GuidedFlow: An Attention-Guided Framework for Anomaly Detection in Additive Manufacturing

आधुनिक औद्योगिक दुनिया में, जिस तरह से हम चीजें बनाते हैं, वह एक शांत क्रांति के दौर से गुजर रहा है। एक ठोस ब्लॉक से सामग्री को काटने के बजाय, मशीनें अब परत दर परत वस्तुओं का निर्माण करती हैं, केवल वहीं सामग्री जोड़ती हैं जहाँ इसकी आवश्यकता होती है। यह प्रक्रिया, जिसे एडिटिव मैन्युफैक्चरिंग (additive manufacturing) के रूप में जाना जाता है, अविश्वसनीय जटिलता और अनुकूलन की अनुमति देती है, जिससे मेडिकल इम्प्लांट से लेकर एयरोस्पेस घटकों तक सब कुछ बनाया जा सकता है। हालाँकि, यह सटीकता एक महत्वपूर्ण चुनौती के साथ आती है: यह सुनिश्चित करना कि प्रत्येक परत पूर्ण हो। एक छोटी सी खामी भी, जैसे कि प्लास्टिक की सूक्ष्म डोरी या परतों में सूक्ष्म बेमेल होना, अंतिम वस्तु को कमजोर कर सकती है, जिससे विफलता या सुरक्षा जोखिम पैदा हो सकते हैं। क्योंकि ये दोष अप्रत्याशित तरीकों से प्रकट हो सकते हैं और अक्सर सामग्री की सामान्य बनावट के समान ही दिखते हैं, इसलिए इन्हें आँखों से पहचानना कठिन और धीमा होता है। इसे हल करने के लिए, इंजीनियरों ने कंप्यूटर की ओर रुख किया है, उन्हें प्रिंटिंग प्रक्रिया को देखने और किसी भी गलत दिखने वाली चीज़ की पहचान करने के लिए प्रशिक्षित किया है। लक्ष्य एक ऐसी प्रणाली बनाना है जो अदृश्य को देख सके, और एक दोषपूर्ण प्रिंट को एक पूर्ण प्रिंट से उसी विश्वसनीयता के साथ अलग कर सके जैसा कि एक मानव विशेषज्ञ करता है, लेकिन बिना थके या विचलित हुए।

न्यू मैक्सिको इंस्टीट्यूट ऑफ माइनिंग एंड टेक्नोलॉजी के शोधकर्ताओं ने इसी सटीक चुनौती को पूरा करने के लिए डिज़ाइन की गई एक नई कंप्यूटर प्रणाली विकसित की है। वे अपनी इस रचना को 'गाइडेडफ्लो' (GuidedFlow) कहते हैं। जबकि पिछले कंप्यूटर सिस्टम पैटर्न को याद करके या छवियों को शून्य से फिर से बनाने की कोशिश करके एक "सामान्य" वस्तु को समझने का प्रयास करते थे, वे 3D प्रिंटिंग में होने वाली छोटी, अव्यवस्थित खामियों के साथ संघर्ष करते थे। ऐसे पुराने सिस्टम कभी-कभी छोटी समस्याओं को छोड़ देते थे या सामग्रियों की जटिल बनावट से भ्रमित हो जाते थे। नया दृष्टिकोण एक अलग रास्ता अपनाता है। केवल एक अकेली छवि को अलग-थलग देखने के बजाय, गाइडेडफ्लो प्रिंटिंग प्रक्रिया को एक चलती-फिरती कहानी के रूप में देखता है। यह वस्तु के आकार और प्रिंटर हेड के हिलने के साथ समय के साथ वह आकार कैसे बदलता है, दोनों पर बारीकी से ध्यान देता है। छवियों के एक क्रम में सबसे महत्वपूर्ण हिस्सों पर ध्यान केंद्रित करके और यह समझने के करके कि वे एक-दूसरे से कैसे संबंधित हैं, यह प्रणाली दोष के सूक्ष्म संकेतों को पहचानने में बहुत बेहतर हो जाती है।

शोधकर्ताओं ने इस प्रणाली का परीक्षण डेटा के एक नए संग्रह पर किया जिसे उन्होंने विशेष रूप से इस कार्य के लिए बनाया था, जिसका नाम उन्होंने AM3D-AD रखा। इस डेटासेट में वास्तविक 3D-प्रिंटेड वस्तुओं, जैसे कि बोल्ट, गियर और क्यूब्स की सैकड़ों छवियां और वीडियो शामिल हैं, जो एक मजबूत नायलॉन सामग्री से बनी हैं। परीक्षण के लिए "खराब" उदाहरण बनाने के लिए, टीम ने जानबूझकर प्रिंटर को नियंत्रित करने वाले कंप्यूटर निर्देशों में गड़बड़ी की, जिससे यादृच्छिक (random) हलचलें पैदा हुईं जिसके कारण सतह में विकृति और ऊबड़-खाबड़ रास्ते बन गए। उन्होंने इस प्रणाली का परीक्षण औद्योगिक छवियों के एक प्रसिद्ध सार्वजनिक डेटासेट पर भी किया ताकि यह देखा जा सके कि क्या यह विभिन्न प्रकार की वस्तुओं को संभाल सकती है। परिणाम उत्साहजनक थे। जब दोषपूर्ण वस्तुओं को खोजने के लिए कहा गया, तो गाइडेडफ्लो ने अन्य अग्रणी कंप्यूटर मॉडलों की तुलना में दोषों की पहचान अधिक बार सही ढंग से की। इसने अच्छी प्रिंटिंग और खराब प्रिंटिंग के बीच अंतर करने में उच्च स्कोर प्राप्त किया, और यह विशेष रूप से यह पहचानने में सक्षम था कि वस्तु पर दोष ठीक कहाँ स्थित है।

