性。所有實驗均在HK-M250平臺上進(jìn)行,成型材料為氣霧化316L不銹鋼金屬粉末。實驗分兩組進(jìn)行,掃描方式均為簡單柵格掃描,其中第一掃描方式掃描角度為45°,第二掃描方式掃描角度為30°。實驗完成后,用體式顯微鏡(ZXL-300,上海正晞儀器設(shè)備有限公司)均勻采集各試件表面顯微圖像(放大倍率400×),并計算各試件表面球化程度。如表1所示為正交實驗方案參數(shù)設(shè)置及結(jié)果,表中x|y代表兩種掃描方式下所對應(yīng)的結(jié)果。

表1 實驗參數(shù)設(shè)置及結(jié)果Tab.1 Experimental parameter setting and results

采用正交試驗的方差分析方法對試驗結(jié)果進(jìn)行分析,得表2所示分析結(jié)果。

表2 方差分析結(jié)果Tab.2 Results of variance analysis

F檢驗結(jié)果表明,三個因素的F值均小于F0.05(2,2),因此三個因素對部件表面球化程度的影響都不顯著?？紤]球化程度隨各因素水平的變化趨勢,如圖2所示。兩種掃描方式下,激光功率的減小顯著減輕了部件表面的球化程度,且掃描速度在第1水平時球化程度最小。與第一掃描方式掃描間距在水平3處取得最小值不同,第二掃描方式下,掃描間距水平的變化對球化程度幾乎沒影響。因此,兩種掃描方式下,激光功率在第1水平、掃描速度在第1水平、掃描間距在第3水平時,球化程度最小,此時各因子之間的最優(yōu)組合為A1B1C3,即激光功率為150 W,掃描速度為50 mm/s,掃描間距為0.25 mm,層厚為0.05 mm,激光能量密度為240 J/mm3。

圖2 球化程度隨各因素水平變化趨勢Fig.2 The variation trend of balling degree with the level of each factor

在保持其他設(shè)置不變的情況下,利用最優(yōu)組合工藝參數(shù)在兩種掃描方式下成型同尺寸試件。經(jīng)體式顯微鏡采集試件表面顯微圖像發(fā)現(xiàn),成型件表面光潔,熔道軌跡連續(xù),搭接良好,沒有明顯的球化現(xiàn)象。局部顯微圖像如圖3所示,此時球化程度分別為0.75 %和1.46 %,均小于相同掃描方式下其他工藝參數(shù)組合所獲得的球化程度。因此,實驗結(jié)果驗證了球化程度指標(biāo)的有效性,同時也間接說明了球化程度表征方法的正確性。

圖3 成型件表面顯微圖像Fig.3 Microscopic image of the formed part surface

2.3 球化程度與激光能量密度之間的關(guān)聯(lián)關(guān)系

工藝參數(shù)的改變,最終影響的是激光能量的輸入大小。為整體衡量能量輸入與球化程度的作用關(guān)系,引入激光能量密度模型[15]:

(2)

