FR3115359A1 - Procédé de détection de défauts dans une couche de poudre de fabrication additive par apprentissage machine - Google Patents
Procédé de détection de défauts dans une couche de poudre de fabrication additive par apprentissage machine Download PDFInfo
- Publication number
- FR3115359A1 FR3115359A1 FR2010715A FR2010715A FR3115359A1 FR 3115359 A1 FR3115359 A1 FR 3115359A1 FR 2010715 A FR2010715 A FR 2010715A FR 2010715 A FR2010715 A FR 2010715A FR 3115359 A1 FR3115359 A1 FR 3115359A1
- Authority
- FR
- France
- Prior art keywords
- layer
- additive manufacturing
- powder
- tiles
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 86
- 239000000843 powder Substances 0.000 title claims abstract description 81
- 239000000654 additive Substances 0.000 title claims abstract description 60
- 230000000996 additive effect Effects 0.000 title claims abstract description 60
- 230000007547 defect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title description 2
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007596 consolidation process Methods 0.000 claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 230000009471 action Effects 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000002844 melting Methods 0.000 description 5
- 230000008018 melting Effects 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 238000010894 electron beam technology Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 244000084743 Priva lappulacea Species 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/38—Process control to achieve specific product aspects, e.g. surface smoothness, density, porosity or hollow structures
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/90—Means for process control, e.g. cameras or sensors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Powder Metallurgy (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
La présente invention concerne un procédé de détection de défauts sur au moins une couche de poudre de fabrication additive déposée sur une zone de travail, ledit procédé comprenant, avant une consolidation sélective de la couche de poudre, la mise en œuvre par des moyens de traitement des étapes suivantes :i. acquisition d’une image de la couche de poudre de fabrication additive déposée,ii. découpage d’au moins une zone de ladite image en une pluralité de tuiles, ces tuiles assemblées les unes aux autres bord-à-bord permettant de reconstituer la zone découpée de ladite image,iii. traitements des tuiles en parallèle en appliquant à chacune un modèle de classification configuré pour détecter la présence d’un défaut de mise en couche dans une tuile,iv. génération, en fonction des résultats des traitements des tuiles en parallèle, d’un signal caractérisant un défaut dans la couche de poudre et/ou déclenchant une action corrective.
Figure pour l’abrégé : figure 5
Description
DOMAINE TECHNIQUE GENERAL
La présente invention concerne le domaine de la fabrication additive et plus précisément de la fabrication additive sélective d’un objet tridimensionnel à partir de couches de poudre. En particulier, l’invention propose un procédé permettant la détection de défauts dans les couches de poudre avant leur consolidation sélective.
ETAT DE L’ART
La fabrication additive sélective consiste à réaliser des objets tridimensionnels par consolidation de zones sélectionnées sur des strates successives de matériau pulvérulent (poudre métallique, poudre de céramique). Les zones consolidées correspondent à des sections successives de l'objet tridimensionnel. La consolidation se fait, couche par couche, par une fusion sélective totale ou partielle réalisée avec une source de rayonnement focalisé, telle qu'une source optique (laser de forte puissance par exemple) ou encore une source de faisceau de particules (par exemple un faisceau d'électrons - technologie dite EBM ou « Electron Beam Melting » selon la terminologie anglo-saxonne généralement utilisée dans le domaine).
Les méthodes de fabrication additive sélective d’un objet tridimensionnel à partir de couches de poudre permettent de fabriquer des pièces alliant précision et qualité de surface, avec des niveaux de détails de l’ordre de la dizaine de micromètres. Cependant cette précision et cette qualité de surface peuvent être fortement dégradées si les couches de poudre présentent des défauts de dépôts (dépôts intempestifs, manques de poudre (par exemple des « langues de chat ») ou encore ondulations dues à un mauvais étalement de la poudre par le rouleau ou la raclette chargés d’étaler celle-ci). Afin d’éviter que ces problèmes n’affectent la qualité des pièces produites, il est nécessaire de pouvoir vérifier la qualité des couches de poudre déposées afin d’identifier la présence éventuelle de ces défauts avant leur consolidation sélective.
De nombreuses méthodes ont été développées à cet effet. On pourra par exemple se référer aux demandes de brevet WO2020046212A1 et EP3378039A1. Cependant, ces méthodes reposent sur des dispositifs d’imagerie spécialisés complexes à mettre en place tels que des caméras industrielles, des dispositifs d’imagerie infrarouge etc. et nécessitent un placement spécifique de la caméra ainsi qu’un éclairage spécifique de la couche de poudre.
