3D 打印中结合感兴趣区域与基于直方图增强方法的缺陷定位
图像与视频处理
2024-04-29 v1
摘要
增材制造（AM），尤其是 3D 打印，彻底改变了各个行业中复杂结构的生产。然而，确保 3D 打印物体的质量并检测缺陷仍然是重大挑战。本研究致力于通过将新颖的预处理技术（如感兴趣区域（ROI）选择、直方图均衡化（HE）和细节增强器（DE））与卷积神经网络（CNN），特别是修改后的 VGG16 模型相结合，来改善 3D 打印圆柱体中的缺陷检测。所提出的方法 ROIN、ROIHEN 和 ROIHEDEN 展示了可喜的结果，其中最佳模型在测试集上达到了 1.00 的准确率和 1.00 的 F1 分数。该研究还通过局部可解释模型不可知解释和梯度加权类激活映射探讨了模型的可解释性，增强了对决策过程的理解。此外，修改后的 VGG16 模型展现出卓越的计算效率，具有 30713M FLOPs 和 15M 参数，在所比较的模型中为最低。这些发现凸显了定制化预处理与 CNN 在增强 AM 缺陷检测中的重要性，为提高制造精度和效率提供了途径。本研究不仅推动了 3D 打印技术的发展，还突出了将机器学习与 AM 相结合以实现卓越质量控制的潜力。
引用
@article{arxiv.2404.17015,
title = {Defect Localization Using Region of Interest and Histogram-Based Enhancement Approaches in 3D-Printing},
author = {Md Manjurul Ahsan and Shivakumar Raman and Zahed Siddique},
journal= {arXiv preprint arXiv:2404.17015},
year = {2024}
}