SLM成型件表面球化程度表征方法及等級(jí)檢測(cè)

蔣國(guó)璋,邱 鶴,林 昕,劉江昊

(1.武漢科技大學(xué)機(jī)械自動(dòng)化學(xué)院,湖北 武漢 430081；2.武漢科技大學(xué)材料與冶金學(xué)院,湖北 武漢 430081)

1 研究背景

選區(qū)激光熔化技術(shù)(selective laser melting,SLM)作為一種新的快速原型制造技術(shù),能夠利用分層制造原理根據(jù)零件的三維CAD模型直接從金屬粉末制造出致密的實(shí)體零件,而不受零件的形狀和結(jié)構(gòu)的限制。相比于傳統(tǒng)的加工技術(shù)具有時(shí)間成本低、能夠成型復(fù)雜薄壁零件以及無需后處理等優(yōu)點(diǎn),已經(jīng)被廣泛應(yīng)用到航空航天、生物醫(yī)療和其他工程領(lǐng)域[1]。然而,SLM是一個(gè)復(fù)雜的物理和化學(xué)冶金過程,其成型過程涉及多種形式的熱、力和動(dòng)量傳遞。在激光掃描過程中,熔池在表面張力的作用下具有收縮成球的趨勢(shì),球化現(xiàn)象隨即產(chǎn)生。

球化現(xiàn)象的發(fā)生在單層內(nèi)宏觀表現(xiàn)為金屬球團(tuán)聚集,造成成型件表面粗糙,且金屬球之間存在大量間隙。在連續(xù)成型的過程中,雖然下一層鋪粉可以獲得一個(gè)平坦的表面,但是粉末難以完全填充金屬球體之間的間隙,激光掃描之后這些間隙留存于零件內(nèi)部,形成不規(guī)則形狀的鎖孔。與傳統(tǒng)制造的零件類似,孔隙的存在降低了零件致密度,嚴(yán)重影響了零件的力學(xué)性能,阻礙了高強(qiáng)度和抗疲勞應(yīng)用[2]。目前,對(duì)于成型過中可能出現(xiàn)的內(nèi)部鎖孔缺陷,一般是對(duì)成型后的零件使用超聲檢測(cè)[3]、工業(yè)CT檢測(cè)[4]、X射線檢測(cè)[2]等無損檢測(cè)方法進(jìn)行離線檢測(cè),隨后使用熱等靜壓[5]等方法進(jìn)行降低或消除。這種被動(dòng)性檢測(cè)及后處理方法不僅耗時(shí)費(fèi)力,而且不能保證處理后的部件內(nèi)部孔隙完全消除并達(dá)到使用要求,對(duì)于成型過程中鎖孔缺陷發(fā)生及累積也更是無能為力。實(shí)際上,SLM成型過程受大量參數(shù)支配[6],獲得好的成型質(zhì)量部件的關(guān)鍵是了解工藝參數(shù)如何影響成型質(zhì)量,從而從源頭上控制孔隙缺陷的產(chǎn)生。Aboulkhair等[7]人指出,鎖孔是由球化現(xiàn)象以及粉末熔化凝固的體積收縮效應(yīng)引起的,通過改變掃描策略,在每層中進(jìn)行雙重掃描可以有效減少鎖孔的產(chǎn)生。Lee等[8]人采用了基于FDM的商業(yè)軟件Flow3D來模擬SLM過程。他們的研究表明,高掃描速度會(huì)導(dǎo)致球化現(xiàn)象,這是孔隙形成的間接原因。而孔隙的大小和數(shù)量也可通過優(yōu)化工藝參數(shù)顯著降低[9]。球化現(xiàn)象的發(fā)生通常也會(huì)導(dǎo)致下一層鋪粉不均勻,部分區(qū)域粉末厚度大于理論厚度。Wu等[10]研究表明,較大的粉層厚度是導(dǎo)致層間孔隙的關(guān)鍵因素,這是因?yàn)榧す饽芰坎蛔阋酝耆刍饘俜勰?從而在相鄰兩層之間的界面誘導(dǎo)層間孔隙。可以發(fā)現(xiàn),球化現(xiàn)象與工藝參數(shù)及成型質(zhì)量之間有著密切的聯(lián)系,合理的控制工藝參數(shù)可以避免球化現(xiàn)象的發(fā)生,從而獲得低孔隙率高致密度的零件。然而優(yōu)化工藝參數(shù)的獲取通常需要進(jìn)行大量實(shí)驗(yàn),這是一個(gè)昂貴和繁瑣的過程。實(shí)際打印過程中,這些參數(shù)對(duì)環(huán)境敏感,且相互影響,導(dǎo)致實(shí)際獲取的零件孔隙率和致密度未達(dá)到理論預(yù)期。因此,為了有效控制部件的成型質(zhì)量,避免成型過程中出現(xiàn)大量鎖孔缺陷以及粗糙的表面形貌,有必要在成型過程中對(duì)球化現(xiàn)象的發(fā)生進(jìn)行監(jiān)測(cè)和控制。然而目前大部分研究只著眼于如何優(yōu)化工藝參數(shù)提高SLM成型質(zhì)量,對(duì)球化現(xiàn)象的研究也局限于形成機(jī)理[11-12]和影響因素[13]方面,而忽略了在線監(jiān)測(cè)控制的可行性。

