基于深度卷积神经网络实现增材制造过程可靠质量监控系统的可行性研究
计算机视觉与模式识别
2020-03-20 v1 材料科学
机器学习
图像与视频处理
机器学习
摘要
增材制造（AM）是智能工业的关键组成部分。在本文中，我们提出了一种使用深度卷积神经网络（CNN）模型的 AM 过程自动质量分级系统。该 CNN 模型使用材料逐层沉积中内部与表面缺陷的图像进行离线训练，并通过研究在不同挤出机速度与温度下检测和分类 AM 过程故障的性能进行在线测试。该模型在五等级实时打印过程质量分类中达到了 94% 的准确率与 96% 的特异度，且在 F 分数、灵敏度与精确率的三个分类器指标上均高于 75%。所提出的在线模型为 AM 过程增添了一种自动化、一致且非接触的质量控制信号，消除了零件完全构建后的人工检验。该质量监控信号也可由机器通过实时调整参数来建议补救措施。所提出的质量预测模型可作为任一类型 AM 机器生产可靠零件且减少质量异常并限制时间与材料浪费的概念验证。
引用
@article{arxiv.2003.08749,
title = {Toward Enabling a Reliable Quality Monitoring System for Additive Manufacturing Process using Deep Convolutional Neural Networks},
author = {Yaser Banadaki and Nariman Razaviarab and Hadi Fekrmandi and Safura Sharifi},
journal= {arXiv preprint arXiv:2003.08749},
year = {2020}
}