En outre, le traitement des données acquises repose généralement sur des algorithmes complexes tels que des méthodes de reconstruction d’image 3D pour comparer les différentes hauteurs, de modélisation statistique des défauts d’éclairage,etc,par exemple pour comparer les différentes hauteurs de poudre dans une même couche de poudre. Ce type de méthodes nécessite en outre des ressources de calculs très importantes, notamment en termes de temps de calcul, ce qui empêche leur utilisation au cours de la fabrication. En effet, un inconvénient connu des méthodes de fabrication additive sélective d’un objet tridimensionnel est le temps nécessaire à la fabrication de pièces, ce temps de fabrication étant déterminé, entre autres, par le produit du temps nécessaire à la consolidation d’une couche et du nombre de couche nécessaire (devant être élevé pour assurer une grande précision des pièces fabriquées).
Les méthodes connues à ce jour sont donc réservées à des tâches de détermination de la source d’une erreur de fabrication suite à la fabrication d’une pièce défectueuse et non à l’amélioration du processus de fabrication.
PRESENTATION DE L’INVENTION
Un but de l’invention est de proposer une méthode de détection de défauts dans une couche de poudre de fabrication additive qui puisse être mise en œuvre avec un matériel simple et sans modifications majeures des machines d’impression par fusion sur lit de poudre.
Un autre but de l’invention est aussi de permettre l’utilisation d’une telle méthode au cours du processus d’impression entre chaque étape de mise en couche et de fusion, en la rendant économe en ressources de calcul (temps d’exécution, mémoire nécessaire…).
Selon un premier aspect, la présente invention concerne un procédé de détection de défauts sur au moins une couche de poudre de fabrication additive déposée sur une zone de travail, ledit procédé comprenant, avant une consolidation sélective de la couche de poudre, la mise en œuvre par des moyens de traitement des étapes suivantes :
i. acquisition d’une image de la couche de poudre de fabrication additive déposée,
ii. découpage d’au moins une zone de ladite image en une pluralité de tuiles, ces tuiles assemblées les unes ou autres bord-à-bord permettant de reconstituer la zone découpée de ladite image,
iii. traitements des tuiles en parallèle en appliquant à chacune un modèle de classification configuré pour détecter la présence d’un défaut de mise en couche dans une tuile,
iv. génération, en fonction des résultats des traitements des tuiles en parallèle, d’un signal caractérisant un défaut dans la couche de poudre et/ou déclenchant une action corrective.
Selon d’autres caractéristiques avantageuses et non limitatives :
. les moyens de traitement et les tuiles sont dimensionnés pour permettre d’obtenir les résultats des traitements en parallèle dans un temps de l’ordre de la seconde ou inférieur ;
. les tuiles sont des images de format carré de dimensions inférieures à 50x50 pixels, typiquement de 32x32 et/ou 16x16 et/ou 8x8 pixels ;
. un signal caractérisant un défaut dans la couche de poudre et/ou déclenchant une action corrective, est généré lorsqu’au moins un défaut de mise en couche est détecté dans au moins une tuile ;
. la zone de l’image découpée en une pluralité de tuiles est définie sur l’image par un masque correspondant sur ladite image à la zone de la couche de poudre destinée à être ensuite consolidée ;
. le modèle de classification appliqué à chacune des tuiles est un réseau de neurones convolutif, en particulier un réseau de neurones convolutif à connections résiduelles ;
. l’étape i. comprend en outre une sous-étape de correction des déformations géométriques de l’image ;
. l’étape iii comprend en outre une sous-étape de génération d’une carte de segmentation des défauts de mise en couche à partir des tuiles identifiées comme présentant des défauts de mise en couche ;
Selon un deuxième aspect, la présente invention concerne un procédé de fabrication additive sélective d’un objet tridimensionnel à partir de couches de poudre, ledit procédé comprenant la mise en œuvre itérative par un dispositif de fabrication additive sélective d’un objet tridimensionnel des étapes suivantes :
. application d’une couche de poudre de fabrication additive sur un support ou sur une couche préalablement consolidée,
. consolidation par une source de puissance d’une zone de la couche de poudre destinée à correspondre à l’objet tridimensionnel,
dans lequel on met en œuvre une détection de défauts dans une couche de poudre de fabrication additive déposée avant sa consolidation,
l’étape de détection de défauts dans la couche de poudre de fabrication additive déposée sur une zone de travail, comprenant la mise en œuvre par des moyens de traitement de sous-étapes de :
i. acquisition d’une image de la couche de poudre de fabrication additive déposée,
ii. découpage d’au moins une zone de ladite image en une pluralité de tuiles, ces tuiles assemblées les unes ou autres bord-à-bord permettant de reconstituer la zone découpée de ladite image,
iii. traitements des tuiles en parallèle en appliquant à chacune un modèle de classification configuré pour détecter la présence d’un défaut de mise en couche dans une tuile,
iv. génération, en fonction des résultats des traitements des tuiles en parallèle, d’un signal caractérisant un défaut dans la couche de poudre et/ou déclenchant une action corrective.