式中,E為激光能量密度(J/mm3);V為激光掃描速度(mm/s);H為掃描間距(mm);D為層厚(mm)。

如圖4所示,為成型件表面球化程度隨激光能量密度變化示意圖。兩種掃描方式下,均呈現(xiàn)出相同的變化趨勢。當(dāng)激光能量密度為150 J/mm3時,球化程度存在極小值,此時激光功率較小為150 W,但相應(yīng)的激光掃描速度也相對較小為100 mm/s,較小的激光掃描速度增加了激光的停留時間,使熔池中的金屬粉末能夠充分融化,潤濕性良好,提高了熔池的穩(wěn)定性。此時球化現(xiàn)象主要是由激光的長時間停留使熔池中的金屬液滴飛濺造成的。當(dāng)激光能量密度為133.33 J/mm3和266.67 J/mm3時,球化程度存在極大值,我們稱之為第一極大值點(diǎn)和第二極大值點(diǎn)。此時激光功率較大為200 W,但在第一極大值點(diǎn)中,激光掃描速度也較大,達(dá)到了150 mm/s,使激光掃描的停留時間縮短,較小的激光能量密度不足以充分熔化金屬粉末,同時熔池的溫度也相對較低,金屬熔滴黏性增大,趨向于大尺寸球化顆粒的產(chǎn)生。而第二極大值點(diǎn)中,激光掃描速度為100 mm/s,相較于極小值點(diǎn),具有相同的激光掃描速度,但此時激光功率更大,熔池中金屬液滴飛濺現(xiàn)象更加劇烈。當(dāng)激光能量密度從266.67 J/mm3增大到400 J/mm3時,雖然在一定程度上減小了球化現(xiàn)象的發(fā)生,這主要是由較大的激光能量輸入,使熔池面積擴(kuò)大,進(jìn)一步對已成型的熔化道重熔造成的。但當(dāng)激光能量密度進(jìn)一步增大時,導(dǎo)致激光直接照射區(qū)域內(nèi)熱量大量累積,較高的熔池溫度使熔體蒸發(fā)并迅速膨脹,在反沖壓力的作用下從熔池噴出形成金屬射流,從而進(jìn)一步加劇部件表面的球化程度。從以上分析可知,在激光能量密度從133.33 J/mm3到266.67 J/mm3的變化過程中,存在某一最優(yōu)的激光能量密度,此時部件表面的球化程度最小。由2.2節(jié)的分析可知,最優(yōu)的激光能量密度為240 J/mm3。

圖4 部件表面球化程度隨激光能量密度變化趨勢Fig.4 The variation trend of surface balling degree of components with laser energy density

2.4 基于CNN的球化程度等級檢測方法

CNN是深度神經(jīng)網(wǎng)絡(luò)的一種,具有強(qiáng)大的特征學(xué)習(xí)能力,目前已被廣泛應(yīng)用于自然語言處理、圖像識別和目標(biāo)檢測等領(lǐng)域[16]。在本文中,我們構(gòu)建基于深度CNN網(wǎng)絡(luò)的分類模型來識別部件表面的球化程度等級。通常,CNN模型的性能是由數(shù)據(jù)集、網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練方法共同決定。

2.4.1 數(shù)據(jù)集準(zhǔn)備

圖像數(shù)據(jù)集是由2.2節(jié)實驗獲取。由圖4可知,兩種掃描方式下試件表面球化程度具有相同的變化趨勢,故最終選擇第二掃描方式下成型部件表面顯微圖片作為數(shù)據(jù)集,單個顯微圖片分辨率大小為2592×1944像素。同時將部件球化程度等級標(biāo)記為三個類別:輕微球化(試件1、2和3),中度球化(試件4、6和7)以及重度球化(試件5、8和9),其中單個顯微圖像的標(biāo)簽與部件球化程度等級保持一致。如圖5所示為部件表面不同球化等級的局部顯微圖像。很明顯,部件表面顯微圖像決定了其球化程度等級,這是因為不同工藝參數(shù)條件下所成型的部件表面球化現(xiàn)象有明顯的區(qū)別。雖然在高分辨率圖像上訓(xùn)練可以提供更好的分類精度,但考慮計算平臺GPU性能及時間成本,將所采集的顯微圖像分割并轉(zhuǎn)化成600×600像素的小灰度圖像塊,生成最終的訓(xùn)練樣本(其中訓(xùn)練集有15311樣本,驗證集有1702樣本,測試集有2103樣本),其中分割后的小圖像塊標(biāo)簽與采集的顯微圖像標(biāo)簽保持一致。

圖5 三種球化程度等級部件表面局部顯微圖像Fig.5 Local microscopic images of three parts with different grade of balling degree

2.4.2 深度CNN網(wǎng)絡(luò)結(jié)構(gòu)

用于分類問題的深度CNN網(wǎng)絡(luò)通常由卷積層、池化層和全連接層組成。如圖6所示為本文最終的網(wǎng)絡(luò)結(jié)構(gòu)圖,其中縮小輸出特征映射只在池化層,且卷積層和全連接層的激活函數(shù)均為ReLU函數(shù),輸出層激活函數(shù)為Softmax函數(shù)。其工作流程是卷積層通過一組濾波器對輸入的圖像執(zhí)行濾波并生成一組特征映射,然后傳遞給池化層進(jìn)行子采樣降維,最后將降采樣后的小維度特征傳遞給全連接層進(jìn)行分類并輸出圖像的類別。當(dāng)存在多個卷積和池化層時,會進(jìn)行多次特征提取和降維。