作為聯(lián)系工藝參數(shù)與成型質(zhì)量的中間變量,球化現(xiàn)象不僅反映了成型后零件內(nèi)部孔隙缺陷以及表面粗糙度等成型質(zhì)量問題,同時(shí)也是工藝參數(shù)改變的最直接影響對(duì)象,其出現(xiàn)在零件逐層打印表面,這給逐層監(jiān)測(cè)控制提供了可能。而建立這三者之間聯(lián)系的基礎(chǔ)是定義什么是球化程度。球化程度是零件成型過程中成型層內(nèi)球化顆粒出現(xiàn)的數(shù)量、大小的度量,直觀反映了零件打印過程中成型層內(nèi)的表面質(zhì)量,同時(shí)也間接反映了最終部件的內(nèi)部孔隙的發(fā)生。因此,有效識(shí)別成型層內(nèi)球化程度等級(jí)是判斷最終零件成型質(zhì)量的關(guān)鍵。為獲得高質(zhì)量的成型部件,目前亟需解決的問題是球化程度的表征方法和球化程度等級(jí)檢測(cè)識(shí)別方法問題。

本文在研究SLM成型過程中部件表面球化特征提取方法的基礎(chǔ)上提出了球化程度表征方法。并通過正交實(shí)驗(yàn)驗(yàn)證了表征方法的有效性,同時(shí)建立了球化程度與激光能量密度之間的關(guān)聯(lián)關(guān)系。最后對(duì)球化程度等級(jí)進(jìn)行了分級(jí)界定,構(gòu)建了基于SLM成型件表面球化程度等級(jí)檢測(cè)的CNN模型,旨在對(duì)成型過程中部件表面球化程度等級(jí)進(jìn)行自動(dòng)檢測(cè),輔助實(shí)驗(yàn)及生產(chǎn)人員做出相應(yīng)的決策,并在必要時(shí)刻對(duì)工藝參數(shù)進(jìn)行調(diào)控,以獲得低孔隙率高致密度以及低表面粗糙度的零件。

2 實(shí)現(xiàn)方法

2.1 球化特征提取及球化程度表征方法

近年來,隨著深度學(xué)習(xí)技術(shù)的發(fā)展,應(yīng)用深度神經(jīng)網(wǎng)絡(luò)的方法在工業(yè)缺陷檢測(cè)及特征提取領(lǐng)域逐漸興起。本節(jié),我們將采用全卷積神經(jīng)網(wǎng)絡(luò)(FCN)進(jìn)行成型件表面顯微圖像的球化特征提取。有關(guān)FCN的工作,Long等[14]人已經(jīng)做了大量研究。不同于CNN網(wǎng)絡(luò),FCN將最后的全連接層替換為卷積層,訓(xùn)練一種端到端、點(diǎn)到點(diǎn)的網(wǎng)絡(luò),以實(shí)現(xiàn)像素級(jí)分割。經(jīng)過訓(xùn)練優(yōu)化的FCN模型,球化特征從復(fù)雜背景中分離出來。如圖1所示為最終的分割結(jié)果。

