基于元学习的激光熔覆增材制造成形质量监测方法及系统

本发明涉及增材制造质量监测，具体是涉及一种基于元学习的激光熔覆增材制造成形质量监测方法、系统、设备及存储介质。

背景技术：

1、激光熔覆增材制造是利用激光束对金属材料进行熔化，通过精确的控制来制造出复杂三维结构件的一种制造工艺，一般包括送粉式激光熔覆增材制造和激光熔丝增材制造两大类，在激光熔覆增材制造过程中容易因某些因素出现表面粗糙、表面裂纹等制件缺陷，为了确保制件成形质量的稳定性，就需要在激光熔覆增材制造过程中进行状态监测。目前已有学者提出将深度学习技术应用到激光熔覆增材制造成形质量监测领域中，但是深度学习技术往往需要使用大量的数据训练才能取得更好的模型性能，由于在工艺加工初期难以获取更多有用的训练数据，导致使用深度学习技术无法达到更好的监测效果。

技术实现思路

1、本发明提供一种基于元学习的激光熔覆增材制造成形质量监测方法、系统、设备及存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

2、第一方面，提供一种基于元学习的激光熔覆增材制造成形质量监测方法，所述方法包括：

3、获取用户输入的多组第一工艺参数和多组第二工艺参数；

4、根据每组第一工艺参数，控制激光定向能量沉积实验平台进行一次送粉式激光定向能量沉积实验，从中获取一组关于粉末熔覆道的第一熔池图像；

5、根据每组第二工艺参数，控制所述激光定向能量沉积实验平台进行一次激光熔丝增材制造实验，从中获取一组关于熔丝熔覆道的第二熔池图像；

6、获取构建好的se-resnet12网络模型，利用多组第一熔池图像和多组第二熔池图像，并引入元学习框架对所述se-resnet12网络模型进行训练优化，得到质量监测模型；

7、利用所述质量监测模型对所述激光定向能量沉积实验平台当前输出的待测熔池图像进行处理，得到所述待测熔池图像的质量分类结果。

8、进一步地，所述第一工艺参数包括激光功率、扫描速度和送粉速度，所述第二工艺参数包括激光功率、扫描速度、送丝速度和送丝角度。

9、进一步地，所述se-resnet12网络模型包括顺次连接的卷积层、第一通道注意力模块、最大池化层、残差网络、第二通道注意力模块、平均池化层和全连接层，所述残差网络包括四个残差模块，每个残差模块包括两个卷积层。

10、进一步地，所述利用多组第一熔池图像和多组第二熔池图像，并引入元学习框架对所述se-resnet12网络模型进行训练优化，得到质量监测模型包括：

11、对所述多组第一熔池图像进行预处理，得到元训练集；

12、对所述多组第二熔池图像进行预处理，得到元测试集；

13、通过随机抽取方式，从所述元训练集中获取多个第一支持集和多个第一查询集，从所述元测试集中获取第二支持集和第二查询集；

14、利用所述多个第一支持集对所述se-resnet12网络模型进行内层循环训练，再利用所述多个第一查询集对所述se-resnet12网络模型进行外层循环训练，得到训练好的se-resnet12网络模型；

15、利用所述第二支持集对所述训练好的se-resnet12网络模型进行微调，再利用所述第二查询集对微调后的se-resnet12网络模型进行测试，得到质量监测模型。

16、进一步地，每组第一熔池图像包含在单次送粉式激光定向能量沉积实验过程中实时获取的在若干个不同实验进度下的第一熔池图像；所述对所述多组第一熔池图像进行预处理，得到元训练集包括：

17、获取给定的多个实验进度区间，在每组第一熔池图像中通过定量随机抽取方式获取落在每个实验进度区间的多个第一熔池图像，进而从每组第一熔池图像中获取所需的初始第一熔池图像集合；

18、获取所述初始第一熔池图像集合中的每个第一熔池图像的质量分类结果并作标记，每个第一熔池图像标记的质量分类结果为未熔融或者正常熔融或者过熔融；

19、对标记后的初始第一熔池图像集合进行数据增强处理，得到最终第一熔池图像集合；

20、将所述多组第一熔池图像对应的多个最终第一熔池图像集合进行合并，得到元训练集。

21、进一步地，每组第二熔池图像包含在单次激光熔丝增材制造实验过程中实时获取的在若干个不同实验进度下的第二熔池图像；所述对所述多组第二熔池图像进行预处理，得到元测试集包括：

22、获取给定的多个实验进度区间，在每组第二熔池图像中通过定量随机抽取方式获取落在每个实验进度区间的多个第二熔池图像，进而从每组第二熔池图像中获取所需的第二熔池图像集合；

23、获取所述第二熔池图像集合中的每个第二熔池图像的质量分类结果并作标记，每个第二熔池图像标记的质量分类结果为过熔融或者正常熔融或者未熔融；

24、将所述多组第二熔池图像对应的多个标记后的第二熔池图像集合进行合并，得到元测试集。

25、进一步地，所述待测熔池图像通过以下方式得到：

26、获取给定的待测实验进度区间和用户输入的工艺参数，所述工艺参数为所述第一工艺参数或者所述第二工艺参数；

27、根据所述工艺参数，控制所述激光定向能量沉积实验平台进行相应的实验，从中获取落在所述待测实验进度区间的待测熔池图像。

28、第二方面，提供一种基于元学习的激光熔覆增材制造成形质量监测系统，所述系统包括工控机和搭载图像采集设备的激光定向能量沉积实验平台，所述图像采集设备用于在所述激光定向能量沉积实验平台运行过程中采集相关的熔池图像并将其传输至所述工控机；

29、所述工控机用于获取用户输入的多组第一工艺参数和多组第二工艺参数；根据每组第一工艺参数，控制激光定向能量沉积实验平台进行一次送粉式激光定向能量沉积实验，从中获取一组关于粉末熔覆道的第一熔池图像；根据每组第二工艺参数，控制所述激光定向能量沉积实验平台进行一次激光熔丝增材制造实验，从中获取一组关于熔丝熔覆道的第二熔池图像；获取构建好的se-resnet12网络模型，利用多组第一熔池图像和多组第二熔池图像，并引入元学习框架对所述se-resnet12网络模型进行训练优化，得到质量监测模型；利用所述质量监测模型对所述激光定向能量沉积实验平台当前输出的待测熔池图像进行处理，得到所述待测熔池图像的质量分类结果。

30、第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器上存储计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述的基于元学习的激光熔覆增材制造成形质量监测方法。

31、第四方面，提供一种计算机可读存储介质，其上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于元学习的激光熔覆增材制造成形质量监测方法。

32、本发明至少具有以下有益效果：将se-resnet12网络模型作为元学习框架的主干网络，通过将在不同工艺场景下所获取的少量熔池图像经过一系列预处理之后构建出元训练任务和元测试任务以更好地完成模型训练优化，可以提高最终训练优化得到的质量监测模型的特征提取能力和特征判断能力。