[论文解读] 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 4

一句话总结

本文提出了一种可扩展的AI框架，利用卷积神经网络（CNNs）通过热成像检测金属增材制造中的缺陷。通过利用生成对抗网络（GANs）生成的合成数据和去噪处理流程，该框架在无需人工标注数据的情况下实现了高精度的缺陷检测，并集成了用户友好的CLADMA界面，便于在增材制造（AM）工艺中实际部署。

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.

研究动机与目标

• 解决金属增材制造（AM）中缺陷检测因真实世界训练数据有限且不平衡所带来的挑战。
• 开发一种可扩展的AI框架，利用激光粉末床熔融工艺中的热成像实现自动化、高精度的缺陷检测。
• 评估合成数据生成技术（尤其是GANs）在提升模型泛化能力并减少对人工标注数据依赖方面的有效性。
• 将训练好的模型集成到用户友好的基于云的界面（CLADMA）中，以实现工业AM工作流程中的实际应用。

提出的方法

• 该框架采用卷积神经网络（CNNs）分析在逐层金属AM过程中捕获的热成像数据。
• 利用生成对抗网络（GANs）生成合成数据，以扩充真实训练数据，提升模型的鲁棒性和泛化能力。
• 应用去噪处理流程以提高热成像质量，减少可能干扰缺陷检测的噪声。
• 在通过激光粉末床熔融工艺制造的镍基718合金层的真实热成像数据上评估该框架。
• 开发了CLADMA模块，将训练好的模型集成到基于云的、用户友好的界面中，以实现工业部署。
• 通过对比添加噪声与未添加噪声的数据集上的性能，验证了框架的鲁棒性和可扩展性。

实验结果

研究问题

• RQ1 当真实数据稀缺或不平衡时，GAN生成的合成数据是否能显著提升金属AM中缺陷检测的准确性？
• RQ2 图像去噪在金属AM热成像缺陷检测模型中的可靠性与性能方面有何影响？
• RQ3 可扩展的AI框架在多大程度上能够减少金属AM缺陷检测中对人工标注数据的依赖？
• RQ4 将训练好的模型集成到基于云的、用户友好的界面（CLADMA）中，在实际AM应用中的有效性如何？

主要发现

• 使用GAN生成的合成数据显著提升了缺陷检测的准确性，优于仅使用真实数据训练的模型。
• 去噪处理流程有效提升了热成像质量，使得在不同噪声水平下缺陷检测结果更加一致和可靠。
• CLADMA界面成功实现了AI模型的实际部署，展示了对工业用户的可用性和易用性。
• 即使真实数据有限，该框架仍表现出高绩效，凸显了合成数据在克服AM缺陷检测中数据稀缺问题方面的价值。
• 在带有噪声的合成数据上训练的模型表现出强大的泛化能力，在真实测试数据上保持了高准确率。
• 基于GAN的数据生成集成消除了人工干预数据准备的需求，简化了训练流程。