圖6 部件表面球化程度分類模型示意圖Fig.6 Schematic diagram of classification model of component surface balling degree

2.4.3 訓(xùn)練方法

深度CNN網(wǎng)絡(luò)采用有監(jiān)督學(xué)習(xí)方法進(jìn)行訓(xùn)練,包括前向和反向傳播兩個階段。前向傳播階段是將輸入圖像映射為輸出類別向量的過程。當(dāng)輸出預(yù)測類別向量與真實向量不同時,則會將輸出誤差進(jìn)行反向傳播,從而迭代更新網(wǎng)絡(luò)的權(quán)重參數(shù)。通常應(yīng)用于評估CNN輸出誤差的函數(shù)為交叉熵?fù)p失函數(shù),其目標(biāo)是最小化損失,以獲得最優(yōu)的網(wǎng)絡(luò)參數(shù),畢竟網(wǎng)絡(luò)的性能很大程度上取決于訓(xùn)練有素的參數(shù)。

3 結(jié)果與討論

本節(jié)我們將介紹不同網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置進(jìn)行實驗的結(jié)果。分析環(huán)境為python 3.7.3,且所有實驗均在windows系統(tǒng)下?lián)碛?2×2.2 GHz Intel I7-8750H處理器以及NVIDIA GTX 1050Ti GPU的平臺上運(yùn)行,其目的是優(yōu)化CNN網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù),以獲得最高的驗證精度,并對新數(shù)據(jù)產(chǎn)生較低的泛化誤差。

3.1 輸入大小

輸入圖像尺寸是影響CNN性能的重要因素,它同時影響了網(wǎng)絡(luò)的訓(xùn)練精度和時間。大的輸入尺寸雖然能夠提供更多的圖像信息,但是同時也需花更多的時間去學(xué)習(xí)網(wǎng)絡(luò)參數(shù),對計算平臺的要求也高。小的輸入尺寸能夠提高網(wǎng)絡(luò)速度,但同時也因為圖像壓縮造成的特征信息丟失降低網(wǎng)絡(luò)精度。如表3所示,300×300像素的圖像是通過600×600像素的圖像壓縮得到的,在相同的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)條件下,其訓(xùn)練速度明顯加快,但是其驗證精度卻僅為30.5 %,遠(yuǎn)低于600×600像素圖像輸入下的精度74.2 %。這是因為在卷積和池化層的作用下,小尺度的圖像特征更容易被頻繁的降采樣導(dǎo)致特征丟失。因此,考慮實驗精度,在接下來的實驗中我們采用的圖像輸入尺寸為600×600像素。

表3 不同圖像大小輸入所對應(yīng)的實驗參數(shù)及結(jié)果Tab.3 Experiment parameters and results for different input image size

3.2 網(wǎng)絡(luò)結(jié)構(gòu)層次

如表4所示,我們采用了6和7個卷積層,全連接層的維度也做了相應(yīng)的改變以進(jìn)行對比實驗。當(dāng)增加一個卷積層時,相比于模型1的74.2 %的驗證精度,模型3獲得了79.4 %的驗證精度,但兩者運(yùn)行時間幾乎相同。這主要是因為增加的卷積層具有更多的卷積核,在一定程度上能夠提取到更多的圖像特征,有助于網(wǎng)絡(luò)的特征識別及分類。但是當(dāng)進(jìn)一步增加卷積層個數(shù)時,相比于模型4,模型5的驗證精度則更低,僅為79.5 %,唯一的可以解釋的原因是過擬合。隨著模型復(fù)雜度的增加,其對訓(xùn)練數(shù)據(jù)集的擬合性增強(qiáng),但對驗證數(shù)據(jù)集的性能下降,通用性變差。如圖7(c)、7(d)所示,為模型5的精度及損失變化圖,也證明了模型的過擬合。當(dāng)改變?nèi)B接層的維度時,模型4獲得了比模型3更高的驗證精度,達(dá)到了79.7 %,但網(wǎng)絡(luò)的運(yùn)行時間有所增加。卷積神經(jīng)網(wǎng)絡(luò)中,全連接層是將學(xué)到的分布式特征表示映射到樣本標(biāo)記空間,其維度的增加有助于特征的組合,提高模型的泛化性能。但是當(dāng)其維度進(jìn)一步增加時,網(wǎng)絡(luò)運(yùn)行時間則成比例增加,會給計算平臺帶來負(fù)擔(dān)。綜上所述,我們最終確定模型4的結(jié)構(gòu)為深度CNN網(wǎng)絡(luò)的最終結(jié)構(gòu)。

