[論文レビュー] Toward Enabling a Reliable Quality Monitoring System for Additive Manufacturing Process using Deep Convolutional Neural Networks

Yaser Mike Banad, Nariman Razaviarab+2 more|arXiv (Cornell University)|Mar 6, 2020

Additive Manufacturing and 3D Printing Technologies被引用数 27

ひとこと要約

本論文は、積層造形（AM）におけるリアルタイム品質モニタリングのための深層畳み込みニューラルネットワーク（CNN）ベースのシステムを提案する。イン・サイト画像を用いて、層ごとの積層プロセス中に欠陥を検出し分類する。モデルは5つの品質グレードにおいて94%の正確性、96%の特異性、F1スコアが75%以上を達成し、自動的で非接触の品質管理と欠陥・材料の無駄を低減するためのリアルタイムのパrameter調整を可能にする。

ABSTRACT

Additive Manufacturing (AM) is a crucial component of the smart industry. In this paper, we propose an automated quality grading system for the AM process using a deep convolutional neural network (CNN) model. The CNN model is trained offline using the images of the internal and surface defects in the layer-by-layer deposition of materials and tested online by studying the performance of detecting and classifying the failure in AM process at different extruder speeds and temperatures. The model demonstrates the accuracy of 94% and specificity of 96%, as well as above 75% in three classifier measures of the Fscore, the sensitivity, and precision for classifying the quality of the printing process in five grades in real-time. The proposed online model adds an automated, consistent, and non-contact quality control signal to the AM process that eliminates the manual inspection of parts after they are entirely built. The quality monitoring signal can also be used by the machine to suggest remedial actions by adjusting the parameters in real-time. The proposed quality predictive model serves as a proof-of-concept for any type of AM machines to produce reliable parts with fewer quality hiccups while limiting the waste of both time and materials.

研究の動機と目的

• 積層造形（AM）における、後工程の手作業による検査に依存しない自動的でリアルタイムの品質モニタリングシステムの開発を目的とする。
• AMプロセスにおける一貫性の欠如と時間がかかる手作業による品質評価の課題に対処することを目的とする。
• イン・サイト画像を用いて、印刷プロセス中に欠陥をリアルタイムで検出し分類することを目的とする。
• 即時のフィードバックによるプロセス補正を提供することで、部品の信頼性を向上させ、材料および時間の無駄を削減することを目的とする。
• さまざまなAMマシンタイプに適用可能なスケーラブルで非接触の品質管理ソリューションの構築を目的とする。

提案手法

• 深層畳み込みニューラルネットワーク（CNN）を、積層造形の層ごとのプロセスにおける内部および表面欠陥のラベル付き画像で事前学習する。
• トレーニングデータセットには、プロセス条件のばらつきをカバーするため、異なるエクストルーダー速度および温度での撮影画像を含める。
• モデルはオンラインでデプロイされ、欠陥の有無と深刻度に基づき、5つの事前に定義されたグレードに応じて印刷品質を分類する。
• 標準指標（正確性、特異性、適合率、感度、F1スコア）を用いて性能を評価する。
• リアルタイムフィードバックにより、AMにおけるクローズドループ制御を支援するためのプロセスパrameter調整が可能である。
• 手動による特徴工学を必要とせず、画像からの空間的特徴を抽出するコンピュータビジョン技術を活用する。

実験結果

リサーチクエスチョン

• RQ1 深層CNNモデルは、積層造形プロセス中にリアルタイムで欠陥を信頼性高く検出し分類できるか？
• RQ2 印刷中の異なるエクストルーダー速度および温度条件下で、モデルの性能はどのように変化するか？
• RQ3 モデルは、AMにおける手作業による検査をどれほど代替できるか？
• RQ4 システムは、印刷品質の向上に向けたリアルタイムのパrameter調整のための実行可能なフィードバックを提供できるか？
• RQ5 5つの異なる品質グレードの印刷部品を分類する段階で、どの程度の正確性と頑健性が達成できるか？

主な発見

• 提案されたCNNモデルは、AM部品のリアルタイム品質グレーディングにおいて94%の分類正確性を達成した。
• モデルの特異性は96%に達し、非欠陥部品を正しく識別する強力な性能を示している。
• F1スコア、適合率、感度はすべて5つの品質グレードにおいて75%以上であり、バランスの取れた性能を示している。
• システムは、後工程の検査を要しないリアルタイムモニタリングを可能にし、時間と人的コストの削減に寄与している。
• エクストルーダー速度や温度などのさまざまなプロセスパrameterに対しても、モデルは高い性能を維持しており、頑健性が確認された。
• 結果から、深層学習を用いた自動的で非接触の品質管理の実現可能性が示され、クローズドループプロセス最適化への道筋が示された。