一种激光立体成形过程检测方法及系统和应用与流程

本发明涉及智能制造领域，具体涉及一种激光立体成形过程检测方法及系统和应用。

背景技术：

激光立体成形技术是增材制造技术中的一种，也是目前唯一的增材制造技术中其直接制造的力学性能能够相当于金属材料的铸件或者锻件水平的工艺，其本质是将快速成形的原理与同步送粉激光熔覆技术相结合的激光立体成形技术。因不同的命名规则，其也被简称为lmd工艺、lmdf工艺、lens工艺或者lsf工艺。当前，基于该工艺的增材制造技术主要用途是解决复杂结构零件的制造、提高产品的极致性能，解决一些高性能、大尺寸或者高难度零件的设计加工等问题。该工艺实现过程中的稳定性和过程控制是制约最终产品性能和批量应用的关键所在。近年来，国内外众多科研机构和高校都致力于建立增材过程的检测系统及其控制方法来实现增材过程的控形控性。目前采用的主要检测手段有：ccd图像检测、红外热成像技术、原位x射线技术等技术。在2018年以来，针对增材制造过程的质量检测与控制技术成为全球的研究热点，这也促进了增材制造过程的质量控制的发展。但是在这些控制方法中，普遍存在一个致命的问题，检测过程大多是在成形完成后，也不是打印过程实时检测，而是层间检测或者完成后检测；原位x射线技术可用于在线检测，但使用成本和现场要求均很高，不适应于工业生产现场。这就导致了很难根本性的提高增材制造现场的质量水平，以及实现工业领域的大规模实际应用。

技术实现要素：

本发明目的在于提供一种激光立体成形过程检测系统及方法和天线，本发明引入了一种激光立体成过程检测系统及方法，在激光成形过程中引入了激光环境下的热态结构光检测三维形貌、熔池形貌与温度融合的智能检测系统及方法，能够实现在线实时的对激光成形过程沉积状态和质量状态进行及时分析和反馈，并对下一步的动作给出一定的指导意见。

本发明的具体技术方案为：

一种激光立体成形过程检测方法，其特征在于，包括以下步骤：

步骤1：通过设备运行状态检测装置获得各设备运行状态的工艺参数数据、通过结构光三维形貌检测装置获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，通过ccd熔池检测装置获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据，通过高温计温度检测装置获得激光立体成形过程的熔池中心点平均温度的温度数据；

步骤2:利用数据融合评价模型对热构件表面形貌数据、熔池数据、温度数据进行深度学习网络训练；深度学习网络训练包括步骤21、步骤22、步骤23；

步骤21：利用精度标签、缺陷标签、力学性能标签将热构件表面形貌数据、熔池数据、温度数据进行标签化处理获得标签化的样本数据；并对标记有缺陷的样本数据结合相互比较评价剔除明显的错误数据和误差较大的样本数据；

步骤22：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；

步骤23：利用特征融合层对步骤22获取的精度和质量特征进行融合处理，再通过平均池化层、全连接层、回归层的深度学习网络训练决策处理；

步骤3：利用数据管理系统按照采样时间点和控制时序无差别的将热构件表面形貌数据、熔池数据、温度数据与工艺参数数据、精度和质量特征进行映射存储在结构化数据中；且该结构化数据通过融合处理后深度学习网络训练决策处理获得的精度和质量特征数据与零件过程质量特征建立的关系模型。

所述精度和质量特征包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。

所述结构光三维形貌检测装置为在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测装置包括单或双数字光栅投影设备、带特定波长的线滤光片和衰减片的高速摄影成像系统、背景图像衰减和条纹增强和修复系统。

所述单或双数字光栅投影设备的光源的波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。

单或双数字光栅投影设备的光源为紫外线光源或中长红外光源，并避开963nm左右波长的光源。

针对钛合金成形时，单或双数字光栅投影设备的光源波长选择为830nm±10nm或300nm±10nm；

针对铁基高强度钢材料时，其单或双数字光栅投影设备的光源波长为300nm±10nm或中长红外光源，且高速摄影成像系统的线滤光片和衰减片的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于或等于10^-5。