表4 不同網(wǎng)絡(luò)結(jié)構(gòu)所對應(yīng)的實驗參數(shù)及結(jié)果Tab.4 Experimenting parameters and results with different network architectures

圖7 模型精度和損失圖Fig.7 The accuracy and loss plots for model

3.3 正則化

如圖7(a)、(b)所示,雖然模型4取得了良好的驗證精度,但過擬合現(xiàn)象仍然存在。目前,普遍用于緩解和減輕CNN網(wǎng)絡(luò)過擬合問題的方法是L2正則化和Dropout。其中,L2正則化實際上是通過加入一個與原損失函數(shù)互相牽制的部分,來抑制過大的權(quán)重參數(shù)導(dǎo)致的過擬合,而Dropout是在網(wǎng)絡(luò)訓(xùn)練期間隨機(jī)失活部分神經(jīng)元,避免模型嚴(yán)重依賴一個或幾個神經(jīng)元的輸出?？紤]模型4存在的過擬合問題,我們將測試L2正則化參數(shù)(λ=0.01)和Dropout 率(γ=0.25)的不同組合對CNN網(wǎng)絡(luò)泛化性能的影響。如表5所示,為具體的實驗方案設(shè)計及實驗結(jié)果。其中Conv|FC是指在相應(yīng)的卷積層和全連接層存在L2正則化和Dropout項。

表5 L2正則化參數(shù)和Dropout率的不同組合所對應(yīng)的實驗參數(shù)及結(jié)果Tab.5 Experimenting parameters and results with different combinations of L2 regularization parameters and Dropout rate

很明顯,相比于其他組合,模型15和模型16獲得了較高的驗證精度,分別達(dá)到了82.1 %和82.6 %。如圖8(a)、(b)、(c)、(d)所示,相較于模型4,兩者的過擬合問題有所減輕。然而,直到50個epoch,兩模型均沒有收斂,但是模型15獲得了更好的擬合效果,雖然其訓(xùn)練時間長且驗證精度比模型16稍小。為了達(dá)到更好的擬合效果以及獲得更高的精度,模型15被訓(xùn)練了250個epoch(模型21),如圖8(e)、(f)所示,模型在大約100個epoch才收斂,此時驗證精度為85.6 %。因此,模型15被選為部件表面球化程度等級識別的最終模型,其擁有很好的擬合效果,結(jié)構(gòu)如圖6所示,除輸入輸出層外,擁有6個卷積和池化層,以及兩個全連接層。且在所有的全連接層中使用了λ=0.01的L2正則項,所有卷積層中使用了γ=0.25 dropout項。最后,在測試集上測試了該模型的泛化性能。如表6所示,為該模型在測試集上的混淆矩陣,此時識別精度達(dá)到了96.4 %。

表6 CNN網(wǎng)絡(luò)在測試集上的混淆矩陣Tab.6 Confusion matrix of the final CNN architecture on test dataset

圖8 模型精度和損失圖Fig.8 The accuracy and loss plots for Model

3.4 CNN網(wǎng)絡(luò)模型識別效果

雖然最終的CNN網(wǎng)絡(luò)模型在小的圖像塊測試集上取得了較高的分類精度,但考慮網(wǎng)絡(luò)輸入是由所采集的顯微圖像進(jìn)行分割得到的,可以預(yù)見,在分割處的球化特征也同時被分割,此時,該特征處的圖像像素彼此間喪失了空間相關(guān)性,從而影響CNN網(wǎng)絡(luò)對球化特征的提取,降低網(wǎng)絡(luò)的分類精度,出現(xiàn)假陽性和假陰性,最終影響部件表面整體球化程度的判斷。

