加利福尼亚州劳伦斯利弗莫尔国家实验室（LLNL）的工程师和科学家开发了卷积神经网络（CNN），这是一种主要用于处理图像和视频的流行算法，用于预测3D打印部件的缺陷，并在几毫秒内检测是否有构建将是令人满意的质量。

“这是一种革命性的方式来查看可以通过视频标记的数据，或者更好的是逐帧标记，”首席LLNL研究员Brian Giera说。 “优势在于，您可以在打印某些内容时收集视频，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。“
通常，Giera解释说，在构建后进行的传感器分析是昂贵的，并且部件质量只能在很久之后才能确定。对于需要数天到数周打印的部件，CNN可以证明有助于理解打印过程，更快地了解部件的质量，并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个熔融激光轨道视频片段在不同的条件下（例如速度或功率）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）。 Giera解释说，这个过程对于人类来说是非常困难和耗时的。
加州大学伯克利分校的学生和LLNL研究员Bodi Yuan开发了可以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的标准偏差。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。结果，神经网络能够以93％的准确度检测零件是否连续。
“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，”袁说，“我们只需要提供大量数据来培训它，并确保它学得很好。”
LLNL研究人员花了数年时间收集激光粉末床融合金属3D打印过程中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。
“无论如何，我们正在收集视频，所以我们只是连接点，”Giera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，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。
Giera说，仍然需要做一些工作来检测零件内的空隙，这些空隙无法通过高度图扫描进行预测，但可以使用非原位X射线照相进行测量。
研究人员还将寻求创建算法，以结合除图像和视频之外的多种感知模式。
“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，“Giera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。”
该项目由实验室指导研究和发展计划资助。