基于深度学习的激光熔覆层表面气孔识别研究

崔陆军; 刘亚轩; 郭士锐; 李海洋

doi:10.13741/j.cnki.11-1879/o4.2023.06.008

您当前的位置：

首页 >

文章列表页 >

基于深度学习的激光熔覆层表面气孔识别研究

光学加工 | 更新时间：2025-09-01

- 基于深度学习的激光熔覆层表面气孔识别研究
- Research on surface porosity recognition of laser cladding layer based on deep learning
- 光学技术 2023年49卷第6期页码：673-679
- 作者机构：
  
  1. 1:中原工学院机电学院
  2. 2:郑州市激光增材制造技术重点实验室
  3. 3:机械工业光学传感与测试技术重点实验室
- 作者简介：
- 基金信息：
  
  机械工业光学传感与测试技术重点实验室(2022SA-04-15);河南省自然科学基金项目(202300410514);河南省重点研发与推广专项(科技攻关)项目(232102220051);河南省水下智能装备重点实验室开放基金(YZC-2206-B0030-01-060);河南省高等教育教学改革研究与实践项目(学位与研究生教育)项目(2021SJGLX143Y);河南省研究生教育改革与质量提升工程项目(YJS2022AL057);安徽理工大学矿山智能装备与技术安徽省重点实验室开放基金项目(KSZN202002003);中原工学院科研团队发展项目“激光增材制造技术团队”(K2021TD002);中原工学院优势学科实力提升计划资助“学科骨干教师支持计划”项目(GG202220)与“骨干学科发展计划”项目(FZ202204);中原工学院研究生校企联合课程专项经费资助建设项目(LH202301);中原工学院基本科研业务费专项资金项目(K2019QN006)
- DOI：10.13741/j.cnki.11-1879/o4.2023.06.008
  中图分类号： TP18;TN249
- 纸质出版：2023
- 稿件说明：
移动端阅览
崔陆军, 刘亚轩, 郭士锐, 等. 基于深度学习的激光熔覆层表面气孔识别研究[J]. 光学技术, 2023,49(6):673-679.

Research on surface porosity recognition of laser cladding layer based on deep learning[J]. 2023, 49(6): 673-679.
崔陆军, 刘亚轩, 郭士锐, 等. 基于深度学习的激光熔覆层表面气孔识别研究[J]. 光学技术, 2023,49(6):673-679. DOI： 10.13741/j.cnki.11-1879/o4.2023.06.008.

Research on surface porosity recognition of laser cladding layer based on deep learning[J]. 2023, 49(6): 673-679. DOI： 10.13741/j.cnki.11-1879/o4.2023.06.008.

摘要

为了解决熔覆层表面气孔识别技术中耗时且准确度不足的问题，文章利用深度学习技术中的语义分割网络提出了基于U-net神经网络识别熔覆层表面气孔的2BNC-Unet神经网络。通过引入Batch Normalization层以及串联注意力机制(CBAM)合理部署在神经网络中，选取交并比(IoU)与Dice系数作为网络的评价指标。研究结果表明：在测试集中，2BNC-Unet网络的交并比与Dice系数分别为86.96%、86.42%

相比U-net神经网络分别提高了7.65%、4.73%。同时为了验证该网络的性能，选用SegNet、2BNC-Unet与U-net神经网络进行对比实验，结果表明2BNC-Unet的分割效果不仅优于SegNet和U-net网络，而且熔覆层表面的气孔细节能够被完整地分割。在深度学习技术中2BNC-Unet的分割速度和准确度都有了显著地提高，气孔的分割为熔覆层的性能分析提供了帮助。

Abstract

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于高光谱遥感的荒漠化草原草种类分类模型研究

基于3D全卷积神经网络的肺叶自动分割方法

基于能量法的激光熔覆构件疲劳寿命评估研究

利用双流卷积神经网络的人脸表情识别方法

激光熔覆损伤定量评估研究