ThermoPore：利用深度学习基于热图像预测零件孔隙率
计算机视觉与模式识别
2026-01-01 v1 机器学习
摘要
我们提出了一种深度学习方法，利用原位热图像监测数据，对激光粉末床熔融制备样品中的异位孔隙率进行量化和定位。我们的目标是基于构建过程中获取的热图像，构建零件的实时孔隙率图。量化任务建立在成熟的卷积神经网络模型架构之上，以预测孔隙数量；定位任务则利用新型 Video Vision Transformer 模型的空间和时间注意力机制，来指示预期孔隙率的区域。我们的孔隙率量化模型取得了 0.57 的 分数，孔隙率定位模型产生了 0.32 的平均 IoU 分数以及 1.0 的最大值。这项工作为基于增材制造监控数据的零件孔隙率“数字孪生”奠定了基础，并可在下游应用于减少零件鉴定与认证过程中耗时的后期检查和测试活动。此外，我们旨在通过对原位过程监控数据进行机器学习分析，加速获取通常只能通过异位零件评估才能获得的关键见解。
引用
@article{arxiv.2404.16882,
title = {ThermoPore: Predicting Part Porosity Based on Thermal Images Using Deep Learning},
author = {Peter Myung-Won Pak and Francis Ogoke and Andrew Polonsky and Anthony Garland and Dan S. Bolintineanu and Dan R. Moser and Michael J. Heiden and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2404.16882},
year = {2026}
}