Selon un troisième aspect, la présente invention concerne un dispositif de fabrication additive comprenant un plateau sur lequel est appliquée une poudre de fabrication additive et un chariot adapté pour déposer la poudre de fabrication additive sous la forme d’une couche de poudre de fabrication additive, le dispositif de fabrication additive comprenant en outre des moyens d’éclairage et des moyens de prise de vue adaptés pour acquérir une image de la couche de poudre de fabrication additive déposée, ainsi que des moyens de traitement de données et des moyens de stockage de données sur lesquels sont enregistrés des instructions de code pour l’exécution par les moyens de traitement de données d’un procédé de fabrication additive sélective d’un objet tridimensionnel à partir de couches de poudre selon le deuxième aspect.
PRESENTATION DES FIGURES
D’autres caractéristiques et avantages de la présente invention apparaîtront à la lecture de la description qui va suivre d’un mode de réalisation préférentiel. Cette description sera donnée en référence aux dessins annexés dans lesquels :
DESCRIPTION DETAILLEE
Architecture
Le dispositif 1 de fabrication additive sélective de la comprend :
. une unité de fabrication additive 3;
. des moyens de traitement de données 31 de type processeur configurés pour mettre en œuvre un procédé de détection de défauts selon l’invention, et
. des moyens de stockage de données 32 tels qu’une mémoire informatique, par exemple un disque dur, sur lesquels sont enregistrées des instructions de code pour l’exécution d’un procédé de détection de défauts selon l’invention.
L’unité de fabrication additive 3 est une machine de fabrication additive sélective à partir de couches de poudre de fabrication additive, notamment métallique. . Une telle machine comporte classiquement une chambre de fabrication 80 comprenant une enceinte 30 et un plan de travail 40. L’enceinte 30 comprend des flancs et un capot supérieur, et recouvre le plan de travail 40. L’enceinte peut, par exemple, être réalisée en métal ou en céramique.
La chambre de fabrication 80 comporte également un plateau 50 de fabrication destinée à recevoir la poudre de fabrication additive 90 sous la forme de couches successives et à soutenir une pièce lors de sa fabrication. Pour ce faire, le plateau 50 présente préférentiellement des caractéristiques de résistance mécanique permettant de soutenir une pièce de plusieurs dizaines voire centaine de kilogrammes. Ainsi le plateau 50 peut par exemple être réalisé en métal.
Selon le mode de réalisation ici présenté, le plateau 50 coulisse au travers d’une ouverture du plan de travail 40 dans une chemise 41 située sous le plan de travail 40. Le plan de travail 40 entoure le bord supérieur de la chemise de fabrication, et la chemise de fabrication permet de conserver une pièce fabriquée et la poudre non solidifiée qui l’entoure sur le plateau 50 dans un volume sensiblement clos. Cependant selon un autre mode de réalisation, le plateau 50 pourrait, par exemple, être juxtaposé au plan de travail 40.
Le plateau 50 se situe dans le plan du plan de travail 40 en début de cycle de fabrication, puis dans un plan sensiblement parallèle au plan du plan de travail 40 au fur et à mesure que le plateau descend dans la chemise.
Le plateau de fabrication 50 peut être de forme circulaire, rectangulaire, carré, triangulaire,etc.
En outre, la chambre de fabrication 80 comprend un chariot 60 coulissant au-dessus du plan de travail 40 et du plateau 50.
