增材制造中合成到真实的复合语义分割
计算机视觉与模式识别
2022-10-17 v1 图形学
摘要
在计算机视觉和机器学习方法应用于增材制造（AM）领域、对三维打印产品的结构元素进行语义分割，将改进实时失效分析系统，并可通过实现原位校正潜在地减少缺陷数量。本工作展示了使用基于物理的渲染生成带标注图像数据集，以及利用图像到图像翻译能力来提高 AM 系统真实图像分割精度的可能性。基于 U-Net 模型和循环生成对抗网络（cycle generative adversarial network）进行了多类语义分割实验。测试结果证明了检测三维打印零件的结构元素（如顶层、填充、外壳和支撑）的能力。还建立了利用图像到图像风格迁移和域适应技术进一步增强分割系统的基础。结果表明，在仅能以合成数据训练的模型为可用工具的情况下，将风格迁移作为域适应的前置步骤可显著改善真实三维打印图像分割。合成测试数据集的平均交并比（mIoU）分数包括：整个三维打印零件 94.90%、顶层 73.33%、填充 78.93%、外壳 55.31%、支撑 69.45%。
引用
@article{arxiv.2210.07466,
title = {Synthetic-to-real Composite Semantic Segmentation in Additive Manufacturing},
author = {Aliaksei Petsiuk and Harnoor Singh and Himanshu Dadhwal and Joshua M. Pearce},
journal= {arXiv preprint arXiv:2210.07466},
year = {2022}
}