基于多传感融合的增材制造缺陷检测技术研究 遥感技术专业.docx

《基于多传感融合的增材制造缺陷检测技术研究 遥感技术专业.docx》由会员分享，可在线阅读，更多相关《基于多传感融合的增材制造缺陷检测技术研究 遥感技术专业.docx（61页珍藏版）》请在三一办公上搜索。

1、基于多传感融合的增材制造缺陷检测技术研究Researchonadditivemanufacturingdefectdetectionbasedonmulti-sensorfusion目录摘要vABSTRACTVII第一章绪论9缺陷检测技术现状91.Ll传统技术检测方法91.1.2机器视觉检测方法101.1 多传感器缺陷检测技术现状111.1.1 图像融合技术现状与分类121.1.2 图像融合在缺陷识别中的应用121.2 本论文的内容安排141.3 本论文的结构安排14第二章多传感器融合监测系统设计152.1 增材制造缺陷分类162.1.1 气孔162.1.2 孔隙172.1.3 裂纹172.2

2、 增材制造缺陷形貌分析182.2.1 气孔182.2.2 孔隙202.2.3 裂纹2123多通道图像检测系统结构设计与系统搭建212.4本章小结25第三章多传感器监测系统图像融合技术算法263.1 理论基础263.1.1 NSCT变换263.1.2 PCNN模型263.2 基于NSCT的PCNN改进融合算法273.2.1 PCNN模型在图像融合中的应用273.2.2 基于NSCT和PCNN的图像融合算法的实现283.3 模型训练与结果分析283.3.1 PCNN模型参数设定283.3.2 模型结果分析293.4 本章小结31第四章基于改进YoLoV3的图像缺陷检测算法334.1 YOLOv3算

3、法原理334.1.1 损失函数344.2 YOLoV3加权K-means聚类算法354.3 基于MobileNetv3的网络结构改进364.3.1 使用MobileNetv3作为骨干网络364.3.2 引用膨胀卷积374.3.3 Inceptionv3结构优化384.4 本章小结39第五章基于多传感融合的增材制造缺陷检测实验405.1 图像数据集获取405.1.1 图像预处理405.1.2 实验数据预处理与结果分析435.2 先验框参数聚类分析4453模型调参与测试465.4 实验结果与分析475.5 本章小结50第六章总结与展望516.1 本论文的主要内容516.2 本论文的主要创新点526

4、.3 后续工作展望52参考文献54攻读硕士学位期间学术成果62致谢错误!未定义书签。增材制造技术被认为是航空航天和国防工业中最有前途的制造技术之一。但是己知增材制造组件具有各种内部缺陷，例如粉末结块，起球，孔隙率，内部裂纹和热/内应力，这些缺陷会严重影响最终零件的质量，机械性能和安全性。因此，高精度高适用性的缺陷检测方法对于减少增材制造缺陷，改善增材制造组件的表面质量和机械性能非常重要。传统的金属增材制造缺陷检测方法存在检测效率低，准确性低的问题，而现有的机器学习检测算法适应性差，结构复杂。针对上述问题，本文通过分析增材制造缺陷形态特点,设计一套基于多传感器的增材制造缺陷检测系统丰富缺陷图像信

5、息；通过一种基于红外和可见光融合的增材制造样品缺陷方法增强图像信息;同时采用一种基于Y0L0v3的增材制造缺陷识别分类算法提高缺陷检测效率和速度。主要内容如下：基于多传感器的增材制造缺陷检测系统。通过折叠光路大大减小了系统的体积，采用公共光学窗口的设计，将可见光图像和红外图像两个通道的成像精准配准融合,可以显著提升图像获取效率。能够保留高分辨、高丰富性的可见光信息，还可以充分提高监测的精度与可靠性。基于红外和可见光融合的增材制造缺陷图像增强方法。利用平移不变性，在各个不同方位的NSCT变换拆解组合后的源图像。于变换域里，根据低频图像和高频图像的不同特性，采用不同的PCNN融合规则来尽可能融合红