Le chariot 60 permet de répartir la poudre sur le plateau 50, ou sur une couche précédente de poudre, en vue de la fabrication d’une pièce, la poudre pouvant être distribuée de part et d’autre de la zone de travail par des doseurs 62 délivrant de la poudre sur un tiroir 66 qui se déplace en translation sous le doseur de manière à obtenir un cordon de poudre devant la zone de travail. Le chariot 60 peut, par exemple, comprendre une raclette et/ou un rouleau.
Par ailleurs, la chambre de fabrication 80 comprend un organe d’apport de puissance 70 permettant de fondre une poudre métallique. L’organe d’apport de puissance 70 peut, par exemple, être une source de faisceau laser, de faisceau d’électrons, etc.
En outre, la chambre de fabrication 80 comprend des moyens d’éclairage 34 tels qu’une lampe ou un flash photographique, ainsi que des moyens de prise de vue 33 tels qu’un capteur photographique. Il est aussi possible d’intégrer les moyens d’éclairage 34 et de prise de vue 33 en dehors de la chambre de fabrication, derrière des ouvertures fermées par des vitres.
De manière préférentielle les moyens de traitement de données 31 peuvent comprendre des moyens de calcul de type « instruction unique, données multiples » (en anglais « Single Instruction on Multiple Data », abrégé SIMD) tels qu’un processeur graphique (en anglais « Graphics Processing Unit », abrégé GPU). Sous la forme d’une carte dédiée ou bien intégrée dans un système sur une puce (en anglais « system on a chip », abrégé SoC). Ce type de moyen de calcul étant particulièrement adapté au parallélisme et à l’utilisation de modèles d’apprentissage machine tels que les réseaux de neurones. Ces moyens de calculs peuvent être intégrés à l’unité de fabrication additive ou bien intégrés dans un serveur distinct. Cependant l’intégration de ces moyens à l’unité de fabrication additive, notamment sous la forme d’un SoC est particulièrement avantageuse car elle permet d’éviter tout temps de latence induit par la communication des images à un serveur distant, réduisant le temps nécessité par la mise en œuvre d’une méthode de détection de défauts selon l’invention.
Les moyens de traitement de données 31 sont configurés pour mettre en œuvre un procédé de fabrication qui sera décrit ci-après.
Procédé de fabrication additive
Un procédé de fabrication décrit en relation avec la , comprend une première étape A, dite de « mise en couche » au cours de laquelle une couche de poudre de fabrication additive est déposée, grâce au chariot 60, sur le plateau 50.
Suite à cette première étape, la qualité de la couche de poudre de fabrication additive est évaluée dans une étape B de détection de défauts dans la couche de poudre de fabrication additive déposée. C’est au cours de cette étape que peuvent être détectés les défauts tels que les dépôts intempestifs, ou les manques de poudre.
En fonction de la qualité de la couche de poudre de fabrication additive évaluée au cours de l’étape de détection de défauts (étape B) il est possible de décider de répéter l’étape de mise en couche (étape A) afin de supprimer les défauts ayant pu apparaître. En outre, il est aussi possible en cas de détection répétée de défauts, ou bien si ces défauts sont trop nombreux dans une couche, d’avertir les opérateurs du dispositif de fabrication additive afin de leur permettre d’évaluer la gravité des défauts, de diagnostiquer l’origine des défauts ainsi que de décider de la poursuite du processus de fabrication.
Enfin, une troisième étape, de fusion (étape C), une fois que la qualité de la couche de poudre de fabrication additive a été évaluée comme suffisante, consiste à émettre un faisceau laser, ou d’électrons, ou autre, sur les zones de la couche de poudre à consolider afin de constituer la pièce.
Détection de défauts (étape B)
L’étape de détection de défauts de mise en couche tel que décrite en se déroule entre l’étape A de mise en couche et l’étape C de fusion et permet de s’assurer que l’étape C de fusion ne sera pas réalisée sur une couche de poudre présentant des défauts. La présence de défauts dans la couche de poudre pouvant entrainer la fabrication d’une pièce défectueuse. Cette détection de défauts est particulièrement cruciale dans le domaine de la fabrication additive à partir de couches de poudre car les temps de fabrication peuvent être particulièrement longs et qu’il est donc important de détecter au plus vite des potentiels défauts, soit afin d’y remédier, soit afin de mettre fin au processus de fabrication au plus vite si ces défauts ne peuvent être corrigés dans le but d’éviter de gaspiller du temps de fabrication.