铁基高强度钢材料为30crni2move或30crmnsini2a。

实现一种激光立体成形过程检测方法的系统，

包括成形过程多源异构信息实时监控装置、数据融合评价模型、数据管理系统，

所述成形过程多源异构信息实时监控装置包括：设备运行状态检测装置、结构光三维形貌检测装置、ccd熔池检测装置、高温计温度检测装置；设备运行状态监控装置：用于获得各设备运行状态的工艺参数数据；所述的结构光三维形貌检测装置:用于获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，结构光三维形貌检测装置包括单或双数字光栅投影设备、带特定波长的线滤光片和衰减片的高速摄影成像系统、背景图像衰减和条纹增强和修复系统；所述的ccd熔池检测装置:用于获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据；所述的高温计温度检测:用于获得激光立体成形过程的熔池中心点平均温度的温度数据；

数据融合评价模型：

用于对热构件表面形貌数据、熔池数据、温度数据的数据进行相互比较评价剔除明显的错误数据和误差较大的数据、再进行融合分析；

数据管理系统：

用于对过程数据进行存储管理，过程数据包括检测获得的热构件表面形貌数据、熔池数据、温度数据，过程数据还包括含有成形过程的速度数据、材料数据以及运动坐标数据的工艺参数数据，过程数据还包括融合评价模型的所有数据；

用于将热构件表面形貌数据、熔池数据、温度数据、数据融合评价模型的所有数据按照采样时间点和控制时序无差别的与工艺参数数据进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的精度和质量特征与零件过程质量特征建立关系模型。

所述数据融合评价模型包括：

标签化处理模块：用于将热构件表面形貌数据、熔池数据、温度数据进行标签化处理，使得热构件表面形貌数据、熔池数据、温度数据具有精度标签、缺陷标签、力学性能标签；

筛选模块：将具有缺陷标签的热构件表面形貌数据、熔池数据、温度数据进行结合相互比较评价剔除明显的错误数据和误差较大的数据；

特征提取模块：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；

特征融合模块：利用特征融合层将提取到的不同精度和质量特征进行融合；

决策层模块：利用平均池化层、全连接层、回归层对融合后的精度和质量特征进行深度学习网络训练决策处理。

一种激光立体成形过程检测方法的应用，

一种激光立体成形过程检测方法可应用于激光立体成形过程的前馈控制或反馈控制或自适应控制系统中；

应用时，所述的数据管理系统包括优先工艺数据库，且所述的数据管理系统能够根据所述的关系模型进行在线预测成形过程的质量演变趋势并据此推送优先工艺数据库的某组数据给成形过程控制系统优选的工艺控制参数。

为解决激光立体成形过程的成形状态的识别及质量控制等问题，本发明提供了一种激光立体成形过程检测方法及系统，所述的系统，包括ccd熔池检测、高温计温度检测、结构光三维形貌检测、数据融合评价模型、数据管理系统；所述的ccd熔池检测是对激光立体成形过程的熔池的形态、羽流和飞溅进行图像数据采集，所述的高温计温度检测是对激光立体成形过程的熔池中心点平均温度进行采集，所述的结构光三维形貌检测是对激光成形过程中零件或当前层或熔池区域及其附近的三维形貌进行数据采集，所述的数据融合评价模型是对所述的ccd熔池检测、高温计温度检测、结构光三维形貌检测的数据进行融合分析和相互比较评价剔除明显的错误数据和误差较大的数据，所述的数据管理系统是对所有的过程数据包括检测数据、成形过程的速度数据、材料数据以及运动坐标数据进行采集并按关系模型进行存储管理。

所述的ccd熔池检测、所述的高温计温度检测、所述的结构光三维形貌检测的直接数据通过深度学习方法对成形过程质量特征进行融合分析，质量特征主要包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。

所述结构光三维形貌检测，是在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测包含单或双数字光栅投影设备、带特定波长的线滤光片和衰减片的高速摄影成像系统、背景图像衰减和条纹增强和修复系统；所述的结构光三维形貌检测其投影光栅的光源波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。

所述的结构光三维形貌检测，投影光栅的光源为紫外线光源或中长红外光源，并避开963nm左右波长的光源；针对钛合金成形时，其投影光栅的光源波长选择为830nm±10nm或300nm±30nm左右，针对30crni2move、30crmnsini2a等铁基高强度钢材料时，其投影光栅的光源波长为300nm左右或中长红外光源，且高速摄影成像系统的线滤光片和衰减片的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于10^-5。