6、外和可见图像的突出特征，突出边缘和清晰纹理。融合后的图像含有的光谱信息更加丰富，分辨频率也更高，因此可以识别效果更好。基于YOLOv3的增材制造缺陷识别分类算法。首先借助k均值加权算法来对目标样本进行聚集归类，以提高先验帧与特征层之间的匹配度。通过使用轻量级的MobileNetv3替换原始YOLOv3算法中的Darknet-53,可以修改YOLOv3的网络结构。添加了卷积卷积和Inceptionv3以提高表面缺陷的检测能力。还开发了一种多传感器测量系统，以获取带有缺陷的增材制造表面数据，以进行实验验证。结果表明，YOLoV3-MobileNetv3网络在测试集中的检测准确率平均比原始Y0L0v

7、3网络高ll%0三种缺陷的裂纹缺陷的检测精度显着提高了23.8%,检测速度也提高了18.2%。实验结果表明，改进的YOLOv3算法可以实现高精度，快速的金属增材制造的端到端表面缺陷检测，可进一步应用于在线缺陷检测。关键词：增材制造；多传感器；图像融合；缺陷检测；神经网络ABSTRACTAdditivemanufacturing(AM)technologyisconsideredoneofthemostpromisingmanufacturingtechnologiesintheaerospaceanddefenseindustries.However,AMcomponentsareknownt

8、ohavevariousinternaldefects,suchaspowderagglomeration,balling,porosity,internalcracksandthermal/internalstress,whichcansignificantlyaffectthequality,mechanicalpropertiesandsafetyoffinalparts.Thereforereducingitsmanufacturingdefects,improvingthesurfacequalityofAMpartsandimprovingitsmechanicalproperti

9、es,thismethodisofgreatsignificance,thepurposeofthispaperistodescribethedefectdetectiontechnologyanditsapplicationintheAMprocess.ThearchitectureofdefectsinAMprocessesisreviewed.Thetraditionaldefectdetectiontechniquesandsurfacedefectdetectionmethodsbasedondeeplearningaresummarized,andfutureaspectsares

10、uggested.Thetraditionaldetectionmethodofmetaladditivemanufacturingdefectshastheproblemsoflowdetectionefficiencyandlowprecision,buttheexistingmachinelearningdetectionalgorithmisnotonlypooradaptability,butalsocomplexstructure.Inresponsetotheaboveproblems,thispaperanalyzesthemorphologicalcharacteristic

11、sofadditivemanufacturingdefectsanddesignsamulti-sensorbasedadditivemanufacturingdefectdetectionsystemtoenrichdefectimageinformation;enhanceimageinformationthroughamethodbasedoninfraredandvisiblelightfusionforadditivemanufacturingsampledefects;Atthesametime,anadditivemanufacturingdefectrecognitionand

12、classificationalgorithmbasedonYOLOv3isusedtoimprovetheefficiencyandspeedofdefectdetection.Themaincontentsareasfollows:Multi-sensorbasedadditivemanufacturingdefectdetectionsystem.Thevolumeofthesystemisgreatlyreducedbyfoldingtheopticalpath,andthedesignofacommonopticalwindowisadoptedtoaccuratelyregiste

13、randfusetheimagingofthevisiblelightimageandtheinfraredimage,whichcansignificantlyimprovetheimageacquisitionefficiency.Itcanretainhigh-resolution,high-richvisiblelightinformation,andcanalsofullyimprovetheaccuracyandreliabilityofmonitoring.Thisisanenhancementmethodformanufacturingdefectimagesbasedonin

14、fraredandvisiblelightfusionadditives.Fusionofsourceimagestakesadvantageoftranslationinvariance,multi-scaleandmulti-directionalNSCTtransformationdecomposition.Accordingtothedifferentcharacteristicsoflowfrequencyimageandhighfrequencyimage,theprominentfeaturesoffusioninfraredandvisibleimageshouldadoptd

15、ifferentPCNNfusionrulesastargetedaspossible,andtohighlightedgesandcleartextures.Thefusedimagehasricherspectralinformationandhigherresolution,soabetterrecognitioneffectcanbeobtained.YOLOv3basedadditivemanufacturingdefectrecognitionandclassificationalgorithm.Theweightedk-meansalgorithmisusedtoclustert

