金属增材制造中缺陷检测的可扩展 AI 框架
计算机视觉与模式识别
2024-11-05 v1 人工智能
机器学习
信号处理
摘要
增材制造（AM）通过实现复杂设计产品和小批量组件的高效生产，正在改变制造业。然而，通过 AM 生产的金属部件可能包含导致机械性能劣化的缺陷，包括降低的疲劳响应、屈服强度和断裂韧性。为解决这一问题，我们利用卷积神经网络（CNN）分析打印层的热图像，自动识别影响这些性能的异常。我们还研究了多种合成数据生成技术，以应对 AM 训练数据有限和不平衡的问题。我们模型在激光粉末床熔融 AM 机器上生产的镍合金 718 层图像以及添加噪声和未添加噪声的合成数据集上评估了缺陷检测能力。结果表明，合成数据显著提升了准确率，强调了扩展训练集对可靠缺陷检测的重要性。具体而言，生成对抗网络（GAN）生成的数据集在保持高性能的同时简化了数据准备流程，消除了人工干预，从而增强了缺陷检测能力。此外，我们的去噪方法有效提升了图像质量，确保了可靠的缺陷检测。最后，我们将这些模型集成到 CLoud ADditive MAnufacturing（CLADMA）模块中，这是一个用户友好的界面，以增强其在 AM 应用中的可访问性和实用性。该集成支持先进缺陷检测在 AM 流程中的更广泛采用和实际实施。
引用
@article{arxiv.2411.00960,
title = {Scalable AI Framework for Defect Detection in Metal Additive Manufacturing},
author = {Duy Nhat Phan and Sushant Jha and James P. Mavo and Erin L. Lanigan and Linh Nguyen and Lokendra Poudel and Rahul Bhowmik},
journal= {arXiv preprint arXiv:2411.00960},
year = {2024}
}
备注
29 pages