为了成功地按照许多行业要求的严格规格3D打印金属零件，必须优化工艺参数，包括打印速度、激光功率和沉积材料的层厚度。

但为了开发确保最佳结果的增材制造工艺图，研究人员不得不依赖传统方法——实验室实验，使用非原位材料表征来测试使用各种参数打印的零件。为了开发最佳工艺而测试如此多的参数组合可能既耗时又昂贵，特别是考虑到增材制造中可使用的金属和合金种类繁多。

卡内基梅隆大学机械工程学院的DavidGuirguis、JackBeuth和ConradTucker开发了一种使用超高速原位成像和视觉变换器的系统，该系统不仅可以优化这些工艺参数，而且还可以推广应用到各种金属合金。

视觉转换器是机器学习的一种形式，它将最初为自然语言处理任务开发的神经网络架构应用于图像分类等计算机视觉任务。视频视觉转换器更进一步，使用视频序列而不是静态图像来捕获空间和时间关系，使模型能够学习视频数据中的复杂模式和依赖性。

自注意力机制允许自然语言处理模型权衡序列中不同单词的重要性，使Guirguis创建的模型能够权衡输入序列不同部分的重要性，以预测缺陷的发生。

“我们需要使这个过程自动化，但仅靠计算机编程是无法完成的，”机械工程博士后吉尔吉斯解释道。“为了捕捉模式，我们需要应用机器学习。”

“我们很高兴开发出一种人工智能方法，该方法利用增材制造成像数据中的时间特征来检测不同类型的缺陷。使用不同的增材制造金属来证明人工智能方法的通用性是开创性的，并表明相同的经过训练的人工智能模型可以在没有任何缺陷的情况下使用。使用额外数据进行昂贵的再培训，”机械工程学教授塔克说道。

Guirguis表示，他很幸运能够在卡内基梅隆大学接受过如此强大的机器学习培训，因​​为机械工程师知道如何将实验和计算解决方案应用于他们解决的问题比以往任何时候都更加重要。

在这种情况下，Guirguis试图克服激光粉末床熔合(LPBF)增材制造工艺的原位成像的主要限制。该技术使用高功率激光作为能源，将特定位置的粉末熔化并熔合以形成特定的形状，然后再涂覆机铺展一层新的粉末，重复该过程直至形成3D物体。

但在打印过程中，相机看到的熔融金属已经饱和，因此无法看到其物理特征，而物理特征可以识别可能会恶化机械性能并降低打印部件疲劳寿命的缺陷。

Guirguis开发了一种高速成像装置，可以捕捉熔池的清晰特征，还开发了一种机器学习模型，可以看到与他们试图检测和预防的缺陷相关的模式。

他通过使用高速成像和视频视觉转换器，结合了熔融金属随时间变化的时间特征。

通过使用视觉转换器对3D打印过程中可能出现的不同类型的缺陷进行分类，Girguis根据材料的不同，将算法的准确性提高到90%以上。

“在新合金的增材制造加工中，首要目标是找到生产无缺陷零件的工艺变量‘窗口’，”机械工程学教授Beuth解释道。“Dave使用视觉转换器将高速熔池图像的变化与缺陷形成联系起来，可以大大减少找到该窗口所需的时间。这是向前迈出的一大步。”

研究人员开发了一种离轴成像装置，使用高速摄像机和放大镜来捕捉熔池形状的高频振荡，并以每秒超过50,000帧的极高时间分辨率记录视频。然后将视频分为四类：理想的状态和三种不同类型缺陷(锁孔、球化和缺乏融合)的印刷状态。

键孔缺陷的特点是不稳定、深且窄的渗透，可能会导致打印部件内部出现封闭的孔隙，并导致裂纹，从而降低部件的疲劳寿命。锁孔状态的典型特征是锁孔宽度和深度的波动。

对于球状缺陷(在焊接中称为隆起)，熔化的轨道呈现出具有周期性球横截面形状的粗糙表面，并且与拐角处的底切相关。在成球状态下，熔池伸长并断开，在轨道上留下峰。

未熔合缺陷是指能量密度不足以完全熔化粉末，导致粉末未熔化以及熔化轨道之间出现不规则间隙。在缺乏熔合状态下捕获的熔池非常小，长宽比较低，因为能量密度非常低，并且激光束不能深入材料。

为了探索该方法的普适性，他们使用不同的PV组合进行了单珠实验，涵盖不锈钢SS316L、钛合金Ti-6AL-4V和Inconel合金IN718的四种打印方案。他们进行了跨数据集评估，其中模型在一种合金的录制视频上进行训练，并在超参数保持不变的情况下对视频进行测试。

他们的研究结果表明，具有时间嵌入功能的视频视觉变换器可以通过简单的离轴成像设置对熔池缺陷进行原位检测，并生成流程图，从而有可能加速新开发的3D打印合金的可打印性鉴定和工艺开发。