16、hetargetsamplestoimprovethematchingdegreebetweenthepriorframeandthefeaturelayer.ThenetworkstructureofYOLOv3ismodifiedbyusingthelightweightMobileNetvStoreplacetheDarknet-53intheoriginalY0L0v3algorithm.DilatedconvolutionandInceptionv3areaddedtoimprovethedetectioncapabilityforsurfacedefects.Amultisenso

17、rmeasuringsystemwasalsodevelopedtoobtaintheadditivemanufacturingsurfacedatawithdefectsforexperimentalverification.TheresultsshowthatthedetectionaccuracyinthetestsetbyYOLOv3-MobileNetv3network11%higherthantheoriginalYOLOV3networkaverage.Thedetectionaccuracyofcrackdefectsofthreekindsofdefectsisimprove

18、dby23.8%comparedwithotherdataandthedetectionspeedisalsoincreasedby18.2%,TheexperimentalresultsindicatethattheimprovedYOLOv3algorithmrealizestheend-to-endsurfacedefectdetectionformetaladditivemanufacturingwithahighaccuracyandfastspeed,whichcanbefurtherappliedforonlinedefectdetection.Keywords:Additive

19、manufacturing;multi-sensor;imagefusion;defectdetection;neuralnetwork.ChineseLibraryClassificationNumber:0439第一章绪论i项前沿的现代制造技术一一激光增材制造技术，可以使复杂金属零件的轻松快速的制造。在这种技术制造的制造的过程中，零件加工成型的质量受到设备系统稳定性（气体环境、送粉等）、工之参数（扫描速度、激光功率、加工层厚等）、原材料等多重影响，这些影响因素一旦得不到有效控制，便会在成形零件中形成气孔、孔隙、裂纹等缺陷，进而使加工的零部件质量无法达到实际使用要求。所以，要想获得高质量的增

20、材制造零部件，务必对制造的工艺过程的每一个成形质量和成形过程相对监测，并且进行快速优化工艺参数，进而减少甚至消除成形缺陷。然而增材制造过程复杂，零件加工的精度和可重复性受到诸多扰动因素的影响，如高温、强光、粉末飞溅等，为加工过程的监测带来了很大难题。1.1 缺陷检测技术现状近年来，缺陷检测技术己广泛应用于各类工业场景中。缺陷检测技术是指检测被测样品的表面斑点，孔洞，内部结构和划痕等缺点，并且得到被测的样品表面或是内部缺陷的，深度，缺陷和轮廓类别等相关数据1-5。根据缺陷检测技术的类型，可以将缺陷检测技术分为传统的缺陷检测技术及目前几年来出现的基于深度学习的机器学习缺陷检测的技术，其是使用机器视

21、觉设备获取图像，并通过算法来确定收集的图像中是否存在缺陷卜面对其进行简单的介绍，并进一步比较各种典型方法。1.1.1 传统技术检测方法针对种类不同的缺陷，渗透缺陷检测，超声缺陷检测，涡流缺陷检测和红外成像缺陷检测是非破坏性缺陷检测的传统方法。（1）红外成像缺陷检测红外热成像缺陷检测技术的原理主要是通过红外热成像仪拍摄金属增材制造工件的热辐射强度图片来显示缺陷的形状和轮廓12。缺陷与周围材料之间的热辐射差异将使它们在红外图像中脱颖而出。根据各向同性均质体中热弹性效应的理论，金属材料样品中具有缺陷样品的材料性能是不同的13-14。根据该结论,可以使用红外热像仪检测增材制造产品的表面温度场，找到温度

22、异常区域并确定缺陷的位置15。（2）渗透缺陷检测渗透缺陷检测是一种非破坏性的测试方法，该方法使用毛细管现象来检查材料的表面缺陷16。含荧光剂的渗透剂对缺陷检测的敏感性明显高于普通渗透剂，因此荧光渗透剂检测技术具有检测表面开口缺陷高灵敏度和直观的优势，但容易受到增材制造工件结构的影响。但渗透测试方法不适合测试未经后处理和抛光的多孔或粗糙表面增材制造的零件17。（2）涡流缺陷检测涡流缺陷检测是根据电磁感应的原理经过测量被测工件的感应涡流的细微变化从而来发现它的缺陷，因此无损评估导电材料的性能存在相应的差异。根据检测到的试件中的涡电流，从而获得试件的材料，缺陷，形状和尺寸有关的信息18o涡流检测技术

