A Cross-Modal Detection-Segmentation Framework for Video-Based Process Monitoring in Wire Arc Additive Manufacturing
Cette étude établit un pipeline de vision par ordinateur en temps réel pour la fabrication additive par arc fil (Wire Arc Additive Manufacturing) qui identifie YOLOv8n comme le détecteur optimal pour la surveillance du soudage et propose un cadre de segmentation guidé par YOLO et SAM2, tout en soulignant les limitations actuelles des modèles de fondation pour distinguer les caractéristiques continues de soudage sous l'éclat extrême de l'arc.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de la fabrication moderne, il existe un désir croissant de construire de grandes et complexes pièces métalliques non pas en les découpant dans un bloc solide, mais en les ajoutant couche par couche. Ce processus, connu sous le nom de fabrication additive par arc et fil (wire arc additive manufacturing), fonctionne un peu comme une imprimante 3D robotisée utilisant une torche de soudage. Une machine alimente un fil métallique dans un arc électrique à haute température, le faisant fondre et le déposant sur une surface pour former une nouvelle forme. Le succès de toute cette opération repose sur un moment infime et fugace : le bain de fusion. Il s'agit de la petite mare de métal liquide incandescente là où le fil rencontre la pièce existante. Si ce bassin est trop chaud, trop froid ou s'il se déplace trop vite, le produit final sera fragile ou rempli de fissures. Comme ce métal en fusion est caché sous un arc d'une luminosité aveuglante et entouré d'étincelles volantes, l'observer de près est extrêmement difficile pour l'œil humain. Pendant des années, les ingénieurs se sont appuyés sur des capteurs mesurant l'électricité ou le son, mais ces méthodes n'offrent que des indices indirects sur ce qui arrive réellement au métal.
Une nouvelle étude menée par des chercheurs issus d'institutions comprenant l'Institut indien de technologie de Kharagpur et l'Université Robert Gordon adopte une approche différente. Au lieu d'écouter la machine ou de mesurer ses signaux électriques, ils ont décidé d'apprendre à un ordinateur à voir directement le processus. Ils ont construit un système qui visionne des vidéos du soudage en temps réel, tentant d'identifier deux éléments critiques : le métal solide qui vient d'être déposé, appelé le cordon de soudure, et le bain de fusion actif, le métal liquide situé juste devant la torche. Le défi est que la vidéo est désordonnée. La lumière vive de l'arc éblouit souvent l'image, et le métal en fusion s'écoule d'une manière qui rend difficile la distinction exacte entre la fin du liquide et le début du solide. Les chercheurs ont cherché la meilleure façon pour un ordinateur de repérer ces caractéristiques, puis ont vérifié s'ils pouvaient utiliser cette information pour juger de la qualité de la soudure sans avoir besoin qu'un humain dessine des contours détaillés sur chaque image de la vidéo.
Pour tester leurs idées, l'équipe a rassemblé une collection de vidéos de soudage industriel. Ils n'ont pas utilisé une bibliothèque massive de millions d'images, comme c'est le cas dans d'autres domaines de l'intelligence artificielle, mais plutôt un ensemble soigneusement sélectionné de 335 images extraites de onze sessions de soudage réelles. Ces images montraient des soudures réussies et des soudures défectueuses, capturant une variété de conditions incluant des moments où l'arc était instable ou la surface métallique contaminée. Les chercheurs ont ensuite entraîné cinq types différents de modèles de vision par ordinateur pour servir d'yeux à la machine. Ils ont testé une gamme d'approches, allant de modèles légers conçus pour fonctionner rapidement sur du matériel standard à des systèmes plus complexes utilisant des structures mathématiques avancées appelées transformeurs. L'objectif était de voir quel modèle pouvait tracer avec le plus de précision un cadre autour du cordon de soudure et du bain de fusion, même lorsque l'image était déformée par l'éblouissement ou le mouvement.
Les résultats ont clairement désigné un type de modèle spécifique. Un système léger appelé YOLOv8n s'est avéré être l'outil le plus efficace pour cette tâche. Il a identifié avec succès le cordon de soudure et le bain de fusion dans la grande majorité des images de test, atteignant un haut niveau de précision tout en traitant plus de 140 images par seconde. Cette vitesse est cruciale car elle signifie que le système pourrait théoriquement surveiller le processus de soudage au fur et à mesure qu'il se déroule et réagir instantanément si quelque chose allait mal. En revanche, les modèles basés sur les transformeurs, plus complexes et pourtant très prometteurs dans d'autres domaines de la vision par ordinateur, ont rencontré des difficultés importantes. Ils ont été bien moins performants sur ce petit ensemble de données spécialisées, suggérant que ces systèmes puissants nécessitent beaucoup plus de données d'entraînement que celles disponibles ici pour apprendre à percevoir les détails subtils d'un arc de soudage. L'étude a également révélé que conserver la vidéo en couleur, plutôt que de la convertir en noir et blanc, offrait un avantage léger mais constant, indiquant que même les faibles différences de couleur dans le métal incandescent aident l'ordinateur à distinguer les parties.
Ayant trouvé un moyen fiable de localiser la soudure, les chercheurs ont ensuite tenté l'étape suivante : créer une carte détaillée de la forme du métal. Dans de nombreuses tâches de vision par ordinateur, une fois qu'un objet est trouvé, un « modèle de fondation » peut être utilisé pour dessiner un contour précis autour de lui, le séparant pixel par pixel de l'arrière-plan. L'équipe a essayé d'utiliser un outil de pointe appelé SAM2, conçu pour comprendre et segmenter des objets dans des vidéos. Ils ont utilisé le détecteur rapide pour donner à l'outil un point de départ approximatif, puis ont laissé l'outil suivre la forme de la soudure alors qu'elle se déplaçait dans la vidéo. Bien que cela ait bien fonctionné pour suivre la zone générale de la soudure, l'outil s'est heurté à un mur fondamental. L'outil continuait de fusionner le cordon de soudure solide et le bain de fusion liquide en une seule forme continue. Cela se produisait parce que, contrairement à une voiture ou une personne qui possède des limites claires, le cordon de soudure et le bain de fusion sont physiquement connectés. Le métal passe fluidement de l'état liquide à l'état solide, et l'intensité lumineuse de l'arc rend la transition floue. L'ordinateur, entraîné principalement sur des images d'objets distincts comme des animaux ou des véhicules, ne pouvait pas séparer ces deux parties continues.
Cette limitation a révélé une vérité importante sur l'application de l'intelligence artificielle générale aux problèmes industriels spécialisés. Bien que le système puisse localiser de manière fiable l'endroit où le soudage a lieu et mesurer la taille et la forme globale du dépôt, il ne peut pas encore séparer parfaitement le liquide du solide sans l'aide de l'humain. Les chercheurs ont conclu que, pour l'instant, la meilleure approche consiste à utiliser le détecteur rapide pour trouver l'emplacement, puis à traiter les données de forme comme une approximation plutôt que comme une mesure parfaite. Ils prévoient maintenant d'utiliser ces mesures approximatives, combinées aux données vidéo brutes, pour construire un système capable de juger la qualité de l'ensemble de la séquence de soudage. En observant la vidéo dans sa globalité plutôt qu'en essayant de perfectionner chaque image individuelle, ils espèrent créer un système capable de dire à une usine si une pièce est bonne ou mauvaise sans avoir besoin qu'un humain étiquette chaque défaut. Ce travail établit une base solide pour l'avenir, démontant que la vision par ordinateur simple et rapide est actuellement plus fiable que les systèmes complexes et gourmands en données pour observer la réalité intense et désordonnée du soudage industriel.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.