[논문 리뷰] Scalable AI Framework for Defect Detection in Metal Additive Manufacturing

Duy Nhat Phan, Srirang Jha외 5명|arXiv (Cornell University)|2024. 11. 01.

Additive Manufacturing Materials and Processes인용 수 4

한 줄 요약

이 논문은 열화상 영상을 통해 금속 적층 제조(AM) 공정에서 결함을 탐지하기 위해 컨volutional 신경망(CNN)을 사용하는 확장 가능한 AI 프레임워크를 제시한다. 생성적 적대 기반 네트워크(GAN)를 활용한 합성 데이터와 노이즈 제거 파이pline을 통해 인간 레이블이 없는 환경에서도 고정밀도의 결함 탐지가 가능하며, 실용적인 산업적 구현을 위해 사용자 친화적인 CLADMA 인터페이스에 통합된다.

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.

연구 동기 및 목표

• 금속 적층 제조(AM) 공정에서 결함 탐지에 필요한 실세계 학습 데이터의 부족함 및 불균형 문제를 해결하기 위해.
• 레이저 풍선 베드 퓨전 공정에서 촬영한 열화상 영상을 활용해 자동화되고 고정밀도의 결함 탐지가 가능한 확장 가능한 AI 프레임워크를 개발하기 위해.
• 특히 GAN을 활용한 합성 데이터 생성 기법이 모델의 일반화 능력 향상과 인간 레이블링 데이터 의존도 감소에 기여하는지 평가하기 위해.
• 학습된 모델을 사용자 친화적인 클라우드 기반 인터페이스(CLADMA)에 통합하여 산업적 AM 워크플로우에서의 실용적 도입을 가능하게 하기 위해.

제안 방법

• 프레임워크는 금속 AM 공정의 레이어별 진행 동안 촬영한 열화상 영상을 분석하기 위해 컨volutional 신경망(CNN)을 활용한다.
• 실제 학습 데이터를 보완하기 위해 생성적 적대 기반 네트워크(GAN)를 사용해 합성 데이터를 생성함으로써 모델의 강건성과 일반화 능력을 향상시킨다.
• 노이즈 제거 파이pline을 적용하여 열화상 영상 품질을 향상시켜 결함 탐지에 영향을 줄 수 있는 잡음 요소를 감소시킨다.
• 레이저 풍선 베드 퓨전 공정을 통해 제작된 니켈 합금 718 레이어의 실제 열화상 영상 데이터셋을 대상으로 프레임워크를 평가한다.
• 학습된 모델을 클라우드 기반 사용자 친화적 인터페이스로 통합하기 위해 CLADMA 모듈을 개발한다.
• 노이즈가 추가된 데이터셋과 추가되지 않은 데이터셋 간의 성능 비교를 통해 프레임워크의 강건성과 확장 가능성 검증.

실험 결과

연구 질문

• RQ1 실제 데이터가 부족하거나 불균형한 상황에서 GAN 기반 합성 데이터가 금속 AM의 결함 탐지 정확도를 뚜렷이 향상시킬 수 있는가?
• RQ2 이미지 노이즈 제거 기법이 금속 AM의 열화상 영상에서 결함 탐지 모델의 신뢰성과 성능에 어떤 영향을 미치는가?
• RQ3 확장 가능한 AI 프레임워크가 금속 AM의 결함 탐지에서 인간 레이블링 데이터 의존도를 어느 정도 감소시킬 수 있는가?
• RQ4 학습된 모델을 클라우드 기반 사용자 친화적 인터페이스(CLADMA)에 통합하는 것이 실세계 AM 응용 분야에서 얼마나 효과적인가?

주요 결과

• GAN 기반 합성 데이터 활용으로 결함 탐지 정확도가 뚜렷이 향상되었으며, 실재 데이터만으로 학습된 모델보다 뛰어난 성능을 보였다.
• 노이즈 제거 파이pline은 열화상 영상 품질을 효과적으로 향상시켜 다양한 노이즈 수준에서도 일관되고 신뢰할 수 있는 결함 탐지 결과를 도출했다.
• CLADMA 인터페이스를 통해 AI 모델의 실용적 구현이 성공적으로 이뤄졌으며, 산업 현장 사용자들이 쉽게 접근하고 활용할 수 있음을 입증했다.
• 제한된 실재 데이터 조건에서도 높은 성능을 달성함으로써, 합성 데이터가 AM 결함 탐지 분야에서 데이터 부족 문제 해결에 매우 유용함을 입증했다.
• 노이즈가 포함된 합성 데이터로 학습된 모델는 실제 테스트 데이터에서도 뛰어난 일반화 능력을 유지하며 높은 정확도를 확보했다.
• GAN 기반 데이터 생성 기법의 통합으로 데이터 준비 과정에서 인간의 간섭이 완전히 제거되어 학습 파이pline의 효율성이 향상되었다.