产品经理|Nature子刊：3D打印金属零件新型成像检测方法，或将改变航空航天业( 四 ) 项目管理|ai

图3 由EulerNet (DRM)和EBSD制作的方向图。
机器学习模型
EulerNet模型的CNN架构如图4所示。 cnn是最先进的机器视觉算法，已被证明在处理图像类数据方面是有效的，并在计算机视觉中获得了显著的关注。模型以一个6 × 72连续值的二维数值阵列形式的方向反射信号作为输入，它表示DRM过程中测量的光照角度阵列上的局部表面反射强度。
图4 卷积神经网络模型架构。
为了从这个输入预测晶体的方向，方向反射信号通过两个卷积和最大池化层，然后是两个完全连接的回归层。卷积层和最大池化层的作用是在反射信号中提取有关晶体方向的视觉模式。在第一卷积层，检测简单的视觉模式。这些所谓的低级特征可以是，例如，边缘和斑点。
在第二个卷积层中，这些图案被组装成更复杂的视觉图案，大概表示反射率峰的特征，比如它们的位置、数量和强度。然后将这些高级特性扁平化(即减少到一个维度) ，并进一步通过完全连接的回归层。结果输出预测采用三个连续值的形式:用来表示晶体方向的欧拉角。欧拉角参数化了三个旋转的有序序列，使附在样品上的笛卡尔坐标系与附在晶体上的坐标系相结合。
卷积层和完全连接的层包括几个必须在训练阶段学习的可调参数(如权值和偏差) 。通过比较模型预测与地面真实情况，计算预测误差，并通过反向传播重新调整可训练参数，以最小化误差，提高预测精度，进行迭代训练。在这里，使用EBSD测量作为地面真值标签，并设计EulerNet模型，以最小化预测晶体取向和地面真值之间的平均失向角。定向角表示为使两个晶体方向重合而绕给定轴旋转的最小角度。一旦训练完毕，就会用之前从未见过的标本来测试模型;即没有用于训练的数据。该方法是一种典型的实际应用场景，在该场景中，新生产的零件必须具有未知的微观结构。为了检验模型，对一组样本进行了十次交叉验证。使用来自九个样本的数据进行训练，并拿出一个进行测试，在每次分裂之间切换测试样本。
绩效评估
通过比较颗粒中心选定位置(即数据集中的像素)的预测和地面真相(EBSD)方向来评估EulerNet模型的性能，以避免包括可能在测试集中注册错误的数据。作为补充，还在不过滤补充材料中的数据的情况下进行了像素级的比较分析。在图5a中显示了来自所有交叉验证拆分的组合测试中的定向角度分布。在10个交叉验证阶段，预测方向和真实方向之间的平均定向角度中值为6.7°±0.8° 。虽然这个值是一个有用的绩效指标，但认为它高估了真实的误差，因为在评估方法中存在两个难以避免的限制。
首先， EBSD和DRM数据集的配准具有挑战性，因为两种类型的测量在空间畸变方面存在巨大差异，这需要非线性方法使两种视场重合。在本工作中，采用了一种基于光流估计的图像配准算法。预计尽管选取了位于颗粒中心的像素进行误差评估，但配准过程中的缺陷仍可能导致部分测试数据的误标注(Supplementary Fig. 2c) 。图5a中高定向角分布的尾部很可能包含了这一标记错误的数据。其次，为DRM安装试件，使其横向和构建方向与EBSD数据集的相应方向平行排列，这也是一个存在人工误差的过程，由于两个数据集空间畸变的差异，这种误差难以纠正。

图5 欧拉网性能评估。
【产品经理|Nature子刊：3D打印金属零件新型成像检测方法，或将改变航空航天业】EulerNet模型在所有I718试样中提供了可靠的方向映射，尽管它们的微观结构存在显着差异，这源于用于生产它们的不同DED参数。这一结果表明， EulerNet对制造过程引起的变化具有鲁棒性，可用于表征各种I718微观结构。尽管如此，实验人员注意到报告的6.7°的准确率 - 即使被数据集错误注册高估 - 也远高于EBSD可达到的典型准确度（?0.6°）。推测光学技术的误差率也可能受到制造DRM的元素中发现的固有公差的影响，包括光准直的水平，相机光学镜头的质量，在样品周围移动光源的电机的精度以及蚀刻诱导的表面结构的可变性。因此，提高设备精度可能会显著提高测量精度。此外，鉴于神经网络广阔的设计空间和该领域的快速发展，未来对CNN模型的设计或实现的改进可能会进一步提高性能。