基于热成像的定向能量沉积熔池原位表征与使用 Vision Transformer 的缺陷检测
计算机视觉与模式识别
2025-02-12 v2
摘要
定向能量沉积 (DED) 在制造复杂和多材料零件方面具有巨大潜力。然而，孔隙和裂纹等内部缺陷可能会损害机械性能和整体性能。本研究重点关注与孔隙率相关的熔池原位监测和表征，旨在改善 DED 打印零件的缺陷检测和质量控制。传统的用于缺陷识别的机器学习方法依赖于大量标注数据集，而在实际制造中生成这些数据集通常稀缺且昂贵。为了解决这个问题，我们的框架使用基于 Vision Transformer 的掩码自编码器 (MAE) 对未标记的熔池数据进行自监督学习，以产生具有高度代表性的嵌入。这些微调后的嵌入通过迁移学习被利用，在有限的标注数据集上训练分类器，从而能够有效识别熔池异常。我们评估了两种分类器：(1) 利用微调后的 MAE 编码器参数的 Vision Transformer (ViT) 分类器，以及 (2) 结合了 MLP 分类头的微调后的 MAE 编码器。我们的框架实现了 95.44% 到 99.17% 的总体准确率和超过 80% 的平均 F1 分数，其中 ViT 分类器的表现略优于 MAE 编码器分类器。这证明了我们的方法在 DED 自动质量控制中的可扩展性和成本效益，能够以最少的标注数据有效检测缺陷。
引用
@article{arxiv.2411.12028,
title = {In-Situ Melt Pool Characterization via Thermal Imaging for Defect Detection in Directed Energy Deposition Using Vision Transformers},
author = {Israt Zarin Era and Fan Zhou and Ahmed Shoyeb Raihan and Imtiaz Ahmed and Alan Abul-Haj and James Craig and Srinjoy Das and Zhichao Liu},
journal= {arXiv preprint arXiv:2411.12028},
year = {2025}
}