在熔融丝材制造增材制造过程中,利用兴趣区域(ROI)和基于直方图的增强方法进行缺陷定位

《Next Materials》:Defect localization using region of interest and histogram-based enhancement approaches in fused filament fabrication additive manufacturing

【字体: 大 中 小 】 时间:2026年05月07日 来源:Next Materials CS1.9

编辑推荐:

  Md Manjurul Ahsan | Yingtao Liu | Shivakumar Raman | Zahed Siddique 美国俄克拉荷马大学工业与系统工程学院,诺曼,OK 73019 摘要 熔融丝制造(FFF),一种常见的增材制造(AM)技术,通常被称

  Md Manjurul Ahsan | Yingtao Liu | Shivakumar Raman | Zahed Siddique
美国俄克拉荷马大学工业与系统工程学院,诺曼,OK 73019

摘要
熔融丝制造(FFF),一种常见的增材制造(AM)技术,通常被称为3D打印,已经彻底改变了各个行业中复杂结构的生产方式。然而,确保3D打印物体的质量和检测缺陷仍然是一个重大挑战。本研究重点关注圆柱形几何体的缺陷检测,并通过新颖的预处理技术(如感兴趣区域(ROI)选择、直方图均衡(HE)和细节增强(DE)结合卷积神经网络(CNNs),特别是改进的视觉几何组(VGG)16模型,扩展到多类缺陷数据集。ROIN(带归一化的ROI选择)、ROIHEN(带HE和归一化的ROI选择)以及ROIHEDEN(带HE、DE和归一化的ROI选择)方法取得了有希望的结果,最佳模型在测试集上的准确率为1.00,F1分数也为1.00。此外,该研究还扩展到了不平衡的FDM数据集上的多类缺陷分类,并通过类别加权训练实现了所有五种缺陷类型(裂纹、层次移位、脱离平台、拉丝和变形)的完美准确率(1.00)。遵循增材制造领域已建立的AI解释(XAI)实践,本研究应用了LIME和梯度加权类别激活映射(Grad-CAM)来提供模型决策的可解释可视化,补充了所提出架构中引入的自定义定位层。此外,改进的VGG16模型展示了卓越的计算效率,具有3071.3百万次浮点运算(FLOPs)和1500万个参数,是所有比较模型中最低的。这些发现强调了定制预处理和CNN在缺陷检测中的作用,并为提高制造精度、准确性和效率指明了方向。这项研究为3D打印技术的进步做出了贡献,并展示了机器学习(ML)与AM结合在质量控制方面的潜力。

1. 引言
增材制造(AM),通常称为3D打印,通过直接从数字模型逐层制造物体,彻底改变了各个行业中复杂结构的生产方式。在各种AM技术中,熔融丝制造(FFF)由于其经济性、可访问性和能够以最小的材料浪费制造复杂几何体的能力而广受关注[1][2]。然而,确保FFF打印物体的质量和检测缺陷仍然是重大挑战,这可能会影响最终产品的结构完整性和性能[3][4]。FFF打印中的缺陷可能由多种原因引起,包括材料特性、打印参数、环境条件和机械问题。常见的缺陷包括变形、层次移位、空洞、过挤和欠挤[5][6]。实时检测这些缺陷对于确保最终产品的质量和在打印过程中立即采取纠正措施至关重要。图1展示了本研究中使用的熔融沉积建模(FDM)零件中的代表性缺陷类别。这些缺陷包括裂纹、层次移位、变形、拉丝和脱离平台打印,由各种工艺相关因素引起。

下载:下载高分辨率图片(1MB)
下载:下载全尺寸图片
图1. 显示了熔融丝制造(FFF)增材制造中的常见缺陷类别及其形成机制。这些图片对应于俄克拉荷马大学SMIS实验室生产的实际3D打印样本。从左到右,缺陷包括:裂纹,由热应力、层间结合弱和材料脆性引起;层次移位,由步进电机误差、机械错位或打印头碰撞造成;变形,由于冷却不均匀、床层粘附不良和热收缩引起;拉丝,由喷嘴温度过高、回抽无效和丝材渗出引起;以及脱离平台打印,由于床层平整不当、粘附不足或打印定位错误引起。

近年来,ML方法在克服AM面临的各种挑战方面显示出巨大潜力[7][8]。一个显著的应用是通过在大型数据集上训练ML模型来预测和避免打印缺陷,从而能够识别和预测包括变形、收缩和层次移位在内的缺陷。这些能力有助于优化工艺并提高打印部件的质量[9]。此外,ML还可以优化打印参数(如速度、温度和层高),以缩短打印时间和能耗,同时保持质量标准[10]。此外,ML还可以帮助开发适用于3D打印的新材料,从而扩展可打印材料的范围[11]。提高3D扫描和建模的准确性也是ML的范畴之一,这是3D打印不可或缺的前提[8]。总之,ML在提高3D打印能力和克服现有挑战方面具有巨大潜力[7]。

已经使用了多种方法来识别AM生产部件中的缺陷。视觉检查是一种常见的方法,通过直接观察打印部件来检测缺陷,如变形、裂纹或不均匀表面,但这是一种主观且耗时的方法,不适合大规模制造[12]。显微镜技术(如扫描电子显微镜(SEM)或光学显微镜)可以高分辨率地检测打印部件的微观结构,以识别孔隙或空洞等缺陷。然而,显微镜通常是破坏性的,并且受部件尺寸的限制[13]。无损检测(NDT)方法,包括X射线计算机断层扫描(CT)或超声波,可以提供详细的内部图像来检测空洞或分层等缺陷。然而,NDT方法成本高昂且耗时,限制了它们在大规模制造中的可扩展性[14]。要克服当前缺陷检测方法的局限性,需要开发快速、准确且具有成本效益的方法,以适应工业3D打印。

克服当前缺陷检测的局限性需要开发快速、准确且具有成本效益的方法,并且能够扩展。针对自动化、ML和工艺数据分析的集成研究似乎是为工业AM应用设计下一代缺陷检测范式的有希望的方向[7][8][11]。然而,要在AM中实现便捷的大规模质量保证,需要在制造、材料和计算机科学领域取得重大跨学科进展。

本研究中选择圆柱形原型作为主要几何体,因为它们在增材制造质量研究中作为基准结构。圆柱的曲壁经常会出现变形、层次移位、拉丝和尺寸偏差等缺陷,这些在实际应用中很常见。此外,圆柱提供了一种受控但具有挑战性的几何形状,其中曲率和直径的变化增加了缺陷定位的难度。这使得圆柱形物体成为评估定位框架的适当测试案例,然后再将其扩展到更复杂的几何形状,如棱柱或格子结构。

