基于深度学习的激光熔覆层表面气孔识别研究

为了解决熔覆层表面气孔识别技术中耗时且准确度不足的问题，文章利用深度学习技术中的语义分割网络提出了基于U-net神经网络识别熔覆层表面气孔的2BNC-Unet神经网络。通过引入Batch Normalization层以及串联注意力机制(CBAM)合理部署在神经网络中，选取交并比(IoU)与Dice系数作为网络的评价指标。研究结果表明：在测试集中，2BNC-Unet网络的交并比与Dice系数分别为86.96%、86.42%,相比U-net神经网络分别提高了7.65%、4.73%。同时为了验证该网络的性能，选用SegNet、2BNC-Unet与U-net神经网络进行对比实验，结果表明2BNC-Unet的分割效果不仅优于SegNet和U-net网络，而且熔覆层表面的气孔细节能够被完整地分割。在深度学习技术中2BNC-Unet的分割速度和准确度都有了显著地提高，气孔的分割为熔覆层的性能分析提供了帮助。