基于红外热成像与卷积神经网络的不锈钢DLIP表面形貌参数在线预测研究

《Advanced Engineering Materials》:Prediction of Surface Topography Parameters in Direct Laser Interference Patterning of Stainless Steel Using Infrared Monitoring and Convolutional Neural Networks

【字体: 大 中 小 】 时间:2026年04月15日 来源:Advanced Engineering Materials 3.3

编辑推荐:

  为解决直接激光干涉 patterning (DLIP) 工艺中表面形貌参数(如 Sa、Sq等)难以实时监测的问题,研究人员开展了基于红外(IR)监控与卷积神经网络(CNN)的在线预测研究。结果表明,该方法可实现最高 94% 的预测精度,为激光微纳加工的全流程自动化提供了可靠的质量控制方案。

  
在微纳制造领域,直接激光干涉 patterning (DLIP) 技术凭借其能够精确制造周期性微纳结构的能力而备受青睐。这种技术通过两束或多束相干激光的干涉,在材料表面形成周期性的光强分布,从而实现对材料的选择性烧蚀或改性。DLIP 加工出的微纳结构可以显著改善表面的摩擦学性能、润湿性、抗菌性等,在生物医学植入体、微流控器件等领域具有广阔的应用前景。然而,DLIP 工艺的稳定性与结构质量严重依赖于激光能量密度(fluence)、扫描速度等参数,传统上需要依赖加工后的离线检测(如共聚焦显微镜、SEM)来评估形貌,这极大地限制了该技术在大规模工业应用中的自动化水平。
为了实现 DLIP 的闭环控制与实时质量监控,研究人员一直在探索基于声学、光学或热信号的在线监测方法。然而,声学信号缺乏空间分辨率,难以反映局部加工缺陷;散射测量法虽能获取部分形貌信息,但同样无法提供全场的空间细节。红外热成像(IR)技术能够非接触式地捕捉加工区域的温度场分布,理论上可以反映材料的能量吸收与热响应过程,但如何从复杂的温度场图像中快速、准确地反推出具体的表面形貌参数(如粗糙度 Sa、峰高 Sp等),一直是该领域的技术难点。
针对这一挑战,发表在 Advanced Engineering Materials上的这项研究,创新性地将红外监控与深度学习相结合,提出了一种基于卷积神经网络(CNN)的 DLIP 表面形貌间接预测策略。研究团队在不锈钢(AISI 304)基板上进行了系统的 DLIP 加工实验,同步采集了海量的红外过程图像,并训练 CNN 模型直接从热图像中预测多种 ISO 25178 标准形貌参数。结果表明,该方法能够有效建立“热特征-形貌”的映射关系,为激光制造过程的智能化监控提供了新范式。

关键技术方法

研究团队利用机器人集成 DLIP 加工头(两光束干涉,周期 Λ=10 μm)对不锈钢样品进行线状结构加工,系统调控激光能量密度(2.5–5.6 J cm?2)和路径速度(1–20 mm s?1)。加工过程中,使用红外相机(PYROVIEW 380L)以约 60° 侧向角实时采集温度场图像。加工后,使用共聚焦显微镜(Sensofar S Neox)精确测量表面形貌,并利用 Surfalize 库提取 Sa、Sp、Sq、Ssk(偏度)、Sku(峰度)、Vvc(核心空隙体积)及均匀性参数(H)作为监督学习的标签。构建了专门的 CNN 架构处理 64×64 像素的单通道热图像,通过卷积层、池化层与全连接层组合,实现从热图像到多形貌参数的回归预测。

表面形貌与工艺参数的映射关系

通过对 100 个样本的共聚焦测量数据绘制热图,研究发现算术平均高度 Sa和均方根高度 Sq主要受激光能量密度影响,而路径速度的影响相对较小。值得注意的是,最高的结构并非出现在最高能量密度下(5.6 J cm?2),而是在 2.5 J cm?2附近。这被归因于高能量密度下强烈的汽化反冲压力导致熔体飞溅,破坏了结构堆积。此外,在较高能量密度下,机器人路径速度的微小波动会因脉冲重叠效应的放大,导致局部结构高度出现显著不均匀性。

红外热特征与 CNN 预测性能

红外监控揭示了加工区域的温度分布与激光参数的直接关联。研究团队构建了包含 180,000 张 IR 图像的数据集,并采用随机下采样策略确保不同速度条件下的数据平衡。CNN 模型在训练集(90%)和验证集(10%)上均表现出色,对于特定的形貌参数,预测准确率最高可达 94%(R2决定系数)。模型成功地从热图像中自动提取了与能量沉积和热积累相关的空间特征,证明了“热指纹”可以作为表面形貌的可靠代理变量。

结论与意义

本研究成功验证了“红外监控 + CNN”在 DLIP 工艺在线监测中的巨大潜力。通过建立热图像与表面形貌参数之间的非线性映射,实现了对结构高度、均匀性等关键质量指标的间接但高精度的预测。这一策略克服了传统声学或散射测量法缺乏空间分辨率的局限,为 DLIP 乃至其他激光微加工技术(如激光熔覆、硬化)的实时质量控制与闭环控制提供了可行的技术路径。未来,随着数据量的进一步扩充和模型泛化能力的提升,这种数据驱动的方法有望显著减少对耗时离线条纹检测的依赖,加速激光微纳制造向全自动化“智能工厂”的迈进。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号