23、可以在恶劣的环境中使用，满足非破坏性测试中增材制造的复杂要求，并且适用于检测诸如裂纹和非熔合孔洞之类的缺陷等。尽管涡流检测技术可以在高温等恶劣环境中使用，但是温度对材料的电磁性能影响较大，金属增材制造零件生产过程中通常具有复杂的温度场，因此准确检测缺陷仍然相对困难口9。（3）超声波缺陷检测超声波测试是使用超声波来检查金属增材制造组件中的内部缺陷。当超声波在组件内部传播时，利用探头检测到不同反射信号之间相隔的时间，可以对组件内部的缺陷进行检测。确定缺陷的位置，大小和一般材料性质可以通过荧光显示屏上回波信号的位置和高度加以确定20-21。超声波在增材制造零件中的传播会受到缺陷的影响，因此它可以反映

24、零件中的缺陷信息，该方法主要用于检测孔洞和裂缝等缺陷22。同时激光超声方法在实时缺陷检测中具有很大的潜力，但需要对大部分零件表面进行处理以消除表面粗糙度的影响。目前，金属增材制造的缺陷信息主要采用单一通道的检测手段来获取，往往具有信息不足且抗干扰性能差的问题。因此，更需要一种多传感器检测方法以稳定的获得更多的缺陷信息。同时，由于近年来卷枳神经网络及其他深度学习方法的不断普及，依据深度学习的缺陷检测方法已逐渐取代了传统的缺陷检测方法来检测金属增材制造产品中的缺陷23。1.1.2 机器视觉检测方法近年来，机器学习发展迅速，在目标检测24,智能机器人25,工业质量检查26等领域中取得了长足的进步。深

25、度学习是使用神经网络内部构造出的多个卷积层，通过学习输入在其中的数据特征来将低层特征处理为更抽象的高层特征。然后将数据从训练过程中分类，并以矢量，特征图等形式表示分类结果基于强大的深度学习能力和特征提取它的高效性，许多研究人员已应用该技术来检测缺陷并提高整体检测效率和质量27-29。机器视觉缺陷检测由主要由两个部分组成：算法检测和图像获取。由于图像获取设备，照明条件，拍摄角度，环境变化等因素的影响，这样得到的图像总是存在一定的差距，这便导致了后续图像处理难度得到大大的提高30。并且不同的图像的处理方法的不同和不同图像识别算法的特征提取能力都会直接影响它的错误检测率和准确性31。机器学习缺陷目标

26、检测的本质是通过算法找出图像中所有相关的缺陷对象，并确定它们的位置，大小和类别信息32-33。现在存在的深度学习缺陷目标检测算法大致能够分为两类：一类由FasterR-CNN34和MaskR-CNN35表示的一阶段检测算法，一阶段检测算法不需要区域网络（RPN）提取阶段，可以直接得到检测的结果，所以检测速度得到了提高，但降低了检测的精准度。另一类是由YOLO24和SSD36表示的所处两阶段的检测算法，这种检测算法是将检测任务分为两个阶层，包括通过RPN生成候选区域以及通过检测网络检测候选区域的类别和位置。该方法具有较高的准确性，但又降低了检测速度37。这两类检测算法目前被广泛使用。而对于金属增

27、材制造零件的表面缺陷，通常方法是先通过手工提取特征因子然后再利用算法对缺陷进行分类38,这些缺陷在检测精度，抗干扰性和实时性方面均难以满足实际检测要求39-41。随着计算机技术的发展和最近的深度学习的落实，深度神经网络已逐渐成为缺陷检测的主要方法之一42-44。目前，卷积神经网络被广泛用于特征提取和金属零件表面缺陷分类中，解决了大量检测难题45-47。例如，有学者在缺陷分类之前，使用神经网络生成大量未标记的数据,解决了缺陷训练样本不足的问题48-49。但是，这些检测方法和算法只能实现金属零件的表面缺陷分类，而不能定位特征更复杂的缺陷。即使使用缺陷检测网络来实现端到端的表面缺陷检测，单一类别的缺

