CN114397244A - 一种金属增材制造制件缺陷的识别方法及相关设备 - Google Patents
一种金属增材制造制件缺陷的识别方法及相关设备 Download PDFInfo
- Publication number
- CN114397244A CN114397244A CN202210041270.1A CN202210041270A CN114397244A CN 114397244 A CN114397244 A CN 114397244A CN 202210041270 A CN202210041270 A CN 202210041270A CN 114397244 A CN114397244 A CN 114397244A
- Authority
- CN
- China
- Prior art keywords
- metal additive
- laser
- additive manufacturing
- defect
- manufacturing part
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明实施例公开了一种金属增材制造制件缺陷的识别方法及相关设备，该方法包括：利用激光诱导技术获取所述金属增材制造制件上至少两种金属元素的激光诱导等离子体特征谱；基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。通过本发明实施例的技术方案，能够实现实时、无损、多元素在线分析金属增材制造制件的缺陷，提高了金属增材制造制件缺陷的效率和精准度。
Description
技术领域
本发明实施例涉及金属增材制造制件检测技术领域，尤其涉及一种金属增材制造制件缺陷的识别方法及相关设备。
背景技术
增材制造技术(Additive Manufacturing，简称AM，又称3D打印技术)在金属材料应用领域飞速发展，并取得了巨大成就。AM技术不同于传统的减材制造工艺需要对原料进行切削、零件组装等，而是融合了材料加工、样品成型与计算机辅助等技术的从无到有、“自下而上”的通过材料累计的制造方法。同时，AM技术具有传统机械无法制造的内部复杂结构灵活性，以及以所需的化学成分梯度生长零件的可能性，这对于不能有零件失效的高价值应用中，如航空航天业，有着至关重要的意义。同时，AM还具有制件一体成型、制造周期短、制造成本低等优点。由于上述的优势AM被广泛的应用于航空航天、仿生、医学、国防、汽车、机械领域等产品的制造。
不过，实际应用中，气孔、裂缝等缺陷的存在往往会影响制件的性能。对AM制件进行检测，识别其中的具有缺陷的制件，最常用的AM技术检测方法有离线检测和在线检测两种。其中离线检测方法有CT、渗透、涡流以及超声检测等，需要复杂的样品制备和大量的分析时间，不能发挥出AM技术制造周期短的优势。而在线检测方法有光学测温、高速摄影和高速X摄影成像等，在线检测方法在缺陷检测中也存在一定的弊端，如高速摄影只能够宏观的检测熔融池的状态，而不能检测面积较小的缺陷。
发明内容
本发明实施例提供了一种金属增材制造制件缺陷的识别方法及相关设备，避免了离线检测耗时较长，在线检测不能检测面积较小的缺陷的问题。
第一方面，本发明实施例提供了一种金属增材制造制件缺陷的识别方法，包括：
利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；
基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；
通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；
将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。
可选的，所述利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱的步骤，包括：
基于所述预设数据库确定所述激光诱导等离子体特征谱的目标分析谱线；
根据所述目标分析谱线分别绘制所述金属增材制造制件无缺陷和缺陷样品的激光诱导等离子体特征谱；
将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理，得到所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱。
可选的，在所述利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱的步骤之前，还包括：
获取所述金属增材制造制件的组成成分；
基于激光诱导场景确定所述金属增材制造制件上至少两种目标元素。
可选的，所述基于激光诱导场景确定所述金属增材制造制件上至少两种目标元素的步骤，包括：
获取所述激光诱导场景内的组成成分；
激光诱导场景内的组成成分和金属增材制造制件的组成成分的关系是一一对应的，激光诱导场景能够完全呈现出制件的组成成分。根据激光诱导场景中各谱线的相对强度和抗干扰程度，选取部分元素作为目标元素进行分析。
可选的，在所述将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理的步骤之前，还包括：
对所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱采用化学计量学的方法进行鉴定。
可选的，在所述将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理的步骤之前，还包括：
对金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行去除冗余的筛选处理。
