基于图神经网络的增材制造原位异常检测
计算机视觉与模式识别
2023-05-05 v1 机器学习
图像与视频处理
摘要
在金属增材制造中,由于可能导致缺陷形成的稀有事件,将设计转化为高质量产品是一项挑战。然而,原位检测这些事件可降低检测成本、支持纠正措施,并且是迈向未来定制化材料性能的第一步。本研究在激光输入信息上训练模型以预测名义激光熔化条件。随后通过预测值与新观测值之差计算异常分数。该模型在含已知缺陷的数据集上评估,取得 0.821 的 F1 分数。本研究表明异常检测方法在开发鲁棒缺陷检测方法中是重要的工具。
引用
@article{arxiv.2305.02695,
title = {In-situ Anomaly Detection in Additive Manufacturing with Graph Neural Networks},
author = {Sebastian Larsen and Paul A. Hooper},
journal= {arXiv preprint arXiv:2305.02695},
year = {2023}
}
备注
5 pages, 3 figures, published in ICLR 2023 workshop on machine learning for materials (ML4Materials)