為此,我們考慮整個部件所采集的全部顯微圖像,從全局圖像塊來判斷部件表面的球化程度。如表7所示,為實驗獲得的9個部件的全局預(yù)測結(jié)果。對于每個部件的所有小圖像塊,所獲得的CNN模型的識別準(zhǔn)確率在94.1 %以上。雖然有部分圖像塊被錯誤識別,但是這并不影響部件表面球化程度的整體判斷。由表7可知,九個部件均被準(zhǔn)確識別,精度達(dá)到了100 %。很明顯,我們所獲得的CNN模型在SLM成型件表面球化程度等級識別問題上具有很好的性能。

表7 九個試件在全局圖像塊上的預(yù)測結(jié)果Tab.7 The global prediction results of nine specimens

最后,通過采集SLM成型過程中試件表面顯微圖像,并應(yīng)用球化程度等級CNN分類識別模型,就能準(zhǔn)確獲得試件表面球化程度等級。同時根據(jù)此時的工藝條件及球化程度與激光能量密度之間的關(guān)聯(lián)關(guān)系,可以輔助實驗及生產(chǎn)人員做出相應(yīng)的決策,以獲得較高成型質(zhì)量的成型件。

4 結(jié) 論

本文中,鑒于SLM成型過程中所出現(xiàn)的球化現(xiàn)象及其所引起的孔隙缺陷和表面粗糙等成型質(zhì)量問題,我們研究了SLM成型件表面球化程度表征及球化程度等級分類識別方法,初步探討了成型質(zhì)量逐層控制的可行性以及深度CNN網(wǎng)絡(luò)框架在SLM成型過程中部件表面球化程度等級自動檢測中的應(yīng)用?；趯嶒灲Y(jié)果與討論,可以得出如下結(jié)論:

(1)對于沒有紋理規(guī)律的復(fù)雜成型件表面顯微圖片,FCN能夠有效的提取出背景中的球化特征。且根據(jù)所提取的球化特征,文中給出的球化程度表征方法是有效的,并且獲得了最優(yōu)的工藝參數(shù),即激光功率為150 W,掃描速度為50 mm/s,掃描間距為0.25 mm,層厚為0.05 mm。在此條件下,兩種掃描方式均獲得了表面光潔,熔道軌跡連續(xù),搭接良好,沒有明顯球化現(xiàn)象的成型件。

(2)兩種掃描方式下,成型件表面球化程度隨激光能量密度變化呈現(xiàn)出相同的變化趨勢,即隨著激光能量密度的變化,先增大后減小,再增大再減小的過程,且在兩個極大值點(diǎn)之間存在最優(yōu)的激光能量密度240 J/mm3。

(3)通過圖像壓縮獲取小尺寸圖像能加速CNN網(wǎng)絡(luò)的訓(xùn)練進(jìn)程,但是其驗證精度遠(yuǎn)低于原始尺寸圖片精度,這是因為在卷積和池化層的作用下,小尺度圖像特征更容易被頻繁的降采樣導(dǎo)致特征丟失。當(dāng)增加CNN網(wǎng)絡(luò)的卷積層時,卷積核數(shù)量的增加在一定程度上能夠提取到更多的球化特征,有助于提高網(wǎng)絡(luò)的驗證精度,但是當(dāng)進(jìn)一步增加卷積層時,隨著模型復(fù)雜度的增加,出現(xiàn)過擬合的現(xiàn)象,模型性能變差。而當(dāng)增加全連接層的維度時,其訓(xùn)練時間增長,但驗證精度僅提高了0.38 %,因此,可以認(rèn)為全連接層的維度對網(wǎng)絡(luò)的驗證精度影響不大。

(4)在所有的全連接層中使用λ=0.01的L2正則項以及所有卷積層中使用γ=0.25的dropout項時,CNN模型獲得了較好的擬合效果,此時在驗證集上的驗證精度為85.6 %,測試集上的識別精度為96.4 %。雖然圖像分割會影響球化特征的提取,降低網(wǎng)絡(luò)的識別精度,但是這并不影響試件表面球化程度等級的整體判斷。全局圖像塊測試表明,所開發(fā)的CNN模型均能準(zhǔn)確的識別部件表面的球化程度等級,精度達(dá)到了100 %。