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

In de moderne industriële wereld ondergaat de manier waarop we dingen bouwen een stille revolutie. In plaats van materiaal weg te snijden uit een massief blok, bouwen machines nu objecten laag voor laag op, waarbij ze alleen materiaal toevoegen waar het nodig is. Dit proces, bekend als additieve productie, maakt een ongelooflijke complexiteit en maatwerk mogelijk, waarbij alles wordt gecreëerd van medische implantaten tot componenten voor de luchtvaart. Deze precisie brengt echter een aanzienlijke uitdaging met zich mee: ervoor zorgen dat elk afzonderlijk laagje perfect is. Zelfs een minuscuul defect, zoals een microscopisch klein draadje plastic of een subtiele verschuiving in de lagen, kan het uiteindelijke object verzwakken, wat leidt tot falen of veiligheidsrisico's. Omdat deze defecten op onvoorspelbare manieren kunnen verschijnen en vaak erg lijken op de normale textuur van het materiaal, is het opsporen ervan met het blote oog moeilijk en traag. Om dit op te lossen, hebben ingenieurs zich tot computers gekeerd, door hen te leren het printproces te observeren en alles te identificeren dat er niet goed uitziet. Het doel is om een systeem te creëren dat het onzichtbare kan zien, en een perfecte print kan onderscheiden van een gebrekkige print met dezelfde betrouwbaarheid als een menselijke expert, maar dan zonder vermoeid of afgeleid te raken.

Onderzoekers aan het New Mexico Institute of Mining and Technology hebben een nieuw computersysteem ontwikkeld dat ontworpen is om precies deze uitdaging aan te gaan. Ze noemen hun creatie GuidedFlow. Terwijl eerdere computersystemen probeerden te leren hoe een "normaal" object eruitziet door patronen te memoriseren of door te proberen afbeeldingen vanaf nul op te bouwen, hadden ze vaak moeite met de kleine, rommelige defecten die gebruikelijk zijn bij 3D-printen. Deze oudere systemen misten soms de kleine problemen of raakten in de war door de complexe texturen van de materialen. De nieuwe aanpak volgt een ander pad. In plaats van alleen naar een enkele afbeelding in isolatie te kijken, observeert GuidedFlow het printproces als een bewegend verhaal. Het besteedt nauwlettende aandacht aan zowel de vorm van het object als aan hoe die vorm verandert in de loop van de tijd terwijl de printkop beweegt. Door zich te concentreren op de belangrijkste delen van de afbeelding en te begrijpen hoe deze zich over een opeenvolging van frames tot elkaar verhouden, wordt het systeem veel beter in het opsporen van de subtiele tekenen van een defect.

De onderzoekers testten dit systeem op een nieuwe collectie gegevens die zij specifiek voor dit werk hebben gecreëerd, die zij AM3D-AD noemden. Deze dataset bevat honderden afbeeldingen en video's van echte 3D-geprinte objecten, zoals bouten, tandwielen en kubussen, gemaakt van een sterk nylonmateriaal. Om de "slechte" voorbeelden voor de test te creëren, heeft het team opzettelijk de computerinstructies die de printer aansturen gesaboteerd, waarbij willekeurige bewegingen werden geïntroduceerd die zorgden voor oppervlaktevervormingen en grillige paden. Ze hebben het systeem ook getest op een bekende publieke dataset van industriële afbeeldingen om te zien of het verschillende soorten objecten kon verwerken. De resultaten waren veelbelovend. Wanneer gevraagd werd om de gebrekkige items te vinden, identificeerde GuidedFlow de anomalieën vaker correct dan andere toonaangevende computermodellen. Het behaalde een hoge score in het onderscheiden van goede prints van slechte prints, en was bijzonder goed in het exact aanwijzen van de locatie van het defect op het object.

Wat dit systeem zo goed laat werken, is een tweeledige strategie die nabootst hoe een mens een complex object zou inspecteren. Ten eerste gebruikt het systeem een vooraf getraind brein, een type neuraal netwerk genaamd ResNet, om de basisvormen en texturen in de afbeeldingen te begrijpen. Vervolgens voegt het een speciaal aandachtmechanisme toe. Stel je een beveiligingsbeambte voor die een videofeed bekijkt; deze staart niet met gelijke intensiteit naar elke pixel. In plaats daarvan richt hij zijn ogen op de gebieden die ongebruikelijk of belangrijk lijken. GuidedFlow doet iets dergelijks. Het leert de saaie, repetitieve delen van de afbeelding te negeren en concentreert zijn energie op de gebieden waar iets mis zou kunnen zijn. Deze "aandacht" wordt op twee manieren toegepast: het kijkt naar de ruimtelijke details binnen een enkel frame om kleine fouten te vinden, en het kijkt naar de temporele details over meerdere frames heen om te zien of het object consistent verloopt terwijl het wordt geprint.

De onderzoekers ontdekten dat het combineren van deze twee soorten focus cruciaal was. Wanneer ze het systeem testten zonder de mogelijkheid om naar de beweging in de tijd te kijken, was het nog steeds goed, maar niet even nauwkeurig. Wanneer ze de mogelijkheid wegnamen om op specifieke ruimtelijke details te focussen, had het systeem moeite met het vinden van de kleine defecten. Maar wanneer beide samenwerkten, bereikte het systeem zijn piekprestaties. Bij tests met videoclips van het printproces detecteerde het systeem anomalieën met een hoge mate van nauwkeurigheid, en presteerde het vaak beter dan andere geavanceerde methoden die vertrouwen op andere wiskundige benaderingen. Het systeem was bijzonder effectief in het vinden van defecten in objecten zoals tandwielen en blokken, waarbij de gebreken subtiel en moeilijk te zien waren.

De onderzoekers merken echter voorzichtig op dat het systeem niet perfect is. Er waren een paar specifieke soorten objecten, zoals bepaalde kubussen en tandenborstels, waarbij het systeem iets minder effectief was. In deze gevallen waren de defecten zo klein of de texturen zo repetitief dat de computer meer moeite had met het onderscheid tussen een fout en een normaal onderdeel van het ontwerp. Dit suggereert dat hoewel het systeem een grote stap voorwaarts is, er nog steeds ruimte is voor verbetering, vooral bij het werken met materialen die zeer complexe of uniforme patronen hebben. Het team erkent ook dat hun testen beperkt waren tot de datasets die zij tot hun beschikking hadden, en dat toekomstig werk de mogelijkheden moet uitbreiden om een bredere variëteit aan materialen en printcondities te omvatten om ervoor te zorgen dat het systeem robuust genoeg is voor alle industriële omgevingen.

De ontwikkeling van GuidedFlow vertegenwoordigt een belangrijke stap richting veiligere en betrouwbaardere productie. Door computers te leren het printproces te observeren met een gefocuste, intelligente blik, hebben de onderzoekers een hulpmiddel geboden dat fouten kan vangen die anders door de mazen van het net zouden glippen. Deze technologie vervangt de menselijke inspectie niet; het versterkt deze, door een manier te bieden om hoogwaardige productielijnen te monitoren met een niveau van detail dat voor mensen moeilijk vol te houden is over lange perioden. Naarmate de additieve productie blijft groeien, zullen instrumenten zoals deze essentieel zijn om te garanderen dat de complexe onderdelen van onze toekomst worden gebouwd met de hoogst mogelijke kwaliteit. Het werk toont aan dat we door de kracht van deep learning te combineren met een slimme manier van aandacht richten, enkele van de meest hardnekkige problemen in de moderne techniek kunnen oplossen.