《Journal of Manufacturing Processes》:MOSAIC: Mobile object segmentation under adverse imaging conditions for rapid L-PBF keyhole behavior characterization
编辑推荐:
•在不同实验条件下,精准分割激光粉末床熔融(LPBF)匙孔形态。•提升了效率,与基于YOLO和SAM的机器学习方法相比,CPU处理速率提高了2.7至264倍。•所开发的技术能快速表征熔池行为,支持先进工艺监测与控制研究。引言利用同步辐射X射线源对激光粉末床熔融(LPBF)增材
- •
在不同实验条件下,精准分割激光粉末床熔融(LPBF)匙孔形态。
- •
提升了效率,与基于YOLO和SAM的机器学习方法相比,CPU处理速率提高了2.7至264倍。
- •
所开发的技术能快速表征熔池行为,支持先进工艺监测与控制研究。
引言
利用同步辐射X射线源对激光粉末床熔融(LPBF)增材制造工艺进行高速原位成像,为工艺控制提供了关键的创新见解。通过揭示LPBF过程中匙孔的复杂动态行为,可以定量研究缺陷形成、熔池流体流动以及激光有效吸收率等现象。尽管已有大量论文发表了关于LPBF工艺高速原位X射线成像的观察结果,但目前制约研究人员的一个关键瓶颈是从记录图像中分割匙孔这一耗时任务。我们提出了一种恶劣成像条件下的移动目标分割(MOSAIC)算法,能够在无需微调模型或复杂计算硬件的情况下,高效地进行精确的匙孔分割。借助该方法,在X射线成像光束线进行LPBF实验的研究人员能够通过在现场灵活调整实验参数来提升实验效率和质量。
匙孔分割在确保LPBF工艺控制过程中采用信息充分的监测方法方面发挥着关键作用。原位监测与控制正迅速发展成为一种有效的缺陷检测或预防手段。许多已提出的控制方法依赖于高保真度仿真来优化参数[1]、[2],或基于数据的模型来抽象底层物理机制[3]、[4]、[5],或两者的某种组合[6]、[7]。尽管已有研究者成功探索了在线反馈控制方案以维持熔池温度[8],但依赖训练好的机器学习(ML)模型在将这些控制方案转化为工业应用时带来了挑战。机器学习模型所需的大量训练数据以及漫长的仿真计算时间可能不适用于工业领域中广泛存在的各种机器设计、传感器配置或数据格式。原位工艺控制对传感能力在速度和鲁棒性方面的要求,凸显了开发更快的基于物理的模型或其他替代建模形式的重要性,尤其是在高能量工艺条件下匙孔的混沌动力学方面。为了验证传感器预测,必须为匙孔动力学和形态创建基准数据,而这些数据最准确的来源是对LPBF工艺进行高速原位成像。
Zhao等人建立了阿贡国家实验室先进光子源(APS)首批LPBF工艺复制器之一,并以此为平台,以50 kHz的速率对激光熔覆过程进行原位成像[9]。LPBF装置相对于入射X射线束的示意图可参见图1。APS的32-ID光束线(该工艺复制器在此用于高速成像)根据文献报道,最大有效帧率为6.5 MHz[10]。由于MHz成像所需的相对较短的成像时间,大多数研究中使用的标称帧率为50 kHz。这些利用LPBF工艺复制器进行的高速原位成像实验使我们能够对LPBF工艺产生许多重要发现,包括产生匙孔稳定性指标[11]、[12],建立匙孔不稳定性与孔隙形成之间的直接关联[13],利用基准图像验证仿真的粉末-气体相互作用[14],以及表征蒸气羽流对匙孔特征的响应[15]。基于对LPBF工艺进行高速原位成像所建立的匙孔物理理解的鲁棒发展,有助于构建更好的缺陷检测模型。在所有这些研究中,都需要匙孔定量特征的基准数据,在许多情况下,还需要匙孔形态的时间序列数据。