圖1 FCN模型球化特征提取結(jié)果Fig.1 Balling feature extraction results of FCN model

由圖1(a)特征提取可視化圖像可以發(fā)現(xiàn),幾乎所有的球化顆粒均被提取出來,這意味著FCN能夠有效的提取部件表面的球化特征。而圖1(b)為所對(duì)應(yīng)的特征提取結(jié)果標(biāo)簽圖,其中球化特征區(qū)域呈現(xiàn)灰色(像素值為1),背景呈現(xiàn)黑色(像素值為0)。則單個(gè)部件表面的球化程度表征公式可由下式給出:

(1)

式中,Q為單個(gè)部件表面的球化程度;Pij為單個(gè)小圖像在位置(i,j)處的像素值;H和W分別為所采集顯微圖像的高和寬;N為單個(gè)部件表面均勻采集的顯微圖像數(shù)量。

2.2 正交實(shí)驗(yàn)

本實(shí)驗(yàn)采用4因素3水平的L9(34)的正交實(shí)驗(yàn)表,并以計(jì)算的球化程度為優(yōu)化指標(biāo)驗(yàn)證球化程度表征方法的有效性。所有實(shí)驗(yàn)均在HK-M250平臺(tái)上進(jìn)行,成型材料為氣霧化316L不銹鋼金屬粉末。實(shí)驗(yàn)分兩組進(jìn)行,掃描方式均為簡(jiǎn)單柵格掃描,其中第一掃描方式掃描角度為45°,第二掃描方式掃描角度為30°。實(shí)驗(yàn)完成后,用體式顯微鏡(ZXL-300,上海正晞儀器設(shè)備有限公司)均勻采集各試件表面顯微圖像(放大倍率400×),并計(jì)算各試件表面球化程度。如表1所示為正交實(shí)驗(yàn)方案參數(shù)設(shè)置及結(jié)果,表中x|y代表兩種掃描方式下所對(duì)應(yīng)的結(jié)果。

表1 實(shí)驗(yàn)參數(shù)設(shè)置及結(jié)果Tab.1 Experimental parameter setting and results

采用正交試驗(yàn)的方差分析方法對(duì)試驗(yàn)結(jié)果進(jìn)行分析,得表2所示分析結(jié)果。

表2 方差分析結(jié)果Tab.2 Results of variance analysis

F檢驗(yàn)結(jié)果表明,三個(gè)因素的F值均小于F0.05(2,2),因此三個(gè)因素對(duì)部件表面球化程度的影響都不顯著。考慮球化程度隨各因素水平的變化趨勢(shì),如圖2所示。兩種掃描方式下,激光功率的減小顯著減輕了部件表面的球化程度,且掃描速度在第1水平時(shí)球化程度最小。與第一掃描方式掃描間距在水平3處取得最小值不同,第二掃描方式下,掃描間距水平的變化對(duì)球化程度幾乎沒影響。因此,兩種掃描方式下,激光功率在第1水平、掃描速度在第1水平、掃描間距在第3水平時(shí),球化程度最小,此時(shí)各因子之間的最優(yōu)組合為A1B1C3,即激光功率為150 W,掃描速度為50 mm/s,掃描間距為0.25 mm,層厚為0.05 mm,激光能量密度為240 J/mm3。

圖2 球化程度隨各因素水平變化趨勢(shì)Fig.2 The variation trend of balling degree with the level of each factor

在保持其他設(shè)置不變的情況下,利用最優(yōu)組合工藝參數(shù)在兩種掃描方式下成型同尺寸試件。經(jīng)體式顯微鏡采集試件表面顯微圖像發(fā)現(xiàn),成型件表面光潔,熔道軌跡連續(xù),搭接良好,沒有明顯的球化現(xiàn)象。局部顯微圖像如圖3所示,此時(shí)球化程度分別為0.75 %和1.46 %,均小于相同掃描方式下其他工藝參數(shù)組合所獲得的球化程度。因此,實(shí)驗(yàn)結(jié)果驗(yàn)證了球化程度指標(biāo)的有效性,同時(shí)也間接說明了球化程度表征方法的正確性。

