基于衰减调整的深度学习在增材制造粉末 2D 射线照片中的孔缺陷检测
内容提要
本文探讨了利用深度学习和卷积神经网络对钛涂覆镍线中的Kirkendall气孔进行体积分数测量及预测。研究基于热图像实时定位激光成型制件的孔隙率，并通过机器学习分析加速洞察获取。此外，采用3D U-Net模型自动分割缺陷，提高了缺陷检测的准确性，为数字岩石物理学和焊接质量保证提供了新方法。
延伸解读
多技术融合的缺陷检测趋势
文章汇总了多项研究，显示增材制造缺陷检测正结合多种深度学习技术。例如，卷积神经网络用于测量Kirkendall气孔体积分数，热图像结合卷积神经网络和视觉Transformer实现实时孔隙分布预测，3D U-Net用于XCT图像缺陷分割。这些方法共同提高了检测准确性和效率，为质量保证提供了新途径。
无监督与有监督模型的性能对比
在增材制造样本孔隙率分析中，有监督模型MSS-UNet平均精度为0.808±0.013，而无监督模型ceVAE经后处理后平均精度达0.935±0.001。这表明无监督模型结合后处理技术可能具有更高精度，为缺乏标注数据的场景提供了有前景的解决方案。
数字孪生与实时监测的潜力
基于热图像的实时孔隙分布图研究，为建立部件孔隙率的“数字孪生”奠定了基础。这有望减少质量认证中耗时的后期检测，并通过机器学习分析加速获取通常仅通过外置部件评估才能获得的重要洞察，推动增材制造向智能化发展。
跨领域方法迁移的启示
文章提到基于医学成像的3D U-Net模型在增材制造XCT图像缺陷分割中达到88.4%的均交并比，以及数字岩石物理学中扩散模型和TransU-Net的应用。这些跨领域方法迁移展示了深度学习在缺陷检测和材料表征中的通用性，为增材制造质量保证提供了新思路。
Q&A
如何利用深度学习检测增材制造中的孔缺陷？
通过卷积神经网络和3D U-Net模型，可以对钛涂覆镍线中的Kirkendall气孔进行体积分数测量和自动分割，从而提高缺陷检测的准确性。
什么是Kirkendall气孔，它在增材制造中有什么影响？
Kirkendall气孔是增材制造过程中形成的孔隙，影响材料的孔隙率和整体质量，需通过深度学习进行检测和分析。
热图像在孔隙率检测中如何应用？
热图像用于实时定位激光成型制件的孔隙率，帮助建立孔隙分布图，从而加速制造监测数据的获取。
3D U-Net模型在缺陷检测中有什么优势？
3D U-Net模型能够自动分割缺陷，提高检测准确性，特别是在处理增材制造样本时表现出色。
机器学习如何加速制造监测数据的洞察？
通过机器学习分析，可以快速获取通常需要外置部件评估的重要洞察，从而提高制造监测的效率。
本文研究对数字岩石物理学有什么贡献？
研究为数字岩石物理学提供了新方法，通过深度学习提高了缺陷检测的准确性，推动了相关领域的发展。
