Сегментация изображений на основе глубокого обучения для обнаружения дефектов в аддитивном производстве: обзор

Применение аддитивного производства (АП) быстро расширяется в различных областях и не ограничивается задачами прототипирования. Однако получение бездефектных деталей для медицинской, аэрокосмической и автомобильной промышленности имеет критическое значение для широкого внедрения АП в этих отраслях. Поскольку АП представляет собой сложный процесс, включающий множество взаимозависимых факторов, методы глубокого обучения (ГО) широко применяются для установления взаимосвязи между физикой процесса АП и качеством деталей. Как правило, в процессах АП глубокое обучение на основе компьютерного зрения реализуется посредством извлечения данных с датчиков оборудования и послойных изображений с помощью камерных систем. В статье представлен обзор методов локализации дефектов по участкам и попиксельной сегментации с использованием компьютерного зрения, предложенных для процессов АП с целью получения бездефектных деталей. В частности, эти методы глубокого обучения локализуют и сегментируют дефекты в каждом слое, такие как пористость, области расплавленной ванны и разбрызгивание, непосредственно в процессе изготовления. Кроме того, информация о таких дефектах может обеспечить углублённое понимание тонкой настройки оптимальных параметров процесса и качества деталей посредством обратной связи в реальном времени. Помимо архитектур глубокого обучения для выявления дефектов, рассмотрены применения глубокого обучения для корректировки переменных процесса АП в системах с замкнутым контуром обратной связи. Хотя в ряде исследований изучалось внедрение систем с замкнутым контуром в АП для уменьшения дефектности, существуют специфические проблемы, обусловленные взаимосвязью между взаимозависимыми параметрами процесса и ограничениями оборудования. Обсуждаются потенциальные возможности решения этих проблем, включая усовершенствованные алгоритмы сегментации, зрительные трансформеры, повышение разнообразия данных для улучшения производительности и прогностические подходы к обратной связи.