Afin de mettre en œuvre l’étape B de détection, le dispositif de fabrication additive 1 nécessite simplement d’être équipé de moyens de prise de vue classique et de moyens d’éclairage directionnel. Il n’est donc pas nécessaire d’utiliser des caméras industrielles très haute fréquence ou adaptées à des rayonnements électromagnétiques autres que le spectre visible.
Pour cela, l’étape B de détection de défauts comprend une sous-étape i. d’acquisition d’une image de la couche de poudre de fabrication additive déposée par des moyens de prise de vue. Cette étape pouvant en outre être complétée par une sous-étape i. bis d’application d’une transformation géométrique de l’image, pouvant être réalisé notamment par détection des contours de la zone de travail et détermination des paramètres d’une transformation géométrique à appliquer à l’image capturée afin que les contours de la zone de travail dans l’image capturée aient une forme correspondant à la réalité physique du dispositif de fabrication additive (par exemple un rectangle de dimensions connues). Cette étape permet ainsi de corriger les déformations de la zone de travail provoquées par le positionnement des moyens de prise de vue. Un exemple de mise en œuvre de cette sous-étape de redressement est représenté dans lesfigures 3a et 3b, la première correspondant à une image déformée telle qu’elle est acquise par les moyens de prise de vue, et la seconde étant la même image après application de la transformation géométrique.
Une sous-étape ii. est ensuite appliquée afin de découper l’image de l’ensemble de la zone de travail acquise afin d’obtenir une pluralité d’images correspondant à des portions de la zone de travail appelées « tuiles ».
L’image étant de résolution élevée, par exemple de l’ordre de 1750x1750 pixels, les tuiles sont quant à elles de petites dimensions en nombre de pixels, ce qui permet des traitements parallèles des images des différentes tuiles en des temps plus courts que si ces traitements devaient être mis en œuvre sur l’ensemble de l’image de départ.
Typiquement, ces tuiles pourront avoir des dimensions carrées de l’ordre de quelques dizaines de pixels (par exemple 8X8, 16x16, 25x25, 32x32, 50x50 etc.) Les dimensions des tuiles pourront par exemple être choisies afin que la surface des tuiles soit supérieure à la surface moyenne d’un défaut, cela permet de s’assurer que les défauts n’occupent pas l’intégralité des tuiles (ce qui peut poser des problèmes pour leur détection). Ces tuiles sont bord à bord de manière à réaliser un pavage du plan défini par l’image de base. Ainsi chacune des zones de l’image de base est comprise dans une tuile. Un tel exemple de pavage est représenté en .
On notera qu’en variante, le découpage en tuiles peut ne se faire que sur une zone de l’image de départ. On applique par exemple à cet effet à l’image de départ un masque correspondant sur ladite image à la zone de la couche de poudre destinée à être ensuite consolidée. Cette opération permet ainsi de réduire le nombre de tuiles à traiter.
Lors d’une sous-étape iii, chaque tuile est traitée par un modèle de classification afin de détecter la présence d’un défaut dans la portion de la couche de poudre correspondant à la tuile. Ce modèle de classification peut être un réseau de neurones convolutif, ce type de réseaux de neurones étant particulièrement adaptés au traitement des images ayant été préalablement entrainé à la détection de défauts à partir d’une base de données d’image préalablement classifiées comme contenant des défauts ou non. Plus particulièrement, le réseau utilisé peut être un réseau ayan une architecture doté de connections résiduelles (en anglais « residual neural network » abrégé ResNet) ou bien une architecture dite « Inception network » (Inception v1, v2, v3…), ces deux types d’architecture pouvant être combinées (comme c’est le cas dans les réseaux Inception v4 et Inception-Resnet, Xception). L’utilisation d’un réseau de neurones convolutif avec des images de petites dimensions est particulièrement avantageux car il permet de réaliser une tache similaire à de la segmentation tout en requérant peu de ressources de calculs et en étant hautement parallélisable, chaque tuile pouvant être traitée totalement indépendamment des autres. Ainsi, plus les dimensions choisies pour les tuiles seront petites, plus le traitement de celles-ci pourra être réalisée de manière parallèle afin d’exploiter au mieux les ressources de calcul disponibles et ainsi réduire le temps nécessaire à la mise en œuvre de la méthode de détection. De plus, le temps de calcul nécessaire au traitement d’images de taille donnée par un réseau de neurone étant fixe, il est possible de choisir la taille des tuiles en fonction du temps maximal d’exécution désiré.