圖3 成型件表面顯微圖像Fig.3 Microscopic image of the formed part surface

2.3 球化程度與激光能量密度之間的關(guān)聯(lián)關(guān)系

工藝參數(shù)的改變,最終影響的是激光能量的輸入大小。為整體衡量能量輸入與球化程度的作用關(guān)系,引入激光能量密度模型[15]:

(2)

式中,E為激光能量密度(J/mm3);V為激光掃描速度(mm/s);H為掃描間距(mm);D為層厚(mm)。

如圖4所示,為成型件表面球化程度隨激光能量密度變化示意圖。兩種掃描方式下,均呈現(xiàn)出相同的變化趨勢(shì)。當(dāng)激光能量密度為150 J/mm3時(shí),球化程度存在極小值,此時(shí)激光功率較小為150 W,但相應(yīng)的激光掃描速度也相對(duì)較小為100 mm/s,較小的激光掃描速度增加了激光的停留時(shí)間,使熔池中的金屬粉末能夠充分融化,潤(rùn)濕性良好,提高了熔池的穩(wěn)定性。此時(shí)球化現(xiàn)象主要是由激光的長(zhǎng)時(shí)間停留使熔池中的金屬液滴飛濺造成的。當(dāng)激光能量密度為133.33 J/mm3和266.67 J/mm3時(shí),球化程度存在極大值,我們稱之為第一極大值點(diǎn)和第二極大值點(diǎn)。此時(shí)激光功率較大為200 W,但在第一極大值點(diǎn)中,激光掃描速度也較大,達(dá)到了150 mm/s,使激光掃描的停留時(shí)間縮短,較小的激光能量密度不足以充分熔化金屬粉末,同時(shí)熔池的溫度也相對(duì)較低,金屬熔滴黏性增大,趨向于大尺寸球化顆粒的產(chǎn)生。而第二極大值點(diǎn)中,激光掃描速度為100 mm/s,相較于極小值點(diǎn),具有相同的激光掃描速度,但此時(shí)激光功率更大,熔池中金屬液滴飛濺現(xiàn)象更加劇烈。當(dāng)激光能量密度從266.67 J/mm3增大到400 J/mm3時(shí),雖然在一定程度上減小了球化現(xiàn)象的發(fā)生,這主要是由較大的激光能量輸入,使熔池面積擴(kuò)大,進(jìn)一步對(duì)已成型的熔化道重熔造成的。但當(dāng)激光能量密度進(jìn)一步增大時(shí),導(dǎo)致激光直接照射區(qū)域內(nèi)熱量大量累積,較高的熔池溫度使熔體蒸發(fā)并迅速膨脹,在反沖壓力的作用下從熔池噴出形成金屬射流,從而進(jìn)一步加劇部件表面的球化程度。從以上分析可知,在激光能量密度從133.33 J/mm3到266.67 J/mm3的變化過程中,存在某一最優(yōu)的激光能量密度,此時(shí)部件表面的球化程度最小。由2.2節(jié)的分析可知,最優(yōu)的激光能量密度為240 J/mm3。

圖4 部件表面球化程度隨激光能量密度變化趨勢(shì)Fig.4 The variation trend of surface balling degree of components with laser energy density

2.4 基于CNN的球化程度等級(jí)檢測(cè)方法

CNN是深度神經(jīng)網(wǎng)絡(luò)的一種,具有強(qiáng)大的特征學(xué)習(xí)能力,目前已被廣泛應(yīng)用于自然語言處理、圖像識(shí)別和目標(biāo)檢測(cè)等領(lǐng)域[16]。在本文中,我們構(gòu)建基于深度CNN網(wǎng)絡(luò)的分類模型來識(shí)別部件表面的球化程度等級(jí)。通常,CNN模型的性能是由數(shù)據(jù)集、網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練方法共同決定。

