利用分割模型估计 PBF-LB/M 工艺的孔隙位置
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本研究利用深度学习和热图像分析，提高了X射线计算断层摄影术的孔隙分析精度，并建立了实时孔隙分布图。通过卷积神经网络和视频视觉Transformer模型，预测孔隙计数并指示孔隙区域。同时，开发了生成性深度学习模型，实现低保真度到高保真度的映射，显著减少了分析时间。
🔎
延伸解读
深度学习在孔隙分析中的角色
文章介绍了利用卷积神经网络和视频视觉Transformer模型，从热图像中预测孔隙计数和指示孔隙区域，从而建立实时孔隙分布图。这种方法旨在减少传统后期检测的耗时工作，为部件质量认证提供基于数字孪生的新途径。
生成模型加速模拟分析
通过概率扩散框架的生成性深度学习模型，研究实现了从低保真度粗网格模拟到高保真度结果的映射，无需多次高保真模拟。在二维扩散模型示例中，预测了3微米的熔池深度，并将分析时间降低了两个数量级，显著提升了效率。
多模态监测与缺陷检测
文章还涉及红外特征用于缺陷检测和工艺模型校准，以及声发射数据在定向能量沉积过程中的分析。采用可解释人工智能方法，建立了声发射波形签名与毛孔形成的定量联系，展示了多模态传感器数据在工艺监控中的潜力。
❓
Q&A
这项研究如何提高X射线计算断层摄影术的孔隙分析精度？
通过标记粉末的单个2D射线照片上的气孔像素，模拟高效设置，从而提高仿真分割精度。
研究中使用了哪些深度学习模型来分析孔隙？
使用了卷积神经网络模型预测孔隙计数和视频视觉Transformer模型指示孔隙区域。
生成性深度学习模型的作用是什么？
实现低保真度到高保真度的映射，显著减少分析时间。
如何通过机器学习加快对部件孔隙率的洞察获取？
通过分析成型过程监测数据，快速获得重要洞察。
研究中提出了哪些新方法用于缺陷检测？
提出了准确映射原位数据到三维几何形状的新方法，并引入多个红外特征用于缺陷检测。
声发射气动波形签名与DED工艺中毛孔形成的关系是什么？
通过可解释人工智能的方法建立了二者之间的定量联系。
🏷️
