基于熔池图像流的打印轨迹异常分类中关键时空学习器的评估
机器学习
2023-08-30 v1 人工智能
计算机视觉与模式识别
摘要
机器学习在金属增材制造(MAM)中的近期应用已展现出解决MAM技术广泛采用关键障碍的巨大潜力。该领域的近期研究强调了利用熔池特征进行实时缺陷预测的重要性。尽管高质量熔池图像数据有望实现精确预测,但利用可挖掘增材制造过程固有瞬态与序列特征的尖端时空模型方面探索有限。本研究引入并实践了若干领先的深度时空学习模型,可适用于源自不同材料、系统与应用的熔池图像流分类。具体而言,研究了由空间与时间双流组成的双流网络、循环空间网络以及因子化3D卷积神经网络。利用基于真实过程场景的数据扰动技术,考察了这些模型在熔池图像数据受扰动时的泛化能力。所实现的架构展现出捕获熔池图像序列时空特征的能力。然而,其中仅被归类为双流网络的Kinetics400预训练SlowFast网络在数据扰动下表现出鲁棒泛化能力。
引用
@article{arxiv.2308.14861,
title = {Evaluation of Key Spatiotemporal Learners for Print Track Anomaly Classification Using Melt Pool Image Streams},
author = {Lynn Cherif and Mutahar Safdar and Guy Lamouche and Priti Wanjara and Padma Paul and Gentry Wood and Max Zimmermann and Florian Hannesen and Yaoyao Fiona Zhao},
journal= {arXiv preprint arXiv:2308.14861},
year = {2023}
}
备注
This work has been accepted to IFAC for publication under a Creative Commons Licence CC-BY-NC-ND