可选的，所述通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分的步骤，包括：
对归一化后的金属增材制造制件上至少两种元素的激光诱导等离子体特征谱进行PCA运算，得到所有主成分的方差贡献率；
基于所有主成分的方差贡献率绘制主成分贡献图；
基于所述主成分贡献图和所有主成分的方差贡献率的散点图确定所述目标数目为15，得到前15个主成分的方差贡献率。
可选的，所述将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果的步骤，包括：
将数目个主成分代入基于决策树分类器的随机森林模型，采用10倍交叉验证法，得到所述金属增材制造制件的缺陷识别结果。
第二方面，本申请实施例提供了一种金属增材制造制件缺陷的识别装置，包括：
数据采集模块，用于利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；
数据转换模块，用于基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；
降维模块，用于通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；
识别模块，用于将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。
第三方面，本申请实施例提供了一种金属增材制造制件缺陷的识别***，包括：激光器，用于发射激光照射金属增材制造制件表面；反光镜，用于改变所述激光器发射的激光角度；光学透镜，用于改变所述激光的聚合程度；第一探头，用于接收金属增材制造制件的光谱，并将光谱输送至光谱仪；第二探头，用于连接电子显微镜，所述光谱仪连接计算机，所述计算机用于根据光谱识别金属增材制造制件的缺陷；所述电子显微镜连接显示器，所述显示器用于显示金属增材制造制件的表面情况。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序：所述计算机程序被处理器执行时实现如上述的金属增材制造制件缺陷的识别方法。
上述发明中的实施例具有如下优点或有益效果：
通过利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；激光诱导等离子体(Laser-induced Breakdown Spectroscopy，LIBS)是一种应用于广大领域的材料和元素分析技术，具有一些明显的优势能够与AM技术相结合，比如实时快速、微破坏分析、无需取样、远程检测和多元素分析等。实时快速、无需取样的优势能够对制造过程中的样品进行缺陷检测；多元素同时分析的特点能够充分发挥AM技术在化学成分梯度生长零件方面的巨大优势。基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；无缺陷样品的LIBS特征谱高于或是低于相应波段的缺陷样品的特征谱，这可能是脉冲激光作用在缺陷上时，激光焦距发生变化和缺陷形状的空间约束作用所产生的光谱强度增益所引起的，进而可以对缺陷处的LIBS特征光谱进行分析识别，与无缺陷光谱相比用以判断是否为缺陷。通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。在AM制件的缺陷识别的过程中实现了实时、无损、多元素在线分析的优点。
附图说明
图1是本申请实施例提供的一种金属增材制造制件缺陷的识别方法的流程图；
图2是本申请实施例提供的一种金属增材制造制件缺陷的识别装置的结构示意图；
图3是本申请实施例提供的一种存储介质的结构示意图；
图4是本申请实施例提供的一种金属增材制造制件缺陷的识别***结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本申请实施例提供的一种金属增材制造制件缺陷的识别方法的流程图，本实施例提供的金属增材制造制件缺陷的识别方法可适用于金属增材制造制件的检测场景。该方法可以由金属增材制造制件缺陷的识别装置来执行，该装置可以由软件和/或硬件的方式来实现，通常集成于金属增材制造制件缺陷的识别***。
如图1所示，本发明实施例提供了一种金属增材制造制件缺陷的识别方法，具体包括以下步骤：
S101、利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；
示例性的，激光诱导等离子体(Laser-induced Breakdown Spectroscopy，LIBS)是一种应用于广大领域的材料和元素分析技术，具有一些明显的优势能够与AM技术相结合，比如实时快速、微破坏分析、无需取样、远程检测和多元素分析等。实时快速、无需取样的优势能够对制造过程中的样品进行缺陷检测；多元素同时分析的特点能够充分发挥AM技术在化学成分梯度生长零件方面的巨大优势。因此，LIBS技术应用于金属AM领域具有很大的前景。
S102、基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；
示例性的，选取LIBS特征光谱的全谱的特征谱线强度作为模型的输入变量，数据中的噪声本身也是数据的重要特征，因此不进行降噪处理。
S103、通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；
在一种可能的实施方式中，所述通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分的步骤，包括：
对归一化后的金属增材制造制件上至少两种元素的激光诱导等离子体特征谱进行PCA运算，得到所有主成分的方差贡献率；
