TDIP: 可调深度图像处理，实时熔池监测解决方案

Mar, 2024

TDIP: 可调深度图像处理，实时熔池监测解决方案

TDIP: Tunable Deep Image Processing, a Real Time Melt Pool Monitoring Solution

Javid Akhavan, Youmna Mahmoud, Ke Xu, Jiaqi Lyu, Souran Manoochehri

TL;DR在工业 4.0 时代，3D 打印成型工艺作为一种创新且具有成本效益的方法，特别是金属 3D 打印，因其制造高度复杂几何结构的能力而成为重要的贡献者。然而，该行业仍然缺乏实时的过程监控算法。本文提出了可调谐深度图像处理方法（TDIP）来解决实时数据密集型监测需求，并取得了显著的处理时间减少，使得基于视觉的监控能够与过程及质量估计实时集成。

Abstract

In the era of Industry 4.0, additive manufacturing (AM), particularly metal AM, has emerged as a significant contributor due to its innovative and cost-effective approach to fabricate highly intricate geometries. Despite its potential, this industry still lacks real-time capable proces

additive manufacturing metal am process monitoring algorithms melt pool signatures tunable deep image processing

发现论文，激发创造

利用熔池图像流评估用于印迹异常分类的关键时空学习器

机器学习在金属增材制造中的应用研究表明，利用熔池特征进行实时缺陷预测是解决普及金属增材制造技术的关键障碍之一，本研究实践了基于新颖时空模型的深度学习，用于分类来自不同材料、系统和应用的熔池图像序列，并发现只有 Kinetics400 预训练的 SlowFast 双流网络能够在数据扰动下具备鲁棒的泛化能力。

Aug, 2023

深度神经算子支持的增材制造数字孪生建模

通过构建数字孪生模型，利用深度神经算子和深度学习模型，结合高精度计算模型解决熔池状态和缺陷预测的问题，并通过优化算法控制激光输入来提高增材制造的质量。

May, 2024

重新思考深度图像先验去噪

通过有效自由度的分析和 “随机时间组合” 方法，我们扩展了 “深度图像先验” 的应用，特别针对去噪问题提出了优化的方案，在保留图像文本细节的同时，性能表现优于以前的方法。

Aug, 2021

工业生产存储区的控制与自动化：基于图像处理的最佳路线生成

该研究论文基于数码图像处理技术，采用新级联方法、优化指南，并结合 OpenCV 库和 PLC 连接，设计实现了一套仓库区域自动化系统，通过物体分割和流网络优化生成最佳路径，以减少过程不效率、人力投入和资源不当等问题。

Mar, 2024

基于视觉 Transformer 的熔池深度轮廓预测的深度学习方法

用机器学习框架将高速彩色成像下的热像与熔池横截面轮廓进行相关联，以模拟超声成像所观察到的熔池亚表面形态，并通过与实验熔池观察结果进行比较评估性能。

Apr, 2024

MeltpoolNet: 金属添加制造中的熔池特征预测，使用机器学习

本文引入了一个全面的机器学习框架，利用物理感知型的 MAM 特征化、多功能机器学习模型和评估指标，预测熔池缺陷和几何形状，为熔池控制和工艺优化提供了基础。此外，还发现了基于数据驱动的显式模型，用于从工艺参数和材料性质估算熔池几何形状。

Jan, 2022

低成本高保真融池模型在增材制造中的应用：基于生成式深度扩散的方法

通过开发基于概率扩散框架的生成性深度学习模型，我们实现了低保真度、粗粒度模拟信息向高保真度对应物的映射，无需进行多次高保真度模拟分析，代之以放大轻量级粗网格模拟。我们通过实现一个二维扩散模型，将粗粒度模拟的熔池横截面空间放大到高保真度的等效尺寸，展示了熔化过程的关键度量，如温度场、熔池尺寸和关键孔造成的变异性在真实模拟数据和扩散模型输出之间的保持，并在低保真度输入数据的基础上预测了 3 微米的熔池深度，比高保真度模拟降低了两个数量级的分析时间。

Nov, 2023

基于模型的深层图像先验的定量易感性映射

基于模型的深度图像先验 (MoDIP) 是一种新颖的训练无关的无监督方法，利用小型未经训练的网络和数据保真度优化模块来解决变化扫描参数下定量磁化率成像 (QSM) 中的偶极反转问题。实验证明，MoDIP 在解决不同扫描参数下的 QSM 偶极反转中具有很好的泛化能力，对于病理性脑 QSM 的鲁棒性提升了超过 32% 的准确度，比受监督深度学习和传统迭代方法提高了 33% 的计算效率并且运行速度比常规的基于 DIP 的方法快 4 倍，使得 3D 高分辨率图像重建在 4.5 分钟内完成。

Aug, 2023

3D 打印时间序列数据分类方法评估

本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

Oct, 2020

深度图像先验分析与图像重建中的自引导利用

通过分析深度图像先验（DIP）的训练动态，我们揭示了 DIP 基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统 DIP 和现代监督方法，并且在图像修补中也优于之前基于 DIP 的方案。

Feb, 2024