选区激光熔化技术是目前在金属增材制造领域中发展迅速的先进制造技术,已经在航空航天、汽车制造、生物医疗等行业获得广泛应用。该技术能够直接制造出复杂的形状和轻量化结构,这些都是传统制造工艺不具备的。但是选区激光熔化技术的可重复性不足和稳定性差的缺点阻碍了该技术的进一步的发展应用,如何提高制造零件的稳定性和质量一直是该领域的热点研究问题,尤其是对零件有高精密性要求的行业。选区激光熔化技术的制造过程包括铺粉过程、熔融过程到最后形成熔融层的过程,采用过程监测技术能够及时检测零件的内部结构成型状态,从而及时调整工艺参数避免出现质量缺陷,可有效克服选区激光熔化工艺的稳定性和可重复性不足的问题。本文采取把机器视觉技术应用到选区激光熔化制造过程的监测中,分析了制造过程中出现的常见缺陷,并研究了如何识别缺陷的方法。研究内容分为以下部分:首先,结合选区激光熔化设备组成结构和基本工作原理,分析了选区激光熔化过程中常见的缺陷类型及形成原因。然后根据实际需求筛选了合适的工业相机、镜头和光源等硬件搭建了机器视觉监测系统,对设备工作区域采取旁轴拍摄方式,并对工业相机进行标定和视角矫正;其次,对金属粉末床图像进行图像处理方法的研究。利用机器视觉监测系统采集选区激光熔化的粉末床图像,由于光照问题、采集系统拍摄角度问题以及实际设备内部环境影响,无法避免的会产生不利于图像处理的因素,因此研究工作主要使用了相应的图像处理算法来提取粉末床图像中的缺陷,主要包括基于二维伽马函数的光照不均匀平衡处理、基于方差和梯度的局部阈值分割算法、基于形态学噪声处理算法和选用霍夫变换算法处理线性缺陷;最后,通过模式识别研究了两种针对选区激光熔化技术的粉末床图像缺陷识别的方法。一方面研究采用基于形状、灰度均值、灰度方差的实现特征提取,结合C4.5算法构建决策树的缺陷识别,识别的缺陷平均准确率达到91.05%。另一方面,在AlexNet卷积神经网络的基础上,将输入层采用多尺度输入的方式,结合迁移学习实现了本文缺陷种类的识别。通过验证表明,改进的AlexNet网络在粉末床图片缺陷的识别率对碰撞条纹的线性缺陷可以达到95.92%,其中碎片缺陷的识别率为83.04%提升较大,且整体识别效率均优于原AlexNet神经网络。