选区激光熔化技术是一种先进的数字化制造技术,其利用激光束按照已规划的路径,作用于金属粉末,使粉末熔化后凝固成形。目前,选区激光熔化技术已应用于航天、医学、军工、模具等多个领域。由选区激光熔化技术的成形过程可知,每一个成形实体都是由微小的激光作用单元熔池堆叠而成,熔池将直接影响到成形质量的好坏。因此,对选区激光熔化过程中的熔池进行监控具有重要意义。本文采用Lumasense近红外热像仪,对成形过程进行监测,实时跟踪熔池位置并获取红外图像。采用Ti-6Al-4V粉末打印40个单层熔覆道,用红外热像仪的不同测温区间记录打印过程,并对获取的红外图像预处理。结合理论分析得出熔池温度梯度分布特点,确定了红外图像中的熔池边界,提取熔池,计算出熔池宽度。之后,建立红外图像中熔池宽度与实际成形熔覆道宽度的对应关系,在新的实验组上进行验证,发现从红外图像中提取出的熔池经过映射关系得出的熔覆道宽度与实测熔覆道宽度相对误差为5%左右,表明熔池提取方法的可靠性。通过对熔池提取的研究,表明红外图像中蕴含着熔池丰富的特征信息。实际成形过程中,由于激光的快速作用,在短时间内可以捕捉到大量的熔池信息;为了高效地处理熔池信息,突破传统的红外图像处理方法,采用深度学习进行熔池特征提取并映射到成形熔覆道尺寸。为此,建立卷积神经网络模型,通过自建训练集和验证集确定模型具体参数后,输入待测试熔池红外图像,预测熔覆道宽度。模型宽度回归的决定系数为0.974,表明模型拟合度较好。其中,82.55%的测试样本的预测结果误差不超过10%,95.28%的测试样本预测结果与实测值的相对误差不超过20%,进一步证明了模型良好的预测能力。此外,分析激光功率、扫描速度及能量密度对熔覆道宽度的影响。本文通过在线监测得到红外图像,提取熔池信息,以人工智能方法高效预测成形熔覆道尺寸,对非现场测量(如:微观结构、残余应力、致密度等)具有指导作用;同时,为实现实时调节工艺参数,弥补制造过程中产生的各类缺陷,以满足实际生产需求提供重要参考。