美国加利福尼亚州劳伦斯利弗莫尔国家实验室的研究人员正在探索机器学习，以实时处理金属添加剂制造过程中获得的数据，以便快速检测构建是否具有令人满意的质量。该团队报告称，它正在开发卷积神经网络(CNN)，这是一种主要用于处理图像和视频的流行算法，通过在构建室内查看10毫秒的视频来预测某个部件是否令人满意。
该项目的首席研究员Brian Giera表示，“这是一种革命性的方式来查看您可以按视频标记视频的数据，或者更好的是逐帧标记数据。优点是您可以在打印时收集视频，并在打印时最终得出结论。很多人都可以收集这些数据，但他们不知道如何处理它，这项工作是朝这个方向迈出的一步。“
在构建后进行的金属AM部件的传感器分析可能是昂贵的。Giera表示，CNN可以提供对增材制造流程和每个部件质量的宝贵理解，使用户能够在必要时实时校正或调整构建。
LLNL的研究人员使用大约2,000个融合激光轨道的视频剪辑，在速度或功率等不同条件下开发了神经网络。他们使用生成3D高度图的工具扫描零件表面，使用该信息训练算法以分析视频帧的各个部分(每个区域称为卷积)。对于人类来说，这个过程将是非常困难和耗时的。
加州大学学生和LLNL研究员的学生Bodi Yuan开发了能够自动标记每个构建的高度图的算法，并使用相同的模型来预测构建轨道的宽度，轨道是否被破坏以及宽度标准偏差。使用这些算法，研究人员能够拍摄正在进行的构建的视频，并确定该部件是否表现出可接受的质量。
研究人员报告说，神经网络能够检测到一个零件是否连续，准确度为93%，对零件宽度做出了其他强有力的预测。
“由于卷积神经网络在图像和视频识别相关任务方面表现出色，我们选择用它们来解决我们的问题，”袁解释道。“我们成功的关键在于CNN可以在培训过程中学习很多有用的视频功能。我们只需要提供大量数据来训练它，并确保它学得很好。“
Ibo Matthews是该论文的共同作者，他领导的一个小组多年来一直在收集激光粉末床融合(LPBF)金属AM工艺的各种形式的实时数据，包括视频，光学层析成像和声学传感器。在与Matthews及其团队合作分析构建轨道时，Giera得出结论，不可能手动进行所有数据分析，转向神经网络可以简化工作。
“无论如何，我们正在收集视频，所以我们只是连接点，”他说。“就像人类大脑使用视觉和其他感官来导航世界一样，机器学习算法可以使用所有传感器数据来导航3D打印过程。”
Giera说，论文中描述的神经网络理论上可以用于其他3D打印系统。其他研究人员应该能够遵循相同的公式，在不同的条件下创建部件，收集视频并使用高度图扫描它们以生成可以与标准机器学习技术一起使用的标记视频集。
他补充说，仍然需要工作来检测部件中的空隙，这些部位无法通过高度图扫描进行预测，但据报道可以使用非原位X射线照相术进行测量。研究人员还将研究创建除图像和视频之外还包含多种感知模式的算法。
“现在，任何类型的探测都被认为是一个巨大的胜利。如果我们能够即时修复它，那就是更大的目标，“他说。“鉴于我们正在收集机器学习算法旨在处理的大量数据，机器学习将在第一次正确创建零件时发挥核心作用。”