基于深度學習與SVM的電弧熔積表面缺陷檢測與分類.pdf

1、電弧熔積成型技術由于兼顧了增材制造可成形復雜形狀以及高效低成本的特點，成為了金屬3D打印領域的一個研究熱點。然而，電弧熔積是一個復雜的成形過程，基于逐層累加的成形原理，導致每一層的表面質量都對整體零件的成形精度與質量有很重要的影響。因此，為了獲得成形質量良好的熔積零件，需要對熔積過程中表面缺陷進行高效準確地檢測與識別。從此點出發(fā)，并結合課題組在熔積成形過程中對于表面質量檢測的需求，提出了以熔積表面圖像作為信息載體，基于深度學習算法與支持

2、向量機（SVM）的熔積表面缺陷檢測與識別系統(tǒng)。
　　系統(tǒng)使用130萬像素工業(yè)CMOS相機獲取熔積表面圖像，然而原始表面圖像直接作為輸入會造成深度學習網(wǎng)絡結構過于復雜且難以訓練，因此選取像素大小為85×109的感興趣區(qū)域并對其進行灰度化、直方圖均衡化以及高斯濾波處理。將預處理后的圖像作為卷積神經(jīng)網(wǎng)絡（CNN）的輸入，進行抽象化、特征提取以及識別分類。為了提高分類結果的可信度，以卷積神經(jīng)網(wǎng)絡提取的特征向量作為SVM輸入，使用SVM作為

3、分類器進行缺陷分類。
　　系統(tǒng)使用VS2010平臺搭建，包括CNN與SVM的訓練模塊，測試模塊和網(wǎng)絡結構讀取與保存模塊。通過對正常、氣孔、駝峰、凹坑和咬邊五類熔積表面缺陷的總共570個樣本進行訓練，并在訓練過程中通過旋轉拉伸圖像人為增加樣本數(shù)量提高網(wǎng)絡的泛化能力。在CNN與SVM網(wǎng)絡測試中，使用訓練數(shù)據(jù)進行測試可以達到99％準確率，使用測試數(shù)據(jù)可以達到95.29%準確率。識別速率為237樣本/s。研究結果表明：該檢測系統(tǒng)具有良好的