研究目的
利用热成像离轴成像与基于深度学习的神经网络架构相结合的方法,检测激光粉末床熔融过程中的打印缺陷。
研究成果
开发的卷积神经网络能以96.80%的极高准确率识别分层缺陷和飞溅物。该模型体积小、计算成本低,适合在性能较弱的硬件上实时运行。未来工作包括评估该模型在更广泛材料、几何形状和缺陷类型中的表现。
研究不足
卷积神经网络只能检测飞溅和分层等缺陷。其他缺陷类型(如裂纹、气孔、球化及未熔合粉末)尚未进行评估。训练和评估仅采用了一种几何形状和H13材料。
研究目的
利用热成像离轴成像与基于深度学习的神经网络架构相结合的方法,检测激光粉末床熔融过程中的打印缺陷。
研究成果
开发的卷积神经网络能以96.80%的极高准确率识别分层缺陷和飞溅物。该模型体积小、计算成本低,适合在性能较弱的硬件上实时运行。未来工作包括评估该模型在更广泛材料、几何形状和缺陷类型中的表现。
研究不足
卷积神经网络只能检测飞溅和分层等缺陷。其他缺陷类型(如裂纹、气孔、球化及未熔合粉末)尚未进行评估。训练和评估仅采用了一种几何形状和H13材料。
加载中....
您正在对论文“基于深度学习的激光粉末床熔融原位热成像监测缺陷检测模型”进行纠错
纠错内容
联系方式(选填)
称呼
电话
单位名称
用途
期望交货周期
称呼
电话
单位名称
用途
期望交货周期