龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：南京农业大学
申请日：2024-02-21
公开（公告）日：2024-05-07
公开（公告）号：CN117990741A
主分类号：G01N25/72
分类号：G01N25/72;G01J5/48;B22F12/90;B22F12/00;B22F10/22;B33Y10/00;B33Y30/00;B33Y40/00;G06N3/0464;G06T7/00;G06V10/80
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.05.24#实质审查的生效;2024.05.07#公开
摘要：本申请提供一种基于深度学习的金属样品孔隙缺陷检测方法及3D打印机。本申请在金属材料3D打印加工过程中，实时根据作业位置红外辐射能量的变化情况提取出金属材料冷却塑形过程的时间序列，利用预先训练完成的YOLOv8模型对时间序列进行特征提取，并同时触发波导探头移动至相应的作业位置进行微波射频扫描，以确定目标结构的增强边界，由此更为准确地判断出3D结构的打印缺陷。本申请基于增强边界，采用GAM注意力机制对打印缺陷进行检测，一方面可有效定位3D打印位置频率响应异常的位置，减少特征信息的丢失，另一方面还可进一步根据缺陷位置及时将液态合金液滴重新注入缺陷位置以填补缺陷，获得更为完整的3D打印结构。
主权项：1.一种基于深度学习的金属样品孔隙缺陷检测方法，其特征在于，步骤包括：在金属材料3D打印加工过程中，实时采集当前作业位置的红外图像，并根据该位置各帧图像之间红外辐射能量的变化情况提取出该作业位置上金属材料冷却塑形过程的时间序列；调用预先训练完成的YOLOv8模型对所述时间序列进行特征提取，并同时触发波导探头移动至所述作业位置，对作业位置进行微波射频扫描，以确定目标结构的增强边界；由YOLOv8模型中的特征增强模块基于增强边界对提取所得的特征层进行池化和特征融合，然后进一步通过预测和回归计算判断该作业位置的缺陷检测结果。
全文数据：
权利要求：
百度查询： 南京农业大学 基于深度学习的金属样品孔隙缺陷检测方法及3D打印机
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号