Гибридный ИИ обнаруживает дефекты 3D-печати металлом с точностью 94,5%
Ученые из Национального института стандартов и технологий США (NIST) представили гибридный подход на основе искусственного интеллекта для контроля качества в аддитивном производстве металлов. Разработка ориентирована на лазерную порошковую наплавку (LPBF) — один из ключевых методов 3D-печати металлическими порошками.
В ходе эксперимента использовался сбалансированный набор из 1200 изображений расплавленной ванны никелевого суперсплава 625. Данные собирались на платформе NIST AMMT и включали как нормальные, так и дефектные участки. Задача заключалась в бинарной классификации: алгоритм должен был отличать аномальные кадры от штатных в реальном времени.
Исследователи сравнили несколько архитектур. Чистые глубокие нейронные сети (ResNet50, EfficientNetB0, MobileNetV2) показали высокую точность, но их время вывода превышало требования для оперативного мониторинга. В качестве альтернативы были протестированы два варианта случайного леса (Random Forest) — базовый на сырых пикселях и гибридный на эмбеддингах EfficientNetB0.
Лучший результат продемонстрировал гибрид: EfficientNetB0 извлекал признаки, а Random Forest проводил классификацию. На тестовой выборке модель достигла F1-меры 0,9451, точности 0,9458 и AUC 0,9904. При этом среднее время обработки одного изображения составило 1,15 миллисекунды, что укладывается в требования реального времени для промышленных линий.
По мнению разработчиков, гибридная схема сочетает сильные стороны предобученных сверточных сетей и классических ансамблевых методов, обеспечивая робастность даже на ограниченных данных. Это особенно актуально для заводских условий, где не всегда доступны большие размеченные датасеты.
Работа опубликована на сервере препринтов arXiv и может найти применение в системах автоматического контроля дефектов LPBF-оборудования. В перспективе методика позволит снизить долю брака при печати ответственных деталей для авиакосмической и энергетической отраслей.