यह प्रणाली इतनी अच्छी तरह से क्यों काम करती है, इसके पीछे एक दो-स्तरीय रणनीति है जो इस तरह नकल करती है जैसे कोई मानव किसी जटिल वस्तु का निरीक्षण करता है। पहले, प्रणाली एक पूर्व-प्रशिक्षित मस्तिष्क, एक न्यूरल नेटवर्क जिसे 'रेस्नेट' (ResNet) कहा जाता है, का उपयोग छवियों में बुनियादी आकृतियों और बनावट को समझने के लिए करती है। फिर, यह एक विशेष 'अटेंशन मैकेनिज्म' (attention mechanism) जोड़ती है। कल्पना कीजिए कि एक सुरक्षा गार्ड वीडियो फीड देख रहा है; वह हर पिक्सेल को समान तीव्रता के साथ नहीं देखता है। इसके बजाय, वह अपनी आँखें उन क्षेत्रों पर केंद्रित करता है जो असामान्य या महत्वपूर्ण लगते हैं। गाइडेडफ्लो भी ऐसा ही करता है। यह छवि के उबाऊ, दोहराव वाले हिस्सों को अनदेखा करना सीखता है और अपनी ऊर्जा उन क्षेत्रों पर केंद्रित करता है जहाँ कुछ गलत हो सकता है। यह "ध्यान" (attention) दो तरह से लागू किया जाता है: यह एक एकल फ्रेम के भीतर स्थानिक विवरणों (spatial details) को देखता है ताकि सूक्ष्म खामियों को खोज सके, और यह कई फ्रेमों में समय के साथ होने वाले बदलावों को देखता है ताकि यह देख सके कि प्रिंटिंग के दौरान वस्तु का व्यवहार सुसंगत है या नहीं।

शोधकर्ताओं ने पाया कि इन दोनों प्रकार के फोकस को मिलाना अत्यंत महत्वपूर्ण था। जब उन्होंने समय के साथ होने वाली गति को देखने की क्षमता के बिना प्रणाली का परीक्षण किया, तो यह अभी भी अच्छी थी, लेकिन उतनी सटीक नहीं थी। जब उन्होंने विशिष्ट स्थानिक विवरणों पर ध्यान केंद्रित करने की क्षमता को हटा दिया, तो प्रणाली सूक्ष्म दोषों को खोजने में संघर्ष करने लगी। लेकिन जब दोनों मिलकर काम कर रहे थे, तो प्रणाली अपने शिखर प्रदर्शन पर पहुँच गई। प्रिंटिंग प्रक्रिया के वीडियो क्लिप्स से जुड़े परीक्षणों में, प्रणाली ने उच्च स्तर की सटीकता के साथ विसंगतियों का पता लगाया, और अक्सर अन्य उन्नत विधियों से बेहतर प्रदर्शन किया जो विभिन्न गणितीय दृष्टिकोणों पर निर्भर करती हैं। यह प्रणाली गियर और ब्लॉक जैसी वस्तुओं में दोषों को खोजने में विशेष रूप से प्रभावी थी, जहाँ खामियाँ सूक्ष्म थीं और देखना कठिन था।

हालाँकि, शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि यह प्रणाली पूर्ण नहीं है। कुछ विशिष्ट प्रकार की वस्तुएं थीं, जैसे कि कुछ क्यूब्स और टूथब्रश, जहाँ प्रणाली थोड़ी कम प्रभावी थी। इन मामलों में, दोष इतने छोटे थे या बनावट इतनी दोहराव वाली थी कि कंप्यूटर के लिए एक खामी और डिज़ाइन के सामान्य हिस्से के बीच अंतर करना कठिन हो गया। यह सुझाव देता है कि हालांकि यह प्रणाली एक बड़ी प्रगति है, फिर भी सुधार की गुंजाइश है, विशेष रूप से उन सामग्रियों के मामले में जिनमें बहुत जटिल या एकसमान पैटर्न होते हैं। टीम यह भी स्वीकार करती है कि उनका परीक्षण उनके पास उपलब्ध डेटासेट्स तक सीमित था, और भविष्य के कार्यों में यह सुनिश्चित करने के लिए कि प्रणाली सभी औद्योगिक सेटिंग्स के लिए पर्याप्त मजबूत है, इसमें विभिन्न प्रकार की सामग्रियों और प्रिंटिंग स्थितियों को शामिल करना आवश्यक होगा।

गाइडेडफ्लो का विकास सुरक्षित और अधिक विश्वसनीय विनिर्माण की दिशा में एक महत्वपूर्ण कदम है। कंप्यूटर को एक केंद्रित और बुद्धिमान दृष्टि के साथ प्रिंटिंग प्रक्रिया को देखने के लिए सिखाकर, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जो उन त्रुटियों को पकड़ सकता है जो अन्यथा छूट सकती थीं। यह तकनीक केवल मानव निरीक्षण का स्थान नहीं लेती है; यह इसे बेहतर बनाती है, जो उच्च-गति उत्पादन लाइनों की निगरानी करने का एक तरीका प्रदान करती है जो मानव के लिए लंबे समय तक बनाए रखना कठिन है। जैसे-जैसे एडिटिव मैन्युफैक्चरिंग बढ़ता जा रहा है, हमारे भविष्य के जटिल भागों को उच्चतम गुणवत्ता के साथ बनाने के लिए इस तरह के उपकरण अनिवार्य होंगे। यह कार्य प्रदर्शित करता है कि डीप लर्निंग की शक्ति को ध्यान केंद्रित करने के स्मार्ट तरीके के साथ जोड़कर, हम आधुनिक इंजीनियरिंग की कुछ सबसे कठिन समस्याओं को हल कर सकते हैं।