基于所有主成分的方差贡献率绘制主成分贡献图；
基于所述主成分贡献图和所有主成分的方差贡献率的散点图确定所述目标数目为15，得到前15个主成分的方差贡献率。
示例性的，经过PCA分析降维处理的光谱数据有明显的视觉聚类效果。虽然缺陷样品的数据点与无缺陷对照组的数据点大部分都不重叠，但是也存在了一小部分的重叠区域。为了使得输入变量能够更好的表征原始数据信息量，将前15个PCs的分数作为三种分类模型的输入变量，对样品制件无缺陷和缺陷进行识别，PCA对光谱数据的分析表明，前15个主成分的方差占中总方差的99.22％，可以代表两类无缺陷和缺陷样品的光谱数据的全部信息。
S104、将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。
示例性的，由于待识别样品的特征光谱的元素差异和高度的复杂性与相似性，依靠人为识别是不准确的。因此，本实验采取主成分分析处理过后的数据作为对于数据非常敏感的数学模型的输入变量，对光谱数据进行处理，以达到分类的目的。基于待识别样品的LIBS特征强度光谱信息，选取至少两种元素，每种元素选取两个波段作为AM制件无缺陷和缺陷的分类指标。谱线的具体信息如表1所示：
表1所选谱线库
通过基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。
在一种可能的实施方式中，所述利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱的步骤，包括：
基于所述预设数据库确定所述激光诱导等离子体特征谱的目标分析谱线；
根据所述目标分析谱线分别绘制所述金属增材制造制件无缺陷和缺陷样品的激光诱导等离子体特征谱；
将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理，得到所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱。
示例性的，通过观察LIBS特征光谱并将其与美国国家标准与技术研究所(NIST)数据库相结合，选择了原子和离子谱线的分析谱线，以此来减少光谱数据的冗余和无用信息的影响，并保证变量信息完整性。其中，所选的发射光谱必须具有稳定的强度，在检测场景为常规场景时，降低受到周围大气元素例如，氧、氮和氢的干扰。在多变量分析中，由于AM制件的元素之间的相互干扰和LIBS光谱数据变量之间的相关性，会出现一些强度较高的发射谱线影响强度较低的发射谱线和一定程度的变量信息重叠，使得分类精度降低。
示例性的，进行归一化处理使得待检测样品的LIBS特征光谱强度在同一个维度上。
在一种可能的实施方式中，在所述利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱的步骤之前，还包括：
获取所述金属增材制造制件的组成成分；
基于激光诱导场景确定所述金属增材制造制件上至少两种目标元素。
示例性的，本实施例中所述方案是在空气中进行的，所以可能会受到碳、氧元素谱线的影响，因此不将碳、氢元素作为AM制件无缺陷和缺陷样品的输入变量。
在一种可能的实施方式中，所述基于激光诱导场景确定所述金属增材制造制件上至少两种目标元素的步骤，包括：
获取所述激光诱导场景内的组成成分；
激光诱导场景内的组成成分和金属增材制造制件的组成成分的关系是一一对应的，激光诱导场景能够完全呈现出制件的组成成分。根据激光诱导场景中各谱线的相对强度和抗干扰程度，选取部分元素作为目标元素进行分析。
示例性的，本实施例已知待检测样品的主要元素有金属元素，即，铁(Fe)、钛(Ti)和铬(Cr)，非金属元素(碳(C)、氧(O)和氮(N))。然而，本实验是在空气中进行的，所以可能会受到碳、氧元素谱线的影响，因此不将碳、氢元素作为AM制件无缺陷和缺陷样品的输入变量。选取金属元素作为所述目标元素。
在一种可能的实施方式中，在所述将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理的步骤之前，还包括：
对所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱采用化学计量学的方法进行鉴定。
示例性的，AM制件无缺陷和缺陷样品的LIBS特征谱高度相似，因此有必要结合化学计量学进行辅助鉴定。
在一种可能的实施方式中，在所述将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理的步骤之前，还包括：
对金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行去除冗余的筛选处理。
示例性的，由于金属AM制件缺陷所产生的LIBS光谱数据中含有许多冗余、无用的信息，需要进行数据处理。
在一种可能的实施方式中，所述将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果的步骤，包括：
将数目个主成分代入基于决策树分类器的随机森林模型，采用10倍交叉验证法，得到所述金属增材制造制件的缺陷识别结果。
示例性的，采用10倍交叉验证法对240个AM制件无缺陷和缺陷样品的光谱数据进行分类，获取本申请实施例采用的四种模型的分类结果，结果表明，四种分类模型的准确率、精准率、召回率(敏感性)和特异度均大于90％。其中，朴素贝叶斯模型的准确率、精准率、召回率(敏感性)和特异度分别为91.67％、91.18％、91.18％和92.11％。K-近邻模型的准确率、精准率、召回率(敏感性)和特异度分别95.83％、91.89％、100％和92.11％。决策树模型的准确率、精准率、召回率(敏感性)和特异度分别为97.22％、100％、94.12％和100％。最后，随机森林模型的准确率、精准率、召回率(敏感性)和特异度分别为98.61％、100％、97.06％和100％。
