[发明专利]基于卷积神经网络的激光选区熔化熔池图像分析系统

权利要求书

1.基于卷积神经网络的激光选区熔化熔池图像分析系统，其特征在于，包括熔池图像采集模块、图像预处理模块、熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块、数据可视化模块和数据存储模块；

所述熔池图像采集模块对激光选区熔化过程中的熔池图像进行采集，输入至图像预处理模块进行预处理；

所述图像预处理模块对输入的熔池图像进行预处理，然后输出至熔池图像分类识别模块进行熔池图像的分类识别；

所述熔池图像分类识别模块基于卷积神经网络模型，对预处理后的熔池图像进行熔池、溅射的分类与识别，并将分类识别的结果输出至图像重组模块进行拼接重组；

所述图像重组模块将熔池图像分类识别模块输出的分类图像进行标记，通过图像拼接重组恢复出分类标记的熔池、溅射全貌图像，并将结果输入至熔池形貌特征分析模块；

所述熔池形貌特征分析模块对所述图像重组模块输出的熔池、溅射标记图像进行特征分析，对激光选区熔化过程中熔池的质量进行评价，预测缺陷，实时告警；并将结果输出至数据可视化模块和数据存储模块；

所述数据可视化模块对分类识别的结果和熔池质量评价结果进行显示，以便直观的观察熔池行为以及实时监测熔池质量，对出现的缺陷进行预测、告警和纠正，所述数据存储模块对所有数据进行存储；

所述熔池图像分类识别模块中的卷积神经网络模型包括1个输入层，3个卷积层，2个池化层，1个全连接层和1个输出层；

输入层：将数据预处理模块输出的32*32像素大小的图像进行输入；

卷积层C1：有六个卷积核，每个核的大小为5×5，输出6个大小为28×28的特征图；

池化层S2：采用最大值池化函数Max-Pooling，生成对应图像大小为14×14的缩略图，池化窗口大小为2×2；

卷积层C3，进行多通道16核卷积，16个卷积核大小为5×5，输出16个10×10大小的特征图；

池化层S4：使用2×2窗口最大值池化，输出16个5×5大小的特征图；

卷积层C5：有120个卷积核，每个核的大小为5×5，生成120个大小为1×1的特征图；

全连接层F6：共有84个神经元，并与卷积层C5进行全连接，全连接层F6层计算输入向量和权重之间的点积，加上一个偏置之后，传递给sigmoid函数将数值规范化；

输出层：使用softmax方法分类处理；

所述图像预处理模块对输入的熔池图像进行预处理的具体操作包括以下步骤，

S1、图像去冗余：删除激光扫描间隙中没有熔池的全黑图像；

S2、图像采样：删除由于相机高帧率所采集到的相邻的特征相似的重复图像，提取出特征明显的优质图像；

S3、分割提取：对步骤S2中提取出来的优质图像进行熔池区域分割，删除图像中的黑色背景，提取出图像中含有熔池、溅射的图像区域；

S4、图像网格化：将步骤S3中提取到的熔池部分分割成32*32像素大小的图像，作为熔池图像分类识别模块的输入；

所述图像重组模块对图像的具体处理操作包括以下步骤，

S5：将熔池图像分类识别模块输出的32×32大小的分类图像使用阈值分割，将大于背景像素值的熔池和溅射部分用红线圈出，输出带有熔池和溅射部分标记的分类结果图像；

S6：通过图像拼接重组恢复出分类标记的熔池、溅射的全貌图像。

2.根据权利要求1所述的基于卷积神经网络的激光选区熔化熔池图像分析系统，其特征在于，所述熔池图像采集模块使用高速相机对激光选区熔化过程中的熔池图像进行实时采集。