基于深度学习的飞秒激光处理镍表面结构参数的优化与跨模型验证

《Optics & Laser Technology》：Optimization and cross model validation of femtosecond laser processed nickel surface structural parameters based on deep learning

飞秒激光处理镍表面形成周期性表面结构（LIPSS），本研究提出基于深度学习的智能预测与验证框架，包含VGG19图像分类模型、参数映射模型及生成对抗网络（GAN）。VGG19模型准确识别四种表面形态，参数映射揭示激光频率、功率、扫描速度对结构的影响，速度为关键因素。GAN实现从工艺参数到表面形态的逆向预测。双路径验证实验显示生成图像分类与参数映射结果一致性达90.5%，验证了框架可靠性。该研究为激光加工工艺优化提供通用解决方案。

　　

Jukun Liu|Yong Wang|Hongwei Zhao|Jiali Yao|Fan Li|Xu Zhao

上海工业大学理学院，中国上海201418

摘要

飞秒激光可以在材料表面诱导形成纳米结构。加工条件的变化会导致多样且复杂的形态，这对精确控制表面结构提出了挑战。本研究提出了一个基于深度学习的智能预测和验证框架，用于激光诱导的周期性表面结构，旨在实现激光加工参数的准确控制以及表面形态的可预测生成。采用VGG19卷积神经网络开发了一个图像分类模型，能够准确识别四种类型的表面形态：清晰波纹、细小波纹、侵蚀和无图案。同时，参数-类别映射模型建立了激光频率、激光功率、扫描速度和结构类型之间的直接关联。Shapley加性解释（SHAP）阐明了各种参数对结构形成的影响，其中速度在所有类别中显示出最高的重要性。此外，基于深度学习的参数图像生成模型可以从加工参数正向预测表面形态图像。通过双路径验证实验，将生成的图像进行分类，并将参数直接映射到类别，结果显示在1000个随机参数样本中的一致性为90.5%，验证了整个预测框架的可靠性。

引言

表面纳米结构可以显著提高材料性能，包括强度、自清洁能力、抗雾性能和抗菌性能[1]、[2]、[3]、[4]。由于其高精度和非热效应[5]，飞秒激光已成为制造复杂结构（如微纳米纹理和纳米孔）的核心工具。在这些结构中，激光诱导的周期性表面结构（LIPSS）作为一种典型的纳米结构[6]，在光学元件设计（如优化偏振依赖的反射特性[7]）和创建生物医学抗菌表面[8]方面具有巨大潜力。然而，LIPSS的形成受到激光参数（如波长和能量密度）与材料属性（如热导率和光学吸收系数[9]）之间复杂相互作用的影响。准确预测和控制LIPSS仍然是主要挑战[6]。传统的实验方法通过单独调整参数来研究LIPSS特性，这种方法效率低下且不足以探索全部参数空间[10]、[11]，从而限制了对激光参数与表面微结构之间关系的深入理解和有效优化。

在过去十年中，深度学习方法蓬勃发展。与依赖手动特征选择的传统机器学习方法不同，深度神经网络提供了强大的非线性拟合和自动特征提取能力。它们的多层架构能够自主学习高维输入（如激光参数和显微图像）与输出表面形态之间的映射关系，有效揭示了潜在的复杂物理原理[12]、[13]。例如，Zheng等人提出了一种物理感知的训练算法，允许任何物理系统像深度神经网络一样通过反向传播进行训练，将物理动力学与深度学习建模紧密结合[14]。这种端到端的建模方法可以减少人为经验造成的偏差，并捕捉大规模参数空间内的微妙耦合关系。此外，深度学习模型提供了连续的迭代优化。随着数据的积累，预测准确性和泛化性能得到提高，为激光诱导表面形态的精确预测和控制奠定了基础[15]。

机器学习和深度学习在材料科学和激光加工中的应用最近有所增加，为探索参数空间提供了新的机会[16]、[17]。Wang等人提出了一种混合机器学习方法来优化飞秒激光诱导纳米结构的加工窗口。他们评估了PCA、LLE、t-SNE和迁移学习技术，确定VGG19迁移学习模型最为有效。随后，使用ANN、RF、DT等其他算法进行训练和预测加工结果，最终确定了最佳激光加工窗口[18]。Ye等人提出了一种结合数据驱动的深度学习和能量沉积模型的结构优化方法，用于控制硅表面的LIPSS形态。他们识别了四种类型的LIPSS，构建了一个深度学习模型，实现了98.0%的自相关性和91.9%的互相关性，并揭示了形态对能量沉积的依赖性：随着能量的增加，沟槽周期增加，而LSFL周期略有减小。该方法能够实现大面积LIPSS图案的定制，并便于在线监控[19]。Xie等人展示了无意中的激光束修改（包括平移和旋转）的量化和实时闭环反馈，能够在450纳米铜层上立即停止加工。该方法可以检测到小于相机像素分辨率的束流平移，并结合数据增强策略来最小化实验数据。同时检测平移和旋转的能力证实了可以同时识别多个激光加工参数[12]。Liu等人开发了一个增强型人工神经网络（ReANN-DAGA-EnSD），通过动态自适应遗传算法（DAGA）进行优化，以准确快速地预测激光加工中异构稀疏数据的特性。通过添加输出噪声来减轻过拟合，使用DAGA自适应优化输入参数，并通过Adam优化器加速梯度收敛。该方法通过激光切割和焊接实验得到了验证，显示出预测准确性和稳定性的显著提高[20]。总体而言，这些研究表明，机器学习和深度学习可以显著提高激光加工中参数优化的效率和准确性。

在这项研究中，我们提出了一个基于深度学习的智能预测和验证框架，以实现镍表面上飞秒激光诱导的周期性波纹的精确控制，并能够预测表面形态的生成。该框架包括三个核心模型：VGG19图像分类模型、参数映射模型和生成对抗网络（GAN）模型。VGG19模型能够准确识别表面形态类型，交叉验证准确率达到94.56%。参数映射模型建立了加工参数与结构类型之间的关系，而Shapley加性解释（SHAP）分析揭示了激光频率、功率和速度对表面结构形成的影响，表明速度是最关键的参数。GAN模型能够从加工参数准确预测表面形态图像。设计了一种新颖的双路径验证实验，其中从参数生成的图像被输入到分类模型以获得类别1，而参数直接映射到类别2。两条路径之间90.5%的高一致性证实了框架的可靠性。这项研究为表面功能化的过程优化提供了一个通用解决方案，促进了激光加工技术中智能制造的发展。

实验设置

图1展示了飞秒激光加工设置。使用飞秒激光系统（FemtoYL-100）作为光源，提供中心波长为1030纳米、重复率为25 kHz、脉冲宽度为350 fs的脉冲。激光束通过镜子反射，然后使用焦距为100毫米的透镜引导并聚焦到样品表面。在1/e²处的估计激光焦点直径约为40微米。样品定位通过

基于VGG19的分类模型结果分析

共94张SEM图像被手动标记，随后进行了k均值聚类[32]。每张图像都被分配了一个与其特定激光参数对应的标签文件。在应用k均值聚类算法之前，图像的高特征维度需要使用VGG19、MobileNetV3[33]、Resnet18 [34]和InceptionV3 [35]模型进行特征提取。特征提取后，使用k均值算法自动对图像进行聚类，然后

结论

总之，本研究提出了一个全面系统的框架，用于激光诱导表面形态的智能分类和预测，整合了基于深度学习的图像分类、概率建模和GAN。通过交叉验证，图像分类模型能够准确识别具有相似形态的各种激光加工结果。通过严格的比较分析，确定决策树算法是最有效的传统方法

CRediT作者贡献声明

Jukun Liu：撰写 – 审稿与编辑，项目管理，形式分析。Yong Wang：撰写 – 原始草稿，研究，数据管理。Hongwei Zhao：方法论。Jiali Yao：撰写 – 审稿与编辑，项目管理。Fan Li：数据管理，方法论。Xu Zhao：形式分析，监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（11804227,12304338,62374054）和上海工业大学青年发展基金（ZQ2022-9）的支持。