决策树不受光谱噪声的影响，适合于不同的数据，不需要太过考虑数据的相关性。在训练的过程中从一系列有特征和标签的数据中总结出AM制件样本是无缺陷还是有缺陷的决策规则，并用树状图的结构来呈现这些决策，即产生可视化，具有很强的解释性。尽管决策树模型在AM制件样品的无缺陷和缺陷的识别的准确性方面表现良好，但是为了进一步的提高模型的准确性并克服决策树在多特征上容易出现过拟合的情况，建立了基于决策树分类器的随机森林模型。在提高识别精度的同时，使用随机森林模型识别金属AM制件缺陷是非常可行的。
通过比较LIBS技术分别结合四种分类算法相结合的方法，用于AM制件无缺陷和缺陷检测与分类的结果，经过PCA对光谱数据降维后，PC分数作为分类模型的输入变量，并且通过10倍交叉验证方法应用于四种分类模型，获得了四种分类模型的准确率、召回率(敏感率)、特异性、AUC和ROC曲线，结果表明，随机森林模型在分类和识别方面的表现最好，准确率为98.61％；灵敏度和特异性分别为97.06％、100％，AUC为0.9977。此外，ROC曲线下的面积(AUC)相比于其他三种分类算明显更加接近于1，能够更加清晰的区分AM制件样品的无缺陷和缺陷，说明所述本申请实施例采用随机森林模型更准确，效果更好。
如图4所示，一种金属增材制造制件缺陷的识别***，包括：激光器，用于发射激光照射金属增材制造制件表面；反光镜，用于改变所述激光器发射的激光角度；光学透镜，用于改变所述激光的聚合程度；第一探头，即，探头1，用于接收金属增材制造制件的光谱，并将光谱输送至光谱仪；第二探头，即，探头2，用于连接电子显微镜，所述光谱仪连接计算机，所述计算机用于根据光谱识别金属增材制造制件的缺陷；所述电子显微镜连接显示器，所述显示器用于显示金属增材制造制件的表面情况。
通过利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；激光诱导等离子体(Laser-induced Breakdown Spectroscopy，LIBS)是一种应用于广大领域的材料和元素分析技术，具有一些明显的优势能够与AM技术相结合，比如实时快速、微破坏分析、无需取样、远程检测和多元素分析等。实时快速、无需取样的优势能够对制造过程中的样品进行缺陷检测；多元素同时分析的特点能够充分发挥AM技术在化学成分梯度生长零件方面的巨大优势。基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；无缺陷样品的LIBS特征谱高于或是低于相应波段的缺陷样品的特征谱，这可能是脉冲激光作用在缺陷上时，激光焦距发生变化和缺陷形状的空间约束作用所产生的光谱强度增益所引起的，进而可以对缺陷处的LIBS特征光谱进行分析识别，与无缺陷光谱相比用以判断是否为缺陷。通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。在AM制件的缺陷识别的过程中实现了实时、无损、多元素在线分析的优点。
以下是本发明实施例提供的金属增材制造制件缺陷的识别装置的实施例，该装置与上述各实施例的金属增材制造制件缺陷的识别方法属于同一个发明构思，在金属增材制造制件缺陷的识别装置的实施例中未详尽描述的细节内容，可以参考上述文本处理方法的实施例。
在一种可能的实时方式中，如图2所示，本申请实施例提供了一种金属增材制造制件缺陷的识别装置，包括：
数据采集模块201，用于利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；
数据转换模块202，用于基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；
降维模块203，用于通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；
识别模块204，用于将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。
在一种可能的实时方式中，如图3所示，本申请实施例提供了一种计算机可读存储介质400，其上存储有计算机程序411，该计算机程序411被处理器执行时实现：利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里上述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种金属增材制造制件缺陷的识别方法，其特征在于，包括：
利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；
基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；
通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；
将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。
2.根据权利要求1所述的金属增材制造制件缺陷的识别方法，其特征在于，所述利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱的步骤，包括：
基于所述预设数据库确定所述激光诱导等离子体特征谱的目标分析谱线；
根据所述目标分析谱线分别绘制所述金属增材制造制件无缺陷和缺陷样品的激光诱导等离子体特征谱；
