Industry News
Batch identification of metal 3D printing powders through machine vision and artificial intelligence
Date：2017-12-04
Source：Samsun Technology
在金属融化过程中，每个激光点创建了一个微型熔池，从粉末融化到冷却成为固体结构，在这个过程中，多种因素对最终产品的质量与一致性产生影响。其中，材料特性导致的缺陷，由材料特性导致的无法通过优化3D打印特征参数予以解决的缺陷，主要为气孔。金属粉末相关的问题集中在了解粉末的物理特性（尺寸、形状和表面特性）如何影响加工参数（流动性和铺展性）并影响到3D打印结果（孔隙度和缺陷）。而理解这些关系的基础是需要有效地表征粉末本身。
卡内基梅隆大学工程学院的研究人员开发了机器视觉技术，可以自动识别和分类不同种类的3D打印金属粉末，准确度达95％以上。根据卡内基梅隆大学，该技术在五年内可能会获得广泛推广。
机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
根据上海材料所凌松，3D打印的原材料为粉体或丝材，其形态与传统板材、棒材、锻件等有较大区别；因此，其理化特性的测试检验项目与传统减材加工技术的原材料有很大的不同，诸如力学性能、金相组织等项目无法进行。除化学成分分析外，粉体材料应着重关注其粒度、粒度分布、形貌及颗粒中的空隙等参量。
卡内基梅隆（CarnegieMellon）大学的材料科学和工程教授，研究领域的研究主管伊丽莎白·霍尔姆（ElizabethHolm）解释说：“在传统的制造领域，通常通过破坏性测试来实现对零件的检测。一家公司可能会生产多种零件，并对其进行测试，看看这些零件如何忍受压力和疲劳。”
Holm和她的研究团队在八种不同的商业原料粉末上测试了机器视觉粉末分选系统，发现他们的系统能够精确地分选进入3D打印机的粉末，这将使得一些破坏性测试变得多余。在Holm看来，“破坏性测试花费大量的时间和金钱，拉低了增材制造的效率和自动化程度，另外破坏性测试使得3D打印的按需性质变得缓慢。”
在没有手动监督的情况下通过计算机视觉来识别和分类粉末，计算机可以看出，金属粉末是否具有零件要求的微观结构质量–强度、抗疲劳度、韧性等。如果是这样，一旦进行3D打印，金属粉末就不太可能带来零件裂纹或发生加工故障。
令人惊讶的是，计算机实际上比训练有素的人类更好地区分粉末。该系统甚至可以识别关于粉末的许多不同特征：其颗粒多大、颗粒如何组合在一起、颗粒的表面粗糙度以及它们的形状。更重要的是机器视觉方法是自主的、客观的和可重复的，这种客观性是推进金属3D打印过程中质量控制的必要条件。
迄今为止，增材制造金属粉末原料的表征依赖于对目标粉末性质的直接测量。之前，Strondl等人使用动态图像分析来捕获粉末的显微照片，分段，并测量粒径和纵横比分布，从而发现这些特征以及粉末流变学测量与粉末流动和扩散特征相关。Clayton等人的研究认为单独的粒度分布不足以确定粉末性质。相反，他们通过使用流变学测量来表征粉末，他们发现与粉末性质相关，例如回收的程度，制造方法等。
也许是最全面的同类研究，Slotwinski等人系统地表征了原始和回收的不锈钢和钴铬粉末，以努力开发增材制造原料材料的标准。他们用激光衍射、X射线计算机断层扫描和光学和扫描电子显微镜测量粒径和形状。此外，他们通过能量色散元素X射线分析，X射线光电子能谱和X射线衍射测定了原子结构和组成。最后，Nandwana等人研究了用于电子束增材制造的两种粉末的粒度、流动性和化学性质。在粉末的回收利用过程中，一种粉末中引起化学反应的显着变化，另一种粉末却发生了微小变化，颗粒尺寸和流动性不受再循环影响。诸如此类的测量提供了对影响粉末特性因素的有价值的洞察。