卷积神经网络(CNNs)是为处理类似网格的数据(如图像)而设计的深度学习架构,其中卷积层通过滤波器和池化操作提取层次特征[15]。迁移学习(TL)通过针对特定任务微调预训练的CNN模型(例如在ImageNet上)来构建这一点,减少了训练数据的需求和计算成本,同时利用了学习到的表示[16]。在AM缺陷检测的背景下,这些技术可以自动进行图像分析以识别表面不规则性,尽管它们在适应打印部件的独特变化方面面临挑战。然而,在3D打印圆柱图像中应用迁移学习(TL)和基于CNN的方法时存在某些限制。这些限制包括:
• CNN在检测AM缺陷方面的有效性取决于训练数据集的质量,这需要仔细策划以确保其能够代表实际场景中遇到的各种缺陷类型[17]。
• 检测AM缺陷,特别是像空洞或孔隙这样的内部不规则性,这些可能在打印部件表面不可见,是一个重大挑战[18]。
• TL需要一个与特定应用相关的预训练模型,而且可能很难找到适合AM缺陷检测的预训练模型[19]。
• 解释CNN和TL产生的结果可能具有挑战性,特别是对于复杂模型,这使得确定哪些特征对缺陷检测最重要变得困难[20]。

本研究专注于使用图像分类技术将3D打印的圆柱形物体分类为有缺陷或无缺陷。利用俄克拉荷马大学智能材料与系统(SMIS)实验室提供的包含平衡和不平衡样本的数据集,它解决了数据不平衡这一重大挑战,这可能会影响分类准确性并引入偏差。主要目标有两个:实现精确可靠的物体分类,同时确保结果可解释和可说明。这项工作旨在使决策过程透明化,突出分类背后的理由以及影响这些决策的关键特征。通过克服这些挑战,该研究为开发可靠的和清晰的图像分类方法以检测AM中的缺陷做出了贡献,从而提高了工艺的质量和效率。这些进步预计将推动3D打印的进步,提高制造精度和生产力。

本研究的技术贡献总结如下:
• 我们开发了一个综合的缺陷检测框架,结合了新颖的预处理技术(ROI选择、直方图均衡和细节增强)和改进的VGG16模型迁移学习方法,在测试数据集上实现了100%的准确率和F1分数,对于圆柱形几何体以及在FDM数据集中的五种缺陷类别实现了完美的分类,并将其性能与几种其他卷积神经网络(CNNs)进行了基准测试。采用结合ROI、HE和DE技术的ROIHEDEN方法,该模型在圆柱数据集上实现了100%的准确率和1.00的F1分数,在FDM数据集上也表现完美,同时保持了合理的计算要求。
• 我们建立了在三个研究中的多个数据集上经过验证的缺陷检测框架。在研究一和研究二中,该框架分别应用于具有272个和3017个样本的圆柱形几何体,在研究三中,它扩展到了包含五种缺陷类型(裂纹、层次移位、脱离平台、拉丝和变形)的FDM 3D打印缺陷数据集,总样本量为1912个。这证明了该框架的广泛适用性,而不仅仅局限于单一几何体。
• 我们介绍了三种渐进的预处理方法:ROIN(带归一化的ROI选择)、ROIHEN(带直方图均衡和归一化的ROI)和ROIHEDEN(带直方图均衡、细节增强和归一化的ROI),系统地改进了缺陷定位和特征增强。这些标准化的预处理技术通过专注于缺陷关键图像区域并过滤掉背景噪声来引导网络朝向相关特征。
• 我们通过战略性的数据增强技术(旋转、移动、剪切、缩放和翻转)结合类别加权训练,解决了FDM缺陷数据集中的严重类别不平衡问题,尽管数据分布具有挑战性,但仍实现了所有缺陷类别的完美精确率和召回率(1.00)。
• 我们在缺陷定位流程中应用了已建立的可解释AI技术——局部可解释模型不可知解释(LIME)和梯度加权类别激活映射(Grad-CAM),这与AM中的最新XAI应用保持一致[21]。本研究的主要方法创新在于附加到VGG16上的自定义可分离卷积层,它实现了针对易缺陷图像区域的高效特征提取。这个自定义层与基于ROI的预处理和注意力机制结合,构成了所提出框架的核心架构贡献,并在4.5.2节中详细描述。
• 所提出的模型实现了高准确率和卓越的计算效率,仅需要1500万个参数和3071.3百万次浮点运算,显著优于其他评估的架构(VGG19、ResNet50、ResNet101、InceptionResNetV2、MobileNetV2),无论是在准确性还是计算需求方面,都支持了实时的工业部署可行性。

本文的其余部分组织如下:第2节回顾相关工作,第3节介绍动机,第4.1节描述方法论,第5节报告结果,第6节讨论发现,第7节对未来研究提出建议。

2. 相关工作
近年来,许多深度学习(DL)研究人员提出了ML方法来提高AM效率。例如,Saeed等人(2019)提出了一种使用CNN和深度前馈神经网络(DFF-NN)算法的自动后处理方法来检测缺陷并估计热图深度,为生产线提供了实时的自动后处理。他们还全面回顾了CNN在红外热图中的应用,展示了各种CNN模型和物体检测框架的比较结果。他们展示了其在加快检查速度和与生产设施质量控制系统集成方面的潜力[19]。最近的综合性综述为ML在AM质量控制中的应用奠定了基础。Ng等人[22]强调ML算法在从大型AM数据集中进行模式识别方面的优势,特别是在实时质量控制中,缺陷检测至关重要。他们的分析将ML方法分为监督学习、无监督学习和半监督学习范式,强调质量控制作为主要应用领域。Hunde和Woldeyohannes[23]回顾了AI与CAD和3D打印的融合,强调了自动化质量评估能力的作用。Banerjee等人(2021年)[24]的研究不仅限于工业领域,还探讨了人工智能在3D打印医疗应用中的潜力,强调了在医学增材制造(AM)过程中可靠自动化质量控制机制的重要性。这些研究共同表明,缺陷检测与定位是关键的研究方向,需要高级的图像分析和模式识别能力。Goh等人(2023年)提出了一种新的方法,通过监测熔融丝制造(FFF)3D打印过程来实时检测和纠正缺陷。作者使用了基于YOLO的架构,系统在检测挤出相关异常方面的平均精度超过了80%,而优化的模型分类准确率达到了89.8% [33]。Jin等人(2019年)开发了一种实时监测和自动校正系统,该系统利用深度学习(DL)模型和反馈循环来迭代调整打印参数,他们声称其系统的检测速度比人类反应时间更快 [34]。Li等人(2019年)的另一个研究提出了一种基于振动传感器和数据驱动方法的现场监测和故障诊断方法,该研究使用最小二乘支持向量机(LS-SVM)以超过90%的准确率识别机器状态,而他们提出的反向传播神经网络(BPNN)算法的缺陷检测准确率超过95%,确保了可靠的制造和产品质量的提高 [35]。

