基于AI的粉末床增材制造逐层异常检测和分类

www.amreference.com

为了提高金属粉末床增材制造技术的工业可接受度，很多厂家目前推出了在线监测模块来检查制造过程中的异常情况，如刮刀碰撞、粉末铺设不均、飞溅以及孔隙等等。然而，这些实时监控的尝试还没有实现足够的自动化，在分析生产过程中收集的数据方面，还集中于将完成的零件与3D模型进行比较。这种方法确实很简单，但却非常耗时，而且只能识别打印对象中的“一般缺陷”。

来自美国橡树岭国家实验室的研究人员近期开发了一款基于神经网络的程序，它可以对从设计、材料选择、打印到测试的整个过程的每个步骤收集和分析数据，实时评估零件质量。

研究人员使用基于神经网络的程序监视和分析3D打印的组件

该算法的主要优点还在于，它能够以传感器的原始分辨率反馈粉末床的逐层成像数据，并且能够分析和共享多台3D打印机上的数据，实现一个系统能够从另一个系统遇到的打印错误中学习的效果。

研究人员分别在SLM、3DP和EBM三种工艺、不同品牌的九台打印机上进行了实验，证明该算法在定位精度、准确性、计算时间和通用性方面，远远优于以前的算法。

在过去十年中，很多设备商和研究机构已经针对粉末床增材制造过程的逐层异常检测进行了大量研究。许多努力集中在开发改良传感方式上，如使用闪光灯来更好地拍摄粉末床、采用条纹投影技术来恢复深度信息以及采用高分辨率扫描仪等等。但是，开发成像系统只是挑战的一部分。对于用户来说，无论采用何种数据源，都应该可以自动检测异常，才能满足应用端对质量和过程控制的需求。

体系结构的图形表示

此前关于异常检测和分类的方法有明显的局限性，如粗大的异常定位分辨率、极少的异常类别以及缺乏对其他粉末床工艺的通用性。ORNL的深度学习算法基于神经网络动态识别，（知识补充：在计算机视觉领域，目前神经网络的应用主要有图像识别，目标定位与检测，语义分割。图像识别就是告诉你图像是什么，目标定位与检测告诉你图像中目标在哪里，语义分割则是从像素级别回答上面两个问题）能够满足几个关键要求：

1. 模型预测和异常分类必须足够快地反馈，以提供实时信息，即使使用的是高分辨率相机。

2. 语义分割必须始终在成像传感器的原始分辨率下逐像素实现（语义分割更详细的可以解释是从像素的角度分割出图片中的不同对象）。

3. 由于任何一台单独机器的训练数据都可能受到限制，因此从一台3D打印机器获取的数据知识必须能够在完全不同的粉末床机器和成像系统之间跨技术快速转移。

4. 该算法必须自然地支持来自多个成像系统或其他空间相关的感应模态的数据融合。

实际打印零件和深度学习算法检测到的异常对比

是否采用共享学习下的铺粉效果和灰尘识别对比

测试的结果令人满意，实现了以下几个目标：

1. 在台式计算机上，分层分割时间为0.5s-2.4s，结果反馈的速度足够快，可以实时分析所有已探查机器类型的现场数据。

2. 在每个成像系统的原始分辨率下，可以按像素提供异常分类，定位精度往前迈进了一大步。

3. 该算法已成功在九种不同粉末床3D打印机上进行了演示，这些机器涵盖了三种不同的技术。此外，探索的成像系统包括可见光、中红外和近红外相机，有效分辨率范围为20μm至290μm。重要的是，所开发的深度学习算法允许在不同的粉末床机器之间无缝传输学习的知识，从而减少了与每个单独机器相关的数据收集和手动数据标记负担。

此外，研究人员发现新型的深度学习算法在异常类别的鉴别方面相比以前的算法实现了更低的误报率，七个类别中的四个类别的误报率下降了25%以上。此外，逐层分类的时间减少了12倍，而改进的定位能力和融合后图像的加入可以识别更多类型的缺陷。

ORNL已使用其算法来优化3D打印反应堆的生产

不过，该算法对于不同工艺之间的转移学习的预测准确性还有待提高。该团队评估了GE Additive ConceptLaser M2和ExOne Innovent系统之间共享的数据后，算法在缺陷识别遗失率方面的表现，发现共享过数据的系统的缺陷遗失率是未共享数据系统的16％。这表明训练确实起到了作用，但这种效果还不足够好。使用Arcam Q10增材制造系统打印的零件的真实孔隙率为78.4％，但是如果对图像进行分析，孔隙率则会上升至89.5％。

该算法的性能在很大程度上取决于其输入数据，如果捕获的图像不能清楚的展现打印部分的异常，则该软件不太可能被标记出来。

但无论如何，ORNL基于神经网络动态识别的算法在增材制造过程实时监控方面确实取得了非常大的进步。随着监控系统的发展，研究人员能够将图像数据与来自其他来源的数据(如打印机的日志文件、激光系统和操作员注释)组合在一起，可以更好的识别零件缺陷，并跟踪和评估所有零件的统计信息。