本发明属于增材制造领域，具体是基于深度学习的增材制造缺陷检测系统及方法。
背景技术：
1、传统的增材制造质量控制主要依赖于人工检查或基于规则的自动化系统，这些方法通常受限于效率和准确性。引入深度学习技术能够通过分析大量的制造过程数据和缺陷图像，从中学习和识别模式，以实现更精准、实时的缺陷检测和预测。这种系统可以显著提高生产效率，减少废品率，并且可以帮助制造企业在更早的阶段发现和解决潜在的质量问题。基于深度学习的增材制造缺陷检测技术通过深度学习技术来识别和分析增材制造过程中可能出现的缺陷或问题。
2、现有的增材制造缺陷检测技术中，大多在增材制造过程中，只进行表面缺陷的监测，或仅在成品完成后，对内部进行统一检测，缺少在增材制造的过程中对红外热成像图像，以及内部填充路径中的熔覆激光数据进行统计分析，难以及时发现增材制造过程中存在的内部填充问题。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于深度学习的增材制造缺陷检测系统及方法，用于解决缺少在增材制造的过程中对红外热成像图像，以及内部填充路径中的熔覆激光数据进行统计分析，难以及时发现增材制造过程中存在的内部填充缺陷的技术问题。
2、为解决上述问题，本发明的第一方面提供了基于深度学习的增材制造缺陷检测系统，包括：
3、路径规划模块：根据增材制造的三维模型，对三维模型进行从下至上的分层处理，并生成每个分层的轮廓和填充方式，根据每个分层的轮廓和填充方式生成每个分层的路径规划和模型边界，其中，路径规划包括：轮廓路径和内部填充路径；
4、数据采集模块：获取路径规划模块的路径规划数据和模型边界数据，实时采集每个分层的轮廓数据和红外热成像图像，以及内部填充路径中的熔覆激光数据，对采集的数据进行预处理；
5、熔覆质量评估模块：建立质量评估模型，通过分析数据采集模块实时采集的数据，评估每个分层的熔覆质量；
6、缺陷检测模块：用于根据每个分层的熔覆质量的评估结果，对每个分层的内部缺陷进行检测分类，并对每个分层的增材制造表面切削余量进行分析；
7、参数调节模块：根据分层的内部缺陷的检测分类和表面切削余量的分析结果，调整后续分层的熔覆激光数据，以及路径规划。
8、作为本发明进一步的方案：所述缺陷检测模块，包括：
9、内部缺陷检测单元：根据每个分层的熔覆质量的评估结果，通过无损检测技术，对每个分层进行分层内部检测；
10、缺陷分类单元：通过深度学习算法，建立缺陷分类模型，对每个分层的存在缺陷进行检测分类；
11、表面检测单元：通过高分辨率的表面成像技术，采集每个分层的增材制造表面的图像数据，对每个分层的增材制造表面切削余量进行分析。
12、作为本发明进一步的方案：所述数据采集模块，实时采集每个分层的轮廓数据和红外热成像图像，以及内部填充路径中的熔覆激光数据，对采集的数据进行预处理，包括以下步骤：
13、通过视觉传感器实时捕捉每一层增材制造过程中的实时轮廓数据；
14、实时采集每个分层的轮廓数据、熔覆激光数据和红外热成像图像；
15、采集增材制造设备的熔覆激光点在内部填充路径中每个加工点的熔覆激光数据，熔覆激光数据包括：熔覆激光点在内部填充路径中每个加工点的停留时间和激光功率，以及熔覆激光点在内部填充路径中的激光速度；
16、通过红外热成像仪采集红外热成像图像；
17、对采集的数据进行数据清洗和去噪；
18、将红外热成像图像和实时轮廓数据对齐到同一坐标系下，同时，将熔覆激光点在内部填充路径中每个加工点的熔覆激光数据关联到对应坐标系中。
19、作为本发明进一步的方案：所述熔覆质量评估模块建立质量评估模型，通过分析数据采集模块实时采集的数据，评估每个分层的熔覆质量，包括以下步骤：
20、获取对齐到同一坐标系下的红外热成像图像和实时轮廓数据，以及关联到对应坐标系中的熔覆激光点在内部填充路径中每个加工点的熔覆激光数据；
21、通过红外热成像图像获取内部填充路径中每个加工点，进行激光熔覆时的温度；
22、通过以下公式，建立质量评估模型：
23、