将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理，得到所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱。
3.根据权利要求1所述的金属增材制造制件缺陷的识别方法，其特征在于，在所述利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱的步骤之前，还包括：
获取所述金属增材制造制件的组成成分；
基于激光诱导场景确定所述金属增材制造制件上至少两种目标元素。
4.根据权利要求1所述的金属增材制造制件缺陷的识别方法，其特征在于，所述基于激光诱导场景确定所述金属增材制造制件上至少两种目标元素的步骤，包括：
获取所述激光诱导场景内的组成成分；
激光诱导场景内的组成成分和金属增材制造制件的组成成分的关系是一一对应的，激光诱导场景能够完全呈现出制件的组成成分，根据激光诱导场景中各谱线的相对强度和抗干扰程度，选取部分元素作为目标元素进行分析。
5.根据权利要求2所述的金属增材制造制件缺陷的识别方法，其特征在于，在所述将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理的步骤之前，还包括：
对所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱采用化学计量学的方法进行鉴定。
6.根据权利要求2所述的金属增材制造制件缺陷的识别方法，其特征在于，在所述将所述金属增材制造制件无缺陷的激光诱导等离子体特征谱和所述金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行归一化处理的步骤之前，还包括：
对金属增材制造制件缺陷样品的激光诱导等离子体特征谱进行去除冗余的筛选处理。
7.根据权利要求2所述的金属增材制造制件缺陷的识别方法，其特征在于，所述通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分的步骤，包括：
对归一化后的金属增材制造制件上至少两种元素的激光诱导等离子体特征谱进行PCA运算，得到所有主成分的方差贡献率；
基于所有主成分的方差贡献率绘制主成分贡献图；
基于所述主成分贡献图和所有主成分的方差贡献率的散点图确定所述目标数目为15，得到前15个主成分的方差贡献率。
8.根据权利要求1所述的金属增材制造制件缺陷的识别方法，其特征在于，所述将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果的步骤，包括：
将数目个主成分代入基于决策树分类器的随机森林模型，采用10倍交叉验证法，得到所述金属增材制造制件的缺陷识别结果。
9.一种金属增材制造制件缺陷的识别装置，其特征在于，包括：
数据采集模块，用于利用激光诱导技术获取所述金属增材制造制件上至少两种元素的激光诱导等离子体特征谱；
数据转换模块，用于基于所述激光诱导等离子体特征谱获取所述金属增材制造制件的光谱数据矩阵；
降维模块，用于通过主成分分析的方式对所述光谱数据矩阵进行降维处理，得到目标数目个主成分；
识别模块，用于将所述目标数目个主成分作为输入变量代入基于决策树分类器的随机森林模型，得到所述金属增材制造制件的缺陷识别结果。
10.一种金属增材制造制件缺陷的识别***，其特征在于，包括：激光器，用于发射激光照射金属增材制造制件表面；反光镜，用于改变所述激光器发射的激光角度；光学透镜，用于改变所述激光的聚合程度；第一探头，用于接收金属增材制造制件的光谱，并将光谱输送至光谱仪；第二探头，用于连接电子显微镜，所述光谱仪连接计算机，所述计算机用于根据光谱识别金属增材制造制件的缺陷；所述电子显微镜连接显示器，所述显示器用于显示金属增材制造制件的表面情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210041270.1A CN114397244A (zh) | 2022-01-14 | 2022-01-14 | 一种金属增材制造制件缺陷的识别方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210041270.1A CN114397244A (zh) | 2022-01-14 | 2022-01-14 | 一种金属增材制造制件缺陷的识别方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114397244A true CN114397244A (zh) | 2022-04-26 |
Family
ID=81230192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210041270.1A Pending CN114397244A (zh) | 2022-01-14 | 2022-01-14 | 一种金属增材制造制件缺陷的识别方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114397244A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118067692A (zh) * | 2024-04-19 | 2024-05-24 | 北华大学 | 一种slm制件缺陷的检测方法及装置 |
Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102788752A (zh) * | 2012-08-08 | 2012-11-21 | 江苏大学 | 基于光谱技术的农作物内部信息无损检测装置及方法 |