Ce temps de calcul sur l’ensemble des tuiles traitées en parallèle doit être court : de l’ordre de la seconde ou inférieur. Les moyens de traitement et les tuiles sont dimensionnés en conséquence. Typiquement, pour une mémoire vive de CPU de 16 Gb ou supérieure et une résolution d’image initiale de 1750X1750 pixels, les tuiles pourront être des images de 32X32 et/ou 16x16 et/ou 8x8 pixels.
Dans un mode de réalisation alternatif, le réseau de neurones de classification pourra être utilisé de manière à obtenir en sortie non pas une classe (« présence de défaut dans la tuile » ou « absence de défaut dans la tuile ») mais une valeur numérique (score) représentative de la probabilité de présence d’un défaut dans la tuile. Ce mode de fonctionnement correspond simplement au fait de retirer le seuil appliqué à la fin des réseaux de neurones traditionnellement.
Ainsi, la fonction de seuillage peut être réalisée sous la forme d’une étape complémentaire afin de réaliser des seuillages plus complexes, il est par exemple possible d’intégrer plusieurs filtres symbolisant différents niveaux de certitude de la présence d’un défaut dans une tuile donnée. Enfin, un réseau de neurones dédié à la classification multi-classe peut être utilisé afin d’identifier différents types de défauts, et pouvant être résolus par des opérations différentes.
Dans une étape iv, si le résultat des traitements en parallèle des différentes tuiles met en évidence un défaut, un signal est généré, notamment pour déclencher une action corrective.
Dans un mode de mise en œuvre possible, ce signal est généré dès qu’un défaut est détecté sur une tuile.
Typiquement une nouvelle étape de mise en couche peut alors être mise en œuvre (étape v).
Dans un mode de mise en œuvre alternatif, une carte de segmentation peut être générée à partir de l’ensemble des tuiles et de leur classification. Une telle étape permet ainsi d’obtenir une carte de segmentation de l’image de la zone de travail dans laquelle les zones contenant des défauts sont identifiées sans nécessiter la mise en œuvre d’une méthode de segmentation d’image, beaucoup plus complexe et donc nécessitant des ressources de calcul bien plus élevées. En outre, il est possible de faire varier la précision de la carte de segmentation générée en modifiant la taille des tuiles : des tuiles plus petites permettant d’obtenir une carte de segmentation plus précise.
La carte de segmentation peut ainsi être utilisée afin d’identifier si des défauts sont détectés dans ou à proximité d’une zone de la couche de poudre faisant parti de la pièce à fabriquer, permettant ainsi d’éviter de réaliser une nouvelle mise en couche si le ou les défauts détectés dans la couche de poudre n’ont pas d’influence sur la qualité de la pièce fabriquée.
Claims (10)
- Procédé de détection de défauts sur au moins une couche de poudre de fabrication additive déposée sur une zone de travail, caractérisé en ce que le procédé comprend, avant une consolidation sélective de la couche de poudre, la mise en œuvre par des moyens de traitement (31) des étapes suivantes :
i. acquisition d’une image de la couche de poudre de fabrication additive déposée,
ii. découpage d’au moins une zone de ladite image en une pluralité de tuiles, ces tuiles assemblées les unes aux autres bord-à-bord permettant de reconstituer la zone découpée de ladite image,
iii. traitements des tuiles en parallèle en appliquant à chacune un modèle de classification configuré pour détecter la présence d’un défaut de mise en couche dans une tuile,
iv. génération, en fonction des résultats des traitements des tuiles en parallèle, d’un signal caractérisant un défaut dans la couche de poudre et/ou déclenchant une action corrective. - Procédé selon la revendication 1, dans lequel les moyens de traitement et les tuiles sont dimensionnés pour permettre d’obtenir les résultats des traitements en parallèle dans un temps inférieur ou égal à une seconde.
- Procédé selon la revendication 2, dans lequel les tuiles sont des images de format carré de dimensions inférieures à 50x50 pixels, typiquement de 32x32 et/ou 16x16 et/ou 8x8 pixels.
- Procédé selon l’une des revendications 1 à 3, dans lequel un signal caractérisant un défaut dans la couche de poudre et/ou déclenchant une action corrective, est généré lorsqu’au moins un défaut de mise en couche est détecté dans au moins une tuile.
- Procédé selon l’une des revendications 1 à 4, dans lequel la zone de l’image découpée en une pluralité de tuiles est définie sur l’image par un masque correspondant sur ladite image à la zone de la couche de poudre destinée à être ensuite consolidée.
