基于深度学习的激光熔覆层表面缺陷识别研究

激光熔覆技术凭借其卓越的表面强化性能和广泛的工业应用前景，已成为制造业研究的热点。然而，熔覆过程中易出现未熔合、熔覆不均等缺陷，显著降低熔覆层的质量和性能。通过集成改进的中心损失和Softmax损失函数，增强模型对特征的区分能力与类间可分性，同时采用图像增强技术扩展数据集多样性，以提升模型的泛化性能。结果表明：双通道残差神经网络在大规模熔覆缺陷数据集上的整体识别精度超过98%，相比于业界常用的支持向量机模型，分类能力和准确性显著提升。通过引导式Grad-CAM技术进行特征可视化，清晰展示模型关注的关键缺陷区域，进一步验证其特征提取的有效性与合理性。所提出的双通道残差神经网络结合改进损失函数，为激光熔覆质量控制提供一种智能化且具有可解释性的解决方案，将在工业应用中展现出广阔的前景。