為了提高金屬粉末床增材制造技術(shù)的工業(yè)可接受度，很多廠家目前推出了在線監(jiān)測(cè)模塊來(lái)檢查制造過(guò)程中的異常情況，如刮刀碰撞、粉末鋪設(shè)不均、飛濺以及孔隙等等。然而，這些實(shí)時(shí)監(jiān)控的嘗試還沒有實(shí)現(xiàn)足夠的自動(dòng)化，在分析生產(chǎn)過(guò)程中收集的數(shù)據(jù)方面，還集中于將完成的零件與3D模型進(jìn)行比較。這種方法確實(shí)很簡(jiǎn)單，但卻非常耗時(shí)，而且只能識(shí)別打印對(duì)象中的“一般缺陷”。

來(lái)自美國(guó)橡樹嶺國(guó)家實(shí)驗(yàn)室的研究人員近期開發(fā)了一款基于神經(jīng)網(wǎng)絡(luò)的程序，它可以對(duì)從設(shè)計(jì)、材料選擇、打印到測(cè)試的整個(gè)過(guò)程的每個(gè)步驟收集和分析數(shù)據(jù)，實(shí)時(shí)評(píng)估零件質(zhì)量。

研究人員使用基于神經(jīng)網(wǎng)絡(luò)的程序監(jiān)視和分析3D打印的組件

該算法的主要優(yōu)點(diǎn)還在于，它能夠以傳感器的原始分辨率反饋粉末床的逐層成像數(shù)據(jù)，并且能夠分析和共享多臺(tái)3D打印機(jī)上的數(shù)據(jù)，實(shí)現(xiàn)一個(gè)系統(tǒng)能夠從另一個(gè)系統(tǒng)遇到的打印錯(cuò)誤中學(xué)習(xí)的效果。

研究人員分別在SLM、3DP和EBM三種工藝、不同品牌的九臺(tái)打印機(jī)上進(jìn)行了實(shí)驗(yàn)，證明該算法在定位精度、準(zhǔn)確性、計(jì)算時(shí)間和通用性方面，遠(yuǎn)遠(yuǎn)優(yōu)于以前的算法。

在過(guò)去十年中，很多設(shè)備商和研究機(jī)構(gòu)已經(jīng)針對(duì)粉末床增材制造過(guò)程的逐層異常檢測(cè)進(jìn)行了大量研究。許多努力集中在開發(fā)改良傳感方式上，如使用閃光燈來(lái)更好地拍攝粉末床、采用條紋投影技術(shù)來(lái)恢復(fù)深度信息以及采用高分辨率掃描儀等等。但是，開發(fā)成像系統(tǒng)只是挑戰(zhàn)的一部分。對(duì)于用戶來(lái)說(shuō)，無(wú)論采用何種數(shù)據(jù)源，都應(yīng)該可以自動(dòng)檢測(cè)異常，才能滿足應(yīng)用端對(duì)質(zhì)量和過(guò)程控制的需求。

此前關(guān)于異常檢測(cè)和分類的方法有明顯的局限性，如粗大的異常定位分辨率、極少的異常類別以及缺乏對(duì)其他粉末床工藝的通用性。ORNL的深度學(xué)習(xí)算法基于神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)識(shí)別，（知識(shí)補(bǔ)充：在計(jì)算機(jī)視覺領(lǐng)域，目前神經(jīng)網(wǎng)絡(luò)的應(yīng)用主要有圖像識(shí)別，目標(biāo)定位與檢測(cè)，語(yǔ)義分割。圖像識(shí)別就是告訴你圖像是什么，目標(biāo)定位與檢測(cè)告訴你圖像中目標(biāo)在哪里，語(yǔ)義分割則是從像素級(jí)別回答上面兩個(gè)問(wèn)題）能夠滿足幾個(gè)關(guān)鍵要求：

1. 模型預(yù)測(cè)和異常分類必須足夠快地反饋，以提供實(shí)時(shí)信息，即使使用的是高分辨率相機(jī)。

      2. 語(yǔ)義分割必須始終在成像傳感器的原始分辨率下逐像素實(shí)現(xiàn)（語(yǔ)義分割更詳細(xì)的可以解釋是從像素的角度分割出圖片中的不同對(duì)象）。