2.4.1 數(shù)據(jù)集準(zhǔn)備

圖像數(shù)據(jù)集是由2.2節(jié)實(shí)驗(yàn)獲取。由圖4可知,兩種掃描方式下試件表面球化程度具有相同的變化趨勢(shì),故最終選擇第二掃描方式下成型部件表面顯微圖片作為數(shù)據(jù)集,單個(gè)顯微圖片分辨率大小為2592×1944像素。同時(shí)將部件球化程度等級(jí)標(biāo)記為三個(gè)類別:輕微球化(試件1、2和3),中度球化(試件4、6和7)以及重度球化(試件5、8和9),其中單個(gè)顯微圖像的標(biāo)簽與部件球化程度等級(jí)保持一致。如圖5所示為部件表面不同球化等級(jí)的局部顯微圖像。很明顯,部件表面顯微圖像決定了其球化程度等級(jí),這是因?yàn)椴煌に噮?shù)條件下所成型的部件表面球化現(xiàn)象有明顯的區(qū)別。雖然在高分辨率圖像上訓(xùn)練可以提供更好的分類精度,但考慮計(jì)算平臺(tái)GPU性能及時(shí)間成本,將所采集的顯微圖像分割并轉(zhuǎn)化成600×600像素的小灰度圖像塊,生成最終的訓(xùn)練樣本(其中訓(xùn)練集有15311樣本,驗(yàn)證集有1702樣本,測(cè)試集有2103樣本),其中分割后的小圖像塊標(biāo)簽與采集的顯微圖像標(biāo)簽保持一致。

圖5 三種球化程度等級(jí)部件表面局部顯微圖像Fig.5 Local microscopic images of three parts with different grade of balling degree

2.4.2 深度CNN網(wǎng)絡(luò)結(jié)構(gòu)

用于分類問題的深度CNN網(wǎng)絡(luò)通常由卷積層、池化層和全連接層組成。如圖6所示為本文最終的網(wǎng)絡(luò)結(jié)構(gòu)圖,其中縮小輸出特征映射只在池化層,且卷積層和全連接層的激活函數(shù)均為ReLU函數(shù),輸出層激活函數(shù)為Softmax函數(shù)。其工作流程是卷積層通過一組濾波器對(duì)輸入的圖像執(zhí)行濾波并生成一組特征映射,然后傳遞給池化層進(jìn)行子采樣降維,最后將降采樣后的小維度特征傳遞給全連接層進(jìn)行分類并輸出圖像的類別。當(dāng)存在多個(gè)卷積和池化層時(shí),會(huì)進(jìn)行多次特征提取和降維。

圖6 部件表面球化程度分類模型示意圖Fig.6 Schematic diagram of classification model of component surface balling degree

2.4.3 訓(xùn)練方法

深度CNN網(wǎng)絡(luò)采用有監(jiān)督學(xué)習(xí)方法進(jìn)行訓(xùn)練,包括前向和反向傳播兩個(gè)階段。前向傳播階段是將輸入圖像映射為輸出類別向量的過程。當(dāng)輸出預(yù)測(cè)類別向量與真實(shí)向量不同時(shí),則會(huì)將輸出誤差進(jìn)行反向傳播,從而迭代更新網(wǎng)絡(luò)的權(quán)重參數(shù)。通常應(yīng)用于評(píng)估CNN輸出誤差的函數(shù)為交叉熵?fù)p失函數(shù),其目標(biāo)是最小化損失,以獲得最優(yōu)的網(wǎng)絡(luò)參數(shù),畢竟網(wǎng)絡(luò)的性能很大程度上取決于訓(xùn)練有素的參數(shù)。

3 結(jié)果與討論

本節(jié)我們將介紹不同網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置進(jìn)行實(shí)驗(yàn)的結(jié)果。分析環(huán)境為python 3.7.3,且所有實(shí)驗(yàn)均在windows系統(tǒng)下?lián)碛?2×2.2 GHz Intel I7-8750H處理器以及NVIDIA GTX 1050Ti GPU的平臺(tái)上運(yùn)行,其目的是優(yōu)化CNN網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù),以獲得最高的驗(yàn)證精度,并對(duì)新數(shù)據(jù)產(chǎn)生較低的泛化誤差。

