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

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

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

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

通过提出新方法准确地将原位数据映射到三维几何形状，以减少存储量，并引入多个新的红外特征用于缺陷检测或工艺模型校准，该研究展示了不同红外特征能够检测到的工艺缺陷和异常。

Jul, 2024

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

本研究解决了传统熔池温度监控方法速度慢且依赖手动数据处理的问题。我们提出的双目模型通过深度学习技术，能够以高达750帧每秒的速度，将原始数据精确转换为温度图，并显著提高了处理效率和准确度。这一成果为金属增材制造中的在线温度监测提供了新的解决方案，从而推动该领域的进步。

Aug, 2024

本研究针对金属增材制造中的熔池温度监测问题，提出了一种基于人工智能的深度学习模型“双目模型”，旨在减少对人工数据处理的依赖，提高数据到洞察的转化效率。研究结果显示，该模型能够以每秒750帧的速度处理数据，温度估计的准确率达到0.95 R平方分数，显著提升了实时监测的效率与精度。

Aug, 2024

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

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