ترجمه فارسی مقاله یادگیری عمیق تعدیل‌شده با میرایی از نقص‌های منافذ در رادیوگرافی‌های دوبعدی پودرهای تولید افزایشی

چکیده

The presence of gas pores in metal feedstock powder for additive manufacturing greatly affects the final AM product. Since current porosity analysis often involves lengthy X-ray computed tomography (XCT) scans with a full rotation around the sample, motivation exists to explore methods that allow for high throughput — possibly enabling in-line porosity analysis during manufacturing. Through labelling pore pixels on single 2D radiographs of powders, this work seeks to simulate such future efficient setups. High segmentation accuracy is achieved by combining a model of X-ray attenuation through particles with a variant of the widely applied UNet architecture; notably, F1-score increases by $11.4%$ compared to the baseline UNet. The proposed pore segmentation is enabled by: 1) pretraining on synthetic data, 2) making tight particle cutouts, and 3) subtracting an ideal particle without pores generated from a distance map inspired by Lambert-Beers law. This paper explores four image processing methods, where the fastest (yet still unoptimized) segments a particle in mean $0.014s$ time with F1-score $0.78$, and the most accurate in $0.291s$ with F1-score $0.87$. Due to their scalable nature, these strategies can be involved in making high throughput porosity analysis of metal feedstock powder for additive manufacturing.

چکیده به فارسی (ترجمه ماشینی)

وجود منافذ گاز در پودر مواد غذایی فلزی برای تولید افزودنی تا حد زیادی بر محصول AM نهایی تأثیر می گذارد.از آنجا که تجزیه و تحلیل تخلخل فعلی غالباً شامل اسکن توموگرافی کامپیوتری با اشعه ایکس (XCT) با چرخش کامل در اطراف نمونه است ، انگیزه برای کشف روش هایی وجود دارد که امکان توان بالا را فراهم می کند-احتمالاً امکان تجزیه و تحلیل تخلخل درون خطی در هنگام ساخت.این کار از طریق برچسب زدن پیکسل های منافذ در رادیوگرافی 2D تک پودرها ، به دنبال شبیه سازی چنین تنظیمات کارآمد آینده است.دقت تقسیم بندی بالا با ترکیب یک مدل از میرایی اشعه ایکس از طریق ذرات با یک نوع از معماری Unet که به طور گسترده کاربردی اعمال می شود ، حاصل می شود.نکته قابل توجه ، نمره F1 در مقایسه با Unet پایه ، 11.4 $ $ افزایش می یابد.تقسیم بندی منافذ پیشنهادی توسط: 1) پیش بینی بر روی داده های مصنوعی ، 2) برش ذرات محکم و 3) تفریق یک ذره ایده آل بدون منافذ تولید شده از نقشه از راه دور با الهام از قانون لامبرت-بیر فعال شده است.در این مقاله به بررسی چهار روش پردازش تصویر ، که در آن سریعترین (در عین حال هنوز بهینه سازی نشده) ذره ای با میانگین 0.014s $ با نمره F1 0.78 $ و دقیق ترین در 0.291s $ با F1-Score 0.87 $ $ بررسی شده است.با توجه به ماهیت مقیاس پذیر آنها ، این استراتژی ها می توانند در ساخت تجزیه و تحلیل تخلخل با توان بالا پودر مواد غذایی فلزی برای تولید افزودنی نقش داشته باشند.