数据科学提供了一种互补的方法，可以直接从数据流中提取信息，而无需进行还原测量。卡耐基梅隆的方法不是明确地识别和测量单个颗粒，而是将粉末显微照片隐含地表征为局部图像特征的分布。卡耐基梅隆证明了计算机视觉系统能够对具有不同粒度、形状和表面纹理分布的粉末进行分类，以及识别代表性和非典型的粉末图像。卡耐基梅隆的这项研究用于增材制造可以包括粉末批次鉴定，量化粉末回收的影响，基于粉末特性选择构建参数，识别可能与粉末扩散或构建缺陷相关的特征，以及基于视觉图像定义客观材料标准。
对于如何减少甚至消除粉末床金属3D打印技术所带来的毛孔的问题是科学家们一直努力的方向，包括调整加工参数，包括过程中工艺监测和质量控制等等。
在这方面，卡内基梅隆大学材料科学与工程系做出了领先的探索。在卡耐基－梅隆大学的NextManufacturing中心，作为全球领先的增材制造研究中心之一，该中心将大量的数据用于分析，以获得更好的理解增材制造过程以及质量控制的能力。卡内基梅隆大学利用工程、科学、计算机科学学院的知识体系发展3D打印工艺新的思维方式：设计优化、材料的选择和表征、工艺参数映射、软件开发、零件检查，和产品合格资格。
之前，卡内基梅隆大学材料科学与工程系教授TonyRollett通过巨大的同步X射线辐射机，足以看到百万分之一米的金属内部细节。X射线扫描金属3D打印的数据被送回匹兹堡来分析金属打印结果与打印参数之间的关系。
科学家们能够通过同步加速器来研究各种各样的材料的内部结构，包括聚合物、生物医学活检和合金。该小组检查了3D打印的金属，金属内部的毛孔是肉眼难以察觉的，甚至小到难以检测到。而TonyRollett教授的职业生涯就专注于通过研究材料的微观结构来研究材料的性能如抗疲劳强度等。而金属3D打印的目标是融入到世界的主流制造应用过程中，如航空航天部件，生物医学植入物，和高性能的汽车。研究如何控制金属内部的结构与金属的3D打印的质量息息相关。
卡内基梅隆大学的研究表明表明大多数3D打印钛孔隙率可以通过调整机器的工艺参数来消除。更少的毛孔意味着更强大、更可靠的终端部件。
卡内基梅隆大学的计算机、机器人科学、理学是举世公认的一流专业。特别是计算机专业，随着卡内基梅隆大学通过机器视觉和人工智能，实现批次鉴定金属3D打印粉末，卡内基梅隆大学对粉末原料的表征与分析能力再上一个新台阶。
卡内基梅隆大学工程学院的研究人员开发了机器视觉技术，可以自动识别和分类不同种类的3D打印金属粉末，准确度达95％以上。根据卡内基梅隆大学，该技术在五年内可能会获得广泛推广。
机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
根据上海材料所凌松，3D打印的原材料为粉体或丝材，其形态与传统板材、棒材、锻件等有较大区别；因此，其理化特性的测试检验项目与传统减材加工技术的原材料有很大的不同，诸如力学性能、金相组织等项目无法进行。除化学成分分析外，粉体材料应着重关注其粒度、粒度分布、形貌及颗粒中的空隙等参量。
Holm和她的研究团队在八种不同的商业原料粉末上测试了机器视觉粉末分选系统，发现他们的系统能够精确地分选进入3D打印机的粉末，这将使得一些破坏性测试变得多余。在Holm看来，“破坏性测试花费大量的时间和金钱，拉低了增材制造的效率和自动化程度，另外破坏性测试使得3D打印的按需性质变得缓慢。”
在没有手动监督的情况下通过计算机视觉来识别和分类粉末，计算机可以看出，金属粉末是否具有零件要求的微观结构质量–强度、抗疲劳度、韧性等。如果是这样，一旦进行3D打印，金属粉末就不太可能带来零件裂纹或发生加工故障。
