扫描电子显微镜和合成热断层扫描图像的多任务学习,用于检测附加制造金属中的缺陷

科学领域:

• 材料科学与工程 材料科学与工程
• 增材制造 增材制造 增材制造
• 机器学习应用 机器学习应用

背景情况:

• 微观孔隙是金属激光粉床化 (LPBF) 的重大挑战,影响结构完整性.
• 像热断层扫描 (TT) 这样的非破坏性成像方法对于LPBF的质量控制至关重要.
• 由于热扩散,TT图像遭受深度依赖的模糊,限制缺陷可视化.

研究的目的:

• 提高热断层扫描 (TT) 的成像能力,以利用机器学习在3D打印金属中检测缺陷.
• 引入和评估一种新的多任务学习 (MTL) 方法,用于同时分类和细分任务.

主要方法:

• 开发了一个多任务学习 (MTL) 网络,配备了一个共享的U-net编码器,用于同时分类合成TT图像和细分实验性SEM图像.
• 从具有地下缺陷的金属结构模拟中生成合成TT图像.
• 从LPBF打印的不钢券获得的实验扫描电子显微镜 (SEM) 图像.

主要成果:

• 与传统的独立方法相比,MTL网络在分类合成TT图像方面表现优异.
• MTL网络实现了实验SEM图像的更好的细分,表明缺陷定位得到了改进.
• 同时学习提高了分类和细分任务的准确性和有效性.

结论:

• 拟议的MTL方法有效地增强了TT成像,用于LPBF加工金属的地下缺陷检测.
• 与单任务学习相比,MTL为增材制造中的质量控制提供了更强大,更准确的解决方案.
• 这项工作为金属增材制造中改进的非破坏性评估技术铺平了道路.