Automatisierte Bildanalyse für Metall-3D-Druck

Mit dem Aufstieg des Metall-3D-Drucks, auch bekannt als additive Fertigung, wächst das Interesse daran, Daten zu nutzen, um den Druckprozess zu verbessern. Ein wichtiger Teil dieser Arbeit besteht darin, die Schmelzspuren zu untersuchen, die beim Drucken entstehen. Das sind die Bereiche, wo das Metallpulver geschmolzen und erstarrt wird, um Teile zu erstellen. Durch die Analyse von Bildern dieser Schmelzspuren können Forscher lernen, wie sie die Druckeinstellungen anpassen können, um besserer Ergebnisse zu erzielen und Fehler in den gedruckten Teilen zu finden.

In diesem Artikel sprechen wir über einen neuen Ansatz zur automatischen Analyse von Bildern von Schmelzspuren mithilfe einer Art künstlicher Intelligenz, die als neuronales Netzwerk bezeichnet wird. Genauer gesagt verwenden wir eine U-Net-Architektur, um ein Modell zu trainieren, das verschiedene Merkmale der Schmelzspuren in Querschnittsbildern identifizieren und messen kann. Insgesamt wurden 62 beschriftete Bilder aus verschiedenen Quellen verwendet, um dieses Modell zu trainieren, und wir haben auch Techniken angewendet, um unser Datenset zu verbessern. Als das Modell richtig eingerichtet war, erreichte es über 99% Genauigkeit bei der Klassifizierung von Bildern und einen F1-Score von über 90%. Das Modell erwies sich als zuverlässig, als es an Bildern getestet wurde, die von verschiedenen Nutzern, Druckern und Mikroskopen aufgenommen wurden.

#Die Bedeutung der Analyse von Schmelzspuren

Beim Erstellen von Teilen mit Metall-3D-Druck ist es wichtig, präzise Kontrolle über die Prozessparameter zu haben, um hochwertige Ergebnisse zu erzielen. Verschiedene Faktoren wie Laserleistung, Scangeschwindigkeit und Pulverdicke beeinflussen, wie gut ein Teil gedruckt wird. Die Analyse von Schmelzspuren bietet wertvolle Einblicke in die Auswirkungen dieser Parameter auf das Endergebnis. Traditionelle Methoden zur Analyse von Schmelzspuren beinhalten die Untersuchung von Bildern aus dem optischen Mikroskop, um Messungen wie Schmelzpoolhöhe, -breite und -winkel zu sammeln.

Diese manuelle Analyse ist jedoch zeitaufwendig und kann zu Fehlern führen. Um dieses Problem zu lösen, haben Forscher begonnen, maschinelles Lernen zu nutzen, um die Daten zu interpretieren. Insbesondere gab es einen Fokus auf die Verarbeitung von Bildern aus der Laserpulverbettfusion (LPBF), aber nicht speziell auf die Analyse von Einzeltrackbildern.

#Entwicklung eines automatisierten Analysemodells

In unserer Arbeit präsentieren wir eine Lösung, die ein U-Net-neuronales Netzwerk verwendet, um optische Mikroskopbilder von Schmelzspuren automatisch zu segmentieren und zu analysieren. Die Bilder für unser Modell wurden aus zwei Forschungs-Labors gesammelt, die jeweils unterschiedliche Verfahren und Ausrüstungen verwendeten, was eine grosse Vielfalt an Trainingsbeispielen bot. Wir entwickelten ein Software-Tool, um bei der Erstellung eines zuverlässigen Satzes von Trainingsbildern zu helfen, indem wir Segmentierungsmasken generierten, die die Schmelzspuren hervorheben. Dieser automatisierte Ansatz vereinfacht den Prozess und macht ihn schneller und zuverlässiger.

Mit den generierten Daten trainierten wir unser U-Net-Modell, um die Schmelzspur vom umgebenden Bereich in den Bildern zu trennen. Es kann schnell und genau wichtige Messungen wie Höhe, Breite und Winkel des Schmelzeichens extrahieren.