3.1 輸入大小

輸入圖像尺寸是影響CNN性能的重要因素,它同時(shí)影響了網(wǎng)絡(luò)的訓(xùn)練精度和時(shí)間。大的輸入尺寸雖然能夠提供更多的圖像信息,但是同時(shí)也需花更多的時(shí)間去學(xué)習(xí)網(wǎng)絡(luò)參數(shù),對(duì)計(jì)算平臺(tái)的要求也高。小的輸入尺寸能夠提高網(wǎng)絡(luò)速度,但同時(shí)也因?yàn)閳D像壓縮造成的特征信息丟失降低網(wǎng)絡(luò)精度。如表3所示,300×300像素的圖像是通過600×600像素的圖像壓縮得到的,在相同的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)條件下,其訓(xùn)練速度明顯加快,但是其驗(yàn)證精度卻僅為30.5 %,遠(yuǎn)低于600×600像素圖像輸入下的精度74.2 %。這是因?yàn)樵诰矸e和池化層的作用下,小尺度的圖像特征更容易被頻繁的降采樣導(dǎo)致特征丟失。因此,考慮實(shí)驗(yàn)精度,在接下來的實(shí)驗(yàn)中我們采用的圖像輸入尺寸為600×600像素。

表3 不同圖像大小輸入所對(duì)應(yīng)的實(shí)驗(yàn)參數(shù)及結(jié)果Tab.3 Experiment parameters and results for different input image size

3.2 網(wǎng)絡(luò)結(jié)構(gòu)層次

如表4所示,我們采用了6和7個(gè)卷積層,全連接層的維度也做了相應(yīng)的改變以進(jìn)行對(duì)比實(shí)驗(yàn)。當(dāng)增加一個(gè)卷積層時(shí),相比于模型1的74.2 %的驗(yàn)證精度,模型3獲得了79.4 %的驗(yàn)證精度,但兩者運(yùn)行時(shí)間幾乎相同。這主要是因?yàn)樵黾拥木矸e層具有更多的卷積核,在一定程度上能夠提取到更多的圖像特征,有助于網(wǎng)絡(luò)的特征識(shí)別及分類。但是當(dāng)進(jìn)一步增加卷積層個(gè)數(shù)時(shí),相比于模型4,模型5的驗(yàn)證精度則更低,僅為79.5 %,唯一的可以解釋的原因是過擬合。隨著模型復(fù)雜度的增加,其對(duì)訓(xùn)練數(shù)據(jù)集的擬合性增強(qiáng),但對(duì)驗(yàn)證數(shù)據(jù)集的性能下降,通用性變差。如圖7(c)、7(d)所示,為模型5的精度及損失變化圖,也證明了模型的過擬合。當(dāng)改變?nèi)B接層的維度時(shí),模型4獲得了比模型3更高的驗(yàn)證精度,達(dá)到了79.7 %,但網(wǎng)絡(luò)的運(yùn)行時(shí)間有所增加。卷積神經(jīng)網(wǎng)絡(luò)中,全連接層是將學(xué)到的分布式特征表示映射到樣本標(biāo)記空間,其維度的增加有助于特征的組合,提高模型的泛化性能。但是當(dāng)其維度進(jìn)一步增加時(shí),網(wǎng)絡(luò)運(yùn)行時(shí)間則成比例增加,會(huì)給計(jì)算平臺(tái)帶來負(fù)擔(dān)。綜上所述,我們最終確定模型4的結(jié)構(gòu)為深度CNN網(wǎng)絡(luò)的最終結(jié)構(gòu)。

表4 不同網(wǎng)絡(luò)結(jié)構(gòu)所對(duì)應(yīng)的實(shí)驗(yàn)參數(shù)及結(jié)果Tab.4 Experimenting parameters and results with different network architectures