- Procédé selon l’une des revendications 1 à 5, dans lequel le modèle de classification appliqué à chacune des tuiles est un réseau de neurones convolutif, en particulier un réseau de neurones convolutif à connections résiduelles.
- Procédé selon l’une des revendications 1 à 6, dans lequel l’étape i. comprend en outre une sous-étape de correction des déformations géométriques de l’image.
- Procédé selon l’une des revendications 1 à 7, dans lequel l’étape iii comprend en outre une sous-étape de génération d’une carte de segmentation des défauts de mise en couche à partir des tuiles identifiées comme présentant des défauts de mise en couche.
- Procédé de fabrication additive sélective d’un objet tridimensionnel à partir de couches de poudre, le procédé comprenant la mise en œuvre itérative par un dispositif de fabrication additive sélective d’un objet tridimensionnel des étapes suivantes :
. application d’une couche de poudre de fabrication additive sur un support ou sur une couche préalablement consolidée,
. consolidation par une source de puissance d’une zone de la couche de poudre destinée à correspondre à l’objet tridimensionnel,
dans lequel on met en œuvre une détection de défauts dans une couche de poudre de fabrication additive déposée avant sa consolidation,
le procédé étant caractérisé en ce que l’étape de détection de défauts dans la couche de poudre de fabrication additive déposée sur une zone de travail, comprend la mise en œuvre par des moyens de traitement (31) de sous-étapes de :
i. acquisition d’une image de la couche de poudre de fabrication additive déposée,
ii. découpage d’au moins une zone de ladite image en une pluralité de tuiles, ces tuiles assemblées les unes ou autres bord-à-bord permettant de reconstituer la zone découpée de ladite image,
iii. traitements des tuiles en parallèle en appliquant à chacune un modèle de classification configuré pour détecter la présence d’un défaut de mise en couche dans une tuile,
iv. génération, en fonction des résultats des traitements des tuiles en parallèle, d’un signal caractérisant un défaut dans la couche de poudre et/ou déclenchant une action corrective. - Dispositif de fabrication additive (1) comprenant un plateau (50) sur lequel est appliquée une poudre de fabrication additive (90) et un chariot (60) adapté pour déposer la poudre de fabrication additive (90) sous la forme d’une couche de poudre de fabrication additive,
le dispositif de fabrication additive (1) comprenant en outre des moyens d’éclairage (34) et des moyens de prise de vue (33) adaptés pour acquérir une image de la couche de poudre de fabrication additive déposée, ainsi que des moyens de traitement de données (31) et des moyens de stockage de données (32, 22) sur lesquels sont enregistrés des instructions de code pour l’exécution par les moyens de traitement de données (31) d’un procédé de fabrication additive sélective d’un objet tridimensionnel à partir de couches de poudre selon la revendication 9.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2010715A FR3115359B1 (fr) | 2020-10-19 | 2020-10-19 | Procédé de détection de défauts dans une couche de poudre de fabrication additive par apprentissage machine |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2010715A FR3115359B1 (fr) | 2020-10-19 | 2020-10-19 | Procédé de détection de défauts dans une couche de poudre de fabrication additive par apprentissage machine |
| FR2010715 | 2020-10-19 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3115359A1 true FR3115359A1 (fr) | 2022-04-22 |
| FR3115359B1 FR3115359B1 (fr) | 2022-12-02 |
Family
ID=74183330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2010715A Active FR3115359B1 (fr) | 2020-10-19 | 2020-10-19 | Procédé de détection de défauts dans une couche de poudre de fabrication additive par apprentissage machine |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3115359B1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115684175A (zh) * | 2022-10-20 | 2023-02-03 | 河南科技大学 | 一种轴承滚子端面外观分选方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3378039A1 (fr) | 2015-11-16 | 2018-09-26 | Materialise N.V. | Détection d'erreurs dans des processus de fabrication additifs |
| WO2020046212A1 (fr) | 2018-08-30 | 2020-03-05 | Nanyang Technological University | Procédé et système de surveillance d'un procédé à lit de poudre dans la fabrication additive |
| US20200242496A1 (en) * | 2019-01-25 | 2020-07-30 | General Electric Company | System and methods for determining a quality score for a part manufactured by an additive manufacturing machine |