在增材制造过程中，激光与材料作用过程中会有很强的等离子体形成，熔池表面温度也在2000摄氏度左右，并伴随飞溅现象，对零件三维形貌的测量带来了很大的难度。传统的测量都是单数据测定，无法在激光作用下或热态金属表面形成三维形貌测量。

经过我们研究发现，当钛合金或铁基材料与激光作用时，发明中所述的光谱300nm左右的结构光投影源可以避开整个过程的光谱范围，因此作为结构光的使用，从而使测量激光立体成形过程的三维形貌成为可能。

由于激光立体成形过程中，其他光谱强度很高，综合光源期刊为了降低其他波段对测量用波长的干扰，本发明还采用了滤光片和衰减片，对其他光谱进行过滤和衰减，经试验，其倍率至少在10^-5。

综合采用以上措施后才能实现激光环境下或热态金属表明的直接三维形貌检测。为了实现现场的便捷实用，可以将光栅投影设备设置成多套。

所述的ccd熔池检测、所述的高温计温度检测、所述的结构光三维形貌检测、所述的数据融合评价模型的所有数据按照采样时间点和控制系统控制时序无差别的与所述的数据管理系统的坐标数据、速度数据等进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的特征数据与零件过程质量特征建立关系模型。

所述的检测系统可用于激光立体成像过程的前馈控制或反馈控制或自适应控制系统中，所述的数据管理系统包含优先工艺数据库，且所述的数据管理系统能够所述的关系模型进行在线预测成形过程的质量演变趋势并据此推送优先工艺数据库的某组数据给成形过程控制系统优选的工艺控制参数。

本发明的激光立体成形过程检测系统及方法，通过融合熔池图像、温度以及高干扰环境下的成形状态形貌数据，利用深度学习寻找与质量特征相关的潜在特征检测数据，通过融合数据评价模型和数据管理系统，实现对成形过程的质量状态和潜在变化趋势进行识别，从而稳定激光成形过程的加工状态和质量状态，获得稳定的高性能激光立体成形零件。该系统和方法解决了目前在线识别方式单一，分析质量不全面不可靠以及无法实现激光状态下和高温下形貌检测的难题，更真实更立体更直观的反映成形状态，并建立了检测数据与控制的一种可扩展和快速处理的连接方式，便于激光成形过程的在线检测与实时控制，为该技术的成熟发展和工业规模应用建立基础。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1是本发明的激光立体成形过程检测系统的组成框图。

图中：1.ccd熔池检测装置，2.高温计温度检测装置，3.结构光三维形貌检测装置,4.数据融合评价模型,5.数据管理系统。

图2是本发明实施例中激光立体成形的常见缺陷图。

图中：(a)表示中间凹陷缺陷，(b)表示成形轮廓塌陷，(c)表示高度波动不稳定状态，(d)表示成形表面粘粉现象。

图3是本发明中结构光对熔池及其附近进行测量的原理示意图。

图中：301.单或双数字光栅投影设备，302.高速摄影成像系统，303.光源，304.线滤光片和衰减片，305.熔池等测量对象。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

图1是本发明的激光立体成形过程检测系统的组成框图，图2是本发明实施例中激光立体成形的常见缺陷图。

一种激光立体成形过程检测方法，其特征在于，包括以下步骤：

步骤1：通过设备运行状态检测装置获得各设备运行状态的工艺参数数据、通过结构光三维形貌检测装置3获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，通过ccd熔池检测装置1获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据，通过高温计温度检测装置2获得激光立体成形过程的熔池中心点平均温度的温度数据；

步骤2:利用数据融合评价模型4对热构件表面形貌数据、熔池数据、温度数据进行深度学习网络训练；深度学习网络训练包括步骤21、步骤22、步骤23；

步骤21：利用精度标签、缺陷标签、力学性能标签将热构件表面形貌数据、熔池数据、温度数据进行标签化处理获得标签化的样本数据；并对标记有缺陷的样本数据结合相互比较评价剔除明显的错误数据和误差较大的样本数据；

