Attenuation-adjusted deep learning of pore defects in 2D radiographs of additive manufacturing powders

要約

積層造形用の金属原料粉末中のガス細孔の存在は、最終的な AM 製品に大きな影響を与えます。
現在の気孔率分析では、サンプルの周囲を一周する長時間の X 線コンピュータ断層撮影 (XCT) スキャンが必要となることが多いため、高スループットを可能にする方法を模索する動機が存在しており、製造中のインライン気孔率分析が可能になる可能性があります。
この研究では、粉末の単一 2D X 線写真上の細孔ピクセルのラベル付けを通じて、そのような将来の効率的なセットアップをシミュレートしようとしています。
粒子による X 線減衰のモデルと、広く適用されている UNet アーキテクチャのバリアントを組み合わせることで、高いセグメンテーション精度が実現されます。
特に、F1 スコアはベースライン UNet と比較して $11.4\%$ 増加しています。
提案されている細孔のセグメンテーションは、1) 合成データでの事前トレーニング、2) 厳密な粒子のカットアウトの作成、3) ランバート ビールの法則にヒントを得た距離マップから生成された細孔のない理想的な粒子の減算によって可能になります。
この論文では 4 つの画像処理方法を検討します。最も高速な (まだ最適化されていない) 方法は、F1 スコア $0.78$ で平均 $0.014s$ の時間で粒子をセグメント化します。最も正確な方法は、F1 スコア $0.87$ で平均 $0.291s$ で粒子をセグメント化します。
これらの戦略は拡張性があるため、積層造形用の金属原料粉末の高スループット気孔率分析に使用できます。

要約(オリジナル)

The presence of gas pores in metal feedstock powder for additive manufacturing greatly affects the final AM product. Since current porosity analysis often involves lengthy X-ray computed tomography (XCT) scans with a full rotation around the sample, motivation exists to explore methods that allow for high throughput — possibly enabling in-line porosity analysis during manufacturing. Through labelling pore pixels on single 2D radiographs of powders, this work seeks to simulate such future efficient setups. High segmentation accuracy is achieved by combining a model of X-ray attenuation through particles with a variant of the widely applied UNet architecture; notably, F1-score increases by $11.4\%$ compared to the baseline UNet. The proposed pore segmentation is enabled by: 1) pretraining on synthetic data, 2) making tight particle cutouts, and 3) subtracting an ideal particle without pores generated from a distance map inspired by Lambert-Beers law. This paper explores four image processing methods, where the fastest (yet still unoptimized) segments a particle in mean $0.014s$ time with F1-score $0.78$, and the most accurate in $0.291s$ with F1-score $0.87$. Due to their scalable nature, these strategies can be involved in making high throughput porosity analysis of metal feedstock powder for additive manufacturing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google