[论文解读] Automatic Volumetric Segmentation of Additive Manufacturing Defects with 3D U-Net

Vivian Wen Hui Wong, Max Ferguson+3 more|arXiv (Cornell University)|Jan 22, 2021

Additive Manufacturing and 3D Printing Technologies参考文献 29被引用 22

一句话总结

本文提出一种用于增材制造零件X射线计算机断层扫描（XCT）图像中缺陷的自动体积分割的3D U-Net深度学习模型。通过将医学影像技术适配至增材制造领域，该方法在具有挑战性的低对比度、小尺寸缺陷上实现了88.4%的平均交并比（IoU），首次成功实现了3D U-Net在增材制造中缺陷分割的高精度应用。

ABSTRACT

Segmentation of additive manufacturing (AM) defects in X-ray Computed Tomography (XCT) images is challenging, due to the poor contrast, small sizes and variation in appearance of defects. Automatic segmentation can, however, provide quality control for additive manufacturing. Over recent years, three-dimensional convolutional neural networks (3D CNNs) have performed well in the volumetric segmentation of medical images. In this work, we leverage techniques from the medical imaging domain and propose training a 3D U-Net model to automatically segment defects in XCT images of AM samples. This work not only contributes to the use of machine learning for AM defect detection but also demonstrates for the first time 3D volumetric segmentation in AM. We train and test with three variants of the 3D U-Net on an AM dataset, achieving a mean intersection of union (IOU) value of 88.4%.

研究动机与目标

• 解决由于XCT图像中对比度低、尺寸小及外观多变导致的增材制造中自动缺陷分割的挑战。
• 将3D卷积神经网络，特别是3D U-Net架构，从医学影像领域迁移至增材制造领域。
• 在真实增材制造缺陷数据集上评估多个3D U-Net变体在体积分割中的性能。
• 建立基于深度学习的增材制造部件缺陷3D分割的基准。
• 通过在3D空间中精确定位缺陷，实现增材制造中自动化、可靠的品质控制。

提出的方法

• 在增材制造样品的3D体积分割XCT数据上端到端训练3D U-Net架构，以实现缺陷分割。
• 该模型采用编码器-解码器结构并结合跳跃连接，以保留空间分辨率并提升多尺度特征学习能力。
• 在自定义的增材制造缺陷数据集上训练并评估三种3D U-Net变体，以分析性能差异。
• 应用数据增强技术以提升泛化能力，尤其针对缺陷数据集规模有限的问题。
• 使用二元交叉熵损失函数与Sigmoid激活函数进行训练，以预测像素级缺陷概率。
• 在3D体积分割中执行推理，生成密集的分割掩码，用于识别3D空间中的缺陷区域。

实验结果

研究问题

• RQ1 3D U-Net模型能否有效分割增材制造零件XCT扫描中的小尺寸、低对比度缺陷？
• RQ2 在增材制造缺陷分割任务中，不同架构变体的3D U-Net性能表现如何？
• RQ3 从医学影像领域迁移学习技术在多大程度上可被适配以提升增材制造中的缺陷分割性能？
• RQ4 利用深度学习进行增材制造缺陷3D体积分割，可实现的平均交并比（IoU）是多少？
• RQ5 自动3D分割在多大程度上可减少增材制造质量控制流程中的人工检查需求？

主要发现

• 所提出的3D U-Net模型在增材制造缺陷数据集上实现了88.4%的平均交并比（IoU），表明分割精度较高。
• 在测试的三种3D U-Net变体中，一种表现最优，凸显了网络架构设计在缺陷分割中的重要性。
• 该模型成功分割了对比度差且空间范围小的缺陷，这些是XCT基增材制造检测中的常见挑战。
• 结果验证了3D U-Net从医学影像向增材制造领域的可迁移性，标志着该领域首次成功应用。
• 该方法实现了完全自动化的3D体积分割，减少了对人工缺陷标注的依赖。
• 本研究为基于深度学习的增材制造XCT数据缺陷3D分割建立了新的基准。