28、陷准确率可达70%-80%50,但仍存在检测速度不足，多类别缺陷检测适用性不强的缺点，无法满足金属增材制造的实际检测需求。1.2 多传感器缺陷检测技术现状目前，市场上大多数缺陷检测方法都采用单通道来获取缺陷图像，包括传统的超声检测技术51-52,磁共振检测技术53,X射线检测技术54和CT检测技术55-56等。但是，这些检测方法通常存在图像信息不足，抗干扰性能差，辐射损伤大，信号采集时间长，设备昂贵，苛刻的拍摄环境，检测成本高等缺点，无法保证缺陷的细节能够在拍摄过程中被捕获，来确保足够有效的缺陷信息57。所以多通道图像融合技/:K的利用率和有效性，丰富缺陷图像的细节信息，有利于后续识别与检测。

29、1.2.1 图像融合技术现状与分类而采用多通道图像采集再进行缺陷信息融合的方法为缺陷检测提供了一种新思路，可以有效地增加被测图像缺陷细信息，并有助于在增材制造过程中识别缺陷58-60。图像信息融合能够分为特征层，数据层和决策层的融合。数据层融合将原始数据直接融合，数据层融合的输入多是原始数据，数据层融合的输出是将特征信息相提取处理。优点是能够从其他融合层中得到更多的处理细节。缺点便囊括了复杂过程的计算负担，需要十分好的容错能力并且实时性较差61-63。特征层融合对数据源的特征进行提取用于后续分析和处理，优点是减少后续要处理的数据量，实时性能改善。决策层融合，是一种更复杂多样H高层次的融合，其具

30、有很高的灵活性，和强大的抗干扰能力，从传感器得到的测量数据要进行预处理再作用于检测目标上。然后，所有决策结果都是根据某些特定规则进行融合以获得最佳判断64-65。1.2.2 图像融合在缺陷识别中的应用图1.1(a)和(b)是分别由450nm和500m多光谱相机拍摄的太阳能电池表面缺陷的图像。采用了数据融合中的统计算法66进行了图像融合。结果显示在图Ll(C)中。通过图像融合算法抑制了多晶硅太阳能电池复杂背景对表面缺陷可靠提取的影响，提高了缺陷特性。通过融合多光谱图像，提高了缺陷部位的对比度，增强了太阳能电池上指纹和划痕的缺陷信息。(a) 450 nm multispectral(b) 500

31、nm multispectral(c) Fusion imageimageimage图Ll太阳能电池的缺陷图像融合67.图1.2是使用图像数据融合中的基于信息论的残差神经网络方法检测磁砖表面的缺陷分割情况。与此同时多传感器数据融合目标识别是依靠对参数的观察和l三l标身份之间的映射关系来识别相应的目标，而不再需要通过统计方法直接仿照观察数据的形式，从下图可以看出，与传统的训练方法相比，由残差模型训练的网络确实可以更好地识别磁砖表面上的小面积缺陷区域，如图1.2中的蓝色圆圈所示。改进的网络还可以改善磁砖本身的纹理标记错误，如图中的黄色圆圈所示。图1.2残差神经网络方法在磁砖表面缺陷检测中的缺陷分割

32、效果68.图1.3是使用图像数据融合中的基于认知模型的模糊集理论算法。其69推出了一种多源多传感器目标融合的多级自适应变权模糊算法，这种算法提供了一种十分有效方法来处理那些不确定信息。这种算法充分使用了传感器信息的互补性和冗余性。这样便让图片的消息来源变得可靠。图1.3(a)和(b)是通过调节显微镜透镜的焦平面拍摄的石材表面的显微图像，而图1.3(c)是由CCD相机拍摄的石材表面图像。用上述算法进行图像(a)Leftfocusimage(b)Rightfocusimage(c)CCDimage(d)Fusionimage融合，结果示于图13(d)o该算法用于实现微图像融合，并获得近似的全焦点图

