.png){kind=icon}
返回
A porosity prediction method for laser cladding with imbalanced multi-modal data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.optlastec.2025.112479.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
孔隙率是激光熔覆（LC）中最重要的一种缺陷；因此，在激光熔覆过程中预测孔隙率至关重要。近年来，预测过程仅基于熔池的图像或温度数据，由于单一模态数据的缺陷表征不完整，限制了预测性能。多模态方法可以结合图像和温度场，提供孔隙率缺陷更完整的表征，但这种方法受限于数据不平衡和模态间数据交互问题。本研究提出了一种新颖的多模态不平衡数据预测网络（MIDPN），该网络包含数据映射模块、特征提取模块和特征交互模块，以解决上述问题。针对数据不平衡问题，MIDPN的数据映射模块采用改进的生成对抗网络，将图像数据映射到温度场，旨在生成缺失的温度场数据以解决数据不平衡问题。在特征提取模块中，利用卷积神经网络提取熔池的图像特征和温度场特征。针对模态间数据交互问题，MIDPN为图像-温度场特征建立引导注意力机制，以促进两种模态特征的交互，并利用全连接层获取孔隙率预测结果。实验结果表明，所提出的方法在预测孔隙率方面达到了96%的准确率，优于其他方法。总体而言，本研究显著提高了孔隙率预测的可靠性，实现了更准确的激光熔覆监测质量评估，并促进了缺陷的主动预防。
Keyword:
Laser cladding
Porosity prediction
Multi-modal
Melt pool monitoring
Imbalanced data
期刊
O
IF:
5
论文数:
2.5K
被引数:
3.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Additive manufacturing in armor and military applications: research, materials, processing technologies, perspectives, and challenges装甲和军事应用中的增材制造: 研究，材料，加工技术，观点和挑战
OAAI
OAAI分享收藏DCGAN-CNN with physical constraints for porosity prediction in laser metal deposition with unbalanced data基于物理约束的DCGAN-CNN在不平衡数据下用于激光金属沉积孔隙率预测OAAI
OAAI分享收藏Identifying defects and problems in laser cladding and suggestions of some remedies for the same
PREAI
分享收藏A review of deep learning-based information fusion techniques for multimodal medical image classification基于深度学习的多模态医学图像信息融合分类技术综述OAAI
OAAI分享收藏
查看更多内容