一种基于Segment Anything的无监督可提示缺陷分割方法用于激光增材制造

基础模型目前正在推动包括生物学、天文学和机器人学等各个领域计算机视觉任务的范式转变，利用用户生成的提示来提升其性能。在激光增材制造（LAM）领域，基于图像的精确缺陷分割对于确保产品质量和实现实时过程控制至关重要。然而，此类任务通常面临多重挑战，包括缺乏标签和需要低延迟推理等。孔隙是LAM中因熔合不足、气体滞留和锁孔效应导致的常见缺陷，直接影响抗拉强度、刚度和硬度等力学性能，从而损害最终产品的质量。为解决这些问题，我们构建了一个基于最先进的Vision Transformer（ViT）基础模型（Segment Anything Model）的图像分割框架，并采用一种新颖的基于无监督聚类的多点提示生成方案。利用我们的框架，我们在激光粉末床熔融（L-PBF）案例研究中进行了孔隙分割，在未使用任何标签数据指导提示调优过程的情况下获得了高精度。通过利用轻量级基础模型推理与无监督提示生成的结合，我们设想构建一个实时异常检测流水线，该流水线可能彻底改变当前的激光增材制造工艺，从而促进向工业4.0的转变，并推动无缺陷生产及运营效率的提升。