Optimization and automation of Additive Manufacturing is an important part of the fourth industrial revolution, Industry 4.0. Additive Manufacturing is a process similar to 3D printing where a laser burns metal powder into a structure layer by layer. Finding anomalies in each layer is time-consuming due to the large number of layers, therefore, an unsupervised solution to finding anomalies is desired. This work aims to explore different structures and methods for detecting anomalies in images of the layers by training different Artificial Neural Networks. Common metrics in anomaly detection such as Recall, False Positive Rate, Precision, F1-score, and Accuracy have been used to evaluate the results. Data augmentation is difficult to use in anomaly detection in Additive Manufacturing since geometric transforms make the outputs contain high losses and color space transformations can sometimes alter the images so that the anomalies are difficult to detect. Preprocessing the data with a perspective transformation to focus on only the powder bed can remove factors in the images that appear due to angles and camera placement. If not dealt with by the model, these factors can make the models think they are anomalies. Autoencoders is a structure that is efficient and can be leveraged to learn a representation of the images that can be used for different anomaly detection techniques. Using a modified version of squared error loss can result in good detection of anomalies without many false positives. Generative Adversarial Networks (GANs) utilize two models and their latent space to compare real data to generated copies for anomaly detection. However, they require long training times and tend to be unstable during the training phase. Anomalies can also be detected using Vision Transformers by extracting information from the embedded token patches to reconstruct the input data. The data is then compared similarly to the autoencoder. The encoder part of an autoencoder can be used to get latent space vectors that can be used for different kinds of anomaly detection methods. The methods Isolation Forest (iForest), Local Outlier Factor (LOF), Principal Component Analysis (PCA), and Uniform Manifold Approximation and Projection (UMAP) all managed to have high scores for the metrics recall, precision, F1-score, and accuracy. PCA and UMAP also had a low false positive rate compared to a fairly high false positive rate for iForest and LOF. However, these methods need to be tested more for an accurate assessment and on more datasets. / Optimering och automation av additiv tillverkning är en viktig del av den fjärde industriella revolutionen, Industry 4.0. Additiv tillverkning är en process liknande 3D-utskrift där en laser smälter metallpulver till en struktur lager för lager. Att hitta anomalier i varje lager är tidskrävande på grund av det stora antalet lager, därför är en oövervakad lösning för att hitta anomalier önskvärd. Detta arbete syftar till att utforska olika strukturer och metoder för att upptäcka anomalier i bilder av lagren genom att träna olika artificiella neurala nätverk. Vanliga metriker i anomalidetektering såsom Recall, False positive rate, Precision, F1-score och Accuracy har använts för att utvärdera resultaten. Dataaugmentering är svår att använda vid anomalidetektering i additiv tillverkning eftersom geometriska transformationer gör att det man får ut från modeller innehåller höga värden på förluster och färgrymdstransformationer kan ibland ändra bilderna så att anomalierna blir svåra att upptäcka. Förbearbetning av datan med en perspektivtransformation för att fokusera enbart på pulverbädden kan ta bort faktorer i bilderna som uppstår på grund av vinklar och kameraplacering. Om dessa faktorer inte hanteras av modellen kan de få modellerna att tro att de är anomalier. Autoencoders är en struktur som är effektiv och kan användas för att lära sig en representation av bilderna som kan användas för olika tekniker för anomalidetektering. Användning av en modifierad version av kvadratfel-förlust kan resultera i bra detektering av anomalier utan många falska positiva. Generative Adversarial Networks (GANs) använder två modeller och deras latent space för att jämföra verkliga data med genererade kopior för anomalidetektering. Dock kräver de långa träningstider och tenderar att vara instabila under träningsfasen. Anomalier kan också detekteras med Vision Transformers genom att extrahera information från inbäddade tokens för att rekonstruera ingångsdata. Resultatet är sedan likt som för autoencoders. Encoder-delen av en autoencoder kan användas för att få latent space vektorer som kan användas för olika typer av anomalidetekteringsmetoder. Metoderna Isolation Forest (iForest), Local Outlier Factor (LOF), Principal Component Analysis (PCA) och Uniform Manifold Approximation and Projection (UMAP) uppnådde alla höga poäng för metrikerna recall, precision, F1-score och accuracy. PCA och UMAP hade också en låg andel false positives jämfört med en ganska hög andel false positives för iForest och LOF. Dessa metoder behöver dock testas mer för en korrekt bedömning och på fler dataset.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:liu-205050 |
Date | January 2024 |
Creators | Persson, Noah, Säfström, Dan |
Publisher | Linköpings universitet, Institutionen för teknik och naturvetenskap |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0149 seconds