33、像。可以有效地解决图像传感器的景深限制。它可以解决图像传感器景深的局限性，并可以获得被测物体表面的准确，完整的特征信息。图1.3.石材板表面形貌的图像融合结果70.1.3本论文的内容安排从上述章节可以看出，国内外的学者对多传感器融合和缺陷检测已经有了比较深入的研究，包括增在制造缺陷数据的获取，融合算法、缺陷检测算法等。在本论文中，研究重点主要集中在多传感器拍摄图像的融合技术和机器学习目前缺陷识别分类技术应用在增材制造缺陷检测中，对比于传统的增材制造缺陷检测方法，该论文采用的技术可以实现非接触、快速且高效地检测缺陷目标。本文中涉及到的研究内容主要包括：(1)创新性的设计了红外和可见光多传感器缺陷

34、检测系统，可以通过一次传感器的拍摄，同时采集到红外和可见光增材制造样品的缺陷图像，极大地提升了图像获取效率。(2)先从金属增材制造样品的缺陷表征开始分析，从缺陷形貌特点出发，根据设计的红外和可见光多传感器缺陷检测系统，提出一种红外和可见光多通道图像融合算法为增材制造缺陷检测提供了一种新方法，能够十分有效地增加被测图像的详尽信息，并有助于在增材制造过程中识别缺陷。为了更好的融合红外图像和可见光图像，实现金属增材制造工件的多通道缺陷检测，提出了一种在脉冲耦合神经网络和非二次采样轮廓变换的基础上的图像融合算法。该变换优点是平移不变性和各向异性较好，能够很好地捕捉到图像边缘的详尽信息内容，并具有良好的

35、重构能力。(3)基于红外可可见光融合检测系统拍摄到的图像，提出一种改进的YoLe)V3算法，以检测识别金属增材制造零件的表面缺陷。使用了加权K均值算法代替原始K均值对目标样本进行聚类。首先指定聚类中心，设置每个样本的权重参数，然后进行聚类计算，避免不同种类缺陷大小对聚类结果的影响，首先提高先验帧与特征层的匹配度，同时修改了YOLOv3的网络结构，并使用MobiIeNetV3作为骨干网络，以提高检测表面缺陷的算法能力。最后，将通过多通道检测系统收集的金属增材制造零件的表面缺陷数据集用于验证。经过实验分析与验证，证明改进的Y0L0v3缺陷检测算法在增材制造缺陷样本上有良好的检测表现。1.4本论文的

36、结构安排论文以增材制造缺陷检测为目标，以红外和可见光双传感器数据融合为为主要手段，通过多传感图像采集系统的设计、融合和识别算法的改进以及对实际增材制造图像数据集的实验分析，得到了合理有效的解决方案。本文从结构上可以大致分为6个章节，具体的安排如下：第一章概述了目前市面上增材制造产品的缺陷检测方法，分析了传统技术和机器视觉检测技术的优缺点。简述了多传感器缺陷检测的主要手段，总结目前多传感器检测存在的问题以及以后的发展趋势，分析图像融合在增材制造多传感缺陷检测中的作用和优势，提出本文的研究内容以及研究目标。第二章介绍金属增材制造缺陷的分类和形成原因，再根据实际拍摄的增材制造缺陷图像分析所需的检测系

37、统参数要求。最后结合不同种类的缺陷检测指标,设计一套基于红外和可见光的多传感器增材制造缺陷检测系统。并给出相关设备型号和系统设计图。第三章介绍红外和可见光多通道图像融合算法的主要理论基础，然后介绍该算法的融合参数选择和融合规则。最后，红外和可见光多通道图像融合算法使用隹影通道缺陷图像融合的观测结果上。由实物结果可知，通过为缺陷图像设置合适的融合规则，该算法比其他图像融合方法具有更好的融合效果。第四章基于增材制造缺陷样品的形貌特点，提出了一种改进的Y0L0v3算法，该算法用加权K均值算法代替传统的K均值算法对先验框架参数进行聚类,然后对网络结构进行聚类。通过对YC)LC)V3算法进行了优化，以获

