[論文レビュー] Scalable AI Framework for Defect Detection in Metal Additive Manufacturing

Duy Nhat Phan, Srirang Jha+5 more|arXiv (Cornell University)|Nov 1, 2024

Additive Manufacturing Materials and Processes被引用数 4

ひとこと要約

本論文では、金属アディティブマニュファクチャリング（AM）における欠陥検出を、熱画像を用いて実現するスケーラブルなAIフレームワークを提示する。生成対抗ネットワーク（GAN）を用いた合成データとノイズ除去パイプラインを活用することで、人為的ラベルなしで高精度な欠陥検出を実現し、実用的な工業的導入を可能にするユーザーフレンドリーなCLADMAインターフェースに統合されている。

ABSTRACT

Additive Manufacturing (AM) is transforming the manufacturing sector by enabling efficient production of intricately designed products and small-batch components. However, metal parts produced via AM can include flaws that cause inferior mechanical properties, including reduced fatigue response, yield strength, and fracture toughness. To address this issue, we leverage convolutional neural networks (CNN) to analyze thermal images of printed layers, automatically identifying anomalies that impact these properties. We also investigate various synthetic data generation techniques to address limited and imbalanced AM training data. Our models' defect detection capabilities were assessed using images of Nickel alloy 718 layers produced on a laser powder bed fusion AM machine and synthetic datasets with and without added noise. Our results show significant accuracy improvements with synthetic data, emphasizing the importance of expanding training sets for reliable defect detection. Specifically, Generative Adversarial Networks (GAN)-generated datasets streamlined data preparation by eliminating human intervention while maintaining high performance, thereby enhancing defect detection capabilities. Additionally, our denoising approach effectively improves image quality, ensuring reliable defect detection. Finally, our work integrates these models in the CLoud ADditive MAnufacturing (CLADMA) module, a user-friendly interface, to enhance their accessibility and practicality for AM applications. This integration supports broader adoption and practical implementation of advanced defect detection in AM processes.

研究の動機と目的

• 金属アディティブマニュファクチャリング（AM）における欠陥検出のための、実世界のトレーニングデータが限られたり不均衡であったりする課題に対処すること。
• レーザー粉末床融着プロセスからの熱画像を用いて、自動的かつ高精度な欠陥検出を可能にするスケーラブルなAIフレームワークを開発すること。
• 特にGANを用いた合成データ生成技術の有効性を評価し、モデルの汎化性能を向上させるとともに、人為的ラベル付きデータへの依存度を低減すること。
• 訓練済みモデルを、実用的な工業的AMワークフローへの導入を想定した、ユーザーフレンドリーなクラウドベースのインターフェース（CLADMA）に統合すること。

提案手法

• フレームワークは、金属AMプロセスのレイヤーワイズ進行中に取得された熱画像を分析するため、畳み込みニューラルネットワーク（CNN）を採用している。
• 実際のトレーニングデータを補完するために、生成対抗ネットワーク（GAN）を用いて合成データを生成し、モデルのロバスト性と汎化性能を向上させている。
• ノイズ除去パイプラインを適用することで、欠陥検出に悪影響を及える可能性のあるノイズを低減し、熱画像の品質を向上させている。
• フレームワークは、レーザー粉末床融着法で生成されたニッケル合金718のレイヤーの実際の熱画像を用いて評価されている。
• クラウドベースで利用可能なユーザーフレンドリーなインターフェースとしてのCLADMAモジュールを構築し、訓練済みモデルを工業的導入に統合している。
• ノイズを含む／含まないデータセットの両方で性能を比較することで、フレームワークのロバスト性とスケーラビリティを検証している。

実験結果

リサーチクエスチョン

• RQ1 実データが不足している、または不均衡な状況下で、GANによって生成された合成データが金属AMにおける欠陥検出の精度を顕著に向上させることができるか？
• RQ2 画像のノイズ除去処理が、AMにおける熱画像の欠陥検出モデルの信頼性と性能にどのように影響を与えるか？
• RQ3 スケーラブルなAIフレームワークは、金属AMにおける欠陥検出において、人為的ラベル付きデータへの依存度をどの程度低減できるか？
• RQ4 訓練済みモデルをクラウドベースで利用可能なユーザーフレンドリーなインターフェース（CLADMA）に統合することは、実世界のAM応用においてどの程度有効であったか？

主な発見

• GANによって生成された合成データの使用により、実データのみで訓練されたモデルに比べて、欠陥検出の精度が顕著に向上した。
• ノイズ除去パイプラインは、さまざまなノイズレベルにおいても一貫性があり信頼性の高い欠陥検出を実現するため、熱画像の品質を効果的に向上させた。
• CLADMAインターフェースは、AIモデルの実用的導入を成功裏に実現し、工業用途におけるユーザーの使いやすさとアクセス可能性を示した。
• 限られた実データでも高い性能を達成したため、AM欠陥検出におけるデータ不足の課題を克服するうえで、合成データの価値が顕著に示された。
• ノイズを含む合成データで訓練されたモデルは、実際のテストデータに対しても高い汎化性能を示し、高い精度を維持した。
• GANベースのデータ生成の統合により、データ準備における人為的介入が不要となり、トレーニングパイプラインの効率化が達成された。