本文阐述了人工智能 (AI) 和深度学习 (DL) 的工作原理，以及与传统方法相比，这项技术究竟有多出色。我们展示了如何…… Dragonfly 使用软件分析增材制造基准零件的孔隙率，直接比较新的深度学习 AI 方法与传统的阈值方法。

问题

所有制造零件都存在一定的孔隙，而对于增材制造而言，这些孔隙可能非常细小，难以检测。CT 成像技术非常适合用于这些孔隙的成像，但对其进行分割和分析始终是一项挑战。虽然可以使用多种算法，但几乎所有方法都需要人为干预。通常，操作员需要选择一个阈值，低于该阈值的较暗区域会被选中，而较致密的材料部分则不会被选中。当孔隙相对于像素尺寸较小，或者图像对比度不理想时，这一过程会变得非常困难，导致分割结果有时不准确，并且不同的操作员会得到不同的结果。使用预训练的深度学习模型可以消除这种固有的人为偏差，同时由于该模型可以作为宏的一部分调用，无需任何人工输入，因此可以实现自动化。

图 1 + 2：增材制造基准零件的 CT 表面视图（左），具有复杂的几何形状和内部通道（右）

孔隙度识别与测量

在 CT 扫描中，可以识别零件内部的许多细节——在这种情况下，如下图所示，可以轻松识别以下内容：（A）由于增材制造工艺而产生的意外孔隙，（B）设计的内部通道和（C）包含未熔化粉末的内部通道。

图 3：横截面 CT 图像显示了有无残留粉末时的孔隙和通道

本文旨在表征制造过程中形成的孔隙率 (A)。为了直接比较手动阈值分割法和深度学习法，我们选取​​了 10 个感兴趣区域 (ROI) 进行分析。下图展示了其中一个 ROI。

图 4 + 5：选择感兴趣区域作为孔隙度分析的子集

对于每个感兴趣区域 (ROI)，我们采用手动阈值分割，因为自动 Otsu* 阈值分割失败——孔隙太小、数量太少，无法进行自动阈值分割。下图展示了一个 Otsu 阈值分割失败以及手动阈值调整的横截面示例。

*大津法，以大津信之的名字命名，用于执行自动图像阈值分割

图 6 + 7：传统分割方法：由于孔隙数量少且尺寸小，ROI 中的 Otsu 阈值分割（左图）效果不佳；手动调整阈值（右图）

手动阈值分割方法存在由操作人员造成的固有偏差/误差，孔隙越小或数据噪声越大，这种偏差/误差就越明显。为了说明这一点，我们由不同的操作人员重复进行了10次测量，并将手动量化结果以每个感兴趣区域（ROI）的孔隙率百分比值的形式展示如下。

图 8：不同操作人员在相同数据和相同 10 个 ROI 下报告的孔隙率值差异

通过应用人工智能/深度学习模型，可以消除人为偏见。 Dragonfly 该软件以其人工智能工具而闻名，在本例中，它直接使用了预训练的增材制造孔隙率模型。该模型此前已在超过 50 个数据集上进行训练，涵盖了典型实验室 CT 图像数据中常见的绝大多数增材制造孔隙率类型。该模型旨在允许用户添加更多训练数据，以便更好地匹配特定目标图像。但在本例中，该模型无需任何额外训练即可成功使用。模型在完整样本上的应用如下所示。

图 9：基于深度学习的基准测试全部分孔隙率分割与分析

经常有人会问：深度学习模型的重复性如何？在这个案例中，不同的操作人员应用了同一个模型，同一位操作人员也多次应用该模型。结果在所有情况下都完全相同。没有任何偏差，每次分类的体素数量都相同，因此不存在误差。

图 10：5 位用户对 10 个 ROI 进行深度学习孔隙率分析

结论

对一个基准增材制造零件进行了孔隙率分析，并应用深度学习模型对其进行了评估。 Dragonfly 软件用于分割和量化孔隙率。这与传统的手动阈值分割方法进行了比较，后者存在一定的人为误差。深度学习方法消除了人为误差，提高了解决这一难题的可靠性，并实现了分析的自动化。此处使用的模型是深度为 5 的 U-Net**，此前已在 50 多个数据集上进行了训练。该模型直接使用（包含在……中）。 Dragonfly ）但也可以进一步训练，使其在更广泛的数据集上更具鲁棒性，并能处理更多噪声数据，例如。

U-Net 是一种流行的卷积神经网络架构，用于快速、精确的图像分割，也是深度学习中的一种数学模型。