研究目的
利用深度卷积神经网络检测选择性激光烧结（SLS）工艺中的粉末床缺陷（PBDs），重点关注翘曲、零件偏移和供料不足缺陷。
研究成果
TS-CNN模型在检测PBD缺陷时展现出高精度与高效性，对翘曲、部件偏移和短喂料缺陷的MPA值分别达到94%、96%和94%。该模型成本效益高、易于安装，且抗图像畸变与模糊干扰，为增材制造领域的进一步自动化技术奠定了基础。
研究不足
该研究聚焦于选择性激光烧结（SLS）工艺中的三类特定缺陷（翘曲、部件偏移和供料不足）。虽然测试了模型对图像旋转和模糊的鲁棒性，但尚未全面探究其在所有可能现实条件下的性能表现。
1：实验设计与方法选择
采用深度卷积神经网络检测粉末床缺陷（PBDs）。通过深度残差神经网络和区域提议网络对粉末床图像进行采集与处理以实现缺陷检测。
2：样本选择与数据来源
在选区激光烧结（SLS）过程中采集粉末床图像。数据集包含520张图像，划分为训练集、验证集和测试集。
3：实验设备与材料清单
佳能EOS 5D Mark II数码相机、Sinter-station 2500 Plus系统（3D Systems公司）、DuraForm PA12与Metco 6630C二氧化钛粉末。
4：实验流程与操作步骤
采集图像后分离色彩通道，通过神经网络处理进行缺陷检测。流程包括使用增强图像训练模型并测试其准确性与效率。
5：数据分析方法
采用像素精度（PA）和平均像素精度（MPA）评估TS-CNN模型准确率，并与传统缺陷检测方法进行性能对比。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Canon EOS 5D Mark II
EOS 5D Mark II
Canon
Capturing images of the powder bed during the SLS process.
-
Sinter-station 2500 Plus
2500 Plus
3D Systems
Conducting SLS tests.
-
DuraForm PA12
PA12
3D Systems
Used as one of the powder materials in the SLS process.
-
Metco 6630C TiO2
6630C
OC Oerlikon
Used as one of the powder materials in the SLS process.
-
登录查看剩余2件设备及参数对照表
查看全部