步骤22：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；

步骤23：利用特征融合层对步骤22获取的精度和质量特征进行融合处理，再通过平均池化层、全连接层、回归层的深度学习网络训练决策处理；

步骤3：利用数据管理系统5按照采样时间点和控制时序无差别的将热构件表面形貌数据、熔池数据、温度数据与工艺参数数据、精度和质量特征进行映射存储在结构化数据中；且该结构化数据通过融合处理后深度学习网络训练决策处理获得的精度和质量特征数据与零件过程质量特征建立的关系模型。

所述精度和质量特征包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。

所述结构光三维形貌检测装置3为在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测装置3包括单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统。

所述单或双数字光栅投影设备301的光源303的波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。

单或双数字光栅投影设备301的光源303为紫外线光源或中长红外光源，并避开963nm左右波长的光源。

针对钛合金成形时，单或双数字光栅投影设备301的光源303波长选择为830nm±10nm或300nm±10nm；

针对铁基高强度钢材料时，其单或双数字光栅投影设备301的光源303波长为300nm±10nm或中长红外光源，且高速摄影成像系统302的线滤光片和衰减片304的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于或等于10^-5。

铁基高强度钢材料为30crni2move或30crmnsini2a。

实施例2

如图1所示：

实现一种激光立体成形过程检测方法的系统，

包括成形过程多源异构信息实时监控装置、数据融合评价模型4、数据管理系统5，

所述成形过程多源异构信息实时监控装置包括：设备运行状态检测装置、结构光三维形貌检测装置3、ccd熔池检测装置1、高温计温度检测装置2；设备运行状态监控装置：用于获得各设备运行状态的工艺参数数据；所述的结构光三维形貌检测装置3:用于获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，结构光三维形貌检测装置3包括单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统(其进行了窄带滤波、衰减、相位编码、增强、修复等处理，其目的是获得热体三维物理形貌)；所述的ccd熔池检测装置1:用于获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据(其获得熔池数据利用图像去噪深度学习后获得)；所述的高温计温度检测2:用于获得激光立体成形过程的熔池中心点平均温度的温度数据(其获得的温度数据采用温度波动曲线后计算)；

具体的，在对熔池图像处理时，其采用先获得多张连续熔池图像，然后平均化处理熔池图像，其对该段熔池的高度进行平均处理得到平均高度，多该段熔池的宽度进行平均处理；得到平均宽度；对该段熔池的温度进行统一数据量，然后形成标准温度。

数据融合评价模型4：

用于对热构件表面形貌数据、熔池数据、温度数据的数据进行相互比较评价剔除明显的错误数据和误差较大的数据、再进行融合分析；

数据管理系统5：

用于对过程数据进行存储管理，过程数据包括检测获得的热构件表面形貌数据、熔池数据、温度数据，过程数据还包括含有成形过程的速度数据、材料数据以及运动坐标数据的工艺参数数据，过程数据还包括融合评价模型4的所有数据；

用于将热构件表面形貌数据、熔池数据、温度数据、数据融合评价模型4的所有数据按照采样时间点和控制时序无差别的与工艺参数数据进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的精度和质量特征与零件过程质量特征建立关系模型。

所述数据融合评价模型4包括：

标签化处理模块：用于将热构件表面形貌数据、熔池数据、温度数据进行标签化处理，使得热构件表面形貌数据、熔池数据、温度数据具有精度标签、缺陷标签、力学性能标签；

筛选模块：将具有缺陷标签的热构件表面形貌数据、熔池数据、温度数据进行结合相互比较评价剔除明显的错误数据和误差较大的数据；在筛选时，利用缺陷标签，将与缺陷对应的熔池图像进行标记，从而标记为该类缺陷的熔池图像，对无缺陷的熔池图像进行标记为良好熔池图像。

特征提取模块：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；

特征融合模块：利用特征融合层将提取到的不同精度和质量特征进行融合；

决策层模块：利用平均池化层、全连接层、回归层对融合后的精度和质量特征进行深度学习网络训练决策处理。

总的来看，在本发明中，其形成了面向不同网络结构的时间、空间、图像、温度、精度、质量信息的标签化样本；在利用面向精度在线监测的回归深度网络模型、面向宏观性能在线预测回归深度网络模型、面向缺陷在线识别与诊断分类识别深度网络模型，在基于图像、温度多源信息特征融合、基于小样本标签数据迁移、基于工艺机理强化学习从而构建了多源异构监控信息驱动的深度网络模型。