24、其中，e为每个分层的熔覆质量评估值，σt为熔覆激光点在内部填充路径中每个加工点的停留时间的方差，μt为熔覆激光点在内部填充路径中每个加工点的停留时间的平均值，σp为熔覆激光点在内部填充路径中每个加工点的激光功率的方差，μp为熔覆激光点在内部填充路径中每个加工点的激光功率的平均值，σv为实时采集的熔覆激光点在内部填充路径中的激光速度的方差，μv为实时采集的熔覆激光点在内部填充路径中的激光速度的平均值，σte为内部填充路径中每个加工点，进行激光熔覆时的温度的方差，μte为内部填充路径中每个加工点，进行激光熔覆时的温度的平均值，σl为熔覆激光点在轮廓路径中，模型边界数据和实时轮廓数据之间差距的方差，μl为熔覆激光点在轮廓路径中，模型边界数据和实时轮廓数据之间差距的平均值；
25、通过每个分层的熔覆质量评估值，评估每个分层的熔覆质量。
26、作为本发明进一步的方案：通过每个分层的熔覆质量评估值，评估每个分层的熔覆质量，包括以下步骤：
27、若分层的熔覆质量评估值e大于等于3，则对应分层的熔覆质量评估为三等熔覆质量；
28、若分层的熔覆质量评估值e小于3，且大于等于2，则对应分层的熔覆质量评估为二等熔覆质量；
29、若分层的熔覆质量评估值e小于2，则对应分层的熔覆质量评估为一等熔覆质量。
30、作为本发明进一步的方案：所述内部缺陷检测单元根据每个分层的熔覆质量的评估结果，通过无损检测技术，对每个分层进行分层内部检测，包括以下步骤：
31、通过超声波检测设备，对每个分层发送超声波，并通过测量反射的超声波，检测每个分层的内部缺陷；
32、根据每个分层的熔覆质量的评估结果，若对应分层的熔覆质量评估为三等熔覆质量，或超声波检测存在内部缺陷的分层，则判定需要采集对应分层的ct扫描图像；否则，判定无需采集对应分层的ct扫描图像。
33、作为本发明进一步的方案：所述缺陷分类单元通过深度学习算法，建立缺陷分类模型，对每个分层的存在缺陷进行检测分类，包括以下步骤：
34、获取熔覆合格时，分层的红外热成像图像和ct扫描图像的历史数据，以及熔覆不合格时，分层的红外热成像图像和ct扫描图像的历史数据；
35、将历史数据中，熔覆合格时，分层的红外热成像图像和ct扫描图像进行图像融合，得到熔覆合格的融合图像；
36、将历史数据中，熔覆不合格时，对应分层的红外热成像图像中，轮廓路径和内部填充路径上存在的空隙缺陷分别进行标注，对应分层的ct扫描图像中，轮廓路径和内部填充路径上存在的空隙缺陷分别进行标注；
37、将标注后的对应分层的红外热成像图像和ct扫描图像进行图像融合，得到标注后的融合图像；
38、通过神经网络模型算法，将熔覆合格的融合图像和标注后的融合图像送入神经网络模型进行训练，得到缺陷分类模型；
39、对于判定需要采集ct扫描图像的对应分层，获取对应分层的熔覆完成后的红外热成像图像，将采集的对应分层的ct扫描图像与分层的熔覆完成后的红外热成像图像进行图像融合；
40、将融合后的图像送入缺陷分类模型，对轮廓路径和内部填充路径上存在的空隙缺陷分别进行标注。
41、作为本发明进一步的方案：所述表面检测单元通过高分辨率的表面成像技术，采集每个分层的增材制造表面的图像数据，对每个分层的增材制造表面切削余量进行分析，包括以下步骤：
42、通过高分辨率的表面成像技术，采集每个分层的增材制造表面的图像数据；
43、将采集的每个分层的增材制造表面的图像数据与增材制造的三维模型进行对比分析；
44、得到每个分层的增材制造表面的切削余量，通过以下公式，对每个分层的增材制造表面切削余量进行分析：
45、
46、其中，z为每个分层的增材制造表面切削余量的分析值，σz为每个分层的增材制造表面的切削余量的方差，μz为每个分层的增材制造表面的切削余量的平均值；
47、若每个分层的增材制造表面切削余量的分析值大于预设阈值时，则判定对应分层的增材制造表面切削余量为二级表面切削余量；
48、若每个分层的增材制造表面切削余量的分析值小于等于预设阈值时，则判定对应分层的增材制造表面切削余量为一级表面切削余量。
49、作为本发明进一步的方案：所述参数调节模块根据分层的内部缺陷的检测分类和表面切削余量的分析结果，调整后续分层的熔覆激光数据，以及路径规划，包括以下步骤：
50、若对应分层的增材制造表面切削余量为一级表面切削余量，同时，缺陷分类单元未在轮廓路径和内部填充路径上识别到空隙缺陷，则无需调整后续分层的熔覆激光数据，以及路径规划；
51、若对应分层的增材制造表面切削余量为一级表面切削余量，同时，缺陷分类单元在轮廓路径上识别到空隙缺陷，则对熔覆激光点在轮廓路径中缺陷位置周围预设距离的对应区域的加工点，调节激光功率在原有基础上增加5%；
