Automated Segmentation and Analysis of Microscopy Images of Laser Powder Bed Fusion Melt Tracks

要約

金属積層造形 (AM) の採用が増えるにつれ、研究者や実務家は印刷条件を最適化するためのデータ駆動型のアプローチに目を向けています。
メルト トラックの断面画像は、プロセス パラメーターの調整、パラメーター スケーリング データの開発、欠陥の特定に貴重な情報を提供します。
ここでは、断面画像からメルト トラックの寸法を自動的に識別して測定する画像セグメンテーション ニューラル ネットワークを紹介します。
私たちは U-Net アーキテクチャを使用して、さまざまな研究室、機械、材料から取得した 62 個のラベル付き画像のデータ セットを画像拡張と組み合わせてトレーニングします。
バッチ サイズや学習率などのニューラル ネットワークのハイパーパラメーターが適切に調整されている場合、学習されたモデルは 99% 以上の分類精度と 90% 以上の F1 スコアを示します。
ニューラル ネットワークは、さまざまなユーザーがキャプチャした画像、さまざまなマシンで印刷した画像、さまざまな顕微鏡を使用して取得した画像でテストすると堅牢性を示します。
後処理モジュールは、溶融プールの高さと幅、および濡れ角度を抽出します。
モデルのパフォーマンスを向上させる機会と、指向性エネルギー堆積などの他の AM プロセスへの拡張など、転移学習の手段について説明します。

要約(オリジナル)

With the increasing adoption of metal additive manufacturing (AM), researchers and practitioners are turning to data-driven approaches to optimise printing conditions. Cross-sectional images of melt tracks provide valuable information for tuning process parameters, developing parameter scaling data, and identifying defects. Here we present an image segmentation neural network that automatically identifies and measures melt track dimensions from a cross-section image. We use a U-Net architecture to train on a data set of 62 pre-labelled images obtained from different labs, machines, and materials coupled with image augmentation. When neural network hyperparameters such as batch size and learning rate are properly tuned, the learned model shows an accuracy for classification of over 99% and an F1 score over 90%. The neural network exhibits robustness when tested on images captured by various users, printed on different machines, and acquired using different microscopes. A post-processing module extracts the height and width of the melt pool, and the wetting angles. We discuss opportunities to improve model performance and avenues for transfer learning, such as extension to other AM processes such as directed energy deposition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google