基于深度學(xué)習(xí)與SVM的電弧熔積表面缺陷檢測(cè)與分類.pdf

1、電弧熔積成型技術(shù)由于兼顧了增材制造可成形復(fù)雜形狀以及高效低成本的特點(diǎn)，成為了金屬3D打印領(lǐng)域的一個(gè)研究熱點(diǎn)。然而，電弧熔積是一個(gè)復(fù)雜的成形過(guò)程，基于逐層累加的成形原理，導(dǎo)致每一層的表面質(zhì)量都對(duì)整體零件的成形精度與質(zhì)量有很重要的影響。因此，為了獲得成形質(zhì)量良好的熔積零件，需要對(duì)熔積過(guò)程中表面缺陷進(jìn)行高效準(zhǔn)確地檢測(cè)與識(shí)別。從此點(diǎn)出發(fā)，并結(jié)合課題組在熔積成形過(guò)程中對(duì)于表面質(zhì)量檢測(cè)的需求，提出了以熔積表面圖像作為信息載體，基于深度學(xué)習(xí)算法與支持

2、向量機(jī)（SVM）的熔積表面缺陷檢測(cè)與識(shí)別系統(tǒng)。
　　系統(tǒng)使用130萬(wàn)像素工業(yè)CMOS相機(jī)獲取熔積表面圖像，然而原始表面圖像直接作為輸入會(huì)造成深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜且難以訓(xùn)練，因此選取像素大小為85×109的感興趣區(qū)域并對(duì)其進(jìn)行灰度化、直方圖均衡化以及高斯濾波處理。將預(yù)處理后的圖像作為卷積神經(jīng)網(wǎng)絡(luò)（CNN）的輸入，進(jìn)行抽象化、特征提取以及識(shí)別分類。為了提高分類結(jié)果的可信度，以卷積神經(jīng)網(wǎng)絡(luò)提取的特征向量作為SVM輸入，使用SVM作為

3、分類器進(jìn)行缺陷分類。
　　系統(tǒng)使用VS2010平臺(tái)搭建，包括CNN與SVM的訓(xùn)練模塊，測(cè)試模塊和網(wǎng)絡(luò)結(jié)構(gòu)讀取與保存模塊。通過(guò)對(duì)正常、氣孔、駝峰、凹坑和咬邊五類熔積表面缺陷的總共570個(gè)樣本進(jìn)行訓(xùn)練，并在訓(xùn)練過(guò)程中通過(guò)旋轉(zhuǎn)拉伸圖像人為增加樣本數(shù)量提高網(wǎng)絡(luò)的泛化能力。在CNN與SVM網(wǎng)絡(luò)測(cè)試中，使用訓(xùn)練數(shù)據(jù)進(jìn)行測(cè)試可以達(dá)到99％準(zhǔn)確率，使用測(cè)試數(shù)據(jù)可以達(dá)到95.29%準(zhǔn)確率。識(shí)別速率為237樣本/s。研究結(jié)果表明：該檢測(cè)系統(tǒng)具有良好的