| CN103487411A (zh) * | 2013-09-01 | 2014-01-01 | 西北大学 | 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法 |
| CN104463247A (zh) * | 2014-12-09 | 2015-03-25 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
| CN106023065A (zh) * | 2016-05-13 | 2016-10-12 | 中国矿业大学 | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 |
| CN106295661A (zh) * | 2016-08-15 | 2017-01-04 | 北京林业大学 | 叶片图像多特征融合的植物种类识别方法及装置 |
| CN106353284A (zh) * | 2016-08-29 | 2017-01-25 | 哈尔滨工业大学（威海） | 基于光谱诊断的激光增材制造过程中缺陷的在线诊断方法 |
| CN107402044A (zh) * | 2017-07-28 | 2017-11-28 | 华中科技大学 | 一种金属增材制造构件质量在线无损检测***及方法 |
| CN107402193A (zh) * | 2017-07-25 | 2017-11-28 | 华中科技大学 | 一种基于libs的激光选区熔化成形过程在线检测设备 |
| WO2017215149A1 (zh) * | 2016-06-17 | 2017-12-21 | 中国科学院光电研究院 | 基于光调制压缩降维感知激光诱导光谱分析方法和装置 |
| CN107764798A (zh) * | 2017-10-11 | 2018-03-06 | 华中科技大学 | 一种金属增材制造质量在线检测*** |
| CN107803503A (zh) * | 2017-12-19 | 2018-03-16 | 湖北理工学院 | 一种采用激光诱导电弧增材制造技术制备复杂高强铝合金的方法 |
| US20190155164A1 (en) * | 2017-11-20 | 2019-05-23 | Taiwan Semiconductor Manufacturing Co., Ltd. | Defect inspection method and defect inspection system |
| CN109933539A (zh) * | 2019-04-15 | 2019-06-25 | 燕山大学 | 一种基于主成分分析和组合采样的软件缺陷预测方法 |
| CN110315082A (zh) * | 2019-07-30 | 2019-10-11 | 华中科技大学 | 一种微铸激光冲击织构的金属零件制造***及方法 |
| CN111504980A (zh) * | 2020-04-26 | 2020-08-07 | 长春工业大学 | 一种金属增材制造过程的libs在线监测装置及方法 |
| CN211602938U (zh) * | 2020-03-05 | 2020-09-29 | 林晓梅 | 一种激光诱导式增材制造缺陷监测装置 |
| CN112070727A (zh) * | 2020-08-21 | 2020-12-11 | 电子科技大学 | 一种基于机器学习的金属表面缺陷检测方法 |
| CN112378930A (zh) * | 2020-11-27 | 2021-02-19 | 张海强 | 一种基于脉冲激光的熔覆层表面及深层瑕疵检测方法 |
| CN112496339A (zh) * | 2020-11-12 | 2021-03-16 | 中国矿业大学 | 一种激光增材与激光冲击同步复合制造方法及*** |
| CN112816458A (zh) * | 2021-02-01 | 2021-05-18 | 湖北工程学院 | 基于激光诱导击穿光谱技术的钢材分类方法及*** |
| WO2021135105A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、装置、设备及存储介质 |
| CN113138178A (zh) * | 2021-04-15 | 2021-07-20 | 上海海关工业品与原材料检测技术中心 | 一种识别进口铁矿石品牌的方法 |
| CN113302478A (zh) * | 2019-01-10 | 2021-08-24 | 朗姆研究公司 | 半导体设备的缺陷分类和来源分析 |
| CN113343079A (zh) * | 2021-05-11 | 2021-09-03 | 辽宁工业大学 | 基于随机森林和目标项目识别的攻击检测鲁棒推荐方法 |
| WO2021248638A1 (zh) * | 2020-06-08 | 2021-12-16 | 武汉大学 | 金属增材制造多种监测设备在线实时监控*** |
-
2022
- 2022-01-14 CN CN202210041270.1A patent/CN114397244A/zh active Pending
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102788752A (zh) * | 2012-08-08 | 2012-11-21 | 江苏大学 | 基于光谱技术的农作物内部信息无损检测装置及方法 |
| CN103487411A (zh) * | 2013-09-01 | 2014-01-01 | 西北大学 | 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法 |