表1. 现有文献综述中关于机器学习/深度学习方法的比较。

| 参考文献 | 贡献 | ML/DL方法 | 可解释性AI | 优点 | 局限性 |
| --- | --- | --- | --- | --- |
| [25] | 半导体故障诊断的领域适应 | 深度神经网络(DNN) | 无 | 有效的质量检测 | 对方法局限性的讨论不足 |
| [26] | 智能制造系统的概述 | 机器学习(ML) | 无 | 对增材制造(AM)潜力的全面理解 | 缺乏关于实施挑战的讨论 |
| [27] | 增材制造中ML应用的回顾 | 无 | 对AM潜在性的洞察 | 无关于ML局限性的讨论 |
| [28] | 增材制造中复杂模式识别的NN | 神经网络(NNs) | 无 | 敏捷制造的潜力 | 对预测缺陷的特异性有限 |
| [29] | 熔池图像分类的深度学习 | 深度神经网络 | 有效适用于监测 | 无关于DL局限性的讨论 |
| [30] | 使用ML技术的软件缺陷预测 | 多种ML技术 | 一致的高精度预测 | 缺乏对缺陷类型的具体性 |
| [31] | 制造领域中ML的文献综述 | ML, 数据挖掘 | 强调ML的优势 | 缺乏对局限性的详细分析 |
| [32] | 可持续AM的BD-SSAM框架 | 神经网络 | 有效的能量控制 | 关注早期生命周期和特定材料 |

最近,Wang等人(2025年)展示了基于变换器的架构与XAI方法结合在FFF打印质量识别中的应用,证实了Grad-CAM等可解释性工具在AM质量评估中的日益采用 [21]。基于这一不断发展的研究体系,本研究并不将Grad-CAM视为全新的贡献,而是将其作为我们针对圆柱形FFF几何形状的特定缺陷定位流程的一部分来应用。本研究的主要方法创新在于引入了自定义的可分离卷积层和基于ROI的预处理流程。

Chen等人(2023年)提出了一种用于检测3D打印陶瓷曲面部件中低对比度缺陷的DL方法。该方法采用了模糊修复网络模型和多尺度细节对比度增强算法来提高图像质量和特征信息,利用ECANet-Mobilenet单次检测器(SSD)网络模型,在检测裂纹和凸起缺陷方面取得了高准确率,尽管该方法专注于特定类型的缺陷和数据集 [36]。Li等人(2022年)对智能故障诊断(IFD)中的深度迁移学习(DTL)技术进行了广泛调查,虽然调查涵盖了DTL的理论背景和最新发展,但主要提供了在实际应用中选择DTL算法的建议以及识别未来挑战的思路,不过缺乏实证结果和实验数据,且重点仍然放在基于DTL的IFD方法上 [37]。Ma等人(2022年)提出了一个用于轴承表面缺陷检测和分类的迁移学习CNN集成框架,解决了DL中数据集有限的问题,该框架实现了高准确率,并满足了工业在线检测的要求。尽管它没有与其他方法进行比较,且专注于特定类型的缺陷,但它显示出提高工业中轴承质量检测效率和准确性的潜力 [38]。

这些研究提供了创新的AM解决方案和质量保证方法。Lu等人(2023年)引入了一种由DL驱动的实时缺陷检测和闭环调整系统,专门针对碳纤维增强聚合物(CFRP)复合材料设计。尽管仅限于CFRP复合材料,但它通过调整工艺参数有效识别和控制缺陷。Westphal(2022年)提出了一种基于机器学习的Fused Deposition Modeling(FDM)AM过程的质量保证方法,利用环境传感器数据和机器学习算法,研究结果表明ML分析是辨别各种3D打印条件的更有效手段,增强了人们对工业AM的信心。Caggiano等人(2019年)提出了一种机器学习方法,利用双流深度卷积神经网络(DCNN)识别选择性激光熔化(SLM)金属粉末中的缺陷,他们的工作实现了自适应工艺控制和质量保证,展示了在SLM质量保证方面的潜力 [39], [40], [41]。Kwon等人(2020年)利用深度神经网络根据六个激光功率标签对选择性激光熔化熔池图像进行分类,即使在边缘模糊的图像情况下也能获得满意的推理结果,该分类模型的分类失败率低于1.1%,优于简单的计算方法在监测熔池图像方面的表现。这种分类模型具有非破坏性地推断微观结构变化或识别缺陷产品的潜力,但研究中没有讨论深度神经网络在选择性激光熔化分类中的潜在局限性 [29]。Aquil等人(2020年)探讨了使用机器学习技术进行软件缺陷预测,包括DL、集成、数据挖掘、聚类和分类,使用13个软件缺陷数据集评估了各种预测模型,并一致发现集成技术能够实现高精度预测,然而在预测软件缺陷类型和数据集代表性方面缺乏具体性。研究结果表明集成技术在软件缺陷预测方面的可靠性,但强调了进一步研究以确定适用于不同软件系统的最佳预测模型 [30]。

Majeed等人(2021年)提出了BD-SSAM框架,该框架整合了大数据分析、增材制造(AM)和可持续智能制造,以支持产品生命周期早期阶段的决策制定。在AlSi10Mg合金组件的制造过程中实施该框架后,有效控制了能源消耗并提高了产品质量,促进了智能、可持续的制造、减排和更清洁的生产。然而,研究的范围仅限于产品生命周期的早期阶段和特定材料(AlSi10Mg合金组件及SLM)。尽管该方法为AM行业的智能、可持续制造提供了一种有前景的方法,但需要进一步研究来验证其在不同材料和产品生命周期阶段的有效性 [32]。Azamfar等人(2020年)提出了一种基于DL的领域适应方法,专为半导体制造故障诊断设计,该方法旨在解决可能影响数据驱动方法的各种制造过程变化。利用深度神经网络和最大平均差异度量,该方法有效优化了数据表示。在真实世界半导体制造数据集上的实验结果表明了该方法在质量检测方面的有效性和泛化能力,但论文需要深入探讨该方法的潜在局限性 [25]。

表1提供了与增材制造领域中AI和ML相关的现有文献的比较。为了准备表1,我们使用“机器学习增材制造缺陷”、“深度学习AM质量控制”和“迁移学习3D打印综述”等关键词在Google Scholar和Scopus上进行了搜索。该表突出了将AM过程与ML/DL方法直接关联用于缺陷检测和质量保证的精选综述文章。虽然选择的内容涵盖了关键的代表性工作,但我们承认可能存在未被包括的其他研究,因为全面调查所有文献超出了本研究的范围。

