導讀：增材制造（3D打?。┱找娉蔀橹圃鞓I(yè)的核心技術，然而，檢測其復雜部件中的缺陷一直是一個重大挑戰(zhàn)。近日，伊利諾伊大學厄巴納-香檳分校的研究團隊開發(fā)出了一種新方法，利用深度學習技術有效檢測增材制造部件中的缺陷，這一突破有望顯著提升增材制造的質(zhì)量控制能力。

在傳統(tǒng)制造業(yè)中，確保組件無缺陷是至關重要的一環(huán)。然而，增材制造由于其可以制造出具有復雜三維形狀和內(nèi)部特征的組件，使得缺陷檢測變得尤為困難。為了解決這一難題，伊利諾伊大學的研究人員利用深度機器學習技術，開發(fā)了一種全新的缺陷檢測方法。

研究團隊通過計算機模擬生成了數(shù)以萬計的合成缺陷圖像，這些圖像被用來訓練深度學習模型。每個生成的缺陷圖像都有不同的大小、形狀和位置，使得模型能夠識別各種可能的缺陷并區(qū)分有缺陷和無缺陷的組件。

該方法的核心在于X射線計算機斷層掃描（CT），它能夠深入檢測增材制造部件的內(nèi)部結(jié)構(gòu)。這一過程生成了大量的橫截面圖像，這些圖像被標記為無缺陷或有缺陷，為訓練模型提供了豐富的數(shù)據(jù)集。

為了驗證這一方法的有效性，研究團隊設計了一個具有內(nèi)部三維幾何形狀的噴嘴部件，并通過兩種不同的基于樹脂的增材制造工藝制造了227個部件。這些部件中，一部分沒有缺陷，另一部分則包含故意設計的缺陷。研究人員對每個部件進行了CT掃描，生成了100,334個橫截面圖像切片，其中13.6%被標記為有缺陷。

通過這些數(shù)據(jù)，研究團隊訓練了Vision Transformer (ViT) 模型，并在實驗部件中的572個缺陷上進行了測試。結(jié)果表明，該模型能夠準確檢測和分類缺陷部件，準確率超過90%。

這一研究表明，合成數(shù)據(jù)在訓練深度學習模型方面具有巨大的潛力，可以有效檢測以前從未見過的缺陷。項目負責人、伊利諾伊大學機械科學與工程學教授威廉·金（William King）表示：“利用計算機模擬，我們可以非常快速地建立一個機器學習模型，以高精度識別缺陷。深度學習使我們能夠準確地檢測到計算機以前從未發(fā)現(xiàn)過的缺陷。”

這一方法不僅可以推廣到多種類型的部件設計和缺陷類型，還可以大大減少訓練機器學習模型的時間和成本。該研究成果發(fā)表在《智能制造雜志》上，題為《利用深度學習和X射線計算機斷層掃描檢測和分類增材制造部件中的隱藏缺陷》。

此次研究的作者包括伊利諾伊大學厄巴納-香檳分校的Miles Bimrose、Sameh Tawfick和William King；馬里蘭大學的Davis McGregor；密歇根大學的邵晨暉；以及浙江大學的胡天翔、王炯欣和劉作柱。

導讀：增材制造（3D打?。┱找娉蔀橹圃鞓I(yè)的核心技術，然而，檢測其復雜部件中的缺陷一直是一個重大挑戰(zhàn)。近日，伊利諾伊大學厄巴納-香檳分校的研究團隊開發(fā)出了一種新方法，利用深度學習技術有效檢測增材制造部件中的缺陷，這一突破有望顯著提升增材制造的質(zhì)量控制能力。

在傳統(tǒng)制造業(yè)中，確保組件無缺陷是至關重要的一環(huán)。然而，增材制造由于其可以制造出具有復雜三維形狀和內(nèi)部特征的組件，使得缺陷檢測變得尤為困難。為了解決這一難題，伊利諾伊大學的研究人員利用深度機器學習技術，開發(fā)了一種全新的缺陷檢測方法。

研究團隊通過計算機模擬生成了數(shù)以萬計的合成缺陷圖像，這些圖像被用來訓練深度學習模型。每個生成的缺陷圖像都有不同的大小、形狀和位置，使得模型能夠識別各種可能的缺陷并區(qū)分有缺陷和無缺陷的組件。

該方法的核心在于X射線計算機斷層掃描（CT），它能夠深入檢測增材制造部件的內(nèi)部結(jié)構(gòu)。這一過程生成了大量的橫截面圖像，這些圖像被標記為無缺陷或有缺陷，為訓練模型提供了豐富的數(shù)據(jù)集。

為了驗證這一方法的有效性，研究團隊設計了一個具有內(nèi)部三維幾何形狀的噴嘴部件，并通過兩種不同的基于樹脂的增材制造工藝制造了227個部件。這些部件中，一部分沒有缺陷，另一部分則包含故意設計的缺陷。研究人員對每個部件進行了CT掃描，生成了100,334個橫截面圖像切片，其中13.6%被標記為有缺陷。

通過這些數(shù)據(jù)，研究團隊訓練了Vision Transformer (ViT) 模型，并在實驗部件中的572個缺陷上進行了測試。結(jié)果表明，該模型能夠準確檢測和分類缺陷部件，準確率超過90%。

這一研究表明，合成數(shù)據(jù)在訓練深度學習模型方面具有巨大的潛力，可以有效檢測以前從未見過的缺陷。項目負責人、伊利諾伊大學機械科學與工程學教授威廉·金（William King）表示：“利用計算機模擬，我們可以非常快速地建立一個機器學習模型，以高精度識別缺陷。深度學習使我們能夠準確地檢測到計算機以前從未發(fā)現(xiàn)過的缺陷。”

這一方法不僅可以推廣到多種類型的部件設計和缺陷類型，還可以大大減少訓練機器學習模型的時間和成本。該研究成果發(fā)表在《智能制造雜志》上，題為《利用深度學習和X射線計算機斷層掃描檢測和分類增材制造部件中的隱藏缺陷》。

此次研究的作者包括伊利諾伊大學厄巴納-香檳分校的Miles Bimrose、Sameh Tawfick和William King；馬里蘭大學的Davis McGregor；密歇根大學的邵晨暉；以及浙江大學的胡天翔、王炯欣和劉作柱。