Detecting the extent of co-existing anomalies in additively manufactured metal matrix composites through explainable selection and fusion of multi-camera deep learning features
Notice bibliographique
Résumé
Process development for customised additively manufactured materials is challenging and labour-intensive. Advanced in-situ monitoring coupled with modern machine learning (ML) methods can expedite defect detection and qualification of additive manufacturing (AM) parts. Directed energy deposition (DED) processes offer flexibility to deposit material on existing complex parts for hybrid manufacturing and repairs. DED enables custom metal matrix composites (MMCs) like nickel tungsten carbide (Ni-WC) overlays on ferrous mining tools for enhanced wear resistance. However, co-existing anomalies specific to defects in the matrix, reinforcement and their interaction present development challenges. The challenge is compounded since the co-existing anomalies can exist in varying extents (e.g. absent, low, high). This study investigates dual mid-wave infrared (MWIR) cameras (FLIR and CLAMIR) for defect extent detection in Ni-WC MMCs. Deep learning features extracted with a fine-tuned vision transformer outperformed conventional methods by improving anomaly separability and revealing process-regime-aware feature distributions. Explainable artificial intelligence identified key MWIR features detecting six defect categories. Data ablation revealed FLIR’s superior accuracy and generalisability under noise, while CLAMIR demonstrated robustness under instability. Explainable fusion enabled effective selection of camera features. Our work provides a foundation for ML-assisted development of AM-based Ni-WC and similar MMCs by facilitating in-situ detection of co-existing anomalies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».