基于 3D U-Net 的增材制造缺陷自动体分割
图像与视频处理
2021-01-25 v1 计算机视觉与模式识别
摘要
由于缺陷对比度低、尺寸小且外观多变，在 X 射线计算机断层扫描（XCT）图像中分割增材制造（AM）缺陷具有挑战性。然而，自动分割可为增材制造提供质量控制。近年来，三维卷积神经网络（3D CNNs）在医学图像的体分割中表现良好。在这项工作中，我们利用医学成像领域的技术，提出训练一个 3D U-Net 模型来自动分割 AM 样品 XCT 图像中的缺陷。该工作不仅有助于机器学习用于 AM 缺陷检测，还首次展示了 AM 中的三维体分割。我们在一个 AM 数据集上以 3D U-Net 的三种变体进行训练和测试，取得了 88.4% 的平均交并比（IOU）值。
引用
@article{arxiv.2101.08993,
title = {Automatic Volumetric Segmentation of Additive Manufacturing Defects with 3D U-Net},
author = {Vivian Wen Hui Wong and Max Ferguson and Kincho H. Law and Yung-Tsun Tina Lee and Paul Witherell},
journal= {arXiv preprint arXiv:2101.08993},
year = {2021}
}
备注
Accepted by AAAI 2020 Spring Symposia