Analyse de la porosité des pièces moulées améliorée par l'IA Dragonfly 3D World
12 janvier 2026
La qualité de la fonderie dépend grandement de la compréhension de la porosité interne des pièces métalliques. Les vides cachés et les retassures peuvent compromettre l'intégrité, entraîner des défaillances prématurées et augmenter les coûts, surtout dans les applications critiques pour la sécurité. Bien que les méthodes de seuillage traditionnelles, comme la segmentation d'Otsu, se soient avérées efficaces pour des évaluations rapides, elles ne détectent parfois pas les défauts fins ou à faible contraste. Pour pallier ces difficultés, Dragonfly 3D World introduit des outils de segmentation pilotés par l'IA qui font passer l'analyse de la porosité à un niveau supérieur.
Du seuillage à l'analyse basée sur l'IA
La tomographie aux rayons X (CT) est largement utilisée pour visualiser la porosité des pièces moulées. Les techniques de seuillage classiques, comme la méthode d'Otsu, permettent de segmenter efficacement la plupart des pores gazeux et des cavités de grande taille. Cependant, ces méthodes peuvent sous-estimer la porosité réelle en ne détectant pas les cavités étroites de type fissure, les amas de petits pores ou les défauts de retrait à faible contraste situés près de la limite de voxel du scan.
Les outils d'IA dans 3D World Pour surmonter ces limites, il est possible d'apprendre directement à partir des données d'images. Un modèle entraîné sur un jeu de données peut identifier des caractéristiques subtiles, telles que les pores de rétrécissement ou les cavités étroites, que le seuillage traditionnel ne permet pas d'identifier, même appliqué à des échantillons entièrement nouveaux.
Démontrer la différence
S'appuyant sur des scans CT haute résolution effectués avec un système Comet Yxlon , cette note d'application démontre l'amélioration apportée par l'IA au contrôle des pièces moulées. Les exemples ci-dessous confirment que l'intelligence artificielle peut détecter avec précision les moindres détails de porosité, tout en garantissant une constance des résultats sur différents échantillons et dans diverses conditions.
Exemple 1 : La segmentation par IA a identifié des régions vides étroites et des pores de retrait que la méthode d’Otsu n’a pas réussi à capturer.
Exemple 2 : Le même modèle d’IA, entraîné uniquement sur le premier ensemble de données, a segmenté avec précision un moulage différent, même dans les zones touchées par des artefacts d’imagerie où le seuillage a produit des erreurs.
Avantages pour les ingénieurs en fonderie
Dragonfly 3D World La segmentation par IA de [Nom de l'entreprise] offre aux ingénieurs une compréhension plus détaillée et quantitative de la qualité des pièces moulées. Elle permet :
- Visualisation 3D de la géométrie des pores et de la distribution de leur taille.
- Détection améliorée des petits défauts de retrait ou des irrégularités.
- Flux de travail automatisés utilisant des macros pour une analyse plus rapide et reproductible.
Il en résulte une évaluation plus complète des défauts et une image plus claire des performances du processus, aidant les fabricants à affiner les paramètres, à assurer la sécurité et à réduire la variabilité de la production.
Pourquoi c'est important
Inspection par tomographie non destructive combinée à 3D World Les outils d'IA de [Nom de l'entreprise] permettent aux ingénieurs en fonderie d'aller au-delà d'une simple évaluation basée sur des seuils. Cette technologie améliore non seulement la détection des défauts, mais fournit également les bases d'une optimisation des processus basée sur les données et d'un contrôle de la qualité à long terme.
Voir l'étude complète
Découvrez comment la segmentation par IA améliore la précision et l'efficacité de l'analyse de la porosité des pièces moulées.