| CN104463247A (zh) * | 2014-12-09 | 2015-03-25 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
| CN106023065A (zh) * | 2016-05-13 | 2016-10-12 | 中国矿业大学 | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 |
| WO2017215149A1 (zh) * | 2016-06-17 | 2017-12-21 | 中国科学院光电研究院 | 基于光调制压缩降维感知激光诱导光谱分析方法和装置 |
| CN106295661A (zh) * | 2016-08-15 | 2017-01-04 | 北京林业大学 | 叶片图像多特征融合的植物种类识别方法及装置 |
| CN106353284A (zh) * | 2016-08-29 | 2017-01-25 | 哈尔滨工业大学（威海） | 基于光谱诊断的激光增材制造过程中缺陷的在线诊断方法 |
| CN107402193A (zh) * | 2017-07-25 | 2017-11-28 | 华中科技大学 | 一种基于libs的激光选区熔化成形过程在线检测设备 |
| CN107402044A (zh) * | 2017-07-28 | 2017-11-28 | 华中科技大学 | 一种金属增材制造构件质量在线无损检测***及方法 |
| CN107764798A (zh) * | 2017-10-11 | 2018-03-06 | 华中科技大学 | 一种金属增材制造质量在线检测*** |
| US20190155164A1 (en) * | 2017-11-20 | 2019-05-23 | Taiwan Semiconductor Manufacturing Co., Ltd. | Defect inspection method and defect inspection system |
| CN107803503A (zh) * | 2017-12-19 | 2018-03-16 | 湖北理工学院 | 一种采用激光诱导电弧增材制造技术制备复杂高强铝合金的方法 |
| CN113302478A (zh) * | 2019-01-10 | 2021-08-24 | 朗姆研究公司 | 半导体设备的缺陷分类和来源分析 |
| CN109933539A (zh) * | 2019-04-15 | 2019-06-25 | 燕山大学 | 一种基于主成分分析和组合采样的软件缺陷预测方法 |
| CN110315082A (zh) * | 2019-07-30 | 2019-10-11 | 华中科技大学 | 一种微铸激光冲击织构的金属零件制造***及方法 |
| WO2021135105A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、装置、设备及存储介质 |
| CN211602938U (zh) * | 2020-03-05 | 2020-09-29 | 林晓梅 | 一种激光诱导式增材制造缺陷监测装置 |
| CN111504980A (zh) * | 2020-04-26 | 2020-08-07 | 长春工业大学 | 一种金属增材制造过程的libs在线监测装置及方法 |
| WO2021248638A1 (zh) * | 2020-06-08 | 2021-12-16 | 武汉大学 | 金属增材制造多种监测设备在线实时监控*** |
| CN112070727A (zh) * | 2020-08-21 | 2020-12-11 | 电子科技大学 | 一种基于机器学习的金属表面缺陷检测方法 |
| CN112496339A (zh) * | 2020-11-12 | 2021-03-16 | 中国矿业大学 | 一种激光增材与激光冲击同步复合制造方法及*** |
| CN112378930A (zh) * | 2020-11-27 | 2021-02-19 | 张海强 | 一种基于脉冲激光的熔覆层表面及深层瑕疵检测方法 |
| CN112816458A (zh) * | 2021-02-01 | 2021-05-18 | 湖北工程学院 | 基于激光诱导击穿光谱技术的钢材分类方法及*** |
| CN113138178A (zh) * | 2021-04-15 | 2021-07-20 | 上海海关工业品与原材料检测技术中心 | 一种识别进口铁矿石品牌的方法 |
| CN113343079A (zh) * | 2021-05-11 | 2021-09-03 | 辽宁工业大学 | 基于随机森林和目标项目识别的攻击检测鲁棒推荐方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118067692A (zh) * | 2024-04-19 | 2024-05-24 | 北华大学 | 一种slm制件缺陷的检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Brunnbauer et al. | A critical review of recent trends in sample classification using Laser-Induced Breakdown Spectroscopy (LIBS) | |
| CN113155809B (zh) | 一种矿石分类与实时定量分析的光谱检测新方法 | |
