LLNL新AI视觉系统：直写成型缺陷实时现形，打印中即可拦截

用直写成型（Direct Ink Writing）打印的柔性缓冲垫、垫片和衬垫，丝材只有几分之一毫米粗。
这种工艺通过喷嘴把柔软或膏状材料以细丝状逐层沉积。
细丝直径、中心距间距或细丝间角度的微小变化，以及间隙、断裂等缺陷，都可能让机械性能发生明显变化，损害产品性能。
直写成型工艺波动比较大，还没有大规模商业化，主要局限在研究实验室里使用。

传统的检测通常依赖打印完成后进行的X射线计算机断层扫描（CT）、机械测试，或者只能观测表面的光学方法。
X射线CT和机械测试又贵又慢，只能在事后发现失效问题；表面光学方法则看不到内部丝材的几何结构。
X射线CT的体积分辨率限制，也使它只能对较小的部件进行高分辨率检测。

现有的用于监测增材制造（AM）工艺的机器学习方法，大多集中在缺陷的检测与分类上，而不是在部件构建过程中测量其实际几何形状。

位于加利福尼亚州的劳伦斯利弗莫尔国家实验室（LLNL），有科学家和工程师团队开发了一套基于摄像头的检测系统。
这套系统利用AI和机器学习，在3D打印部件制造过程中实时检查，测量微小偏差，有可能在部件离开打印机之前就识别出潜在问题。
相关研究发表在《npj Advanced Manufacturing》期刊上。

这套系统把检测环节提前了。
摄像头安装在打印机上，每沉积一层，就给这一层成像，软件随即识别最新沉积的细丝并测量其直径。
基于机器学习的图像分割和计算机视觉工具，会把打印过程中收集的数千张图像，转化成沉积材料的详细测量数据和空间分布图。
团队在一个包含近13,800张人工标注图像的数据集上训练了分割模型，数据集覆盖多种晶格几何结构；计算机视觉算法利用模型输出来追踪细丝并测量其直径。
在55个测试部件中，自动测量结果与人工测量结果的偏差通常在几微米以内。

项目技术负责人布赖恩·韦斯顿（Brian Weston）说，这是一道首轮检查。
团队在进行那些非常昂贵的测试之前就能发现问题，如果已经知道部件存在断丝或其他问题，也可以更早判定其不合格。

为了在大规模场景下测试这套系统，研究人员把它用在一个设计占地约25厘米×25厘米的缓冲垫上。
他们从同一层收集了约2,500张图像，并把测量结果合成为部件内部的分布图。
分布图显示，丝材直径在打印过程中发生了漂移，呈现出横跨整个打印件的大尺度变化模式。
这种变化指向打印平台相对于喷嘴存在轻微倾斜，而如果只对整体部件取平均测量值，这一信息很可能被完全掩盖。

由于摄像头在打印机上，这套系统还能检测尺寸过大、无法用高分辨率CT进行实际扫描的部件。
首席研究员布赖恩·吉拉（Brian Giera）说，这种方法可以推广到其他增材制造、减材制造以及实验性系统中。
短期来看，它可以在打印过程中直接淘汰存在严重缺陷的部件，并标记出哪些部件需要进行X射线CT检测。
这项技术将送往堪萨斯城国家安全综合体（Kansas City National Security Complex）进行评估。
更长远一点，这些数据可以赋能数字孪生（digital twin），把部件的结构与预测性能关联起来。

3D打印公司Ai Build的AiMaker平台同样是大尺寸挤出式系统，它将质量检测引入打印过程本身。
相机和图形处理器（GPU）模块把打印中部件的图像与先前打印的物体进行对比，实时标记偏差，而不是等待成品完成。
它与LLNL方案的目标相同，都是在大尺寸挤出打印完成前发现问题。
但AiMaker检测的是与参考打印件之间的视觉偏差，并不生成LLNL管道所产出的那种连续的、部件级的细丝直径分布图。
这两种方法都将大尺寸挤出检测引入打印过程本身，而LLNL的管道进一步把检测推进到精确的、细丝尺度的几何计量学领域，这是视觉对比系统所不涉及的。

韦斯顿说，当打印机能够检查自己的工作成果时，就可以开始考虑让系统自行做出接受或拒绝的判断。
如果它发现缺陷，也许可以评估该缺陷是否会导致部件不合格。

这项研究题为《直写成型增材制造的可扩展机上检测》（Scalable on-machine inspection of direct ink write additive manufacturing），由布赖恩·T·韦斯顿、迈克尔·E·泽林斯基、哈米德·齐亚德·阿马尔、阿尔代尔·E·贡戈拉、布赖恩·奥、罗伯特·塞尔达、约书亚·R·德奥特、威廉·史密斯和布赖恩·吉拉共同完成。
如果想了解更多研究细节，可以去看这篇论文。