[发明专利]一种增材制造零件表面缺陷在线检测方法及系统

说明书

本发明属于增材制造相关技术领域，其公开了一种增材制造零件表面缺陷在线检测方法及系统，方法包括：在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；以三维点云数据投影到平面得到二维形貌图像；根据缺陷情况对二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值以所述特征值为输入并以标签值为输出对分类模型进行训练获得训练完成的分类模型；获取待识别打印层表面形貌的特征值，将特征值输入训练完成的分类模型获得当前打印层表面的缺陷类型。本申请可以对缺陷进行像素级别的分类，使得缺陷检测更加精准。

技术领域

本发明属于增材制造相关技术领域，更具体地，涉及一种增材制造零件表面缺陷在线检测方法及系统。

背景技术

增材制造是一种根据零件模型逐层成形的近净成形技术，具有整体制造、短周期、低成本等优势，在航空航天、舰船潜艇、核电风机等领域应用广泛。增材制造技术广泛应用所面临的重大挑战是制造过程中的一致性和产品质量。不同于传统制造方式在零件成形后采用射线、超声等检测方法来确定材料是否存在缺陷与合格，增材制造具有在线逐层缺陷识别的潜力，对于制造过程中的缺陷及时发现与处理可以避免零件的报废与资源损失。现有的增材制造零件表面缺陷检测方法主要是通过操作工人的经验判断或基于图像的缺陷识别。人工的判断存在一定的主观性与漏检的概率，并且不适用于制造过程的自动化；基于图像的缺陷检测方法由于打印环境复杂，缺陷类型多样，导致缺陷识别准确度不足，且无法准确量化缺陷尺寸与定位，难以解决“制造-检测-修复”一体化问题，实际应用效果一般。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种增材制造零件表面缺陷在线检测方法及系统，可以对缺陷进行像素级别的分类，使得缺陷检测更加精准。

为实现上述目的，按照本发明的一个方面，提供了一种增材制造零件表面缺陷在线检测方法，所述方法包括：S1：在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；S2：以所述三维点云数据的边界为边界得到包括多个网格的图像网格，将所述三维点云数据投影至所述图像网格，并将每一网格中点的平均高度值作为对应网络的高度值，并将所有网格的高度值转换成像素值，从而得到当前打印层表面的二维形貌图像； S3：根据缺陷情况对所述二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值；S4：以所述特征值为输入并以所述标签值为输出对分类模型进行训练获得训练完成的分类模型；S5：获取待识别打印层表面形貌的特征值，将所述特征值输入所述训练完成的分类模型获得当前打印层表面的缺陷类型。

优选地，步骤S2中所述将所有网格的高度值转换成像素值具体包括： S21：计算所述三维点云数据的拟合高度Ha；S22：计算各网格点内的高度值与所述拟合高度Ha的差值；S23：将所述差值采用非线性变换函数归一至0～255的像素值区间得到对应的像素值。

优选地，采用高度平均值、最小二乘法或随机采样一致法拟合平面中的一种计算所述拟合高度Ha。

优选地，所述非线性变换函数为sigmoid函数，采用如下公式将所述网络的高度值H(i，j)转换为像素值I(i，j)：

优选地，所述特征值包括：像素值、边界距离值、Laplace锐化值或窗口临近像素的统计特征值中的一种或几种，其中，所述边界距离值通过计算像素点与二维形貌图像的边界的最小距离得到；Laplace锐化值通过二维形貌图像与Laplace核函数卷积得到；所述窗口临近像素的统计特征值通过以某一像素点为中心对其周围网络的像素点的最值、均值、方差和熵进行计算得到。

优选地，将K-临近模型、决策树模型、朴树贝叶斯模型、支持向量机模型、人工神经网络模型中分类效果最好的模型作为所述分类模型。

优选地，采用精确率P和召回率R评估所述分类模型的分类效果：

P＝TP/(TP+FP)

R＝TP/(TP+FN)