卷积神经网络原理用于机器学习“修复”3D打印金属零件

 

前置反馈像3D打印设备的大脑，“告诉”打印机如何做避免错误。利用所能得到的最新信息，进行认真、反复的预测，把计划所要达到的目标同预测相比较，并采取措施修改计划，以使预测与计划目标相吻合。

 

神经网络的高级算法

 

根据市场观察，LLNL正在将卷积神经网络原理用于机器学习“修复”3D打印金属零件，通过神经网络的高级算法用于实时来分析构建质量，并就就如何改进构建质量提出建议。LLNL正在朝着一键打印的目标努力。

 

Wayne King所在的LLNL国家实验室从2011年就引入了3D打印技术，目前拥有200多名科学家从事增材制造工作。作为全球领先的3D打印增材制造研究中心之一，LLNL配有三个3D打印实验室，这些实验室所从事的是具有前沿探索以及商业化转化价值的研究。

 

多年来，劳伦斯利弗莫尔国家实验室的工程师们使用传感器和成像技术来分析金属3D打印背后的物理和过程，以便每次都能够首次构建高质量的金属零件。现在，他们正在利用机器学习来实时处理3D构建期间获得的数据，可以在几毫秒内检测构建是否是高质量的。更确切地说，他们正在开发卷积神经网络（CNN），这是一种通常用于处理图像和视频的算法，通过观察大约每段10毫秒的视频来预测部件是否良好。

 

用于下围棋，也可用于预测3D打印结果

 

根据业内专家，卷积神经网络是近些年逐步兴起的一种人工神经网络结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种技术也被广泛的传播可应用. 卷积神经网络最常被应用的方面是计算机的图像识别, 不过因为不断地创新, 它也被应用在视频分析, 自然语言处理, 药物发现, 等等。包括Alpha Go, 让计算机看懂围棋, 同样也是有运用到这门技术。

 

那么卷积神经网络的计算原理是怎样的呢？ “卷积” 和 “神经网络”. 卷积也就是说神经网络不再是对每个像素的输入信息做处理了,而是图片上每一小块像素区域进行处理, 这种做法加强了图片信息的连续性。 使得神经网络能看到图形, 而非一个点。这种做法同时也加深了神经网络对图片的理解。具体来说, 卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信息，每一次收集的时候都只是收集一小块像素区域，然后把收集来的信息进行整理, 这时候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片信息, 然后在以同样的步骤, 用类似的批量过滤器扫过产生的这些边缘信息, 神经网络从这些边缘信息里面总结出更高层的信息结构，比如说总结的边缘能够画出眼睛，鼻子等等。再经过一次过滤，脸部的信息也从这些眼睛鼻子的信息中被总结出来。最后我们再把这些信息套入几层普通的全连接神经层进行分类，这样就能得到输入的图片能被分为哪一类的结果了。

 

拿粉末床金属熔融技术来说，金属粉末一层一层的被凝固，从而成为最终零件，在层凝固的过程中就有着与模型切片所对应的图像成像过程，由此说来，卷积神经网络原理用于3D打印的前馈控制是颇具发展潜力的

 

制造，最终回归于软件与算法？

 

LLNL的研究人员通过标记每个构建过程的高度图的算法，然后使用相同的模型来预测构建路径的宽度和标准偏差。路径是否被破坏是由一套算法来判断的，这套算法是LLNL国家实验室的研究员Bodi Yuan开发的。

 

此前，LLNL的一些研究人员花了数年时间收集激光粉末床熔融金属3D打印过程的各种形式的实时数据，包括视频，光学层析成像和声学数据。逐渐，LLNL发现，如此大的数据量，不可能通过人工来进行所有的数据分析，由此他们寄希望于神经网络是否可以简化任务。

 

根据LLNL国家实验室，就像人类大脑使用视觉和其他感官来导航世界一样，他们希望通过机器学习分析传感器获取的数据来导航3D打印过程。

 

据了解，LLNL国家实验室开发的神经网络可以用于其他3D打印系统。理论上，研究人员应该能够遵循相同的算法，在不同条件下创建零件，收集视频，以生成可用于标准机器学习技术的信息。

 

目前，LLNL国家实验室仍然需要做一些工作来检测零部件中的孔隙，这些部位无法通过高度图扫描进行预测，但可以通过非原位X射线照相技术进行测量。除了视频之外，研究人员还将尝试创建算法以合并分析其他类型的传感器所获取的数据。