38、得用于金属增材制造表面的快速，准确的缺陷检测算法。该方法可以适应于增材制造的多种缺陷类型，优于市面上的其他检测算法。第五章本章将通过多通道成像系统收集的金属增材制造零件的表面缺陷数据集用于算法有效性验证。首先对获取的缺陷图像数据进行去模糊和去光照不均的图像预处理，再进行图像融合获得目标缺陷图像数据集，通过先验框参数聚类分析得出加权K均值算法确实可以增强缺陷信息的搜索能力。再通过模型的调参与实验验证了改进后的YOLOv3-MobileNetv3具有更快的检测速度，优于目前其他的深度学习表面缺陷检测算法。第6章概括论述了本篇文章的研究的首要内容，总的概括了相对于其他类似研究本论文的创新点和亮点，与

39、此同时挑出了工作中所存在的不足之处，也大致指出了未来工作的开展方向。第二章多传感器融合监测系统设计2.1 增材制造缺陷分类众所周知，在增材制造过程中会发生各种材料间断。在增材制造过程中可能会出现不同的缺陷。提高零件的质量减少缺陷对于满足具有挑战性的工业要求很重要。通过研究和讨论这些缺陷的几何形状和尺寸，表面质量和微观结构，大多数缺陷可归纳为开裂，残余应力，孔隙率和成球现象四种缺陷类型。产生缺陷的原因与设备系统组件的设置不正确，制造过程中的粉尘，层与层之间的相互作用力有关71。2.1.1 气孔当熔融材料凝固成球形而不是固体层时，就会形成熔球，也称为气孔，这严重阻碍了层间连接72。通常是因为熔池和

40、金属粉末之间的相互作用而在部件中产生球形颗粒，形成气孔。这种独立形成的金属球很容易在逐层扫描增材制造工艺中产生，形成粗糙且呈珠状的表面，从而产生不规则的层沉积，对零件的密度和质量产生不利影响。气孔会增加部件的表面粗糙度，并降低其密度和机械性能。所以，有对研究抑制和消除制造部件中的球化问题以及可能的处理方法是很有必要的。有研究员在粉末床的压力辅助下对氧化铝进行加工，并研究了诸如气孔等缺陷。使用三种具有不同粒度分布的市售氧化铝粉末。如图2.1所示，是不同激光能量密度下的气孔现象的光学图像。显然，气孔现象不仅对组件的几何精度有很大影响，而且还会影响机械性能。图2.1在不同的舱口空间和不同的颗粒尺寸下

41、的气孔现象(a)0.15mm；(b)O.10mm；(c)O.05mm；(d)O.15mm：(d)O.10mm；(e)O.05mm73o2.1.2 孔隙孔隙是金属增材制造工艺中的常见的缺陷，除了夹杂气体外，缺乏熔融不良也是孔隙产生的重要因素，这会直接影响最终部件的密度和机械性能74-76。在金属增材制造过程中，当材料快速熔化和固化时会形成孔隙，从而将气体滞留在熔池中并阻止其及时释放77。Zhang等人通过使用高达每秒20,000帧的高速摄影技术，仔细研究了金属增材制造过程中表面孔隙缺陷与熔池表面上产生的气泡之间的关系78。以15.5g/min的进料速度提供粒径为5010m的气雾化粉末（成分Ni-

42、8Cr-6AI-6Co-5W）o如图2.2（a）和（b）所示，沿轨道边缘零星出现了几个宏观的，表面开放的孔隙。这些孔隙似乎沿激光扫描方向呈线性分布，直径为300-400m0图2.2单轨俯视图：（a）显示了沿轨道边缘分布的孔隙缺陷（黄色箭头）；（b）图中的圆圈表示从左到右激光扫描到的三个表面孔隙（1-3）78o2.1.3 裂纹裂纹是金属增材制造产品中出现的主要缺陷，主要是由热应力引起的。这些缺陷对零件的性能有很大的影响，这些缺陷严重限制了金属增材制造产品的应用79-82o许多研究人员对裂纹的形成机理，研究表明产生裂纹的匕要原因是因为热影响区的晶界上形成的连续和半连续的液膜及其在零件内部形成的拉应

