ОДК оценивает качество порошков для 3D-печати с помощью искусственного интеллекта

Центр аддитивных технологий Объединенной двигателестроительной корпорации Ростеха внедряет искусственный интеллект в процедуры оценки металлических порошков, используемых в 3D-принтерах. Новый подход позволяет точно определять характеристики частиц порошка по микроскопическим изображениям. Это ускорит разработку и аттестацию материалов, применяемых в аддитивном производстве.

Специалисты ЦАТ создали нейросетевую модель, автоматически формирующие данные, необходимые для допуска металлических порошков к производству изделий с помощью аддитивных технологий. Искусственный интеллект не просто разграничивает порошки и фон, но и выделяет отдельные частицы на снимках, полученных с помощью электронной микроскопии. Это помогает проверять качество и пригодность материалов к производственным задачам. В ходе тестов архитектура показала высокий результат, погрешность составила менее трех процентов, сообщает пресс-служба ОДК. 

При ручном и автоматизированном анализе порошков используются микроскопы и компьютеры, однако специалисты должны последовательно обрабатывать изображения, тогда как искусственный интеллект автоматически выполняет все расчеты, оставляя операторам только подготовку снимков и проверку результатов. Это существенно сокращает трудозатраты на обработку данных, ускоряет анализ и снижает влияние человеческого фактора на его достоверность.

«Ключевое преимущество разработки — переход от ручной обработки микроскопических изображений к автоматизированным измерениям. Применение нейронных сетей автоматизирует наиболее трудоемкий этап — выделение отдельных частиц и расчет их характеристик. Искусственный интеллект определяет такие параметры, как количество частиц, площадь, периметр, эквивалентный диаметр. Точность данных, полученных с помощью компьютерного зрения, подтверждена в ходе сравнения с результатами классического метода лазерной дифракции», — рассказал инженер-технолог ЦАТ Константин Коробов.

Качество металлического порошка напрямую влияет на стабильность 3D-печати и свойства готовых изделий, поэтому перед применением порошок проходит входной контроль. Одна из самых трудоемких частей такого контроля — анализ изображений порошка. Необходимо получить микроскопические снимки, выделить на них отдельные частицы, измерить их размеры и форму, а затем провести статистическую обработку. При ручной или полуавтоматической обработке этот этап занимает много времени и зависит от квалификации оператора. Центр аддитивных технологий разработал подход, в котором для анализа микроскопических изображений применяются нейронные сети. Такой метод позволяет автоматически находить частицы порошка на снимках, рассчитывать их характеристики и формировать данные, необходимые для оценки партии материала. Основная задача разработки — не просто ускорить обработку изображений, а сделать анализ более воспроизводимым.

Для анализа металлического порошка используются микроскопические изображения, в том числе снимки, полученные с помощью электронного микроскопа. На таких изображениях частицы могут отличаться по размеру, форме, яркости, степени соприкосновения и качеству границ. Простого разделения изображения на порошок и фон недостаточно. В задаче оценки морфологии важно выделить каждую частицу как отдельный объект. Только в этом случае можно корректно посчитать количество частиц, площадь, периметр, эквивалентный диаметр и другие параметры формы. Если несколько частиц ошибочно объединяются в один объект, статистика размеров искажается. Если мелкие частицы пропускаются, меняется оценка гранулометрического состава.

В разработанном подходе нейронная сеть выполняет сегментацию частиц порошка на микроскопических изображениях. На выходе формируются маски отдельных объектов, которые затем преобразуются в численные характеристики. Такой переход от изображения к таблице параметров позволяет использовать компьютерное зрение не как визуальный инструмент, а как часть измерительной процедуры. Это делает анализ порошка более быстрым и пригодным для дальнейшей автоматизации входного контроля.

В ходе работ сравнивались три архитектуры нейронных сетей для сегментации частиц порошка — YOLO, Mask R-CNN и DeepLabV3+. Все три подхода позволяют анализировать микроскопические изображения, однако они по-разному справляются с мелкими, соприкасающимися и неоднородными по форме частицами. Для задачи порошкового анализа важно не только найти область, занятую порошком, но и корректно разделить частицы между собой, поэтому оценивалась не только общая точность распознавания, но и пригодность модели для последующего расчета морфологических и гранулометрических параметров.

По результатам исследования архитектура YOLO показала лучший результат. Погрешность составила 2,7%, а индекс пересечения с эталонной ручной разметкой достиг 0,968. Это означает, что предсказанные нейросетью маски хорошо совпадают с разметкой, подготовленной вручную.

Альтернативные архитектуры также показали применимость, однако имели ограничения. Одни модели хуже работали с мелкими или соприкасающимися частицами, другие требовали более сложной дополнительной постобработки, поэтому для итогового расчета характеристик порошка была выбрана YOLO как наиболее устойчивая и практичная архитектура.

После того как нейронная сеть выделяет частицы порошка на изображении, каждая маска преобразуется в набор численных параметров. Это ключевой этап, потому что именно он переводит результат компьютерного зрения в инженерные данные, пригодные для анализа партии порошка.

Программный инструмент автоматически рассчитывает площадь частицы, периметр, эквивалентный диаметр, диаметры Фере и другие характеристики формы. На основе этих данных можно оценивать не только средний размер частиц, но и особенности их морфологии — вытянутость, округлость, наличие нестандартных объектов и отклонения от типичной формы. 

Таким образом, результатом обработки становится не просто изображение с выделенными частицами, а структурированная таблица характеристик. Ее можно использовать для сравнения партий порошка, подготовки отчетов и дальнейшей оценки пригодности материала для применения в аддитивном производстве.

В ближайшее время планируется испытать технологию на различных партиях порошков, оформить методику анализа и разработать удобный программный интерфейс. После этого пилотную версию решения испытают на производстве.

АО «Центр аддитивных технологий» — единый интегратор в области промышленной 3D-печати. Компания имеет крупный парк промышленного оборудования для аддитивного производства и реализует широкий спектр задач — от разработки до организации серийного производства. 

Источник: Объединенная двигателестроительная корпорация Ростеха

А у вас есть интересные новости? Поделитесь с нами своими разработками, и мы расскажем о них всему миру! Ждем ваши идеи по адресу news@3Dtoday.ru