#Wie das Modell aufgebaut wurde

Die U-Net-Architektur besteht aus einem zweigeteilten Design: einem Kodierungsabschnitt, der die Eingabedaten komprimiert, und einem Dekodierungsabschnitt, der die Ausgabedaten rekonstruiert. Das Netzwerk wird mit verschiedenen Einstellungen trainiert, um die beste Leistung zu ermitteln. Wir haben das Modell mit unterschiedlichen Batch-Grössen und Lernraten trainiert und schliesslich festgestellt, dass eine Batch-Grösse von 16 und eine bestimmte Lernrate die besten Ergebnisse lieferten.

Nach dem Training zeigte das Modell seine Fähigkeit, Schmelzpools über verschiedene Bilder hinweg genau zu identifizieren, was bestätigte, dass es mit Variationen in Kontrast, Materialien und Druckbedingungen umgehen kann.

#Ergebnisse und Leistung

Das trainierte Modell zeigte bemerkenswerte Genauigkeit mit einer Erfolgsquote von über 99%. Es schnitt gut bei einer Vielzahl von zuvor ungesehenen Bildern ab, was seine Effizienz für reale Anwendungen zeigt. Zum Beispiel wurden Bilder, die unterschiedliche Ätzgrade zeigten, mit grosser Präzision analysiert, was die Vielseitigkeit des Modells bewies.

Es wurden jedoch einige Herausforderungen festgestellt. In Fällen, in denen Bilder unscharf waren oder die Grenzen des Schmelzbecken unklar waren, sank die Genauigkeit. Ausserdem führten Bilder mit komplexen Hintergründen oder unterschiedlichen Farbprofilen im Vergleich zu den Trainingsdaten manchmal zu schlechten Ergebnissen.

#Zukünftige Richtungen

Es gibt mehrere Möglichkeiten, das Modell weiter zu verbessern. Ein Weg ist, die Fehlererkennung innerhalb der Schmelzspuren zu verbessern. Beispielsweise könnte die Identifizierung von Poren, die häufig und problematisch sein können, die Fähigkeit des Modells zur Analyse der Druckqualität verbessern. Darüber hinaus zielen wir darauf ab, die Nutzung des Modells zu erweitern, um Bilder von mehreren Spuren in einer einzigen Druckschicht zu analysieren, was seine Funktionalität verbessert.

Die Anwendung des Modells auf andere Arten von additiven Fertigungsverfahren wie Directed Energy Deposition zu erkunden, ist ein weiterer spannender Ansatz. Die ersten Tests zeigten, dass unser Modell mit einigen Bildern aus unterschiedlichen Prozessen recht gut funktionierte, was darauf hinweist, dass es für breitere Anwendungen im Bereich adaptiert werden könnte.

#Fazit

Die Entwicklung eines neuronalen Netzwerks auf Basis der U-Net-Architektur zur Analyse von Bildern von Schmelzspuren stellt einen bedeutenden Fortschritt im Bereich der automatisierten Analyse im Metall-3D-Druck dar. Die hohe Genauigkeit und Zuverlässigkeit des Modells machen es zu einem wertvollen Werkzeug für Forscher und Praktiker, die darauf abzielen, den Druckprozess zu optimieren und qualitativ bessere Teile zu erreichen. Diese Arbeit hebt nicht nur das Potenzial für Automatisierung in der Bildanalyse hervor, sondern eröffnet auch neue Möglichkeiten für weitere Forschung und Entwicklung in der additiven Fertigungstechnologie.

Die besprochenen Methoden können den Entscheidungsprozess beim Anpassen von Parametern für den Druck beschleunigen, was letztendlich zu höheren Qualitätsergebnissen im Metall-Additive-Fertigung führt. Die fortlaufende Entwicklung und Verbesserung dieses Modells wird voraussichtlich zu effizienteren und effektiveren Fertigungsprozessen in der Zukunft beitragen.