利用深度学习和小波特征融合技术，对增材制造过程中的粉末床缺陷进行高精度在线监测

《JOURNAL OF INTELLIGENT MANUFACTURING》：High-precision online monitoring of powder bed defects of additive manufacturing using deep learning with wavelet feature fusion

粉末床均匀性是激光粉末床熔融（LPBF）增材制造中过程稳定性和零件质量的关键因素。本文提出了一种集成接触图像传感器（CIS）和高分辨率在线监测系统，结合YOLOv9-WFF模型的解决方案，通过多尺度频域分解提升低频特征表征，有效检测九类细粒度缺陷（如混合粉末、氧化凝聚体等），实验验证其准确率、召回率和mAP均优于传统方法，且具有强抗环境光干扰能力和跨平台扩展性。

　　

摘要

在激光粉末床熔融（LPBF）增材制造过程中，粉末床的均匀性是决定工艺稳定性和零件质量的关键因素。在逐层熔化过程中，粉末层中的不规则性会逐渐累积，从而导致缺陷形成，这些缺陷会损害结构的完整性，最终可能引发工艺失败。因此，实时检测粉末床的均匀性以及由此产生的工件缺陷至关重要。然而，传统的成像系统由于空间分辨率有限且对细微特征的敏感度不足，往往无法在大面积和复杂的构建区域实现高分辨率的实时监控。为了解决这些限制，我们开发了一种高分辨率的在线监控系统，该系统将接触式图像传感器（CIS）集成到重新铺粉装置中，并结合基于YOLOv9的缺陷检测模型以及小波特征融合（WFF）模块。CIS与重新铺粉装置的运动同步进行线扫描成像，生成均匀无畸变的图像，具有出色的空间一致性。这种设置能够捕捉到之前无法检测到的细微缺陷——尤其是由污染引起的异常，如混合粉末、氧化团聚体和外来杂质，这些缺陷通常具有模糊的边界、低纹理对比度和复杂的形态。所提出的YOLOv9-WFF模型采用多尺度频域分解技术来丰富低频特征表示，从而实现对九种不同类型粉末床缺陷的高效精确分类和定位。实验结果表明，该模型在准确性、召回率和mAP（平均精度均值）方面表现出优越的检测性能，同时保持了轻量级的架构并降低了计算开销。此外，基于CIS的系统对环境光照变化具有很强的鲁棒性，并且易于集成和扩展到各种机器平台上。其紧凑且模块化的设计使其非常适合用于宽视野、高清晰度的工业粉末床监控，为下一代LPBF质量保证提供了可移植和可扩展的解决方案。