43、力由此而导致83-85o于增材制造1艺中，影响组件中裂纹发生的主要因素是工艺参数信息C另外,晶粒的方向决定了裂纹的生长方向86。在制造过程中，一旦发生裂纹，裂纹就会沿着熔融层扩散，从而极大地影响部件的机械性能8788。在89中，出现了开裂现象，如图2,3所示。研究结果表明，当增材制造处理能量足够高时，InCOrlel738层和定向凝固（DS）基板之间会发生明显开裂。OInco 738crackInto 738Inco 738interface,liquation ZcrackDS SIIPenlIIo、liquationDS SupcralloxinlcrfaccIiqMAtionrcrack

44、 interface. JDS Supenilloy102.8 m.M5T.- z2jV = 书,v,4Inco 738Inco 738crackinterlaceDS Supcrao%crnckinterfaceDS Supcralloy04 mmkCiT7l图2.3选择性激光熔化制造的零件中的开裂现象：（a）DS基板上出现明显的液化开裂，液化渗透到InCOneI738沉积层中；（b）DS基板上有明显的液化开裂，但裂纹没有明显的液化渗入InCOneI738沉积层；（C）在DS基板上开裂，并且在没有明显液化的情况下裂纹渗入InConel738；（d）在DS基板上开裂，没有明显的液化，也没有裂纹

45、渗入InConeI738沉积层；（e）在DS基板上没有裂纹，但裂纹起源于界面并传播到Inconel738沉积层89。2.2 增材制造缺陷形貌分析2.2.1 气孔气孔缺陷的形貌大多数是规则的球形或类球形。在光学显微镜下主要呈现为中心亮白色,气孔在超声成像中则呈现为中间高亮,边缘略暗的结果。图2.4（a）、（b）和（C）分别是比例尺200Um,lmm,2mm的缺陷图像（其中图2.4（b）为比例尺Imm的超声图像）。结合实拍图像可推算，气孔缺陷尺寸通常在200微米以下，集中在IoOUm。为保证图像质量，避免因为靶面尺寸不适配图像产生黑边等问题，优先选择130万相机选型（分辨率12801024,靶面尺

46、寸：1/26.4mm*4.8mm,像素尺寸：4.8um4.8um）,结合下图判断图像视野在600um*800um左右效果为最佳，所需精度为0.5um,镜头可配置靶面尺寸同为1/2的8倍金相镜头，工作距离65mm。200.mi(a)200Um气孔缺陷(b)Imm超声气孔缺陷(c)2mm气孔缺陷图2.4不同尺度的气孔缺陷图像2.2.2 孔隙从未熔合或是熔合不良的孔隙缺陷的形貌一般会呈现出不规则的长条形，和气孔相比，孔隙的尺寸比气孔更大一些。图2.5(a)和(b)分别是在比例尺为500um和100um的未熔合孔隙的缺陷图像;图2.5(c)和(d)分别是在比例尺为2毫米和300微米的熔合不良孔隙的缺陷

47、的图像。结合实拍图像可推算，孔隙缺陷的尺寸在200m至300mo所选系统的图像视野在600m*800um满足需求。(a) 500n未熔合孔隙缺陷(b) IoOUnI未熔合孔隙缺陷(c) 2mm未熔合孔隙缺陷(d) 300Inn未熔合孔隙缺陷图2. 5不同尺度的孔隙缺陷图像图2.6(a)为比例尺在100um的裂纹图像，根据图像推断裂纹的长度在200um,所选系统的图像视野在600m*800m满足需求。根据相关裂纹图像，推测视野画面如图26(b)o(a)IooUm裂纹缺陷(b)模拟自建系统拍摄裂纹缺陷图像图2.6不同尺度的裂纹缺陷图像2.3 多通道图像检测系统结构设计与系统搭建为了检测加工工件成型质量，为增材制造工艺参数的调控提供条件，国内外业界提出了各种监测的手段。单纯采用高速相机、高温计和光电二极管只能够同轴监测熔池状态，且相机镜头需离工作台很近，观察视场极小，不能有效监测整个工作台平面。单纯使用工业相机只能在铺粉时监测铺粉平整度信息捕捉铺粉缺陷，而仅使用红外热像仪则只能在逐层打印完成时捕捉热场信息且精度有限。现有技术仍存在局限和不足，为了更好利用现有技术对缺陷进行检测，本系统设计出来以提供