【中國傳動網(wǎng) 企業(yè)動態(tài)】 加利福尼亞州勞倫斯利弗莫爾國家實驗室(LLNL)的工程師和科學家開發(fā)了卷積神經(jīng)網(wǎng)絡(luò)(CNN)，這是一種主要用于處理圖像和視頻的流行算法，用于預(yù)測3D打印部件的缺陷，并在幾毫秒內(nèi)檢測是否有構(gòu)建了令人滿意的質(zhì)量。

“這是一種革命性的方式通過視頻標記數(shù)據(jù)，甚至可以是逐幀標記。”LLNL首席研究員BrianGiera說，“這種優(yōu)勢在于，您可以在打印某些內(nèi)容時收集視頻，并在打印時最終得出結(jié)論。很多人都可以收集這些數(shù)據(jù)，但他們不知道如何處理它。“通常，Giera解釋說，在構(gòu)建后再進行分析的傳感器是非常昂貴的，并且部件質(zhì)量只能在很久之后才能確定。對于需要數(shù)天到數(shù)周打印的部件，CNN可以證明有助于理解打印過程，更快地了解部件的質(zhì)量，并在必要時實時校正或調(diào)整構(gòu)建。

LLNL的研究人員使用大約2,000個熔融激光軌道視頻片段在不同的條件下(例如速度或功率)開發(fā)了神經(jīng)網(wǎng)絡(luò)。他們使用生成3D高度圖的工具掃描零件表面，使用該信息訓練算法以分析視頻幀的各個部分(每個區(qū)域稱為卷積)。Giera解釋說，這個過程對于人類來說是非常困難和耗時的。

加州大學伯克利分校的學生和LLNL研究員BodiYuan開發(fā)了可以自動標記每個構(gòu)建的高度圖的算法，并使用相同的模型來預(yù)測構(gòu)建軌道的寬度，軌道是否被破壞以及寬度的標準是否有偏差。使用這些算法，研究人員能夠拍攝正在進行的構(gòu)建的視頻，并確定該部件是否表現(xiàn)出可接受的質(zhì)量。結(jié)果，神經(jīng)網(wǎng)絡(luò)能夠以93%的準確度檢測零件是否連續(xù)。

“我們成功的關(guān)鍵在于CNN可以在培訓過程中學習很多有用的視頻功能，我們只需要提供大量數(shù)據(jù)來培訓它，并確保它學得很好?！盠LNL研究人員花了數(shù)年時間收集激光粉末床融合金屬3D打印過程的各種形式的實時數(shù)據(jù)，包括視頻，光學層析成像和聲學傳感器。Giera說?！熬拖袢祟惔竽X使用視覺和其他感官來導航世界一樣，機器學習算法可以使用所有傳感器數(shù)據(jù)來導航3D打印過程。”

Giera說，神經(jīng)網(wǎng)絡(luò)理論上可以用于其他3D打印系統(tǒng)。其他研究人員應(yīng)該能夠遵循相同的公式，在不同的條件下創(chuàng)建部件，收集視頻并使用高度圖掃描它們以生成可以與標準機器學習技術(shù)一起使用的標記視頻集?，F(xiàn)在，仍然需要做一些工作來檢測零件內(nèi)的空隙，這些空隙無法通過高度圖掃描進行預(yù)測，但可以使用非原位X射線照相進行測量。

研究人員還將尋求創(chuàng)建算法，以結(jié)合除圖像和視頻之外的多種感知模式?！艾F(xiàn)在，任何類型的探測都被認為是一個巨大的勝利。如果我們能夠即時修復(fù)它，那就是更大的目標，“Giera說?！拌b于我們正在收集機器學習算法旨在處理的大量數(shù)據(jù)，機器學習將在第一次正確創(chuàng)建零件時發(fā)揮核心作用?！?/p>