Cet article explique le fonctionnement de l'intelligence artificielle (IA) et de l'apprentissage profond (DL), et démontre la supériorité de cette technique par rapport aux méthodes traditionnelles. On montre comment Dragonfly Un logiciel est utilisé pour analyser la porosité d'une pièce de référence fabriquée par impression 3D, en comparant directement la nouvelle méthode d'IA d'apprentissage profond aux méthodes de seuillage traditionnelles.

Le problème

Toutes les pièces manufacturées présentent une certaine porosité, et dans le cas de la fabrication additive, ces pores peuvent être très petits et difficiles à détecter. La tomographie est très utile pour visualiser ces pores, mais leur segmentation et leur analyse demeurent complexes. Plusieurs algorithmes peuvent être utilisés, et presque toutes les méthodes nécessitent une intervention humaine. Généralement, un opérateur doit définir un seuil en dessous duquel les zones sombres des pores sont sélectionnées, tandis que les zones plus denses sont exclues. Ce processus se complexifie lorsque les pores sont petits par rapport à la taille des pixels, ou lorsque le contraste de l'image est insuffisant, ce qui peut entraîner des erreurs de segmentation et des résultats différents selon les opérateurs. L'utilisation d'un modèle d'apprentissage profond préentraîné élimine ce biais humain inhérent et permet simultanément l'automatisation, car le modèle peut être intégré à une macro sans intervention humaine.

Fig. 1 + 2 : Vue de surface CT de la pièce de référence fabriquée par impression 3D (à gauche) avec une géométrie complexe et des canaux internes (à droite)

Identification et mesure de la porosité

Dans les scanneurs CT, de nombreux détails peuvent être reconnus à l'intérieur des pièces – dans ce cas, comme on le voit sur la figure ci-dessous, les éléments suivants peuvent être facilement identifiés : (A) porosité non intentionnelle due au processus AM, (B) canaux internes conçus et (C) canaux internes contenant de la poudre non fondue.

Fig. 3 : Image tomodensitométrique en coupe transversale montrant la porosité et les canaux avec et sans poudre résiduelle

Dans ce travail, nous nous intéressons à la caractérisation de la porosité (A) formée durant le processus de fabrication. Afin de comparer directement la méthode de seuillage manuel à la méthode d'apprentissage profond, nous avons sélectionné 10 régions d'intérêt (ROI) à analyser. Une de ces ROI est illustrée ci-dessous.

Fig. 4 + 5 : Sélection d'une ROI comme sous-ensemble pour l'analyse de porosité

Pour chaque ROI, on applique un seuillage manuel parce que le seuillage automatique d'Otsu* est inefficace : les pores sont trop petits et trop peu nombreux pour permettre un seuillage automatique. Un exemple en coupe transversale d'un seuillage d'Otsu inefficace et d'un ajustement manuel du seuillage est présenté dans la figure ci-dessous.

*La méthode d'Otsu, du nom de Nobuyuki Otsu, pour la réalisation d'un seuillage automatique d'images

Fig. 6 + 7 : Approches de segmentation traditionnelles : le seuil d’Otsu dans la ROI (à gauche) ne fonctionne pas correctement en raison du nombre très faible et de la petite taille des pores ; seuil ajusté manuellement (à droite)

Dans le cas d'un seuillage manuel, un biais/erreur inhérent est induit par les opérateurs humains, et s'accentue avec des pores plus petits ou des données plus bruitées. À titre d'exemple, nous répétons les 10 mesures par différents opérateurs et présentons ci-dessous les résultats de la quantification manuelle sous forme de pourcentages de porosité dans chaque ROI.

Fig. 8 : Différences dans les valeurs de porosité rapportées par différents opérateurs humains, étant donné les mêmes données et les mêmes 10 ROI

L'application d'un modèle d'IA/apprentissage profond permet d'éliminer les biais humains. Dragonfly Ce logiciel est réputé pour ses outils d'IA et, dans ce cas précis, un modèle de porosité pré-entraîné pour la fabrication additive est utilisé d'emblée. Ce modèle a été préalablement entraîné sur plus de 50 ensembles de données, couvrant la plupart des types de porosité observés dans les images tomodensitométriques de laboratoire. Il est conçu pour permettre à l'utilisateur d'ajouter des données d'entraînement supplémentaires afin d'obtenir une meilleure adéquation à l'image spécifique étudiée. Cependant, dans ce cas précis, il est utilisé avec succès sans aucun entraînement supplémentaire. L'application du modèle à l'échantillon complet est montrée ci-dessous.

Fig. 9 : Segmentation par apprentissage profond et analyse de la porosité dans la partie de référence complète

Une question qui revient souvent est : dans quelle mesure un modèle d’apprentissage profond est-il reproductible ? Dans ce cas précis, le même modèle a été appliqué par différents opérateurs et à plusieurs reprises par le même opérateur. La réponse a été parfaitement identique à chaque fois. Aucune variation n’a été observée ; le nombre de voxels classés est identique à chaque exécution, donc il n'y a aucune erreur.

Fig. 10 : Analyse de porosité par apprentissage profond réalisée par 5 utilisateurs sur 10 régions d'intérêt

Conclusion

Une pièce de référence fabriquée par impression 3D a été analysée en termes de porosité et un modèle d'apprentissage profond a été utilisé. Dragonfly Un logiciel a été utilisé pour segmenter et quantifier la porosité. Cette méthode a été comparée à l'approche traditionnelle de seuillage manuel, sujette à des erreurs humaines. L'apprentissage profond élimine ces erreurs et améliore la fiabilité pour ce problème complexe, tout en permettant l'automatisation des analyses. Le modèle utilisé est un réseau U-Net** d'une profondeur de 5, préalablement entraîné sur plus de 50 ensembles de données. Il a été utilisé tel quel (et est inclus dans le logiciel). Dragonfly ) mais pourrait également être entraîné davantage pour le rendre plus robuste sur une plus grande variété d'ensembles de données et fonctionner sur des données plus bruitées, par exemple.

U-Net est une architecture de réseau convolutionnel populaire pour la segmentation d'images rapide et précise, ainsi qu'un modèle mathématique en apprentissage profond.