[发明专利]基于图像特征融合的粉末床缺陷视觉检测方法

说明书

本发明提供一种基于图像特征融合的粉末床缺陷视觉检测方法，其能够构建粉末床缺陷检测算法模型并应用于具体的铺粉过程，该方法包括：针对粉末床缺陷的成因确定三种不同类别的粉末床缺陷；根据不同类别粉末床缺陷特征选用相应的特征提取策略，包括：尺度空间特征，纹理特征和几何特征；构建特征融合的粉末床缺陷检测算法模型；设计算法参数组合及寻优策略，优化算法参数，确立最终粉末床缺陷检测算法模型；最优缺陷检测算法模型应用于实时采集的粉末床图像，对粉末床铺粉过程质量实时监测。本发明选取三种特征提取及融合策略建立粉末床缺陷检测算法模型，该模型能够应用于铺粉过程在线质量监测，提高铺粉质量。

技术领域

本发明涉及金属粉末床熔融技术领域，特别是指一种基于图像特征融合的粉末床缺陷视觉检测方法。

背景技术

金属粉末床熔融技术包括激光选区熔化(selective lasermelting，SLM)技术和电子束选区熔化(electron beam selectivemelting，EBSM)技术，二者分别采用激光束和电子束逐层扫描预先在成形区域铺设粉末床，使之熔化沉积形成零件，是在航空航天、装备制造、生物医疗等行业广泛应用的金属增材制造工艺之一。在熔融沉积过程中，粉末床的缺陷将造成扫描过程熔池不稳定，从而导致零件出现弯曲变形、开裂、球化等宏观缺陷，以及孔隙、夹渣、不完全融合等内部冶金缺陷，最终影响零件质量，因此在铺粉过程中对粉末床缺陷进行实时监测具有重要意义。

经文献检索分析，粉末床缺陷检测方法主要包括两类：基于传统图像处理的缺陷检测方法和引入深度学习方法的缺陷检测模型。基于传统图像处理的缺陷检测方法不仅对传感器和光源的位置要求较高，而且所能检测的缺陷种类有限，对粉末床缺陷的适应性和扩展性较差。现有的基于深度学习的粉末床缺陷检测方法通常未考虑粉末床图像不同特征的差异和作用，在算法效果上仍存在改进的空间。

发明内容

本发明要解决的技术问题是提供一种基于图像特征融合的粉末床缺陷视觉检测方法，以解决现有的基于深度学习的粉末床缺陷检测方法通常未考虑粉末床图像不同特征的差异和作用的不足,根据三种不同类别粉末床缺陷特征设计特征提取策略，结合缺陷检测算法实现对粉末床的缺陷检测，达到对粉末床铺粉过程质量实时监测的目的。

为解决上述技术问题，具体地，本发明提供一种基于图像特征融合的粉末床缺陷视觉检测方法，其包括以下步骤：

S1、针对粉末床缺陷的形成原因将粉末床缺陷划分为三种不同类别的粉末床缺陷；

S2、根据步骤S1中三种不同类别的粉末床缺陷特征确定特征提取策略，所述特征提取策略包括：提取尺度空间特征、提取纹理特征和提取几何特征；

S3、建立粉末床缺陷检测算法模型，并利用所述粉末床缺陷检测算法模型对铺粉过程质量进行监测，具体包括以下子步骤：

S31、将获取的粉末床缺陷图像进行预处理后，将所有粉末床缺陷图像按照7：3的比例分为两组，第一组为训练组，训练组用来初步建立粉末床缺陷检测算法模型，第二组为测试组，测试组用来对粉末床缺陷检测算法模型进行测试；

S32、基于词袋模型对训练组和测试组的每张粉末床缺陷图像分别提取尺度空间特征、纹理特征和几何特征，从而根据特征提取结果对训练组和测试组分别构建出三组视觉字典和统计视觉字典中每个单词在图像中的分布情况，得到每张粉末床缺陷图像用视觉单词直方图表示的量化形式H_SIFT、H_GLCM和H_Hu，从而对训练组和测试组分别构建出三组视觉单词直方图；

S33、分别对步骤S32得到的训练组和测试组的三组视觉单词直方图进行串行融合，形成融合后特征矩阵，通过特征选择对融合后特征矩阵进行降维处理；

对三组视觉单词直方图进行串行融合的具体方法包括以下子步骤：