基于 Vision Transformer 从表面热图像预测熔池深度轮廓的深度学习方法
机器学习
2024-05-21 v3 计算机视觉与模式识别
摘要
激光粉末床熔融（L-PBF）过程中产生的熔池之间重叠不足会导致未熔合缺陷，并降低机械和疲劳性能。熔池次表面形态的原位监测需要可能不易获取或难以扩展的专用设备。因此，我们引入了一种机器学习框架，将通过高速彩色成像观察到的原位双色热图像与熔池横截面的二维轮廓相关联。具体而言，我们采用混合 CNN-Transformer 架构来建立单道离轴热图像序列与通过光学显微镜测量的熔池横截面轮廓之间的相关性。在该架构中，ResNet 模型将热图像中包含的空间信息嵌入到潜在向量中，而 Transformer 模型将嵌入向量序列相关联以提取时间信息。我们的框架能够对次表面熔池结构的曲率进行建模，与解析熔池模型相比，在高能量密度状态下性能更佳。通过与相应的实验熔池观测结果进行尺寸和几何比较，评估了该模型的性能。
关键词
引用
@article{arxiv.2404.17699,
title = {Deep Learning for Melt Pool Depth Contour Prediction From Surface Thermal Images via Vision Transformers},
author = {Francis Ogoke and Peter Myung-Won Pak and Alexander Myers and Guadalupe Quirarte and Jack Beuth and Jonathan Malen and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2404.17699},
year = {2024}
}