圖7 模型精度和損失圖Fig.7 The accuracy and loss plots for model

3.3 正則化

如圖7(a)、(b)所示,雖然模型4取得了良好的驗(yàn)證精度,但過擬合現(xiàn)象仍然存在。目前,普遍用于緩解和減輕CNN網(wǎng)絡(luò)過擬合問題的方法是L2正則化和Dropout。其中,L2正則化實(shí)際上是通過加入一個(gè)與原損失函數(shù)互相牽制的部分,來抑制過大的權(quán)重參數(shù)導(dǎo)致的過擬合,而Dropout是在網(wǎng)絡(luò)訓(xùn)練期間隨機(jī)失活部分神經(jīng)元,避免模型嚴(yán)重依賴一個(gè)或幾個(gè)神經(jīng)元的輸出。考慮模型4存在的過擬合問題,我們將測(cè)試L2正則化參數(shù)(λ=0.01)和Dropout 率(γ=0.25)的不同組合對(duì)CNN網(wǎng)絡(luò)泛化性能的影響。如表5所示,為具體的實(shí)驗(yàn)方案設(shè)計(jì)及實(shí)驗(yàn)結(jié)果。其中Conv|FC是指在相應(yīng)的卷積層和全連接層存在L2正則化和Dropout項(xiàng)。

表5 L2正則化參數(shù)和Dropout率的不同組合所對(duì)應(yīng)的實(shí)驗(yàn)參數(shù)及結(jié)果Tab.5 Experimenting parameters and results with different combinations of L2 regularization parameters and Dropout rate

很明顯,相比于其他組合,模型15和模型16獲得了較高的驗(yàn)證精度,分別達(dá)到了82.1 %和82.6 %。如圖8(a)、(b)、(c)、(d)所示,相較于模型4,兩者的過擬合問題有所減輕。然而,直到50個(gè)epoch,兩模型均沒有收斂,但是模型15獲得了更好的擬合效果,雖然其訓(xùn)練時(shí)間長(zhǎng)且驗(yàn)證精度比模型16稍小。為了達(dá)到更好的擬合效果以及獲得更高的精度,模型15被訓(xùn)練了250個(gè)epoch(模型21),如圖8(e)、(f)所示,模型在大約100個(gè)epoch才收斂,此時(shí)驗(yàn)證精度為85.6 %。因此,模型15被選為部件表面球化程度等級(jí)識(shí)別的最終模型,其擁有很好的擬合效果,結(jié)構(gòu)如圖6所示,除輸入輸出層外,擁有6個(gè)卷積和池化層,以及兩個(gè)全連接層。且在所有的全連接層中使用了λ=0.01的L2正則項(xiàng),所有卷積層中使用了γ=0.25 dropout項(xiàng)。最后,在測(cè)試集上測(cè)試了該模型的泛化性能。如表6所示,為該模型在測(cè)試集上的混淆矩陣,此時(shí)識(shí)別精度達(dá)到了96.4 %。

表6 CNN網(wǎng)絡(luò)在測(cè)試集上的混淆矩陣Tab.6 Confusion matrix of the final CNN architecture on test dataset

圖8 模型精度和損失圖Fig.8 The accuracy and loss plots for Model

3.4 CNN網(wǎng)絡(luò)模型識(shí)別效果

雖然最終的CNN網(wǎng)絡(luò)模型在小的圖像塊測(cè)試集上取得了較高的分類精度,但考慮網(wǎng)絡(luò)輸入是由所采集的顯微圖像進(jìn)行分割得到的,可以預(yù)見,在分割處的球化特征也同時(shí)被分割,此時(shí),該特征處的圖像像素彼此間喪失了空間相關(guān)性,從而影響CNN網(wǎng)絡(luò)對(duì)球化特征的提取,降低網(wǎng)絡(luò)的分類精度,出現(xiàn)假陽性和假陰性,最終影響部件表面整體球化程度的判斷。

為此,我們考慮整個(gè)部件所采集的全部顯微圖像,從全局圖像塊來判斷部件表面的球化程度。如表7所示,為實(shí)驗(yàn)獲得的9個(gè)部件的全局預(yù)測(cè)結(jié)果。對(duì)于每個(gè)部件的所有小圖像塊,所獲得的CNN模型的識(shí)別準(zhǔn)確率在94.1 %以上。雖然有部分圖像塊被錯(cuò)誤識(shí)別,但是這并不影響部件表面球化程度的整體判斷。由表7可知,九個(gè)部件均被準(zhǔn)確識(shí)別,精度達(dá)到了100 %。很明顯,我們所獲得的CNN模型在SLM成型件表面球化程度等級(jí)識(shí)別問題上具有很好的性能。

