基于通道门控与交叉注意力的增材制造铺粉缺陷识别方法及系统

本发明属于工业质量监测与缺陷识别，具体涉及一种适基于通道门控与交叉注意力机制的激光选区熔化工艺铺粉缺陷多模态智能识别技术。

背景技术：

1、激光选区熔化（selective laser melting, slm）工艺作为金属增材制造的核心工艺，因其在制造复杂结构金属构件方面的独特优势，已广泛应用于航空航天、生物医疗、新能源汽车等高端制造领域。铺粉环节是slm成形的基础工序，受刮刀磨损、粉末飞溅、热应力翘曲等因素影响，极易产生划痕、局部凸起等初始铺粉缺陷；该类缺陷具备明显层间累积效应，易进一步诱发气孔、裂纹、零件变形甚至刮刀碰撞停机，严重制约成形件服役性能与生产稳定性。

2、此外，现有slm铺粉缺陷识别技术仍存在诸多不足：

3、多依赖单视觉模态监测，受成形仓封闭结构、光照不均干扰，微弱划痕缺陷对比度低、边缘模糊，极易被粉末纹理背景淹没，缺陷漏检率偏高；

4、现有多模态识别方案多采用简单特征拼接融合，未针对划痕、凸起两类缺陷在形态、尺度上的异质性设计差异化特征增强机制，跨模态融合关联能力不足，识别精度受限；

5、铺粉缺陷样本存在严重类别不均衡问题，正常背景像素占比极高、缺陷有效像素占比极低，传统单一损失函数易被大量简单背景样本主导，难以学习微小缺陷特征，易出现分割断裂、空洞等问题。

6、因此，针对slm铺粉成像受多因素干扰缺陷特征微弱、缺陷类别不均衡，以及现有多模态融合效果不充分、识别精度受限的现状，亟需研发一种适配异质缺陷、具备强抗干扰与难样本学习能力的高精度智能识别方法，以解决当前增材制造在位监测领域所面临的技术难题。

技术实现思路

1、本发明的目的在于克服现有技术中面临的单模态识别抗干扰能力弱、多模态特征融合不充分导致的微弱缺陷识别精度低、样本不均衡适配性差的挑战，提供一种基于通道门控与交叉注意力的增材制造铺粉缺陷识别方法及系统，实现slm工艺中铺粉划痕、凸起缺陷的高精度分割识别与物理尺寸量化评估。

2、为了达到上述目的，本发明采用如下技术方案：

3、第一方面，本发明提供一种基于通道门控与交叉注意力的增材制造铺粉缺陷识别方法，包括如下步骤：

4、获取激光选区熔化铺粉过程的多模态数据集，所述多模态数据集包括铺粉图像、多通道传感信号以及对应的缺陷标签；

5、分别对获取的铺粉图像执行自适应校正增强处理，对多通道传感信号进行混合归一化增强，将增强后的铺粉图像及归一化处理后的多通道传感信号对齐，并构建标准化多模态样本集；

6、构建多模态双流特征提取架构，分别对标准化多模态样本集中增强后铺粉图像，以及归一化处理后的多通道传感信号进行独立编码，并行提取铺粉图像的多尺度空间特征与多通道传感信号的全局物理特征；

7、将提取的多尺度空间特征与全局物理特征输入至预先训练好的缺陷分割模型中，实现铺粉缺陷分割，得到模型分割图；

8、将模型分割图通过像素-物理几何映射模型映射，实现物理参数量化评估；

9、其中，所述缺陷分割模型包括中层通道门控模块和瓶颈层空间交叉注意力模块。

10、所述分别对获取的铺粉图像执行自适应校正增强处理，对多通道传感信号进行混合归一化增强，将增强后的铺粉图像及及归一化处理后的多通道传感信号对齐，并构建标准化多模态样本集的步骤中，对获取的铺粉图像执行自适应校正增强的方法为：通过单应性矩阵透视变换消除铺粉图像的透视畸变，再经灰度化处理后，融合限制对比度自适应直方图均衡化与自适应伽马校正完成图像细节增强。

11、所述构建多模态双流特征提取架构，分别对标准化多模态样本集中增强后铺粉图像，以及归一化处理后的多通道传感信号进行独立编码，并行提取铺粉图像的多尺度空间特征与多通道传感信号的全局物理特征的步骤中，构建的双流并行特征提取架构包括图像分支和传感分支，图像分支以resnet-18为基础编码器，经多层下采样输出校正增强后的铺粉图像的多尺度空间特征，保留中层编码特征与底层全局特征；

12、传感分支采用两层一维卷积结合全局平均池化结构，将混合归一化增强后的多通道传感信号编码为固定维度传感全局物理特征。

13、所述将提取的多尺度空间特征与全局物理特征输入至预先训练好的缺陷分割模型中，实现铺粉缺陷分割，得到模型分割图的方法如下；

14、设置中层通道门控模块，基于全局物理特征生成自适应通道权重对多尺度空间特征的中层编码特征进行通道重标定，得到通道重标定后的中层编码特征图；

15、引入瓶颈层空间交叉注意力模块，以底层全局特征为查询、全局物理特征为键值，通过相似度计算生成空间注意力权重，得到融合后的底层特征图，实现跨模态语义与空间深度融合；

