使用深度卷积神经网络和从毛孔性模型转移学习来提高LPBF表面变形的检测
Muhammad Ayub Ansari1, Andrew Crampton2, Samer Mohammed Jaber Mubarak3
1School of Computing and Engineering, University of Huddersfield, Huddersfield, HD1 3DH, UK.
Scientific reports
|November 6, 2024
概括
转移学习使深度学习模型能够在3D打印中以94%的准确度检测表面变形,即使数据有限. 这种方法有效地适应了在毛孔性缺陷上训练的模型,以适应新的缺陷类型.
科学领域:
- 添加剂制造 添加剂制造 添加剂制造
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 深度学习模型显示,在激光粉末床融合 (LPBF) 中实时检测孔隙缺陷具有前途.
- 由于训练数据有限,将这些模型扩展到识别其他缺陷,例如表面变形,具有挑战性.
研究的目的:
- 引入转移学习 (TL) 用于在有限的数据上训练深度学习模型,以检测LPBF的表面变形.
- 展示训练在一个缺陷类型 (孔隙性) 上的模型的第一次应用到另一个缺陷类型 (表面变形).
主要方法:
- 利用转移学习 (TL) 来调整先前训练用于孔隙检测的深度学习模型.
- 应用了适应的模型来识别LPBF过程中的表面变形.
- 使用梯度加权类激活映射 (Grad-CAM) 来实现模型的可解释性.
主要成果:
- 在检测表面变形方面取得了高精度 (94%),与现有模型相比.
- 显著降低了复杂性,导致更快的培训和评估.
- 使用Grad-CAM可视化模型决策过程,以确保可靠性.
结论:
- 转移学习有效地将深度学习模型适应LPBF中的新缺陷类型,而数据有限.
- 该方法提高了实时缺陷检测系统的模型效率和可靠性.
- 这项研究扩大了深度学习在增材制造质量控制中的适用性.