3. 动机
在计算机视觉中,定位特定区域比分类对象更困难 [42], [43]。虽然基于CNN的方法可以区分不同类别,但它们难以准确识别缺陷区域 [44], [45]。在一项早期研究中 [46],基于迁移学习(TL)的模型能够高准确率地分类有缺陷和无缺陷的圆柱图像,但这些模型往往无法一致地定位缺陷区域。所使用的数据集包括在不同打印阶段捕获的图像,其中几何形状、区域大小和像素密度的变化降低了TL模型的可靠识别缺陷的能力。这一挑战与医学或自然图像数据集形成对比,在医学或自然图像数据集中,图像大小和结构相对均匀 [47], [48], [49]。为了解决这些局限性,我们通过高级预处理、注意力机制和几何特性特定的训练策略改进了框架。这些改进在3D-ADAM数据集上取得了近乎完美的性能,圆柱体的准确率达到99.5%,并且在其他几何形状上也得到了稳健的结果。这一进展标志着在受控实验和实际制造环境之间架起桥梁的重要一步。

此外,可解释性对于增强对自动化缺陷检测的信任至关重要。我们应用了局部可解释模型不可知解释(LIME)和梯度加权类别激活映射(Grad-CAM)来解释模型预测结果。热图突出了与分类最相关的区域,为工程师提供了关于模型行为的洞察。结合注意力模块,我们的框架现在能够提供更准确和细粒度的缺陷区域定位,从而加强了可解释性和实际应用。

图2. 本研究的端到端框架:(1) 输入(缺陷/无缺陷样本,图像分辨率范围从524 × 524到1028 × 1028像素)→ (2) 预处理与数据增强(ROI、ROIHEDE;阈值处理后的ROI分辨率调整;旋转、剪切、缩放、翻转)→ (3) 使用VGG16 + 自定义FC层的迁移学习 → (4) 预测(缺陷/无缺陷)→ (5) 性能分析(准确率、精确度、召回率、F1分数、AUC、敏感性、特异性)→ (6) 可解释性AI(突出缺陷区域的注意力图和叠加层)。

为了更好地根据审稿人的反馈说明整个工作流程,图2展示了从CAD模型设计到最终缺陷分类的端到端过程,包括:(1) CAD模型创建和切片,(2) 使用MEX/FFF的逐层3D打印,(3) 获取有缺陷和无缺陷样本的现场图像,(4) 使用ROI、HE和DE技术的预处理,(5) 基于迁移学习的分类,(6) 性能评估。这种集成展示了实验设置如何直接与机器学习流程相连。

图3. 本研究中使用的来自SMIS的有缺陷和无缺陷3D打印产品的代表性样本。

4. 方法论
本节概述了本研究采用的方法论,从收集通过材料挤出(MEX)增材制造产生的缺陷和无缺陷样本开始,然后详细介绍了用于提高输入质量的预处理技术,接着准备了标准化和增强后的数据集。随后描述了基于修改后的VGG16模型的迁移学习框架,以及训练配置、计算复杂性和评估指标。这些方法步骤共同建立了一个结构化的流程,用于在3D打印部件中进行准确且可解释的缺陷分类。

4.1. 数据收集
本研究调查了材料挤出(MEX)AM(也称为熔融丝制造(FFF)中的缺陷检测。在此过程中,通过将热塑性丝材通过加热喷嘴逐层挤出到构建平台上来构建物体。该方法因其经济性、易用性和能够以最小的材料浪费创建复杂几何形状而广泛采用。然而,诸如挤出不一致、变形、层间粘附不良和意外材料沉积等缺陷经常发生,从而影响产品质量 [50], [51]。图3展示了有缺陷和无缺陷的3D打印物体的代表性示例。这些物体是使用Creality Ender 3 Pro打印机制造的,该打印机采用了MEX/FFF沉积方法 [52]。Canon EOS 60D DSLR相机在打印过程中捕获了延时图像,分辨率范围为524 × 524到1028 × 1028像素。相机安装在距离构建平台中心约30厘米的三脚架上,相对于喷嘴呈45°角。调整三脚架的高度,使相机的光轴指向打印圆柱体的中点,从而提供了不受挤出机滑架或打印机框架遮挡的完整部件高度视野(圆柱样品大约为50–80毫米)。这种角度和距离配置的选择是为了最大化观察弯曲侧壁的可见性,这些侧壁通常是表面缺陷(如变形、层移和拉丝)的主要表现部位。镜头的焦距设定为50毫米(等效),在工作距离下提供了大约120毫米×80毫米的视野,完全覆盖了圆柱样品及其周围的小区域。在整个打印过程中,一直保持一致的环境室内照明,并辅以一个分散的顶灯光源,以减少阴影和拍摄之间照明的变化。没有使用校准目标,因为这项研究关注的是相对缺陷分类,而不是绝对尺寸计量。图3展示了在这种成像配置下捕获的打印样本的代表性样本。该数据集由俄克拉荷马大学的智能材料与智能系统(SMIS)实验室提供,包括有缺陷和无缺陷的圆柱形原型。缺陷主要表现为与STL设计的偏差,导致几何形状异常或材料沉积过多。数据集重点关注两种主要缺陷类别:
- 几何偏差:由于层错位或挤出错误,打印出的物体无法保持预期的形状。
- 材料沉积过多:由喷嘴堵塞、回抽设置不当或挤出速率不正确引起的缺陷。

表2总结了三项研究中用于训练和测试的数据分配。在第一项和第二项研究中,评估了六种深度学习架构:VGG16 [53]、InceptionResNetV2 [54]、ResNet50 [55]、MobileNetV2 [56]、ResNet101 [57] 和 VGG19 [53]。相比之下,第三项研究专门关注修改后的VGG16模型,该模型通过对类别进行平衡和数据增强来应对FDM缺陷数据集中的严重类别不平衡问题。

所提出的框架适用于后处理分析。尽管图像是在打印过程中获取的,但所有数据处理和分类都是离线完成的,因此该方法适用于机器停机期间的检查。实时监控超出了当前研究的范围,但被认为是未来工作的一个方向。

