Base de connaissances

Cherif, L.; Safdar, M.; Lamouche, G.; Wanjara, P.; Paul, P.; Wood, G.; Zimmermann, M.; Hannesen, F.; Zhao, Y.F. (2023). Evaluation of Key Spatiotemporal Learners for Print Track Anomaly Classification Using Melt Pool Image Streams. Preprints of the 22nd IFAC World Congress.

Les applications récentes de l’apprentissage automatique dans la fabrication additive métallique (MAM) ont démontré un potentiel significatif pour surmonter les obstacles critiques à l’adoption généralisée de la technologie MAM. Les recherches récentes dans ce domaine soulignent l’importance de l’utilisation des données de fusion pour la prédiction des défauts en temps réel. Alors que les données d’image de haute qualité relatives à la fusion promettent des prédictions précises, l’utilisation de modèles spatio-temporels de pointe capables d’exploiter les caractéristiques transitoires et séquentielles inhérentes au processus de fabrication additive n’a été que peu explorée. Cette recherche présente et met en pratique certains des principaux modèles d’apprentissage spatio–temporel profond qui peuvent être adaptés à la classification des flux d’images de la fusion provenant de divers matériaux, systèmes et applications. Plus précisément, elle étudie les réseaux à deux flux comprenant des flux spatiaux et temporels, un réseau spatial récurrent et un réseau neuronal convolutionnel 3D factorisé. La capacité de ces modèles à se généraliser lorsqu’ils sont exposés à des perturbations dans les données d’image de la fusion est examinée à l’aide de techniques de perturbation des données fondées sur des scénarios de processus réels. Les architectures mises en œuvre démontrent leur capacité à capturer les caractéristiques spatio-temporelles des séquences d’images de fusion. Cependant, parmi ces modèles, seul le réseau SlowFast pré-entraîné de Kinetics400, catégorisé comme un réseau à deux flux, présente des capacités de généralisation robustes en présence de perturbations des données. 

Consulter la publication