轻量化通用SAM算法：实现L-DED/L-PBF/PAM多工艺熔池与等离子弧的原位监测

本研究针对增材制造(AM)中熔池与等离子弧状态监测算法训练成本高、跨设备通用性差的问题，提出基于Segment Anything Model(SAM)框架的轻量化Light SAM算法。该算法通过190张训练图像即可实现L-DED/L-PBF熔池与PAM等离子弧的跨工艺特征提取，在NPU加速下推理时间仅153 ms，模型体积23 MB，平均交并比(MIoU)达93.02%，为AM原位监测系统提供了高效、低成本的通用解决方案。

　　

在航空航天和汽车制造领域，增材制造(Additive Manufacturing, AM)技术正引发新一轮工业革命。然而，金属AM过程中熔池的快速形变、等离子弧的辐射干扰以及飞溅物的产生，常常导致零件出现孔隙、裂纹等缺陷。传统监测方法依赖人工经验判断，而现有基于深度学习的算法又面临两大困境：一是需要海量标注数据训练，二是针对特定设备开发的模型难以跨工艺通用。更棘手的是，激光定向能量沉积(L-DED)、激光粉末床熔融(L-PBF)和等离子弧增材制造(PAM)这三种主流工艺的监测目标差异显著——L-DED熔池呈毫米级椭圆且变化缓慢，L-PBF熔池为微米级多边形且瞬息万变，PAM等离子弧则呈现独特的柱状辐射特征，这对开发通用监测算法提出了严峻挑战。

武汉大学的研究团队独辟蹊径，将计算机视觉领域革命性的Segment Anything Model(SAM)框架引入AM监测。这个曾因"零样本分割"能力惊艳学界的大模型，却因庞大的视觉Transformer(ViT)编码器难以在工业现场部署。研究人员创新性地设计了仅23 MB的Light SAM算法，其核心突破在于：采用EfficientViTBlock构建轻量化图像编码器，集成多尺度卷积模块捕捉熔池动态特征，通过交互式提示编码实现"一点定位、多目标分割"。令人惊叹的是，仅用190张L-DED熔池图像训练后，该算法就能精准识别L-PBF的微米级熔池和PAM的等离子弧，在NPU加速下每帧处理仅需153毫秒。

关键技术方法包括：1) 基于OpenCV的自动提示点生成技术，通过最大亮度轮廓定位监测目标；2) 融合三组不同尺寸卷积核的MultiScaleConv模块，同步捕获熔池与飞溅物的多尺度特征；3) 采用FP16量化的模型压缩技术，使算法适配Jetson Xavier NX边缘计算板；4) 建立包含四种工艺参数的测试集(激光功率400-1860 W，扫描速度4-1400 mm/s)，验证跨设备泛化能力。

2. In-situ monitoring system with AI edge computing board
研究团队搭建了覆盖三种AM工艺的监测系统，包含808 nm激光光源、30000 fps高速相机和AI边缘计算板。实验数据显示，在L-DED工艺中，当激光功率1860 W、扫描速度1000 mm/min时，算法对熔池短轴长度的捕捉精度达93.42%，能有效监测单晶生长的温度梯度稳定性。

3. Results
在最具挑战性的L-PBF工艺测试中，尽管350 W激光以1400 mm/s高速扫描导致熔池局部过热产生黑泡，算法仍保持86.54%的MIoU值。PAM工艺测试出现有趣现象：当电流40 A、扫描速度18 mm/s时，因等离子弧强反射导致9.3%的误判，这提示未来需优化拍摄角度。

4. Discussion
与PSPNet、DeepLabv3+等传统算法相比，Light SAM的跨工艺平均精度提升7.44-13.56个百分点，而模型体积仅为原版SAM的1/15。表7的对比实验揭示，该算法首次实现单模型同时监测熔池形貌、飞溅物分布和等离子弧状态三大指标，为AM质量控制提供了全新维度。

这项研究的意义不仅在于技术突破，更开创了"预训练+轻量化微调"的工业检测新范式。通过将交互式分割框架与边缘计算结合，研究人员成功将实验室级AI模型"瘦身"为车间可用的监测工具。未来若结合目标检测网络实现自动提示框生成，有望构建全自动的多目标AM质量监测系统，推动智能制造向更高精度迈进。论文的创新价值得到《Journal of Computational Design and Engineering》认可，其提供的开源方案将显著降低AM企业部署智能监测的门槛。