摘要
选择性激光熔化（SLM）过程中逐层获取的粉末床图像可表征铺粉和激光扫描后的表面状态，从而为原位质量监控提供关键信息。语义分割能够实现对粉末床缺陷的像素级识别与定位。然而，由于不同类型的缺陷在形态和尺度上存在显著差异，加上类别不平衡和跨设备成像域偏移等因素，精确分割仍然面临巨大挑战。针对选择性激光熔化（SLM）粉末床图像监控中缺陷类别多样、尺度差异大、类别分布不平衡以及跨设备成像域偏移等挑战，本文提出了一种基于多尺度特征融合与分层迁移学习的语义分割方法。首先，将同一层的铺粉后图像与扫描后图像融合形成双通道输入，然后设计四个并行分支，分别提取全局特征、原始分辨率细节、局部形态特征和位置编码，通过多尺度特征融合捕获不同空间尺度下的缺陷信息。其次，为适应跨设备应用，开发了一种两阶段迁移学习策略。第一阶段，根据各模块的域敏感性对网络参数进行差异化更新；第二阶段，以较小学习率对整个网络进行联合优化，并引入最大均值差异（MMD）约束以对齐源域和目标域的特征分布。实验结果表明，所提方法达到了0.879的平均交并比（mIoU）。经分层迁移学习后，在目标域的实验数据集上获得了0.855的mIoU。这些结果表明，所提方法有效提升了复杂粉末床缺陷的分割精度，并展现出良好的跨设备适应能力。
