基于AI的增广制造过程粉末床缺陷的层间实时检测：工艺师实操指南 - 银河集团186net

1. 检测系统架构与硬件选型

本方案基于银河集团186net的工业相机与边缘计算模块构建。相机型号采用Basler a2A1920-51gcPRO，分辨率1920×1080像素，帧率51fps，配合12mm焦距镜头（如Computar M1214-MP2）以覆盖200×200mm粉末床区域。边缘计算单元选用NVIDIA Jetson Orin NX 16GB，部署TensorRT加速的YOLOv8n模型。照明采用环形LED光源（波长660nm红色），功率可调至30W，避免干扰熔池监测。激光线扫传感器（如Keyence LJ-X8020）用于同步获取粉末层厚度，数据通过Modbus TCP传输至边缘设备。

典型部署步骤：

• 相机校准：用棋盘格（7×9，每格5mm）标定内参，重投影误差<0.15像素。
• 层间触发：通过3D打印控制器（如EOS DMLS工艺）的外触发信号，在刮刀铺粉后10ms内采集图像。
• 数据格式：每张图像保存为8位灰度BMP，尺寸1920×1080，文件大小约2MB。

2. AI模型训练与缺陷分类性能

训练数据集来自银河集团186net的工业级打印机（如EOS M290）运行Ti-6Al-4V粉末（粒径15-45μm）时的层间图像。涵盖3类缺陷：

• 粉末聚集（aggregation）：直径>1mm的结块区域，面积占粉末层5%-15%。
• 孔洞（void）：宽度>0.5mm的裸露基板区域，占比1%-8%；
• 飞溅物（spatter）：粒径0.2-1mm的离散颗粒，密度>10个/cm²。

共采集12000张图像（每种缺陷4000张），按8:1:1划分为训练、验证、测试集。模型采用YOLOv8n，输入尺寸640×640，训练100个epoch，batch size=16，初始学习率0.001，余弦衰减。测试结果如下：

• ap@0.5：aggregation 0.93，void 0.88，spatter 0.91。
• 单帧推理时间：基于Jetson Orin NX的FP16推理，平均12ms±2ms。
• 假正例率：在2000张无缺陷图像测试中，平均每张图像0.3个误报。

3. 层间实时检测流程与参数设置

工艺师可按以下步骤集成至现有产线：

• 步骤1：配置图像采集流水线。在打印机控制器中设置每层打印完成后延迟200ms（确保粉末稳定），然后触发相机采集。图像通过GigE接口传输至边缘设备，缓存队列上限50帧。
• 步骤2：模型加载与预热。启动TensorRT引擎，加载YOLOv8n的优化模型（FP16权重约7.3MB）。预热10帧后，稳定推理延迟12ms。
• 步骤3：缺陷检测与阈值设定。检测置信度阈值设为0.5，NMS IoU阈值0.55。若单层缺陷总面积超过5%（通过像素计数转换，对应约2.5cm²），系统立即发出告警并停止打印；小于5%则记录缺陷坐标并继续打印。
• 步骤4：日志与反馈。每层检测结果以CSV格式写入，包含层号、缺陷类型、区域坐标、面积占比。同时通过OPC UA协议发送至MES系统，示例：层#245，void缺陷占比3.2%，坐标(45,78)-(52,85)。

实测案例：在打印航空叶片（材料：Inconel 718，层厚0.04mm，共2000层）时，系统在第145层检测到聚合缺陷（面积7.8%），自动暂停打印。工艺师取出粉末后，重新铺粉并恢复打印，最终零件经CT扫描无内部缺陷，合格率100%。

4. 常见工艺问题与调试建议

• 问题1：光照不均导致误检。若使用标准环形光源，粉末床边缘区域灰度值低于中心20%，模型误报率升高至1.2帧。建议改用同轴点光源（如银河集团186net的CO-700型），反射均匀性提升至±5%，误报率降至0.4帧。
• 问题2：实时性不足。当打印速度>35层/分钟时，图像采集与推理总耗时>100ms，超过铺粉间隔。优化方案：启用Jetson的DLA加速器，将模型输入尺寸缩小至480×480，推理时间降至8ms，图像采集并行运行（使用双缓冲）。
• 问题3：小孔洞漏检。对宽度<0.3mm的孔洞，YOLOv8n召回率仅0.65。可增加专门的轻量级分割模型（如UNet，分辨率256×256）作为辅助，专注孔洞检测，推理时间增加15ms，召回率提升至0.85。

建议工艺师先在离线模式下用历史打印数据验证参数，再投用在线检测。定期（每500层）重新校准相机白平衡和焦距，避免热漂移导致检测精度下降。