16、采用编码器-解码器结合跳跃连接的多尺度解码结构，对所述通道重标定后的中层编码特征图和所述融合后的底层特征图进行逐级上采样解码，恢复图像分辨率，输出正常、划痕、凸起三类像素级缺陷分割掩码。

17、所述设置中层通道门控模块，基于全局物理特征生成自适应通道权重对多尺度空间特征的中层编码特征进行通道重标定，得到通道重标定后的中层编码特征图的方法如下：

18、设中层图像编码特征图为，通过多层感知机处理输入的全局物理特征，生成通道增强权重系数：

19、

20、式中：为sigmoid激活函数；；

21、将所述生成的通道增强权重系数作用到中层图像编码特征图的每一个通道中，得到通道重标定后的中层编码特征图，公式表达如下：

22、

23、式中：为逐元素相乘符号；为自适应增强系数。

24、所述引入瓶颈层空间交叉注意力模块，以底层全局特征为查询、全局物理特征为键值，通过相似度计算生成空间注意力权重，得到融合后的底层特征图，实现跨模态语义与空间深度融合的方法如下：

25、将底层全局特征图线性映射为查询向量，全局物理特征映射为键向量与值向量，计算二者的相关性并利用sigmoid激活函数生成独立的空间门控权重图；

26、

27、利用所述生成的门控权重图对底层全局特征图进行乘性调制，并同步注入传感器语义信息，得到融合后的底层特征图：

28、

29、式中：为逐元素乘法；乘性项为恒等映射式的残差增强；加性项为物理语义向像素坐标的精准注入。

30、对所述缺陷分割模型进行训练的为：构建融合焦点损失与骰子损失的复合损失函数进行模型训练优化。

31、所述将模型分割图通过像素-物理几何映射模型映射，实现物理参数量化评估的步骤中，模型分割图通过像素-物理几何映射模型映射的方法如下：

32、定义激光选区熔化打印平台的有效成形区域尺寸为w×h，由视觉传感器捕获并经预处理后的输入图像分辨率为w×h；定义空间分辨率系数δ及单位像素面积系数；像素-物理几何映射模型的关系如下：

33、

34、

35、分割图在成形层表面的投影物理面积的计算公式为：

36、

37、式中：表示坐标处像素被判定为缺陷，反之为0。

38、对于划痕类特征跨度采用物理最大长度进行工业评估；对于凸起缺陷，通过等效物理直径对其进行量化。

39、第二方面，本发明提供一种基于通道门控与交叉注意力的增材制造铺粉缺陷识别系统，包括：

40、数据获取模块：用于获取激光选区熔化铺粉过程的多模态数据集，所述多模态数据集包括铺粉图像、多通道传感信号以及对应的缺陷标签；

41、数据预处理模块，用于分别对获取的铺粉图像执行自适应校正增强处理，对多通道传感信号进行混合归一化增强，将增强后的铺粉图像及归一化处理后的多通道传感信号对齐，并构建标准化多模态样本集；

42、双流特征提取模块：用于构建多模态双流特征提取架构，分别对标准化多模态样本集中增强后铺粉图像，以及归一化处理后的多通道传感信号进行独立编码，并行提取铺粉图像的多尺度空间特征与多通道传感信号的全局物理特征；

43、缺陷分割模块，用于将提取的多尺度空间特征与全局物理特征输入至预先训练好的缺陷分割模型中，实现铺粉缺陷分割，得到模型分割图；

44、缺陷量化评估模块：用于将模型分割图通过像素-物理几何映射模型映射，实现物理参数量化评估；

45、其中，所述缺陷分割模型包括中层通道门控模块和瓶颈层空间交叉注意力模块。

46、与现有技术相比，本发明具有如下有益效果：

47、本发明提供了一种基于通道门控与交叉注意力的增材制造铺粉缺陷识别方法及系统，包括如下步骤：获取slm设备铺粉过程多模态数据并进行增强预处理操作；完成数据集标签标定并数据划分；构建多模态双流特征提取架构，融合铺粉图像与多通道传感时序信号的互补信息，摆脱传统单一视觉模态受成形仓光照不均、视觉畸变的局限，能够精准捕捉图像难以表征的早期铺粉工艺异常特征。其次，设计中层通道门控与瓶颈层交叉注意力多层级融合机制，针对划痕、凸起两类异质缺陷实现差异化特征增强，摒弃传统简单特征拼接模式，深度挖掘跨模态语义关联与空间对应关系，有效提升微弱缺陷特征表达能力，降低样本漏检水平。同时引入焦点损失与骰子损失复合优化策略，有效缓解铺粉图像背景占比大、缺陷像素稀疏带来的样本类别不均衡问题，强化模型对低对比度细微划痕等难样本的学习能力，避免分割断裂、边缘缺失等现象。在获取预测分割图后对其建立图像像素与slm成形平台的几何映射模型，将像素级分割结果转化为缺陷实际面积、最大划痕长度、凸起等效直径等物理量化参数，能够为增材制造工艺调控和设备维护提供可靠依据。此发明方法及系统的整体模块化程度高、可拓展性强，可适应复杂工况下铺粉缺陷高精度、高可靠在位监测的实际工程需求，为在零件发生严重缺陷乃至最终报废前进行有效干预提供了关键决策支持，提升了slm工艺的稳定性和成品的合格率。