激光粉末床融合中基于小样本学习的复杂零件轮廓泛化检测方法研究

本文推荐：该研究针对激光粉末床融合（LPBF）增材制造中复杂几何轮廓检测难题，提出渐进式粗-精网络（PCFNet），通过小样本学习（Few-shot learning）策略解决传统数据驱动方法在微小尺寸（0.25mm≈3像素）、复杂几何及模糊边界样本中的泛化瓶颈。创新性构建混合轮廓数据集，结合特征解耦分析，实现84% mIoU的统计保真度，显著优于12种现有方法。

　　

亮点
问题定义
LPBF制造零件的轮廓检测因增材制造物理特性与几何复杂性的交互作用而极具挑战。我们通过以下特征定义检测难点并构建数据集：(i) 微小零件（如薄壁和精细晶格结构）在逐层熔化过程中易发生热变形，产生非均匀熔池动力学，导致轮廓不规则；(ii) 复杂几何形状（如各向异性晶格）因多尺度结构交互作用产生模糊边界；(iii) 光照不均和粉末附着会掩盖真实轮廓。

整体框架
为平衡LPBF制造的高灵活性与检测模型的精度-泛化矛盾，本文提出端到端深度学习框架PCFNet，通过渐进聚焦（Progressive Focusing）和邻层特征交互（Adjacent-level Feature Interaction）实现小样本几何轮廓检测。受DCNet启发，我们设计六模块架构：1) SCAFFM模块融合骨干网络低/高层特征以增强局部-全局语义；2) BEM和OSSH模块分别预测粗/精轮廓；3) 小样本学习机制通过特征空间对齐提升模型对挑战性样本的适应能力。

数据集
采用公开工业缺陷数据集MVTEC AD（含15类73种缺陷）和自建LPBF轮廓数据集验证PCFNet。MVTEC AD包含从微米级划痕到复杂成像条件下的结构变形等极端场景，而自建数据集涵盖简单样本（占比80%）和挑战性样本（20%），后者包含直径0.25mm（≈3像素）的各向异性晶格等微细结构。

结论
PCFNet通过邻层特征交互和"搜索-识别"机制，在少量训练样本下实现对挑战性样本的高精度检测。关键创新包括：SCAFFM模块的跨层级特征融合、BEM/OSSH双阶段轮廓预测、以及基于小样本学习的特征空间优化。在商用LPBF系统中的部署案例证实了该方法的在线监测可行性。

（注：翻译严格遵循生命科学领域专业性，保留原文技术术语如LPBF、mIoU等，并采用_{/^{规范表示上下标，如0.25mm）}}