离焦也能识别！深度学习实现飞秒激光纹理加工在线异常预警

摘要

激光表面纹理加工（LST）能够赋予表面着色、摩擦调控、疏水性等多样化功能。加工条件对激光参数、工件材质、环境扰动十分敏感，很容易出现加工质量漂移。 激光与材料相互作用会产生发光信号，本文利用光谱仪采集飞秒激光加工 316L 不锈钢过程的发光光谱信号，构建两种深度学习监测方案。相关数据集、训练模型全部开源公开。

方案一：监测加工输入条件—— 激光通量与光斑重叠率，模型预测通量决定系数，重叠率。方案二：监测加工输出结果—— 纹理表面灰度等级，模型预测平均误差占全灰度量程 11%。

研究还模拟实际加工中的激光离焦缺陷，验证模型抗干扰鲁棒性。通过光谱消融分析发现，激光本身波长信号是工艺监测最重要信息源，等离子体光谱同样具备参考价值。研究表明未来可以用少数光电二极管替代昂贵光谱仪，搭建低成本在线监测系统。

研究主要亮点

1. 采集激光加工过程发光信号，使用光谱仪完成过程信号在线采集；  

2. 利用光谱‑时间序列数据完成深度学习模型训练与性能评估；

3. 两套模型分别实现：加工工艺条件在线监测、纹理表面灰度效果在线评估； 

4. 人为引入激光离焦缺陷，验证模型在非理想工况下的鲁棒性能； 

5. 证实激光波长是工艺监测最重要光谱信息，为低成本光电二极管监测系统指明方向； 

6. 全部数据集、模型、代码开源，可直接复用。

图 1 激光纹理加工实验平台实拍图。(a) 加工平台前面板；(b) 光谱仪光纤布置方式；(c) 沿着光谱仪光纤视角观察加工区域。

图 2 光谱信号示例。(a) 单次采集光谱，包含等离子体辐射、热辐射、激光背向散射信号；(b) 原始光谱‑时间二维数据示例。

图 3 样品放置示意图。(a) 对焦状态数据集；(b) 离焦状态数据集（样品偏移 500 μm 模拟加工缺陷）。

图 4 316L 不锈钢样品板。(a) 同一激光通量下，不同重叠率加工得到的纹理阵列；(b) 纹理方块划分，区分训练集、测试集样本。

图 5 数据集参数分布。(a) 数据集所使用重叠率、激光通量；(b) 冲击密度与通量分布；(c) 加工扫描速度与调制激光功率；(d) 重叠率与冲击密度对应关系；(e) 2 个脉冲、3 个脉冲作用光斑重叠示意图。

图 6 样品纹理灰度表征。(a) 两组不同通量加工的样品板；(b) 50%、96%、99% 重叠率下 5 倍显微镜微观形貌，标注平均灰度等级。

图 7 本研究使用的参数化 ResNet 残差网络架构，输入为光谱‑时序二维数据。

图 8 灰度热力映射图。(a) 激光对焦条件下测得样品灰度；(b) 激光离焦条件测得样品灰度。

图 9 方案一（工艺参数预测）模型结果。训练集 (a,d)；对焦测试集 (b,e)；离焦数据集 (c,f)；分别展示激光通量 F、冲击密度 σ 预测性能。

图 10 方案二（灰度等级预测）模型结果。(a) 训练集；(b) 对焦测试数据集；(c) 离焦数据集，对比模型预测灰度与实际真值灰度。

图 11 光谱消融实验结果。(a‑b) 工艺参数预测模型；(c‑d) 灰度预测模型；(b)(d) 为纵坐标放大视图，评估不同波长对模型预测精度影响。

图 12 离焦对激光光斑能量分布影响示意图。

图 13 灰度预测结果对比。(a‑d) 对焦数据集：实测灰度、模型预测灰度、相对误差、绝对误差；(e‑h) 离焦数据集：实测灰度、模型预测灰度、相对误差、绝对误差热力图。

图 14 消融实验对比，光谱窗口取总光谱范围 1/40、1/20 时模型性能。(a‑b) 工艺参数预测模型；(c‑d) 灰度等级预测模型；(b)(d) 放大 300‑600 nm 区间纵坐标。