Aug, 2024

基于衰减调整的深度学习在增材制造粉末的二维放射影像中检测孔洞缺陷

HTML
PDF
TL;DR本研究针对增材制造金属粉末中的气孔对最终产品的影响，提出了一种高效的孔隙度分析方法，旨在替代耗时的全旋转XCT扫描。通过在二维放射影像上标记孔隙像素，并结合X射线衰减模型与改进的UNet架构，本研究实现了高达11.4%的F1分数提升，该方法为增材制造提供了一种可扩展的内联孔隙度分析解决方案。
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

  • 多模式传感器融合预测DED（定向能量沉积）打印的SS316L材料件表面孔隙率

    本研究聚焦于声发射和其他多模态传感器数据在混合导向能沉积（DED）过程中的时间频率模式，以高时空分辨率（0.5毫米和<1ms）的空间为目标来进行研究。采用可解释人工智能的LIME方法，建立了AE气动波形签名与DED工艺中毛孔形成之间的定量联系。

    Apr, 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

    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。

    May, 2023

  • 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

  • 基于激光增材制造的可提示缺陷分割的无监督方法

    利用基于Vision Transformer (ViT)的基础模型和无监督聚类生成方案，构建了一个图像分割框架，将其应用于实时孔隙分割，并在没有监督微调的情况下获得较高的骰子相似系数(DSC)，从而实现了轻量级模型推理和无监督提示生成，旨在革新当前基于激光的增材制造流程，促进无缺陷生产和运营效率，并实现工业4.0的转型。

    Dec, 2023

  • 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

  • 利用分割模型估计激光粉末床熔融工艺中的孔位置信息

    本文解决了激光粉末床熔融工艺中孔洞的准确定位问题，传统方法依赖耗时的后处理步骤。我们提出了一种利用高斯核密度估计的孔洞定位方法，使分割模型能够学习原位监测数据与孔洞发生概率分布之间的关系。实验结果表明，该方法不仅能实现孔洞的精准定位，还显著减少了数据预处理需求，推动了更精确的孔洞检测系统的发展。

    Aug, 2024

  • 揭示激光粉末床熔融中的加工-性能关系：机器学习与高通量实验的协同作用

    本研究解决了增材制造中实现期望机械性能所需的实验多样性及设计框架缺失的问题。提出了一种结合高通量实验和分层机器学习的方法，揭示激光粉末床熔融过程中多个参数与力学性能之间的复杂关系。研究表明，此方法能有效优化加工参数，最大化材料的强度和延展性，对材料研究领域具有重要影响。

    Aug, 2024

  • 激光粉床熔融轨迹显微图像的自动分割与分析

    本研究针对金属增材制造过程中的熔化轨迹分析提供了一个自动化解决方案。通过应用U-Net架构的图像分割神经网络，该方法能够高效识别和测量熔化轨迹的尺寸，取得了分类准确率超过99%和F1分数超过90%的优异性能，预示着在自动化和缺陷识别领域的潜在影响。

    Sep, 2024

  • 激光粉末床熔化轨迹显微镜图像的自动分割与分析

    本研究针对金属增材制造中显微镜图像处理的需求，提出了一种基于U-Net架构的图像分割神经网络，能够自动识别和测量熔化轨迹的尺寸。该模型在62个预标注图像上训练，表现出超过99%的分类准确率和超过90%的F1分数，展现了在不同设备和用户条件下的鲁棒性，为后续增材制造工艺的优化提供了有力支持。

    Sep, 2024