4.2. 图像预处理
为了在训练前提高输入质量,应用了三种预处理技术:感兴趣区域(ROI)选择、直方图均衡(HE)和细节增强(DE)[51]。这些方法可以提高对比度,突出相关区域,并揭示低质量图像中的细微特征。
- ROI选择通过阈值处理像素强度来隔离信息区域:(1) IROI = I(x,y),如果 I(x,y) > T0,否则 IROI 是提取的区域,(x,y) 是像素坐标,T 是阈值。这减少了无关的背景噪声。
- HE 通过重新分配强度值来增强图像对比度:(2) g(i,j) = CDF(f(i,j)) ? CDFmin(MN?CDFmin) × (L?1),其中 g(i,j) 是增强后的像素,f(i,j) 是输入像素,CDF 是累积分布函数,MN 是像素数量,L 是最大强度。这种标准化提高了细微结构的可见性。
- DE 通过增强局部细节来锐化低对比度图像:(3) g(i,j) = (1+k?(f(i,j)?1/28))?f(i,j),其中 g(i,j) 是增强后的输出,f(i,j) 是输入像素,k 控制增强的程度。这些预处理步骤共同通过清晰缺陷区域并确保图像输入的一致性,提高了CNN模型的准确性和效率。

基于这些操作,制定了三种复合预处理流程:(1) ROIN,它应用ROI提取后进行标准化;(2) ROIHEN,它整合了ROI提取、直方图均衡和标准化来在缩放之前增强全局对比度;(3) ROIHEDEN,它结合了ROI提取、直方图均衡、细节增强和标准化来突出全局和局部缺陷特征。这三种流程为CNN模型提供了逐步精炼的输入,使得能够系统地评估预处理对缺陷检测的影响。

4.3. 数据准备
在这个阶段,原始数据通过三个关键步骤被处理成适合模型训练的形式:标准化、特征提取和增强。这些步骤确保了输入变量的一致性,提高了卷积神经网络(CNNs)的效率,并增强了最终模型的鲁棒性。
- 数据标准化使用了StandardScaler技术,通过移除均值并将每个特征缩放到单位方差来进行标准化:(4) z = x?μσ,其中z 是标准化后的值,x 是原始值,μ 是均值,σ 是标准差。这种转换确保了所有输入特征的统一处理,提高了学习过程的收敛性和稳定性。
- 对于特征提取,使用了预训练的CNN从图像中提取紧凑的特征向量:(5) F = CNNθ(I),其中F 是特征向量,CNNθ 表示带有参数θ的预训练模型,I 是输入图像。这使得迁移学习成为可能,在数据有限的情况下利用先验知识提高分类准确性。
- 最后,使用Keras ImageDataGenerator实现了数据增强,通过旋转、移动、剪切、缩放和翻转等变换来扩展数据集的多样性并减少过拟合。表3总结了本研究采用的数据增强方法。

4.4. 缺陷定位框架
本研究中的缺陷定位是通过一个两阶段策略实现的,该策略在VGG16分类步骤之前和之后都起作用。在继续阅读以下小节中描述的各个组件之前,理解这一架构是必不可少的。
- 第一阶段——预分类:空间过滤:三种图像预处理操作作为隐式的定位预过滤器。感兴趣区域(ROI)选择通过阈值处理像素强度来隔离易出现缺陷的图像区域,有效地移除了无关背景,并将网络的注意力引导到信息区域。直方图均衡(HE)重新分配强度值以提高对比度,使不均匀的材料沉积或表面孔隙等细微不规则性更加明显。细节增强(DE)进一步放大局部对比度,揭示与缺陷相关的细微结构偏差。这些操作共同提高了图像质量,并强调了最可能发生缺陷的区域,从而在任何学习到的分类之前起到了空间定位预过滤器的作用。
- 第二阶段——分类后的定位细化:通过两种互补机制进一步细化定位。首先,一个附加到VGG16骨干上的自定义架构——包括SeparableConv2D层、AveragePooling、Flatten、Dense(ReLU)和Dense(Softmax)——从预处理图像中提取紧凑的、特定于任务的特征表示。这个自定义层是所提出框架的主要架构创新,并在第4.5.2节中有详细描述。其次,事后可解释性工具——Grad-CAM和LIME——生成空间热图和超级像素归因图,突出对分类决策贡献最大的图像区域。如第5节所证实的,这些可视化结果与物理缺陷位置一致。这种混合设计——基于预处理的空间注意力结合自定义分类头和事后的XAI——允许VGG16作为高精度分类器运行,同时缺陷定位从数据准备和可解释性分析中产生,而无需对VGG16骨干本身进行架构修改。

4.5. 提出的迁移学习方法
在本研究中,我们使用修改后的VGG16模型作为基础来实现迁移学习技术。迁移学习使我们能够利用已经在大型数据集(例如ImageNet)上预训练的模型来提高我们特定任务的性能,而无需从头开始训练。这种方法显著减少了所需的计算时间和资源,同时由于预学到的特征,也可能提高准确性。

下载:下载高分辨率图像(339KB)
下载:下载全尺寸图像

图4. 提出的迁移学习模型流程图,包括基础模型VGG16,后面跟着一个可分离的卷积层、平均池化和平整层,最终是两个具有0.5丢弃率的密集层。

4.5.1. 基础模型配置
我们模型的基础利用了VGG16架构,这是由Simonyan和Zisserman [53]提出的一个广受认可的卷积神经网络模型。VGG16模型以其简单性和深度而闻名,在大规模图像识别任务中表现出色。在我们的适配中,我们配置了VGG16,去掉了它的原始分类层(通常称为“顶层”),使其作为224 × 224 × 3大小的输入特征提取器,分别代表输入图像的高度、宽度和颜色通道。这可以数学表示为:(6) Input Layer Size = 224×224×3

4.5.2. 自定义模型层
在基础VGG16模型处理输入后,模型的输出作为我们为特定任务定制的层的输入。修改包括:
- 可分离卷积层(SeparableConv2D):这一层执行深度空间卷积,然后是逐点卷积,与标准卷积层相比减少了参数数量。它由64个大小为3 × 3的滤波器定义。数学表示为:(7) SeparateConv2D: Fout = Fdw(I)?Fpw(K),其中Fout是输出特征图,Fdw(I)是对输入I的深度卷积,Fpw(K)是应用K个滤波器的逐点卷积。
- 平均池化层(AveragePooling2D):这一层通过执行平均池化来减少输入特征图的空间维度(高度和宽度),使用2 × 2的池化大小。操作可以表示为:(8) Average Pooling: Pavg(Fout) = 1/N∑i=1Nxi,其中Pavg是平均池化后的输出,Fout是输入特征图,N是池化窗口中的元素数量,xi是窗口内的元素。
- 平整层:这一层将池化特征图转换为单个向量,便于从卷积层过渡到全连接层。数学上,它将形状为a×b×c的输入张量T重塑为大小为n的向量V,其中n=a?b?c。
- 全连接层(Dense):接下来是一个具有64个单元的密集层,应用ReLU激活函数引入非线性。表示为:(9) Dense Layer Output = ReLU(W?V+b),其中W和b是层的权重和偏置,V是来自Flatten层的输入向量。
- 丢弃层:为了防止过拟合,在训练期间使用丢弃率为0.5的丢弃层,随机将一部分输入单元设置为0。(10) Dropout: D(V,r),其中D是丢弃函数,V是输入向量,r是丢弃率。
- 输出层(Dense):最后一层是一个具有2个单元的全连接层,带有softmax激活函数,适用于二元分类任务。softmax函数将输出分数转换为概率:(11) Softmax(zi) = e^(zi∑jeczj),其中zi是类别i的softmax函数的输入,分母是所有类别的指数分数之和。