其中，精度标签有表明轮廓尺寸、金相截面、表明粗糙度等，缺陷标签有为未熔、球化、不连续、过熔、空隙、参与应力等，力学性能标签(质量)有拉伸、硬度、冲击韧性强度。

所述的ccd熔池检测装置1是对激光立体成形过程的熔池的形态、羽流和飞溅进行图像数据采集，所述的高温计温度检测装置2是对激光立体成形过程的熔池中心点平均温度进行采集，所述的结构光三维形貌检测装置3是对激光成形过程中零件或当前层或熔池区域及其附近的三维形貌进行数据采集，所述的数据融合评价模型4是对所述的ccd熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的数据进行融合分析和相互比较评价剔除明显的错误数据和误差较大的数据，所述的数据管理系统5是对所有的过程数据包括检测数据、成形过程的速度数据、材料数据以及运动坐标数据进行采集并按关系模型进行存储管理。

所述的ccd熔池检测装置1、所述的高温计温度检测装置2、所述的结构光三维形貌检测装置3的直接数据通过深度学习方法对成形过程质量特征进行融合分析，质量特征主要包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。

所述结构光三维形貌检测装置3，是在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测3包含单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统；所述的结构光三维形貌检测3其光源303波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。

所述的结构光三维形貌检测装置3，其光源303为紫外线光源或中长红外光源，并避开963nm左右波长的光源；针对钛合金成形时，其光源303波长选择为830nm±10nm或300nm左右，针对30crni2move、30crmnsini2a等铁基高强度钢材料时，其投影光栅的光源303波长为300nm左右或中长红外光源，且高速摄影成像系统302的线滤光片和衰减片304的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于10^-5。

所述的ccd熔池检测装置1、所述的高温计温度检测装置2、所述的结构光三维形貌检测装置3、所述的数据融合评价模型4的所有数据按照采样时间点和控制系统控制时序无差别的与所述的数据管理系统5的坐标数据、速度数据等进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的特征数据与零件过程质量特征建立关系模型。

优选的所述的ccd熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据融合相互评价标定后可仅选择ccd熔池检测装置1和高温计温度检测装置2的数据进行特征融合并用于数据融合评价模型4、数据管理系统5的数据中，并适用于其他所有的本发明内容的使用。

优选的所述的ccd熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据融合相互评价标定后可仅选择结构光三维形貌检测装置3数据进行特征融合并用于数据融合评价模型4、数据管理系统5的数据中，并适用于其他所有的本发明内容的使用。

优选的ccd熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据也可以采用其他类似技术手段获得，如红外相机、纹影检测以及非接触轮廓仪等，然后采用本发明类似的方法来实现发明内容。

实施例3

图2是本发明实施例中激光立体成形的常见缺陷图，图3是本发明中结构光对熔池及其附近进行测量的原理示意图。

在实施例2的基础上，结构光三维形貌检测装置3可对图2所示的形貌缺陷实现在激光环境或热态物体表面的测量。其某种测量原理的实施例见图3所示。所述结构光三维形貌检测装置3，是在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；其投影所需的光源波长根据测量对象的材料和工艺特征确定；所述的结构光三维形貌检测装置3包含单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统，其中图示的304线滤光片采用窄带滤波的方法提高抗干扰性，衰减片用于去掉激光作用过程或者反射光等的高亮度对于摄像镜头的信息干扰和破坏；所述的结构光三维形貌检测3其光源303波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。

所述的结构光三维形貌检测装置3，其光源303为紫外线光源或中长红外光源，并避开963nm左右波长的光源；针对钛合金成形时，其投影光栅的光源303波长选择为830nm±10nm或300nm左右，针对30crni2move、30crmnsini2a等铁基高强度钢材料时，其光源303波长为300nm左右或中长红外光源，且高速摄影成像系统302的线滤光片和衰减片304的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于10^-5。