令人惊讶的是，计算机实际上比训练有素的人类更好地区分粉末。该系统甚至可以识别关于粉末的许多不同特征：其颗粒多大、颗粒如何组合在一起、颗粒的表面粗糙度以及它们的形状。更重要的是机器视觉方法是自主的、客观的和可重复的，这种客观性是推进金属3D打印过程中质量控制的必要条件。
迄今为止，增材制造金属粉末原料的表征依赖于对目标粉末性质的直接测量。之前，Strondl等人使用动态图像分析来捕获粉末的显微照片，分段，并测量粒径和纵横比分布，从而发现这些特征以及粉末流变学测量与粉末流动和扩散特征相关。Clayton等人的研究认为单独的粒度分布不足以确定粉末性质。相反，他们通过使用流变学测量来表征粉末，他们发现与粉末性质相关，例如回收的程度，制造方法等。
也许是最全面的同类研究，Slotwinski等人系统地表征了原始和回收的不锈钢和钴铬粉末，以努力开发增材制造原料材料的标准。他们用激光衍射、X射线计算机断层扫描和光学和扫描电子显微镜测量粒径和形状。此外，他们通过能量色散元素X射线分析，X射线光电子能谱和X射线衍射测定了原子结构和组成。最后，Nandwana等人研究了用于电子束增材制造的两种粉末的粒度、流动性和化学性质。在粉末的回收利用过程中，一种粉末中引起化学反应的显着变化，另一种粉末却发生了微小变化，颗粒尺寸和流动性不受再循环影响。诸如此类的测量提供了对影响粉末特性因素的有价值的洞察。
数据科学提供了一种互补的方法，可以直接从数据流中提取信息，而无需进行还原测量。卡耐基梅隆的方法不是明确地识别和测量单个颗粒，而是将粉末显微照片隐含地表征为局部图像特征的分布。卡耐基梅隆证明了计算机视觉系统能够对具有不同粒度、形状和表面纹理分布的粉末进行分类，以及识别代表性和非典型的粉末图像。卡耐基梅隆的这项研究用于增材制造可以包括粉末批次鉴定，量化粉末回收的影响，基于粉末特性选择构建参数，识别可能与粉末扩散或构建缺陷相关的特征，以及基于视觉图像定义客观材料标准。
对于如何减少甚至消除粉末床金属3D打印技术所带来的毛孔的问题是科学家们一直努力的方向，包括调整加工参数，包括过程中工艺监测和质量控制等等。
在这方面，卡内基梅隆大学材料科学与工程系做出了领先的探索。在卡耐基－梅隆大学的NextManufacturing中心，作为全球领先的增材制造研究中心之一，该中心将大量的数据用于分析，以获得更好的理解增材制造过程以及质量控制的能力。卡内基梅隆大学利用工程、科学、计算机科学学院的知识体系发展3D打印工艺新的思维方式：设计优化、材料的选择和表征、工艺参数映射、软件开发、零件检查，和产品合格资格。
之前，卡内基梅隆大学材料科学与工程系教授TonyRollett通过巨大的同步X射线辐射机，足以看到百万分之一米的金属内部细节。X射线扫描金属3D打印的数据被送回匹兹堡来分析金属打印结果与打印参数之间的关系。
科学家们能够通过同步加速器来研究各种各样的材料的内部结构，包括聚合物、生物医学活检和合金。该小组检查了3D打印的金属，金属内部的毛孔是肉眼难以察觉的，甚至小到难以检测到。而TonyRollett教授的职业生涯就专注于通过研究材料的微观结构来研究材料的性能如抗疲劳强度等。而金属3D打印的目标是融入到世界的主流制造应用过程中，如航空航天部件，生物医学植入物，和高性能的汽车。研究如何控制金属内部的结构与金属的3D打印的质量息息相关。
卡内基梅隆大学的研究表明表明大多数3D打印钛孔隙率可以通过调整机器的工艺参数来消除。更少的毛孔意味着更强大、更可靠的终端部件。
卡内基梅隆大学的计算机、机器人科学、理学是举世公认的一流专业。特别是计算机专业，随着卡内基梅隆大学通过机器视觉和人工智能，实现批次鉴定金属3D打印粉末，卡内基梅隆大学对粉末原料的表征与分析能力再上一个新台阶。
