Synthetic-to-real Composite Semantic Segmentation in Additive Manufacturing/zh

出版数据
类型	纸
标题	增材制造中的合成到真实复合语义分割
描述
作者
年	2024
语言	英语（en）
执照	CC-BY-SA-4.0
引用方式	Petsiuk A、Singh H、Dadhwal H、Pearce JM. 增材制造中的合成到真实复合语义分割.制造与材料加工杂志. 2024; 8(2):66. https://doi.org/10.3390/jmmp8020066 学术开放获取 arXiv

项目数据
类型	3D打印人工智能计算机视觉机器学习
作者	Aliaksei L. Petsiuk H. Singh H. Dadhwal Joshua M. Pearce
地点	安大略省伦敦市
地位	设计建模原型已验证
经核实	快速地
年	2024
制成	是的
OKH宣言	下载

在增材制造（AM）领域，将计算机视觉和机器学习方法应用于3D打印产品结构元素的语义分割，可以改进实时故障分析系统，并通过提供额外的原位修正工具，潜在地减少缺陷数量。本研究展示了利用基于物理的渲染生成带标签图像数据集以及图像到图像的风格迁移能力来提高AM系统真实图像分割精度的可能性。基于U-Net模型和循环生成对抗网络（CGN）进行了多类语义分割实验。测试结果表明，该方法能够检测3D打印部件的结构元素，例如顶层（最后打印层）、填充层、壳体和支撑结构。此外，还探讨了利用图像到图像的风格迁移和域自适应技术进一步增强分割系统的可能性。结果表明，在只能使用基于合成数据训练的模型的情况下，使用风格迁移作为域自适应的先导步骤可以提高真实3D打印图像的分割精度。合成测试数据集的平均交并比 (mIoU) 得分分别为：整个 3D 打印部件 94.90%，顶层 73.33%，填充 78.93%，外壳 55.31%，支撑 69.45%。

免费开源代码：https://osf.io/h8r45
混合器

关键词

3D打印、增材制造、G代码分割、仿真到实物转换、语义分割、合成数据、机器学习、开源软件、开源硬件、RepRap、计算机视觉、质量保证、实时监控、异常检测；Blender、合成图像

参见

页面数据
一部分	快速完成
关键词	3D打印增材制造、G代码分割、仿真到实物转换、语义分割、合成数据、机器学习、开源软件开源硬件，RepRap、计算机视觉、质量保证、实时监控、异常检测；Blender、合成图像
可持续发展目标	可持续发展目标9：产业创新和基础设施
作者	Aliaksei L.Petsiuk ,约书亚M.皮尔斯
执照	CC-BY-SA-4.0
组织	免费适用的可持续技术，西方
语言	英语（en）
有关的	0 个子页面，25 个页面链接至此处
浏览量	24 次页面浏览（分析）
创建	2024年3月28日，作者：约书亚·M·皮尔斯
最后编辑	2025年3月6日，作者：Felipe Schenone
引用方式	Aliaksei L. Petsiuk，Joshua M. Pearce（2024–2025）。“增材制造中的合成到真实复合语义分割”。Appropedia 。检索日期：2026 年 7 月 31 日。
API 查询	基本、语义、HTML、文件、更多