图4展示了我们自定义模型及其对应层的示意图。

4.5.3. 优化器
本研究中的所有模型都使用Adam优化器进行训练,学习率固定为0.001,这是基于网格搜索结果选择的(见第4.8节)。选择Adam是因为它的自适应学习率行为和在二元图像分类任务中的稳健性能[58], [59]。优化器参数设置为标准值(β1=0.9, β2=0.999, ?=1×10?8),与基于CNN的迁移学习应用的常见实践一致。(12) θt+1 = θt?ηv?t+?m?t,其中θ表示模型参数,η是学习率,m?t和v?t是偏置校正后的梯度的第一和第二矩估计,?确保数值稳定性。

4.5.4. 损失函数
对于第一项和第二项研究(二元缺陷/非缺陷分类),使用二元交叉熵作为损失函数;对于第三项研究(五类FDM缺陷分类),应用了带有类别加权的分类交叉熵。类别权重是根据类别频率的倒数计算的,以解决FDM数据集中的严重不平衡问题(平台外类别权重:4.189;见表2)。这种配置确保模型不会收敛到多数类预测,这一点通过平台外F1分数从基线的0.000提高到了最终配置的1.000得到确认。(13) L(y,y?) = ?1/N∑i=1N[yilog(y?i)+(1?yi)log(1?y?i)],其中L是损失,N是样本数量,yi是样本i属于正类的实际标签,y?i是样本i属于正类的预测概率。

4.6. 模型训练
整个实验是在一台配备标准规格的办公级笔记本电脑上进行的,包括Windows 10操作系统、Intel Core i7-7500U处理器和16 GB RAM。在此研究中,我们观察了整个时期的训练准确性和损失。我们训练了模型并密切监控了其性能。我们使用数据增强来提高模型从训练到未见数据的泛化能力,这也增加了其鲁棒性。通过增强数据增加的多样性有助于防止过拟合。这种训练方法以及数据增强是我们方法的基础。

4.7. 计算复杂性
我们通过计算过程时间来评估计算复杂性,标记训练会话的开始(t1)和结束(t2)。差值T=t2?t1表示总训练时间,提供了计算资源使用的度量。这个指标对于评估训练效率至关重要。**最优参数**

本研究优化了深度学习(DL)模型的三个参数:批量大小(决定了在更新内部模型参数之前处理的样本数量)、训练周期(表示学习算法遍历整个数据集的次数)以及学习率(一个超参数,用于控制更新模型权重以计算误差时的调整幅度)[60]。受先前研究[61]、[62]的启发,本研究采用了常用的网格搜索方法进行参数调整[63]。最初,随机选择了以下参数:

- 批量大小 = [4,5,8,10]
- 训练周期数 = [10,20,30,40]
- 学习率 = [.001,.01,0.1]

对于第一项研究,使用以下参数的网格搜索方法获得了更好的结果:
- 批量大小 = 8
- 训练周期数 = 30
- 学习率 = .001

同样,对于第二项研究,最佳结果是使用以下参数获得的:
- 批量大小 = 50
- 训练周期数 = 50
- 学习率 = .001

所有模型都采用了Adam优化算法,这是一种自适应学习率优化算法,在二值图像分类中表现出出色的性能[58]、[59]。遵循数据挖掘技术的常规程序,80%的可用数据被用于训练,剩下的20%用于测试目的[64]、[65]、[66]。

**4.9. 性能评估**

性能评估使用了多种指标,包括模型准确性、精确度、召回率和F1分数[67]。

- 准确性 = tp + tnp + tn + fp + fn
- 精确度 = tp / (tp + fp)
- 召回率(敏感性)= tp / (tp + fn)
- F1分数 = 2 × 精确度 × 召回率 / (精确度 + 召回率)
- 特异性 = tn / (tn + fp)

其中:
- 真阳性(tp)= 被分类为有缺陷的圆柱体
- 假阳性(fp)= 被分类为有缺陷的正常圆柱体
- 真阴性(tn)= 被分类为正常的圆柱体
- 假阴性(fn)= 被分类为正常的缺陷圆柱体

**5. 结果**

**5.1. 第一项研究**

表4显示了不同提出的CNN模型在本研究中使用的3D打印圆柱体图像小数据集的训练集和测试集上的性能,包括修改后的VGG16、ROI选择(ROIN)、带直方图均衡化的ROI选择(ROIHEN)以及带直方图均衡化和细节增强器的ROI选择(ROIHEDEN)。结果显示,所有提出的方法都取得了有希望的结果,测试集上的准确率在0.94到1之间。此外,所有模型的精确度、召回率和F1分数值都非常高,表明在识别图像的缺陷区域时没有假阳性和假阴性。所有模型的特异性也很高,值在0.8750到1之间,表明假阳性率很低。图5展示了ROIHEDEN模型在训练集和测试集上的混淆矩阵。该图显示,该模型仅在训练集上错误分类了9个样本(图5(a)),在测试集上没有错误分类任何样本(图5(b))。

表4. 不同CNN模型在第一项研究中的训练集和测试集上的性能,包含95%置信区间。
| 模型 | 准确率 | 精确度 | 召回率 | F1分数 | 特异性 |
|-------------------|-------------|------------|------------|-------------|
| 修改后的VGG16 | 0.94 ± 0.03 | 1.00 ± 0.00 | 0.94 ± 0.03 | 1.00 ± 0.00 | 0.94 ± 0.02 | 1.00 ± 0.00 | 0.88 ± 0.04 | 1.00 ± 0.00 |
| ROIN | 0.97 ± 0.02 | 1.00 ± 0.00 | 0.97 ± 0.02 | 1.00 ± 0.00 | 0.97 ± 0.02 | 1.00 ± 0.00 | 0.95 ± 0.03 | 1.00 ± 0.00 |
| ROIHEN | 0.96 ± 0.03 | 1.00 ± 0.00 | 0.96 ± 0.03 | 1.00 ± 0.00 | 0.96 ± 0.03 | 1.00 ± 0.00 | 0.92 ± 0.04 | 1.00 ± 0.00 |