| WO2020185169A1 (fr) * | 2019-03-13 | 2020-09-17 | Nanyang Technological University | Système de surveillance et procédé d'identification d'anomalies dans un processus d'impression 3d |
| US20200298498A1 (en) * | 2019-03-20 | 2020-09-24 | General Electric Company | Recoater automated monitoring systems and methods for additive manufacturing machines |
-
2020
- 2020-10-19 FR FR2010715A patent/FR3115359B1/fr active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3378039A1 (fr) | 2015-11-16 | 2018-09-26 | Materialise N.V. | Détection d'erreurs dans des processus de fabrication additifs |
| WO2020046212A1 (fr) | 2018-08-30 | 2020-03-05 | Nanyang Technological University | Procédé et système de surveillance d'un procédé à lit de poudre dans la fabrication additive |
| US20200242496A1 (en) * | 2019-01-25 | 2020-07-30 | General Electric Company | System and methods for determining a quality score for a part manufactured by an additive manufacturing machine |
| WO2020185169A1 (fr) * | 2019-03-13 | 2020-09-17 | Nanyang Technological University | Système de surveillance et procédé d'identification d'anomalies dans un processus d'impression 3d |
| US20200298498A1 (en) * | 2019-03-20 | 2020-09-24 | General Electric Company | Recoater automated monitoring systems and methods for additive manufacturing machines |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115684175A (zh) * | 2022-10-20 | 2023-02-03 | 河南科技大学 | 一种轴承滚子端面外观分选方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3115359B1 (fr) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6615172B2 (ja) | Ｏｌｅｄスタック膜の品質査定のためのシステム、デバイス、および方法 | |
| BE1022636B1 (fr) | Procede et methode de correction de distorsions projectives avec des etapes d'elimination a des multiples niveaux | |
| EP3657784B1 (fr) | Procédé d'estimation d'un défaut d'un système de capture d'images et systèmes associés | |
| BE1022630B1 (fr) | Procédé et système pour déterminer des candidats points de fuite pour la correction projective | |
| EP1523730A1 (fr) | Procede et systeme pour calculer une image transformee a partir d'une image numerique | |
| JP7489240B2 (ja) | 自動表面評価のためのシステム及び方法 | |
| FR3081248A1 (fr) | Systeme et procede de determination d’un emplacement pour le placement d'un paquet | |
| FR3073312A1 (fr) | Procede d'estimation de pose d'une camera dans le referentiel d'une scene tridimensionnelle, dispositif, systeme de realite augmentee et programme d'ordinateur associe | |
| BE1022635B1 (fr) | Procede et systeme de correction de distorsions projectives utilisant des points propres | |
| FR3065100A1 (fr) | Procede d'estimation de pose, dispositif, systeme et programme d'ordinateur associes | |
| EP4046129B1 (fr) | Procédé de fabrication | |
| FR3115359A1 (fr) | Procédé de détection de défauts dans une couche de poudre de fabrication additive par apprentissage machine | |
| WO2018109372A1 (fr) | Procédé de traitement d'image numérique | |
| US10923317B2 (en) | Detecting defects in a logic region on a wafer | |
| EP4232224A1 (fr) | Procédé de détection de défauts lors d'une fabrication additive par laser, dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en oeuvre du procédé | |
| JP6478281B2 (ja) | 粗大粒子の測定方法および粗大粒子の測定装置 | |
| EP4111249B1 (fr) | Procédé de gestion de blocs de commandes destinés à un système d'imagerie en microscopie, programme d'ordinateur, moyen de stockage et dispositif correspondants domaine technique | |
| FR2887347A1 (fr) | Procede et dispositif de construction d'une carte de profondeur d'une image numerique | |
| WO2022018382A1 (fr) | Procédé de détection de défauts dans une couche de poudre de fabrication additive déposée sur une zone de travail | |
| EP4165591B1 (fr) | Correction d'un halo dans une image numérique et dispositif de mise en oeuvre de cette correction | |
| BE1021013B1 (fr) | Procede et systeme pour ameliorer la qualite d'images en couleur. | |
| Brookshire et al. | MetaHDR: single shot high-dynamic range imaging and sensing using a multifunctional metasurface | |
| FR3119038A1 (fr) | Contrôle visuel d’un élément se déplaçant sur une ligne de production | |
| WO2023031305A1 (fr) | Procédé de mise en relation d'une image candidate avec une image de référence | |
| Wang et al. | Model-based restoration using light vein for range-gated imaging systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20220422 |
|
| CA | Change of address |
Effective date: 20220718 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |