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MPA-BP网络的单道激光熔覆熔深预测方法

针对激光熔覆过程中熔覆层深度无法精确控制问题,提出了基于海洋捕食者(Marine Predators Algorithm,MPA)优化的误差反向传播算法(Error Back Propagation,BP)单道激光熔覆熔深预测模型,以激光功率、扫描速度和送粉速率作为自变量,熔深作为因变量对模型进行评估。通过将该模型结果与PSO-BP、SOA-BP和SSA-BP神经网络的试验结果进行对比,发现MPA-BP预测模型的平均绝对误差为7.414%,拟合优度为0.964,相关数据的试验结果均优于其他模型,表明基于MPA优化的BP神经网络对熔深预测具有更好的稳定性和预测精度。