[论文解读] 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 27

一句话总结

本文提出了一种基于深度卷积神经网络（CNN）的系统，用于增材制造（AM）中的实时质量监控，利用原位图像在逐层沉积过程中检测和分类缺陷。该模型在五个质量等级上实现了94%的准确率、96%的特异性，F1分数均超过75%，实现了自动化、非接触式质量控制，并可实时调整工艺参数，从而减少缺陷和材料浪费。

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.

研究动机与目标

• 开发一种自动化、实时的增材制造质量监控系统，以减少对后期人工检查的依赖。
• 解决增材制造过程中人工质量评估不一致且耗时的问题。
• 利用原位成像实现实时检测和分类打印过程中的缺陷。
• 通过提供即时反馈以纠正工艺，提高零件可靠性，减少材料和时间浪费。
• 创建一种可扩展的、非接触式质量控制解决方案，适用于多种增材制造设备类型。

提出的方法

• 在逐层增材制造沉积过程中采集的内部和表面缺陷图像上离线训练深度卷积神经网络（CNN）。
• 训练数据集包含在不同挤出机速度和温度下采集的图像，以确保在各种工艺条件下的鲁棒性。
• 该模型在线部署，根据缺陷的存在和严重程度，实时将打印质量分类为五个预定义等级。
• 使用标准指标（准确率、特异性、精确率、敏感度和F1分数）评估性能。
• 该系统可提供实时反馈以调整工艺参数，支持增材制造中的闭环控制。
• 该方法利用计算机视觉技术从图像中提取空间特征，无需人工特征工程。

实验结果

研究问题

• RQ1 深度CNN模型能否在增材制造过程中可靠地实现实时缺陷检测与分类？
• RQ2 该模型在不同挤出机速度和温度下的打印过程中性能如何变化？
• RQ3 该模型在多大程度上可替代人工检查，实现增材制造中的自动化、非接触式质量监控？
• RQ4 该系统能否提供可操作的反馈，以实现实时工艺参数调整来提升打印质量？
• RQ5 在对五种不同质量等级的打印零件进行分类时，可实现多高的准确率和鲁棒性？

主要发现

• 所提出的CNN模型在实时质量分级中对AM零件的分类准确率达到94%。
• 模型的特异性达到96%，表明其在正确识别无缺陷打印方面表现优异。
• 所有五个质量等级的F1分数、精确率和敏感度均超过75%，表明性能均衡。
• 该系统实现了无需后期检查的实时监控，降低了时间和人力成本。
• 该模型在不同工艺参数（如挤出机速度和温度）下均保持高性能，表明其具有鲁棒性。
• 结果表明，利用深度学习实现自动化、非接触式质量控制在增材制造中具有可行性，为闭环工艺优化铺平了道路。