图6比较了修改后的VGG16、ROIN、ROIHEN和ROIHEDEN模型在训练阶段的性能。结果显示,所有提出的模型都持续提高了训练准确率并降低了训练损失,直到第30个周期。

**5.2. 第二项研究**

表5展示了在第二项研究中使用的大数据集的训练集和测试集上提出的CNN模型的性能。评估指标包括准确率、精确度、召回率和F1分数。测试的模型包括修改后的VGG16、ROIN、ROIHEN和ROHEDEN。从表中可以看出,修改后的VGG16模型在训练集和测试集上都取得了最高的准确率和F1分数,而ROIN模型的准确率和F1分数最低。然而,就测试集而言,ROHEDEN模型在特异性方面表现优于修改后的VGG16模型。总体而言,结果表明,提出的ROI选择、直方图均衡化和细节增强方法可以提高CNN模型在检测3D打印圆柱体图像缺陷方面的性能。图7展示了在第二项研究中提出的修改后的VGG16模型在训练集和测试集上的混淆矩阵。该图显示,该模型在训练集上错误分类了11%的样本(图5(a)),在测试集上错误分类了8.5%的样本(图5(b)。

表5. 在第二项研究中使用的大数据集的训练集和测试集上提出的不同CNN模型的性能,包含95%置信区间。
| 模型 | 准确率 | 精确度 | 召回率 | F1分数 | 特异性 |
|-------------------|-------------|------------|------------|-------------|
| 修改后的VGG16 | 0.97 ± 0.01 | 0.97 ± 0.01 | 0.97 ± 0.01 | 0.97 ± 0.01 | 0.97 ± 0.01 | 0.96 ± 0.01 | 0.97 ± 0.01 | 0.89 ± 0.02 | 0.91 ± 0.02 |
| ROIN | 0.95 ± 0.01 | 0.96 ± 0.01 | 0.96 ± 0.01 | 0.96 ± 0.01 | 0.95 ± 0.01 | 0.96 ± 0.01 | 0.88 ± 0.03 | 0.85 ± 0.03 |
| ROIHEN | 0.94 ± 0.01 | 0.94 ± 0.01 | 0.95 ± 0.01 | 0.94 ± 0.01 | 0.94 ± 0.01 | 0.81 ± 0.03 | 0.84 ± 0.03 | 0.97 ± 0.01 |

图8比较了在第二项研究中修改后的VGG16、ROIN、ROIHEN和ROIHEDEN模型在训练阶段的性能。结果显示,所有提出的模型都持续提高了训练准确率并降低了训练损失,直到第30个周期。

**5.3. 第三项研究**

为了进一步评估所提出方法的鲁棒性并解决工业缺陷检测中常见的类别不平衡问题,我们在FDM 3D打印缺陷数据集上进行了实验。该数据集包含1912张图像,分为五种缺陷类型:裂纹(472张,24.7%)、层移(364张,19.0%)、平台脱落(91张,4.8%)、串列(447张,23.4%)和翘曲(538张,28.1%)。平台脱落类别的代表最少,这使得这项任务特别具有挑战性。使用分层采样将数据分为训练集(1529张图像)和测试集(383张图像),以确保类别分布的一致性。为了缓解不平衡问题,应用了加权损失函数和平衡采样,类别权重分别计算为:裂纹(0.811)、层移(1.051)、平台脱落(4.189)、串列(0.854)和翘曲(0.711)。

表6展示了经过类别平衡的修改后的VGG16模型的分类结果。尽管平台脱落类别的代表最少,但该模型在所有类别上都表现出了一致的高性能,包括完全准确率。图9显示了训练集和测试集的混淆矩阵。在测试集中没有观察到誤分类。

表6. 修改后的VGG16模型在第三项研究中的训练集和测试集上的性能,包含95%置信区间。
| 缺陷类别 | 准确率 | 精确度 | 召回率 | F1分数 |
|-------------------|-------------|------------|------------|-------------|
| 裂纹 | 0.98 ± 0.01 | 1.00 ± 0.00 | 0.97 ± 0.02 | 1.00 ± 0.00 |
| 层移 | 0.99 ± 0.01 | 1.00 ± 0.00 | 0.99 ± 0.01 | 1.00 ± 0.00 |
| 平台脱落 | 0.99 ± 0.01 | 1.00 ± 0.00 | 0.99 ± 0.01 | 1.00 ± 0.00 |
| 串列 | 0.99 ± 0.01 | 1.00 ± 0.00 | 0.99 ± 0.01 | 1.00 ± 0.00 |
| 翘曲 | 0.99 ± 0.01 | 1.00 ± 0.00 | 0.99 ± 0.01 | 1.00 ± 0.00 |

表7比较了在不同训练设置下基线VGG16和修改后的VGG16的性能。平台脱落类别受益最大,其F1分数从基线模型的0.000提高到了最终配置的1.000。

**6. 结论**

**讨论**

本研究开发并验证了用于熔融纤维制造(FFF)增材制造(AM)中缺陷检测和定位的方法。主要关注的是圆柱形几何体。本研究扩展了多类缺陷分类的能力,采用了一种创新的预处理技术与改进的VGG16迁移学习模型相结合的方法。这些预处理技术包括带有标准化的感兴趣区域(ROI,ROI)选择(ROIN)、带有直方图均衡化的ROI(ROIHEN)以及带有直方图均衡化、细节增强和标准化的ROI(ROIHEDEN)。该方法取得了卓越的性能指标,在二分类(缺陷/无缺陷)和多分类场景下的测试数据集上实现了1.00的准确率和F1分数。针对AM成像固有的挑战(如光照变化、几何不一致性和缺陷可见性不佳等问题),通过有针对性的图像增强进行了改进。其中,ROIHEDEN方法表现尤为突出,它通过ROI隔离、对比度均衡化和细节锐化来优化图像特征。预处理在这个过程中起着关键作用,它将注意力引导到与缺陷相关的区域。

在第一项研究中,使用了一个包含272个样本的小型平衡数据集作为基础。所有变体都达到了完美的测试集指标,特异性范围从0.875到1.00。即使数据量有限,系统也展现了较强的泛化能力。第二项研究在一个包含3017个样本的更大不平衡数据集上验证了该方法的可扩展性,ROIHEDEN的准确率和F1分数达到了0.96,其在处理类别差异时的区分能力优于基线模型。不平衡的FDM数据集包含五个缺陷类别的1912个样本,通过对类别加权训练和增强处理解决了这一问题,增强方法包括旋转、平移、剪切、缩放和翻转等操作,最终实现了所有指标上的1.00准确率。像离线平台缺陷(占比4.8%)这样的代表性不足的类别受益最大。先前的研究往往存在数据不平衡的问题,这导致了对罕见缺陷的预测偏差和较低的重现率[33][34]。

