机器学习防止金属3D打印部件的缺陷

据了解，近日，加利福尼亚州劳伦斯利弗莫尔国家实验室(LLNL)的工程师和科学家开发了卷积神经网络(CNN)，这是一种主要用于处理图像和视频的流行算法，用于预测3D打印部件的缺陷，并在几毫秒内检测是否有构建了令人满意的质量。

“这是一种革命性的方式通过视频标记数据，甚至可以是逐帧标记。”LLNL首席研究员Brian Giera说，“这种优势在于，您可以在打印某些内容时收集视频，并在打印时最终得出结论。很多人都可以收集这些数据，但他们不知道如何处理它。“通常，Giera解释说，在构建后再进行分析的传感器是非常昂贵的，并且部件质量只能在很久之后才能确定。对于需要数天到数周打印的部件，CNN可以证明有助于理解打印过程，更快地了解部件的质量，并在必要时实时校正或调整构建。

LLNL的研究人员使用大约2,000个熔融激光轨道视频片段在不同的条件下(例如速度或功率)开发了神经网络。他们使用生成3D高度图的工具扫描零件表面，使用该信息训练算法以分析视频帧的各个部分(每个区域称为卷积)。 Giera解释说，这个过程对于人类来说是非常困难和耗时的。

LLNL研究员开发了可以自动标记每个构建的高度图的算法，并使用相同的模型来预测构建轨道的宽度，轨道是否被破坏以及宽度的标准是否有偏差。使用这些算法，研究人员能够拍摄正在进行的构建的视频，并确定该部件是否表现出可接受的质量。结果，神经网络能够以93%的准确度检测零件是否连续。

成功的关键在于CNN可以在培训过程中学习很多有用的视频功能，只需要提供大量数据来培训它，并确保它学得很好。研究人员花了数年时间收集激光粉末床融合金属3D打印过程的各种形式的实时数据，包括视频，光学层析成像和声学传感器。

研究人员还将寻求创建算法，以结合除图像和视频之外的多种感知模式。鉴于正在收集机器学习算法旨在处理的大量数据，机器学习将在第一次正确创建零件时发挥核心作用。”

（来自：中国3D打印网）