基于深度学习激光熔覆层树枝晶的形貌识别

在增材制造技术中，树枝晶的表征对于分析激光熔覆层的机械性能至关重要，但目前树枝晶的标记主要由人工完成，耗时长且容易引入人为误差，而深度学习可提高目标识别准确度。基于U-net网络提出了适于识别分割树枝晶的BNC-Unet网络，将串行注意力机制和Batch Normalization层有效地部署在上采样和下采样区域，调整图像特征的权重信息。选取交并比作为分割结果的评价指标，并对比了原Unet以及不同的改进方法在该指标下的结果。在测试集中，BNC-Unet网络分割树枝晶准确率指标为84.2%，比原U-net网络结果提升了8.97%。该指标表明网络能准确地从激光熔覆层金相图中识别出树枝晶形貌，且识别树枝晶的准确率显著提高，便于在激光熔覆试验后评估熔覆层性能。