在选择性激光炼中,多源孔隙图像规范化 (NMI) 可用于可靠地重复使用异质微结构数据

科学领域:

• 材料科学 材料科学 材料科学
• 添加剂制造 添加剂制造 添加剂制造
• 数据科学数据科学数据科学

背景情况:

• 选择性激光化 (SLM) 对金属增材制造 (AM) 至关重要,但孔隙缺陷阻碍了机械性能.
• 机器学习 (ML) 和深度学习 (DL) 对透性分析具有前景,但缺乏标准化的数据集.
• 实验数据采集的高成本限制了对AM的ML/DL模型的开发.

研究的目的:

• 为多源SLM孔隙图像 (NMI) 开发一种创新的规范化方法.
• 为了应对异质图像数据和AM中的高实验成本的挑战.
• 促进创建可靠的数据集,用于基于ML/DL的缺陷预测和流程优化.

主要方法:

• 为多源SLM孔隙图像 (NMI) 提出了一种创新的规范化方法.
• 集成尺度条检测/删除,物理尺寸规范化和分辨率协调.
• 使用文献衍生和实验数据集验证了该方法.

主要成果:

• NMI有效地整合了来自不同来源的异质图像数据.
• 该方法提高了数据集的一致性,并保留了关键的孔状特征.
• 证明了ML/DL应用程序的数据集成和资源再利用的改进.

结论:

• 在SLM中,NMI框架为基于DL的缺陷预测提供了一个可扩展和资源高效的途径.
• 在AM中建立了标准化和可扩展材料数据集的基础.
• 能够更有效地利用现有的成像资源进行流程优化.