| CN103487411B (zh) | 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法 | |
| CN108596085A (zh) | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 | |
| Lin et al. | Defect identification of metal additive manufacturing parts based on laser-induced breakdown spectroscopy and machine learning | |
| Wang et al. | Evaluation and improvement of model robustness for plastics samples classification by laser-induced breakdown spectroscopy | |
| CN108573105A (zh) | 基于深度置信网络的土壤重金属含量检测模型的建立方法 | |
| Song et al. | Low-cost hyper-spectral imaging system using a linear variable bandpass filter for agritech applications | |
| Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
| CN114397244A (zh) | 一种金属增材制造制件缺陷的识别方法及相关设备 | |
| Wang et al. | Plastic classification with x-ray absorption spectroscopy based on back propagation neural network | |
| Rodriguez-Cobo et al. | Feasibility study of Hierarchical Temporal Memories applied to welding diagnostics | |
| Song et al. | Automatic rock classification of LIBS combined with 1DCNN based on an improved Bayesian optimization | |
| Ma et al. | Small-sample stacking model for qualitative analysis of aluminum alloys based on femtosecond laser-induced breakdown spectroscopy | |
| Koinig et al. | Evaluation of improvements in the separation of monolayer and multilayer films via measurements in transflection and application of machine learning approaches | |
| Ahmed et al. | Machine learning-based calibration LIBS analysis of aluminium-based alloys | |
| CN117849026A (zh) | 一种libs半定量识别金属增材制造构件孔洞缺陷的方法和电子设备 | |
| CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
| CN116026808A (zh) | 一种拉曼光谱判别方法和*** | |
| Guedes et al. | Evaluation of univariate and multivariate calibration strategies for the direct determination of total carbon in soils by laser-induced breakdown spectroscopy: tutorial | |
| Banerjee et al. | NIR spectroscopy—CNN‐enabled chemometrics for multianalyte monitoring in microbial fermentation | |
| Zhu et al. | Online discriminant model of blood spot eggs based on spectroscopy | |
| Mirapeix et al. | Welding diagnostics by means of particle swarm optimization and feature selection | |
| Hatch et al. | Automated interpretation of LIBS spectra using a fuzzy logic inference engine | |
| Bi et al. | Apple internal quality fusion prediction by multi-pattern recognition technology and evidence theory |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |