使用三维无监督和深度监督神经网络进行增材制造零件孔隙率调查的体素级分类

May, 2023

使用三维无监督和深度监督神经网络进行增材制造零件孔隙率调查的体素级分类

Voxel-wise classification for porosity investigation of additive manufactured parts with 3D unsupervised and (deeply) supervised neural networks

PDF

Domenico Iuso, Soumick Chatterjee, Jan De Beenhouwer, Jan Sijbers

TL;DR本研究使用 3D-patch pipeline，以可接受的计算要求，改进并扩展了最近的有监督和无监督 DL 模型，以处理 AM 样本的孔隙率分析。最好的受监督模型是 MSS-UNet，平均精度为 0.808±0.013；最好的无监督模型是后处理的 ceVAE，平均精度为 0.935±0.001。VAE/ceVAE 模型表现出卓越的功能，特别是在利用后处理技术时。

Abstract

additive manufacturing (AM) has emerged as a manufacturing process that allows the direct production of samples from digital models. To ensure that quality standards are met in all manufactured samples of a batch, X-ray computed tomography (X-CT) is often used combined with automated a

additive manufacturing x-ray computed tomography deep learning porosity analysis 3d-patch pipeline

发现论文，激发创造

带有 3D U-Net 的自动增材制造缺陷容积分割

本文基于医学成像领域的技术，提出使用 3D U-Net 模型自动分割 AM 样本的 XCT 图像中的缺陷，该方法最终在 AM 数据集上取得了 88.4% 的均交并比（IOU）结果，为 AM 缺陷检测和 3D 体积分割提供了新思路。

Jan, 2021

ThermoPore: 基于热像的深度学习预测零件多孔性

使用深度学习方法基于热图像进行反演定位激光粉床熔化成型制件外置孔隙率，该研究的目标是建立基于成型过程中获得的热图像的实时孔隙分布图。通过卷积神经网络模型来预测孔隙计数和通过视频视觉 Transformer 模型的时空注意机制来指示预期孔隙存在的区域。本研究在添加制造监测数据上奠定了基于部件孔隙率的 “数字孪生” 的基础，可以用于减少部件质量认证过程中耗时的后期检测和测试工作。此外，我们通过对成型过程监测数据的机器学习分析，希望加快获得通常仅通过外置部件评估获得的重要洞察。

Apr, 2024

表面缺陷检测的混合监督：从弱监督到全监督学习

本研究提出了一种基于深度学习的表面缺陷检测方法，通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注，实现了注释成本的降低，同时取得了在工业质量检验几个数据集上的最优结果。

Apr, 2021

基于深度学习的钛涂覆镍丝 4D 时空 X 射线微 CT 多孔性语义分割

使用卷积神经网络对钛涂覆的镍线中 Kirkendall 气孔的体积分数进行了测量，预测了不同类型的气孔在均质化过程中的体积分数变化并通过分割模型对其进行了语义分割。

Jun, 2023

高准确率和节省成本的主动学习 3D WD-UNet 用于气道分割

我们提出了一种新颖的深度主动学习模型 - 3D Wasserstein 鉴别 UNet（WD-UNet），用于减少医学 3D 计算机断层扫描（CT）分割的注释工作量。我们的方法可以嵌入不同的主动学习策略和不同的网络结构，通过使用不确定性度量作为查询策略的输入参数，可以获得比一些最先进的监督式深度学习模型更准确的预测结果，并且节省了标注成本。

Oct, 2023

自监督上下文学习用于工业缺陷的视觉检测

本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

Nov, 2023

使用生成对抗神经网络重建三维多孔介质

通过神经网络生成的隐式描述概率分布的三维图像数据集，我们成功地比较了不同尺度多孔介质的特性，并发现对比传统的图像重建随机方法，此隐式表示的数据分布可以快速存储并重复生成多个孔隙结构的实现。

Apr, 2017

基于自编码器的制造质量控制与无监督类别选择

基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。

Sep, 2023

ssVERDICT: 自主学习的 VERDICT-MRI 用于提升前列腺肿瘤特征的表征

利用自我监督深度神经网络（DNN）对前列腺癌（PCa）的 VERDICT 模型进行参数估计，首次实现了复杂的三室分生物物理模型的无监督学习，相比传统方法具有更高的估计准确性、减少的偏差以及更高的癌变组织鉴别置信水平。

Sep, 2023

基于大规模未标注数据预训练的基础模型用于三维医学图像分割

本研究提出了一种名为 Volume Fusion (VF) 的自监督学习策略，结合多个随机补丁，采用预定义的融合系数融合前景子卷和背景子卷，无需手动注释地预训练 3D CT 体数据的分割模型，结果表明该方法表现优于其他基于自监督训练和分割模型的方法。

Jun, 2023