近年来，金属增材制造技术在航空航天、医疗、3C电子产品等制造领域的应用得到显著发展，但其制造过程仍存在随机性、低重复性以及制造后缺陷检测方面的挑战。
为缓解这些问题，打印零件质量的实时或近实时监测至关重要。近年来，人工智能驱动的视觉与信号处理技术及硬件设备的进步，使原位监测技术在增材制造中日益重要。这些系统通过多种传感器与成像技术采集实时数据，能够在缺陷产生时即时检测并修正。这种主动监测方法有效降低了最终产品出现重大缺陷的概率，从而提升了整体制造质量。
“ 3D Science Valley 白皮书 图文解析
”
图像分析速度与准确率显著提升
原位监测的核心特征在于其实时检测与调整能力——相较于制造后的检测，它更强调即时决策与修正。
射线检测技术（特别是X射线成像和CT扫描）是实施增材制造过程中质量监测的多种传感方法之一。射线检测技术能够有效穿透金属粉末和基体，实现对内部微观结构（如匙孔、气孔）的实时监测，这使其特别适用于粉末床选区激光熔融（LPBF）等工艺。
机械工程领域的研究人员采用大功率X射线装置对金属打印过程进行实时观测，以优化工艺参数。但这些实验产生的海量X射线图像数据，已超出人工分析的处理极限。与人工智能领域的半监督或无监督学习技术相融合是这一领域的显著趋势。
例如UCL（伦敦大学学院）研究团队开发的AM-SegNet模型，可实现高分辨率X射线图像的语义分割与量化分析。
该研究团队开发出智能轻量化神经网络AM-SegNet，专门用于快速精准解析X射线实验图像。该模型基于全球顶尖科研机构提供的超万张标注图像数据库进行训练，取得了显著成效：AM-SegNet能以约96%的准确率在4毫秒内完成单帧图像分析，极大加速了实验数据的处理效率。
该技术通过提升数据分析速度，有效促进了对增材制造物理机理的深入认知，进而指导制造商优化工艺参数、提升成型质量。这一突破为金属增材制造的实时监控与质量控制迈出了重要一步。
AM-SegNet作为技术革新者，通过高效数据解析与机理洞察，为构建更可靠、更高效的智能制造体系奠定了坚实基础。
“ 3D Science Valley 白皮书 图文解析
”
源代码开源
近日，研究团队将AM-SegNet的源代码在GitHub平台开源发布。以下为GitHub链接以及相关信息，供相关研究领域的谷友参考。
https://github.com/UCL-MSMaH/AM-SegNet
AM-SegNet
本研究提出了一种新型轻量化神经网络AM-SegNet，用于对各类先进制造同步辐射实验采集的X射线图像进行语义分割与特征量化。为全面训练和测试CNN模型，研究团队构建了包含超10,000张像素级标注X射线图像的大规模基准数据库。实验结果表明，AM-SegNet在精度、速度与鲁棒性等方面均优于现有基于CNN的分割模型。经完整训练的AM-SegNet已应用于加速关键特征量化及相关性分析，其精度与效率在多类先进制造技术中均得到验证，使其更接近实现高速同步辐射实验中X射线图像的实时分割与量化。
轻量化卷积模块
该模块首层采用压缩卷积（1×1卷积核）限制输入通道数（记为n1），随后接入扩展模块。扩展模块包含：（1）可分离卷积；（2）带1×1卷积核的残差卷积；（3）带3×3卷积核的扩展卷积。具体而言，可分离卷积将标准卷积分解为两个独立步骤：深度卷积与逐点卷积。深度卷积对每个输入通道单独施加滤波器，生成各自的特征图；所有特征图经拼接后由后续的逐点卷积（1×1卷积核）处理。扩展层的三组输出在拼接层融合，使通道数从n1增至4倍。这种压缩-扩展操作的能力与效率已在图像分类与缺陷检测任务中得到成功验证。此外，在最终编码阶段保留标准卷积层，以确保模型鲁棒性、泛化能力并缓解过拟合问题。
注意力机制
为提升模型灵敏度与分割精度，这项研究在深度神经网络中引入注意力机制。研究表明，注意力门能有效抑制无关噪声响应，并根据与任务关联度更高的空间区域更新模型参数。受此启发，我们提出定制化注意力门机制，旨在不消耗过量计算资源的前提下，突出最终编码阶段的显著特征。
版本信息
Python: 3.9.16
tensorflow: 2.10.1
keras: 2.10.0
ipykernel: 6.15.0
numpy: 1.25.0
pandas: 2.0.3
参考来源：
UCL Engineering
Haolin Fan et al 2025 Int. J. Extrem. Manuf. 7 032006
知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络， 为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注 发布的白皮书系列。
白皮书下载 l 加入
QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源
l 链接到
网站原文