已使用多种方法来分割匙孔形态和相互作用的相关特征,这些方法大致可分为经典图像处理方法和机器学习模型两大类。在采用经典图像处理方法的论文中,主要研究要么确定了实验中的平均行为[11]、[16]、[17],要么对包含少于五个样本的数据集进行匙孔行为的时间分辨分析[18]、[19]、[20]。在使用机器学习模型对光束线图像进行分割的论文中,主要分析模式基于包含数十到数百个实验的数据库,且需要详细的时间序列信息来确定单次事件对熔池的影响[21]、[22]。部分最终依赖经典阈值处理和图像处理方法的作者曾尝试使用机器学习模型,但指出结果存在不一致性。这促使Huang等人[17]在关注时间依赖因素的分析中转向依赖经典图像处理技术。
机器学习图像分割工具已被用于分析匙孔X射线图像,但通常需要进行数千张标注图像的训练。即使利用预训练的基础模型,领域特定的微调仍可能需要额外的数百或数千张掩膜标注,这意味着巨大的标注工作量[23]。生成机器学习方法的训练数据集或进行手动标注会降低实验效率,增加了各研究组之间比较结果的难度。这一已识别的挑战促使我们开发一种确定性的图像分割工具,能够快速检测匙孔形态的边界,从而洞察复杂的物理相互作用。MOSAIC提高了分配光束时间的效率,旨在在实验过程中突出新的发现,最大化有限光束线资源的影响。MOSAIC算法可作为标准化分析工具和自动化分析工作流程的基准数据,推动LPBF监测与控制领域的新发现。此外,该工具还可用于恶劣成像场景中,即科学观察对象具有移动的、低对比度的边界,这些边界会使常见的图像处理方法变得复杂。
章节摘要
方法
本工作中所有实验数据均在阿贡国家实验室先进光子源上使用32-ID光束线采集。MOSAIC由预处理流程(第2.1节)和分割算法(第2.2节)组成。为确定MOSAIC的准确性,我们选择了12个具有不同材料、帧率和工艺参数的实验,以展示该软件的适应性。表1a和1b概述了相关的成像装置细节和处理过程。
结果与讨论
通过开发的MOSAIC算法,我们能够将匙孔从背景中清晰分割出来,无论底层基板是干净的还是被遮挡的。在本节中,我们将定性讨论图像输出结果(第3.1节)、与机器学习方法相比的结果有效性(第3.2节),以及分割结果对算法参数的敏感性(第3.3节)。我们还将提供时间指标(第3.4节),展示其快速处理的能力。
结论
在本工作中,我们开发并验证了MOSAIC作为基于第一性原理的LPBF同步辐射X射线成像数据自动化分析框架。通过消除对训练或微调数据集的需求,该框架能够在高速原位实验过程中快速表征匙孔行为,同时在多种实验条件下保持强大的分割性能。与基于训练和基于提示的分割方法相比,MOSAIC提供了快速的处理能力。
CRediT作者贡献声明
Garrett Mathesen:概念构思、数据整理、形式化分析、方法论、软件、验证、可视化、撰写——初稿、撰写——审阅与编辑。Kyle Mumm:数据整理、方法论、资源、验证、撰写——审阅与编辑。Carter Taylor:数据整理、调查、验证、撰写——审阅与编辑。Jian Cao:概念构思、资金获取、项目管理、监督、撰写——审阅与编辑。
生成式AI和AI辅助技术在写作过程中的使用声明
在本工作的准备过程中,作者使用了OpenAI的ChatGPT模型来辅助本手稿的编辑工作。在使用该工具/服务后,作者对内容进行了审查和必要编辑,并对已发表文章的内容承担全部责任。
利益冲突声明
Jian Cao报告获得DEVCOM陆军研究实验室提供的资金支持。Garrett Mathesen报告获得DEVCOM陆军研究实验室提供的资金支持。Carter Taylor报告获得美国国家科学基金会提供的资金支持。其他作者声明,他们没有已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。
致谢
作者感谢在合作协议 W911NF2120199和W911NF2520035框架下从DEVCOM陆军研究实验室获得的支持(JC和GM),以及8NSF资助项目 DGE-2234667(CT)。本文所包含的观点和结论仅代表作者本人,不应被解读为陆军研究实验室或美国政府的官方政策,无论是明示还是暗示的。美国政府被授权复制和分发本文内容。
Garrett Mathesen|Kyle Mumm|Carter Taylor|Jian Cao