表7 九個(gè)試件在全局圖像塊上的預(yù)測(cè)結(jié)果Tab.7 The global prediction results of nine specimens

最后,通過采集SLM成型過程中試件表面顯微圖像,并應(yīng)用球化程度等級(jí)CNN分類識(shí)別模型,就能準(zhǔn)確獲得試件表面球化程度等級(jí)。同時(shí)根據(jù)此時(shí)的工藝條件及球化程度與激光能量密度之間的關(guān)聯(lián)關(guān)系,可以輔助實(shí)驗(yàn)及生產(chǎn)人員做出相應(yīng)的決策,以獲得較高成型質(zhì)量的成型件。

4 結(jié) 論

本文中,鑒于SLM成型過程中所出現(xiàn)的球化現(xiàn)象及其所引起的孔隙缺陷和表面粗糙等成型質(zhì)量問題,我們研究了SLM成型件表面球化程度表征及球化程度等級(jí)分類識(shí)別方法,初步探討了成型質(zhì)量逐層控制的可行性以及深度CNN網(wǎng)絡(luò)框架在SLM成型過程中部件表面球化程度等級(jí)自動(dòng)檢測(cè)中的應(yīng)用。基于實(shí)驗(yàn)結(jié)果與討論,可以得出如下結(jié)論:

(1)對(duì)于沒有紋理規(guī)律的復(fù)雜成型件表面顯微圖片,FCN能夠有效的提取出背景中的球化特征。且根據(jù)所提取的球化特征,文中給出的球化程度表征方法是有效的,并且獲得了最優(yōu)的工藝參數(shù),即激光功率為150 W,掃描速度為50 mm/s,掃描間距為0.25 mm,層厚為0.05 mm。在此條件下,兩種掃描方式均獲得了表面光潔,熔道軌跡連續(xù),搭接良好,沒有明顯球化現(xiàn)象的成型件。

(2)兩種掃描方式下,成型件表面球化程度隨激光能量密度變化呈現(xiàn)出相同的變化趨勢(shì),即隨著激光能量密度的變化,先增大后減小,再增大再減小的過程,且在兩個(gè)極大值點(diǎn)之間存在最優(yōu)的激光能量密度240 J/mm3。

(3)通過圖像壓縮獲取小尺寸圖像能加速CNN網(wǎng)絡(luò)的訓(xùn)練進(jìn)程,但是其驗(yàn)證精度遠(yuǎn)低于原始尺寸圖片精度,這是因?yàn)樵诰矸e和池化層的作用下,小尺度圖像特征更容易被頻繁的降采樣導(dǎo)致特征丟失。當(dāng)增加CNN網(wǎng)絡(luò)的卷積層時(shí),卷積核數(shù)量的增加在一定程度上能夠提取到更多的球化特征,有助于提高網(wǎng)絡(luò)的驗(yàn)證精度,但是當(dāng)進(jìn)一步增加卷積層時(shí),隨著模型復(fù)雜度的增加,出現(xiàn)過擬合的現(xiàn)象,模型性能變差。而當(dāng)增加全連接層的維度時(shí),其訓(xùn)練時(shí)間增長(zhǎng),但驗(yàn)證精度僅提高了0.38 %,因此,可以認(rèn)為全連接層的維度對(duì)網(wǎng)絡(luò)的驗(yàn)證精度影響不大。

(4)在所有的全連接層中使用λ=0.01的L2正則項(xiàng)以及所有卷積層中使用γ=0.25的dropout項(xiàng)時(shí),CNN模型獲得了較好的擬合效果,此時(shí)在驗(yàn)證集上的驗(yàn)證精度為85.6 %,測(cè)試集上的識(shí)別精度為96.4 %。雖然圖像分割會(huì)影響球化特征的提取,降低網(wǎng)絡(luò)的識(shí)別精度,但是這并不影響試件表面球化程度等級(jí)的整體判斷。全局圖像塊測(cè)試表明,所開發(fā)的CNN模型均能準(zhǔn)確的識(shí)別部件表面的球化程度等級(jí),精度達(dá)到了100 %。