基于深度学习的三维体积相关用于高分辨率工业X射线计算机断层扫描中的增材制造
计算机视觉与模式识别
2025-10-24 v1 图像与视频处理
摘要
增材制造（AM）中的质量控制对于汽车、医疗和航空等工业领域至关重要。由收缩和变形引起的几何误差可能影响可制造件的寿命和性能。这些偏差可通过数字体积相关（DVC）来量化，该方法将计算机辅助设计（CAD）模型与制造构件的X射线计算机断层扫描（XCT）几何进行比较。然而，由于缺乏地面真值或参考变形场，两种模态之间的精确配准具有挑战性。此外，高分辨率XCT体积的极大数据尺寸使得计算困难。本文提出了一种基于深度学习的方法，用于估计CAD与XCT体积之间的体素级变形。该方法采用动态分块处理策略以处理高分辨率体积。除了Dice Score外，我们引入一种二值差异图（Binary Difference Map, BDM），用于量化二值化CAD与XCT体积之间的体素级不匹配情况，以评估配准精度。我们的方法在Dice Score上实现了9.2%的改进，在体素匹配率上实现了9.9%的改进，同时将交互时间从天数缩短为分钟。本工作为基于深度学习的DVC方法奠定了基础，可生成用于AM生产过程中闭环相关的补偿网格。由于制造过程将更加可靠和高效，节省时间和材料，这一系统将对行业具有极大吸引力。
关键词
引用
@article{arxiv.2507.07757,
title = {Deep Learning based 3D Volume Correlation for Additive Manufacturing Using High-Resolution Industrial X-ray Computed Tomography},
author = {Keerthana Chand and Tobias Fritsch and Bardia Hejazi and Konstantin Poka and Giovanni Bruno},
journal= {arXiv preprint arXiv:2507.07757},
year = {2025}
}