Aug, 2024

用于激光增材制造的基于机器学习的原位监测的音视频跨模态知识迁移

HTML
PDF
TL;DR本文研究了激光增材制造过程中的原位监测问题，提出了一种跨模态知识迁移（CMKT）方法，以提高监测准确性并降低硬件与计算成本。通过建立语义对齐和映射方法，本研究在不使用音频传感器的情况下，实现98.4%的准确率，展现了CMKT在多模态监测中的潜力和价值。
发现论文，激发创造
  • 基于图神经网络的增材制造现场异常检测

    本研究使用激光输入信息训练模型，预测名义激光熔化条件并计算异常得分以检测制造缺陷，显示异常检测方法是开发可靠的缺陷检测方法的重要工具。

    May, 2023

  • 基于CNN视觉处理的增材制造缺陷分类

    本文考察了在增材制造过程中利用计算机视觉和原位监测技术获取大型数据集的可能性，并使用卷积神经网络和主动学习技术对其进行分类和优化，形成可减小数据量与需求的人机协作模型。

    Jul, 2023

  • 基于数据驱动的增材制造知识的可转移性分析：粉末床熔化和定向能量沉积之间的案例研究

    通过三步骤的知识可转移性分析框架，提出了一种支持数据驱动式增材制造知识转移的方法，该方法能够在不同的增材制造技术之间进行知识转移，包括数据表示、模型架构和模型参数等方面，为实现高效的跨环境或跨过程知识交流奠定了基础。

    Sep, 2023

  • 可加工制造领域可用数据集的系统综述

    使用机器学习的视觉和其他传感器技术在增材制造过程中进行现场监测，收集大量数据集，用于确定制造输出的质量和检测缺陷。通过系统回顾，发现在增材制造领域存在影响质量评估和缺陷检测的开放图像数据集的可用性问题。

    Jan, 2024

  • LLM-3D打印：利用大型语言模型监控和控制3D打印

    本研究解决了3D打印过程中材料挤出技术容易出现错误的问题，以及目前自动错误检测模型通用性不足的缺陷。论文提出了一种监控和控制框架，结合预训练的大型语言模型（LLMs），能够通过分析打印后图像有效识别缺陷并自动生成纠正措施。研究发现，该框架不仅能准确识别常见的3D打印错误，还能自主解决问题，减少对人力资源的依赖。

    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

  • 无监督多模态融合过程传感器数据以提升先进制造过程监测

    本研究解决了在缺乏标记数据的情况下，高维多模态数据解读的挑战。通过借鉴对比学习技术，提出了一种新颖的多模态传感器数据融合方法，能够压缩并关联不同数据模态，以提高制造过程的监控能力。实验结果显示，该方法在先进制造系统中能够有效增强过程监测的能力，为智能制造提供了一种灵活且可扩展的架构。

    Oct, 2024

  • JEMA：一种用于多模态对齐的可扩展共同学习的联合嵌入框架

    本文提出了JEMA（多模态对齐的联合嵌入），这是一个针对激光金属沉积（LMD）的新型共同学习框架，旨在解决工业应用中数据有限及AI应用模糊的问题。JEMA通过利用多视角图像和过程参数等多模态数据，采用监督对比损失函数实现稳健学习和过程监控，显著提高了模型的可扩展性和性能，促进了LMD领域的多样化下游任务。

    Oct, 2024

  • 金属增材制造缺陷检测的可扩展人工智能框架

    本研究针对金属增材制造中存在的缺陷问题，通过卷积神经网络（CNN）分析打印层的热图像，自动识别影响机械性能的异常。研究表明，使用生成对抗网络（GAN）生成的合成数据能够显著提高缺陷检测的准确性，同时，所提出的去噪方法有效提升了图像质量，确保了可靠的缺陷检测。这一工作最终集成在CLADMA模块中，增强了先进缺陷检测技术在增材制造中的可接受性和实用性。

    Nov, 2024