导读：增材制造（3D打印）正日益成为制造业的核心技术，然而，检测其复杂部件中的缺陷一直是一个重大挑战。近日，伊利诺伊大学厄巴纳-香槟分校的研究团队开发出了一种新方法，利用深度学习技术有效检测增材制造部件中的缺陷，这一突破有望显著提升增材制造的质量控制能力。

在传统制造业中，确保组件无缺陷是至关重要的一环。然而，增材制造由于其可以制造出具有复杂三维形状和内部特征的组件，使得缺陷检测变得尤为困难。为了解决这一难题，伊利诺伊大学的研究人员利用深度机器学习技术，开发了一种全新的缺陷检测方法。

研究团队通过计算机模拟生成了数以万计的合成缺陷图像，这些图像被用来训练深度学习模型。每个生成的缺陷图像都有不同的大小、形状和位置，使得模型能够识别各种可能的缺陷并区分有缺陷和无缺陷的组件。

该方法的核心在于X射线计算机断层扫描（CT），它能够深入检测增材制造部件的内部结构。这一过程生成了大量的横截面图像，这些图像被标记为无缺陷或有缺陷，为训练模型提供了丰富的数据集。

为了验证这一方法的有效性，研究团队设计了一个具有内部三维几何形状的喷嘴部件，并通过两种不同的基于树脂的增材制造工艺制造了227个部件。这些部件中，一部分没有缺陷，另一部分则包含故意设计的缺陷。研究人员对每个部件进行了CT扫描，生成了100,334个横截面图像切片，其中13.6%被标记为有缺陷。

通过这些数据，研究团队训练了Vision Transformer (ViT) 模型，并在实验部件中的572个缺陷上进行了测试。结果表明，该模型能够准确检测和分类缺陷部件，准确率超过90%。

这一研究表明，合成数据在训练深度学习模型方面具有巨大的潜力，可以有效检测以前从未见过的缺陷。项目负责人、伊利诺伊大学机械科学与工程学教授威廉·金（William King）表示：“利用计算机模拟，我们可以非常快速地建立一个机器学习模型，以高精度识别缺陷。深度学习使我们能够准确地检测到计算机以前从未发现过的缺陷。”

这一方法不仅可以推广到多种类型的部件设计和缺陷类型，还可以大大减少训练机器学习模型的时间和成本。该研究成果发表在《智能制造杂志》上，题为《利用深度学习和X射线计算机断层扫描检测和分类增材制造部件中的隐藏缺陷》。

此次研究的作者包括伊利诺伊大学厄巴纳-香槟分校的Miles Bimrose、Sameh Tawfick和William King；马里兰大学的Davis McGregor；密歇根大学的邵晨晖；以及浙江大学的胡天翔、王炯欣和刘作柱。

导读：增材制造（3D打印）正日益成为制造业的核心技术，然而，检测其复杂部件中的缺陷一直是一个重大挑战。近日，伊利诺伊大学厄巴纳-香槟分校的研究团队开发出了一种新方法，利用深度学习技术有效检测增材制造部件中的缺陷，这一突破有望显著提升增材制造的质量控制能力。

在传统制造业中，确保组件无缺陷是至关重要的一环。然而，增材制造由于其可以制造出具有复杂三维形状和内部特征的组件，使得缺陷检测变得尤为困难。为了解决这一难题，伊利诺伊大学的研究人员利用深度机器学习技术，开发了一种全新的缺陷检测方法。

研究团队通过计算机模拟生成了数以万计的合成缺陷图像，这些图像被用来训练深度学习模型。每个生成的缺陷图像都有不同的大小、形状和位置，使得模型能够识别各种可能的缺陷并区分有缺陷和无缺陷的组件。

该方法的核心在于X射线计算机断层扫描（CT），它能够深入检测增材制造部件的内部结构。这一过程生成了大量的横截面图像，这些图像被标记为无缺陷或有缺陷，为训练模型提供了丰富的数据集。

为了验证这一方法的有效性，研究团队设计了一个具有内部三维几何形状的喷嘴部件，并通过两种不同的基于树脂的增材制造工艺制造了227个部件。这些部件中，一部分没有缺陷，另一部分则包含故意设计的缺陷。研究人员对每个部件进行了CT扫描，生成了100,334个横截面图像切片，其中13.6%被标记为有缺陷。

通过这些数据，研究团队训练了Vision Transformer (ViT) 模型，并在实验部件中的572个缺陷上进行了测试。结果表明，该模型能够准确检测和分类缺陷部件，准确率超过90%。

这一研究表明，合成数据在训练深度学习模型方面具有巨大的潜力，可以有效检测以前从未见过的缺陷。项目负责人、伊利诺伊大学机械科学与工程学教授威廉·金（William King）表示：“利用计算机模拟，我们可以非常快速地建立一个机器学习模型，以高精度识别缺陷。深度学习使我们能够准确地检测到计算机以前从未发现过的缺陷。”

这一方法不仅可以推广到多种类型的部件设计和缺陷类型，还可以大大减少训练机器学习模型的时间和成本。该研究成果发表在《智能制造杂志》上，题为《利用深度学习和X射线计算机断层扫描检测和分类增材制造部件中的隐藏缺陷》。

此次研究的作者包括伊利诺伊大学厄巴纳-香槟分校的Miles Bimrose、Sameh Tawfick和William King；马里兰大学的Davis McGregor；密歇根大学的邵晨晖；以及浙江大学的胡天翔、王炯欣和刘作柱。