优选的所述的结构光三维形貌检测3可以单独使用并直接与数据融合评价模型4、数据管理系统5组成完整的检测系统并使用本发明的系统使用方法。所述的结构光三维形貌检测3的数据也可以通过深度学习等方法结合数据融合评价模型4、数据管理系统5等实现除了三维形貌以外的比如力学性能，质量状态及演变趋势等进行识别和推测。

优选的所述的结构光三维形貌检测3的数据也可直接用于基于激光成形技术的相关技术领域实现在激光环境下的形貌检测使用，也可用于激光增减材系统中的实施数据三维重构和缺陷定位，并给出减材系统所需要的三维形貌数据。

实施例4

以钛合金激光立体为例，本实施例针对钛合金激光立体成形时本发明一种激光立体成形检测系统及方法的工作过程如下：

增材制造设备或增减材制造设备工作时，钛合金粉末与激光在某个位置汇聚融合并开始沉积成形，与此同时ccd熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3等3个系统开始采集相关的数据并进行融合，额外的其中ccd熔池检测装置1与高温计温度检测装置2的数据可以独立融合，结构光三维形貌检测装置3的数据可以独立融合，采集的数据内容和发明内容说明的一致，其中，所述的ccd熔池检测装置1是对激光立体成形过程的熔池的形态、羽流和飞溅进行图像数据采集，所述的高温计温度检测装置2是对激光立体成形过程的熔池中心点平均温度进行采集，所述的结构光三维形貌检测装置3是对激光成形过程中零件或当前层或熔池区域及其附近的三维形貌进行数据采集；针对钛合金时结构光三维形貌检测装置3的投影光栅的光源采用830nm±10nm波长光源，高速摄影成像系统302的线滤光片和衰减片304的适用波长也是830nm±10nm。采集的数据根据系统时间进行采样同步控制一10ms为一个最小周期更新全部数据，并将这些数据送入到数据融合评价模型4并进行相互校正和评价，剔除无效数据和错误数据，往往系统标定好后无需该过程。采集的数据直接进入到数据融合评价模型4进行分析获取系统的特征数据，这些数据无差别的进入数据管理系统5，并结合数据管理系统5通过其他渠道获得所有的过程数据包括检测数据、成形过程的速度数据、材料数据以及运动坐标数据等，一并按关系模型进行存储管理，然后选择系统分析识别的特征数据通过深度学习的模型与质量特征(质量特征主要包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势)建立联系，并根据这些关系模型得出的结论与数据管理系统5中包含的优先工艺数据库进行匹配、分析、插值等，从而实现在线预测成形过程的质量演变趋势并据此推送优先工艺数据库的某组数据给成形过程控制系统优选的工艺控制参数。

优选的工作过程针对具体硬件情况，所述的ccd熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据融合相互评价标定后可仅选择ccd熔池检测装置1和高温计温度检测装置2的数据进行特征融合并用于数据融合评价模型4、数据管理系统5的数据中，并适用于其他所有的本发明内容的使用。优选的所述的ccd熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据融合相互评价标定后可仅选择结构光三维形貌检测装置3数据进行特征融合并用于数据融合评价模型4、数据管理系统5的数据中，并适用于其他所有的本发明内容的使用。优选的ccd熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据也可以采用其他类似技术手段获得，如红外相机、纹影检测以及非接触轮廓仪等，然后采用本发明类似的方法来实现发明内容。

本发明的激光立体成形过程检测系统及方法，通过部分或全部融合熔池图像数据、温度数据以及高温热态或强激光等复杂高干扰环境下的成形状态形貌数据等，利用深度学习寻找融合数据与质量特征相关的潜在特征检测数据，通过融合数据评价模型和数据管理系统，实现对成形过程的质量状态和潜在变化趋势进行识别，从而稳定激光成形过程的加工状态和质量状态，获得稳定的高性能激光立体成形零件。该系统和方法解决了目前在线识别方式单一，分析质量不全面不可靠以及无法实现激光状态下和高温下形貌检测的难题，更真实更立体更直观的反映成形状态，并建立了检测数据与控制的一种可扩展和快速处理的连接方式，便于激光成形过程的在线检测与实时控制，为激光立体成形技术的成熟发展和工业规模应用建立基础。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。