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。     

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,BNCUnet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。