      3. 由于任何一臺(tái)單獨(dú)機(jī)器的訓(xùn)練數(shù)據(jù)都可能受到限制，因此從一臺(tái)3D打印機(jī)器獲取的數(shù)據(jù)知識(shí)必須能夠在完全不同的粉末床機(jī)器和成像系統(tǒng)之間跨技術(shù)快速轉(zhuǎn)移。

      4. 該算法必須自然地支持來(lái)自多個(gè)成像系統(tǒng)或其他空間相關(guān)的感應(yīng)模態(tài)的數(shù)據(jù)融合。

實(shí)際打印零件和深度學(xué)習(xí)算法檢測(cè)到的異常對(duì)比

是否采用共享學(xué)習(xí)下的鋪粉效果和灰塵識(shí)別對(duì)比

測(cè)試的結(jié)果令人滿意，實(shí)現(xiàn)了以下幾個(gè)目標(biāo)：

1.在臺(tái)式計(jì)算機(jī)上，分層分割時(shí)間為0.5s-2.4s，結(jié)果反饋的速度足夠快，可以實(shí)時(shí)分析所有已探查機(jī)器類型的現(xiàn)場(chǎng)數(shù)據(jù)。

2.在每個(gè)成像系統(tǒng)的原始分辨率下，可以按像素提供異常分類，定位精度往前邁進(jìn)了一大步。

3.該算法已成功在九種不同粉末床3D打印機(jī)上進(jìn)行了演示，這些機(jī)器涵蓋了三種不同的技術(shù)。此外，探索的成像系統(tǒng)包括可見光、中紅外和近紅外相機(jī)，有效分辨率范圍為20μm至290μm。重要的是，所開發(fā)的深度學(xué)習(xí)算法允許在不同的粉末床機(jī)器之間無(wú)縫傳輸學(xué)習(xí)的知識(shí)，從而減少了與每個(gè)單獨(dú)機(jī)器相關(guān)的數(shù)據(jù)收集和手動(dòng)數(shù)據(jù)標(biāo)記負(fù)擔(dān)。

此外，研究人員發(fā)現(xiàn)新型的深度學(xué)習(xí)算法在異常類別的鑒別方面相比以前的算法實(shí)現(xiàn)了更低的誤報(bào)率，七個(gè)類別中的四個(gè)類別的誤報(bào)率下降了25%以上。此外，逐層分類的時(shí)間減少了12倍，而改進(jìn)的定位能力和融合后圖像的加入可以識(shí)別更多類型的缺陷。

ORNL已使用其算法來(lái)優(yōu)化3D打印反應(yīng)堆的生產(chǎn)

不過(guò)，該算法對(duì)于不同工藝之間的轉(zhuǎn)移學(xué)習(xí)的預(yù)測(cè)準(zhǔn)確性還有待提高。該團(tuán)隊(duì)評(píng)估了GE Additive ConceptLaser M2和ExOne Innovent系統(tǒng)之間共享的數(shù)據(jù)后，算法在缺陷識(shí)別遺失率方面的表現(xiàn)，發(fā)現(xiàn)共享過(guò)數(shù)據(jù)的系統(tǒng)的缺陷遺失率是未共享數(shù)據(jù)系統(tǒng)的16％。這表明訓(xùn)練確實(shí)起到了作用，但這種效果還不足夠好。使用Arcam Q10增材制造系統(tǒng)打印的零件的真實(shí)孔隙率為78.4％，但是如果對(duì)圖像進(jìn)行分析，孔隙率則會(huì)上升至89.5％。

該算法的性能在很大程度上取決于其輸入數(shù)據(jù)，如果捕獲的圖像不能清楚的展現(xiàn)打印部分的異常，則該軟件不太可能被標(biāo)記出來(lái)。

但無(wú)論如何，ORNL基于神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)識(shí)別的算法在增材制造過(guò)程實(shí)時(shí)監(jiān)控方面確實(shí)取得了非常大的進(jìn)步。隨著監(jiān)控系統(tǒng)的發(fā)展，研究人員能夠?qū)D像數(shù)據(jù)與來(lái)自其他來(lái)源的數(shù)據(jù)(如打印機(jī)的日志文件、激光系統(tǒng)和操作員注釋)組合在一起，可以更好的識(shí)別零件缺陷，并跟蹤和評(píng)估所有零件的統(tǒng)計(jì)信息。

轉(zhuǎn)載自3D打印技術(shù)參考