52、若对应分层的增材制造表面切削余量为二级表面切削余量，同时，缺陷分类单元在轮廓路径上识别到空隙缺陷，则对熔覆激光点在对应缺陷位置的轮廓路径进行调节；
53、若对应分层的增材制造表面切削余量为一级表面切削余量或二级表面切削余量，同时，缺陷分类单元在内部填充路径上识别到空隙缺陷，则对熔覆激光点在内部填充路径中每个加工点的激光功率在原有基础上增加5%。
54、作为本发明另一方面的方案：基于深度学习的增材制造缺陷检测方法，包括以下步骤：
55、根据增材制造的三维模型，对三维模型进行从下至上的分层处理，并生成每个分层的轮廓和填充方式，根据每个分层的轮廓和填充方式生成每个分层的路径规划和模型边界，其中，路径规划包括：轮廓路径和内部填充路径；
56、获取路径规划模块的路径规划数据和模型边界数据，实时采集每个分层的轮廓数据、熔覆激光数据和红外热成像图像，对采集的数据进行预处理；
57、建立质量评估模型，通过分析数据采集模块实时采集的数据，评估每个分层的熔覆质量；
58、根据每个分层的熔覆质量的评估结果，通过无损检测技术，对每个分层进行分层内部检测；
59、通过深度学习算法，建立缺陷分类模型，对每个分层的存在缺陷进行检测分类；
60、通过高分辨率的表面成像技术，采集每个分层的增材制造表面的图像数据，对每个分层的增材制造表面切削余量进行分析；
61、根据分层的内部缺陷的检测分类和表面切削余量的分析结果，调整后续分层的熔覆参数功率和速度，以及路径规划。
62、与现有技术相比，本发明的有益效果是：
63、本发明通过获取精确的路径规划数据和模型边界数据，确保打印或熔覆过程按照预定的路径和形状进行，从而提高最终产品的精确度。实时采集的轮廓数据可以与预设的模型数据进行对比，及时发现并纠正任何偏差，同时，通过分析红外热成像图像提供了关于熔覆过程中温度分布的实时信息，通过分析每个分层的轮廓数据和红外热成像图像，以及内部填充路径中的熔覆激光数据，能够更准确的评估每个分层的熔覆质量。
64、本发明通过根据每个分层的熔覆质量的评估结果，对每个分层的内部缺陷进行检测分类，并对每个分层的增材制造表面切削余量进行分析；参数调节模块根据分层的内部缺陷的检测分类和表面切削余量的分析结果，调整后续分层的熔覆激光数据，以及路径规划；对每个分层的内部缺陷进行实时检测与分类，便于及时发现轮廓路径和内部填充路径上的缺陷，并准确判断其类型和严重程度；同时，通过参数调节模块根据内部缺陷的检测分类和表面切削余量的分析结果，能够动态调整后续分层的熔覆激光数据和路径规划。
1.基于深度学习的增材制造缺陷检测系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的增材制造缺陷检测系统，其特征在于，所述缺陷检测模块，包括：
3.根据权利要求2所述的基于深度学习的增材制造缺陷检测系统，其特征在于，所述数据采集模块，实时采集每个分层的轮廓数据和红外热成像图像，以及内部填充路径中的熔覆激光数据，对采集的数据进行预处理，包括以下步骤：
4.根据权利要求3所述的基于深度学习的增材制造缺陷检测系统，其特征在于，所述熔覆质量评估模块建立质量评估模型，通过分析数据采集模块实时采集的数据，评估每个分层的熔覆质量，包括以下步骤：
5.根据权利要求4所述的基于深度学习的增材制造缺陷检测系统，其特征在于，通过每个分层的熔覆质量评估值，评估每个分层的熔覆质量，包括以下步骤：
6.根据权利要求5所述的基于深度学习的增材制造缺陷检测系统，其特征在于，所述内部缺陷检测单元根据每个分层的熔覆质量的评估结果，通过无损检测技术，对每个分层进行分层内部检测，包括以下步骤：
7.根据权利要求6所述的基于深度学习的增材制造缺陷检测系统，其特征在于，所述缺陷分类单元通过深度学习算法，建立缺陷分类模型，对每个分层的存在缺陷进行检测分类，包括以下步骤：
8.根据权利要求7所述的基于深度学习的增材制造缺陷检测系统，其特征在于，所述表面检测单元通过高分辨率的表面成像技术，采集每个分层的增材制造表面的图像数据，对每个分层的增材制造表面切削余量进行分析，包括以下步骤：
9.根据权利要求8所述的基于深度学习的增材制造缺陷检测系统，其特征在于，所述参数调节模块根据分层的内部缺陷的检测分类和表面切削余量的分析结果，调整后续分层的熔覆激光数据，以及路径规划，包括以下步骤：
10.基于深度学习的增材制造缺陷检测方法，其特征在于，包括以下步骤：
