这篇文章将向您展示人工智能（AI）和深度学习（DL）如何运作，和传统技术相比，这一技术有何优越性。之后，我们则会展示Dragonfly软件如何对增材制造的基准件进行孔隙测量，从中您可以直观地对AI深度学习技术和传统阈值方式进行直观的比较。

问题所在

所有通过制造得到的部件都会有孔隙，在增材制造领域，这些孔隙可能非常微小，像气泡一样难以被察觉。CT对这些气泡的成像方面非常有用，但细分和分析它们一直是一个挑战。许多算法可以应用到人为介入的工序方法中。比较典型的案例是操作员选择一个阈值，根据所选值得范围，当低于这个所选阈值时，孔隙对应的图像中黑色的区域就会被识别选中，而密度高的区域则不会。这种工序在检测小至像素级别的气泡时则非常困难，或是图像对比度不理想的情况下，进行细致分辨往往会出现错误，而不同的操作员在同一个案例上往往会得出不同的结论。使用预先训练好的深度学习模型就可以忽略人为判断所产生的影响，同时模型作为宏程序的一部分能够介入自动化程序，而且不需要人为输入任何动作。

数据1+2：增材制造标准件的表面视图（左），复杂形状及内部通道（右）

孔隙定义和测量

在CT扫描结果中，我们可以看到很多内部细节，如下图所示，我们可以容易地定义： (A) 由AM工艺导致的计划外的孔隙，(B) 设计内的内部通道，以及 (C) 残留粉尘的内部通道。

数据3：CT横截面图像显示孔隙和通道，包含和未包含残留粉尘的结果。

在初步确认的过程中，我们已经关注到由生产工艺造成的孔隙(A)特征。为了直观对比手动阈值法和深度学习技术的区别，我们选择10处关注区域（ROI）开展分析。其中一处ROI如下图所示。

数据4+5：为孔隙分析选择一处ROI作为子集

对每处ROI，我们都应用手动阈值，是因为气泡群太小并且太密集导致了自动Otsu*阈值无法识别。导致自动Otsu阈值失效和手动阈值调整的横截面案例如下图所示。

*Otsu法，以Nobuyuki Otsu的名字命名，出于其建立图像自动分割阈值的方法。

数据6+7：传统的分割方法：由于密集且微小的气泡群分布，在ROI中的Otsu阈值（左）无法正确的运行；手动调节阈值（右）

手动分割阈值案例中，存在由人为引起的固有偏差/误差，在检测更小的孔隙和噪音更大的数据中会变得更严重。作为演示，我们重复了10次测算，安排了不同的操作员对每一处ROI进行测算，下图为手动量化的气泡百分比测算结果。

数据8：不同操作员的孔隙值报告中的数据差别，相同数据和相同10处ROI条件下。

运用AI/深度学习模型，人为偏差可以被忽略。Dragonfly软件作为一款AI工具被市场熟知，同时预训练的增材制造孔隙测算模型可以直接使用。这一模型之前使用超过50个数据库进行训练，能够处理几乎大多数实验室CT数据中增材制造的孔隙类型。这个模型还能够允许用户添加更多的训练数据，以提升软件能够更好的适配处理特定的图像数据。在这个案例中，软件成功运行并给出测算结果，并没有其他过多额外的训练。运用模型测算的完整样版结果如下图所示。

数据9：深度学习模型对整个标准件的孔隙分割和分析

有一个问题经常被提及：深度学习模型的重复性如何？在这个案例中，我们设定了不同的操作员应用相同的模型测算以及由同一操作员操作数次进行测算。所得到的结果毫无疑问都是相同的，完全没有偏差，每次分类的体素数量都是一致的，所以在这个案例中并未出现误差。

数据10：5个用户操作，对10处ROI进行深度学习孔隙分析

结论

对增材制造标准件的孔隙分析，使用Dragonfly软件中的深度学习模型对孔隙率进行分析和量化。与传统手动阈值法相比，通过传统方式得到的结果通常会被人为因素误差干扰，而深度学习模型则可以避免这一关键因素，并提升可靠性，以此能够实现自动分析，提高效率。在这个案例中使用的模型称为U-net**，学习深度为5级，并使用50多个数据组完成训练。您可以直接对您的应用需求使用这一模型，这一模型已包括在Dragonfly的软件包中。此外，您可以通过更多数据库持续对这个模型开展训练强化，以此它甚至能够在具有更多噪音的数据上进行工作。

**U-net, 一个非常流行的卷积网络架构，运行快速并且能够精确地对分割图像，其核心属于深度学习中的数学模型。