[发明专利]一种基于深度学习的飞秒激光加工参数共焦轴向监测方法

说明书

本发明公开了一种基于深度学习的飞秒激光加工参数共焦轴向监测方法，属于激光精密加工检测技术领域，包括：S1、基于卷积神经网络构建激光加工参数共焦轴向监测网络；S2、使用训练样本对激光加工参数共焦轴向监测网络进行训练；S3、将加工件的表面形貌轮廓和表面实时轴向位置、精密工作台的实时位置、飞秒激光时空参数输入训练完成的激光加工参数共焦轴向监测网络，得到加工件的实时飞秒激光加工精度和形态变化监测结果。本发明通过共焦轴向监测系统与卷积神经网络结合，在大数据的情况下对深度学习模型进行训练，使其加工过程中能够快速同步的精准定焦和对准，不仅适用于大批量的工业生产，还实现了对加工中的样品形态性能参数进行高精度监测。

技术领域

本发明属于激光精密加工检测技术领域，具体涉及一种基于深度学习的飞秒激光加工参数共焦轴向监测方法。

背景技术

飞秒激光加工过程中，加工材质不同，飞秒脉冲激光与物质的作用机理不同，加工过程中样品产生的形态和性能变化不同，在脉冲激光的作用下，样品的分子结构、元素比例和带电离子等均会发生变化，如何对加工完成后样品的物性参数和形态参数进行精确的检测，不仅是保证加工精度的关键、也是研究飞秒激光加工机理、提升加工工艺水平的重要前提。

现有技术中，使用飞秒激光加工中，对样品进行周期长，效率低，无法适用在大批量生产应用中。此外，还需要额外的辅助系统来对加工中的样品形态性能参数进行高精度监测，导致生产成本高；同时，限制了飞秒激光加工效果稳定性和跨尺度加工能力，也制约了飞秒激光加工机理研究和加工工艺水平的提高。

因此，急需一种能够适用于大批量生产、快速同步的精准定焦和对准还可以对加工中的样品形态性能参数进行高精度监测的监测方法。

发明内容

本发明的目的在于提供一种能够适用于大批量生产、快速同步的精准定焦和对准还可以对加工中的样品形态性能参数进行高精度监测的监测方法，本发明采取了如下技术方案：

一种基于深度学习的飞秒激光加工参数共焦轴向监测方法，包括：

S1、基于卷积神经网络构建激光加工参数共焦轴向监测网络；

S2、使用训练样本对所述激光加工参数共焦轴向监测网络进行训练，得到样品的加工精度和形态变化监测结果；

所述训练样本包括以下参数：样品的表面形貌轮廓、在加工过程中所述样品表面的实时轴向位置、与所述实时轴向位置对应的共焦曲线、加工后所述样品形态性能参数、飞秒激光时域和空域参数以及精密工作台的实时位置；

S3、将加工件的表面形貌轮廓和加工过程中所述加工件表面实时轴向位置、精密工作台的实时位置、飞秒激光时域和空域参数输入训练完成的所述激光加工参数共焦轴向监测网络，得到所述加工件的实时飞秒激光加工精度和形态变化监测结果。

进一步地，所述卷积神经网络包括输入层、卷积层、池化层，所述卷积层层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。

进一步地，所述训练样本包括80％的训练样本和20％的测试训练样本。

进一步地，步骤S2中所述激光加工参数共焦轴向监测网络的训练过程包括以下步骤：

S21、将待加工样品置于精密工作台上，由所述精密工作台带动所述样品进行二维扫描运动，利用共焦轴向监测模块对样品的表面轮廓进行扫描测量，并将测量结果输入给所述激光加工参数共焦轴向监测网络；

S22、将激光共焦轴向监测模块在加过程中探测生成的实时共焦曲线输入所述激光加工参数共焦轴向监测网络；

S23、将激光共焦轴向监测模块得到的所述实时共焦曲线峰值位置与所述轴向扫描器对所述样品表面轴向扫描，并进行一一对应的输入到所述激光加工参数共焦轴向监测网络中；