Найден новый эффективный способ контроля качества 3D-печати
3D-печать позволяет изготавливать компоненты с внутренней геометрией, в которой зачастую сложно найти дефекты. Исследователи из Иллинойского университета презентовали технологию, которая упрощает контроль качества 3D-печатных изделий. В основе разработки — сочетание рентгеновской компьютерной томографии с глубоким машинным обучением (deep machine learning).
3D-печать позволяет изготавливать компоненты с внутренней геометрией, в которой зачастую сложно найти дефекты. Исследователи из Иллинойского университета презентовали технологию, которая упрощает контроль качества 3D-печатных изделий. В основе разработки — сочетание рентгеновской компьютерной томографии с глубоким машинным обучением (deep machine learning).
Исследователи спроектировали более двух сотен сопел и сделали для них снимки рентгеновской компьютерной томографии. Для некоторых снимков были преднамеренно сгенерированы дефекты, каждый из которых имел уникальный размер, форму и местоположение. Это позволило модели машинного обучения исследовать широкий спектр возможных проблем и научиться лучше понимать разницу между компонентами с дефектами и без них.
Алгоритм был протестирован на физических деталях. Модель смогла правильно идентифицировать сотни недостатков, которые ранее не были обнаружены с помощью других методов, с точностью более 90%. Машинное обучение в сочетании с рентгеновской компьютерной томографии было использовано для проверки внутренней части 3D-компонентов, имеющих особенности и дефекты, скрытые от глаз.
Исследователи спроектировали более двух сотен сопел и сделали для них снимки рентгеновской компьютерной томографии. Для некоторых снимков были преднамеренно сгенерированы дефекты, каждый из которых имел уникальный размер, форму и местоположение. Это позволило модели машинного обучения исследовать широкий спектр возможных проблем и научиться лучше понимать разницу между компонентами с дефектами и без них.
Алгоритм был протестирован на физических деталях. Модель смогла правильно идентифицировать сотни недостатков, которые ранее не были обнаружены с помощью других методов, с точностью более 90%. Машинное обучение в сочетании с рентгеновской компьютерной томографии было использовано для проверки внутренней части 3D-компонентов, имеющих особенности и дефекты, скрытые от глаз.
Продольные и осевые изображения рентгеновской томографии сопла с шестью видами внутренних дефектов
Продольные и осевые изображения рентгеновской томографии сопла с шестью видами внутренних дефектов
Новая технология решает одну из самых сложных задач в аддитивном производстве. Мы можем очень быстро построить модель машинного обучения, которая с высокой точностью определяет дефекты. Глубокое обучение позволяет нам точно обнаруживать дефекты, которые ранее никогда не были видны компьютеру, — Уильям Кинг, профессор механики и инженерии в Иллинойсе и руководитель проекта.
Исследование опубликовано в журнале Journal of Intelligent Manufacturing, в статье под названием «Обнаружение и классификация скрытых дефектов в аддитивно изготовленных деталях с использованием глубокого обучения и рентгеновской компьютерной томографии».
Новая технология решает одну из самых сложных задач в аддитивном производстве. Мы можем очень быстро построить модель машинного обучения, которая с высокой точностью определяет дефекты. Глубокое обучение позволяет нам точно обнаруживать дефекты, которые ранее никогда не были видны компьютеру, — Уильям Кинг, профессор механики и инженерии в Иллинойсе и руководитель проекта.
Исследование опубликовано в журнале Journal of Intelligent Manufacturing, в статье под названием «Обнаружение и классификация скрытых дефектов в аддитивно изготовленных деталях с использованием глубокого обучения и рентгеновской компьютерной томографии».