改进后的VGG16在计算效率上表现优异,仅需30713百万FLOPs和1500万个参数,优于其他模型如VGG19(39038百万FLOPs,2000万个参数)、ResNet101(15195百万FLOPs,4265万个参数)和InceptionResNetV2(26382百万FLOPs,5587万个参数)。这使得它在资源受限的硬件上进行实时部署成为可能。传统的方法包括目视检查或无损检测(NDT)[12][14],但这些方法存在主观性、破坏性或成本高的问题。相比之下,该方法提供了非侵入式的自动化质量控制方案,检查时间可减少90%,同时保持高精度。可解释AI(XAI)的集成增强了系统的可信度,LIME和Grad-CAM为此提供了工具:LIME的超像素解释揭示了对纹理异常(如裂纹和位移)的依赖性,而Grad-CAM的热图将激活与实际缺陷对齐,决策基于有意义的特征而非伪影。边界框定位和注意力图进一步验证了这些可视化结果,操作人员因此获得了可操作的洞察,弥补了卷积神经网络在AM应用中的可解释性差距[20]。

这些发现对AM质量保证具有重要意义。早期缺陷定位有助于及时采取校正措施,如参数调整,从而减少材料浪费,并降低返工成本(在FFF中估计为生产成本的20%-30%[3])。该方法的多类场景通用性支持其在航空航天和生物医学等行业的应用,尽管这些领域的缺陷容忍度仍然较低。通过加权损失和增强技术缓解类别不平衡问题,为后续研究树立了榜样。现实世界的数据集通常在缺陷分布上存在不平衡现象。尽管研究结果令人鼓舞,但仍需明确承认其局限性:首先,该框架采用离线后处理模式,尽管图像是在打印过程中采集的,但所有分类都是在事后进行的,因此在不进行重大架构重构的情况下无法用于实时现场干预,这对需要立即采取纠正措施的工业环境是一个重要限制。未来工作应致力于通过模型压缩、边缘部署或与闭环反馈控制的集成来解决这一差距。第二个重要问题是几何形状和数据集范围的限制:验证主要在圆柱形样本和公开可用的FDM缺陷数据集上进行,尚未评估在更复杂或工业相关几何形状(如格子结构、L型支架或多材料组合)上的性能,可能需要适应几何形状的ROI策略。第三,所有训练数据均来自单一受控实验室环境(俄克拉荷马大学的SMIS实验室),使用的是同一型号的打印机和固定的成像条件,因此对不同打印机、丝材材料、光照环境或摄像头位置的泛化能力尚未经过测试,可能需要领域适应。第四,该框架仅限于通过光学成像可检测的表面可见缺陷;内部缺陷(如空洞、分层或亚表面孔隙)不在其当前研究范围内。

此外,本研究未与现有的端到端对象检测框架(如YOLO)进行直接比较。基于YOLO的架构在之前的研究中对FFF异常检测表现出色[33],可以作为空间定位任务的自然基准。目前框架采用分类驱动的方法,依赖基于预处理的空间注意力(ROI、HE、DE)和事后的XAI工具(Grad-CAM、LIME)进行定位,而不是显式的端到端边界框预测。这两种方法在训练要求上有所不同:YOLO需要像素级别的边界框注释,而当前数据集不包含这些注释,这是为了优先考虑可解释性、计算效率和在没有边界框标签的数据集上的部署而做出的设计选择。未来工作将为此生成SMIS圆柱数据集的边界框注释,在一致条件下训练和评估YOLO变体,并考察是否可以将YOLO的空间精度与当前框架的可解释性和计算效率结合起来,构建统一的质量控制系统。后续研究将涵盖多种几何形状(棱柱、L型支架、格子)的消融研究,实现在线学习以适应缺陷演变,优化适用于边缘设备的轻量级模型,并提升实时检测能力。与传感器数据(如振动或热成像)的融合可以实现混合诊断,最终将缺陷检测与预测性维护相结合,推动完全自主化的制造。

7. 结论

本研究提出了使用基于迁移学习的CNN模型(包括改进的VGG16、ROI、ROIHEN和ROIHEDEN)进行3D打印物体缺陷检测的方法。这些模型在多个数据集和几何形状上均取得了高准确率、精度、召回率和F1分数。计算分析表明,改进后的VGG16在准确性和效率上都有所提升,而LIME和Grad-CAM提供了对决策过程的可解释性洞察。该方法将3D-ADAM数据集上的缺陷检测准确率从75%提高到99.5%。改进的关键因素包括自适应预处理、空间和通道注意力的集成、先进的训练策略(余弦退火、焦点损失、SWA)、针对实验室到工厂环境差异的领域适应以及利用几何特异模型的集成方法。这些改进使得在圆柱体、棱柱、L型支架和格子结构上的检测都变得可靠。这些改进带来了工业上的益处,如减少材料浪费、降低返工成本、提高首次通过率以及实现实时质量监控。该系统还具备足够的速度和效率,可直接集成到生产工作中。重要的是,详细记录了数据采集的硬件和条件,增强了研究的可重复性。尽管该框架具有高准确率和计算效率,但其离线后处理特性以及在圆柱形几何形状上的主要验证方式是其在更广泛工业应用前需要解决的关键限制。未来发展应重点关注实时实现、在多种几何配置上的验证,以及与端到端对象检测方法(如YOLO)的系统性对比。

未来的工作将致力于将该方法扩展到多材料打印,实现在线学习以适应不断变化的缺陷类型,并优化模型以适应边缘设备的轻量级部署。将缺陷检测与预测性维护系统相结合也是另一个有前景的方向。总之,这项工作为增材制造中的自动缺陷检测提供了一个强大且高效的框架,结果表明其已准备好应用于工业场景,并为智能质量控制的进一步发展奠定了坚实基础。

**作者贡献声明:**
Md Manjurul Ahsan:撰写原始草稿、可视化、验证、正式分析、数据管理、概念构思。
Yingtao Liu:撰写审稿与编辑、软件开发、方法论设计、数据分析、数据管理、概念构思。
Shivakumar Raman:撰写审稿与编辑、撰写原始草稿、验证、指导、软件开发、方法论设计、数据管理、概念构思。
Zahed Siddique:撰写审稿与编辑、撰写原始草稿、可视化、指导、方法论设计、数据分析、数据管理、概念构思。

**关于写作过程中生成式AI和AI辅助技术的声明:**
在准备本研究过程中,作者使用了ChatGPT来减少语法错误和提高写作清晰度。使用该工具/服务后,作者根据需要对内容进行了审查和编辑,并对发表文章的内容负全责。

**资金声明:**
本研究没有外部资金支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号