近日，美國能源部橡樹嶺國家實驗室(Oak Ridge National Laboratory)的研究人員開發出一個深度學習框架，可顯著提高3D打印部件的CT掃描速度和掃描結果準確性，預計將加速3D打印的更廣泛應用。ORNL首席研究員阿米爾·齊亞巴里表示，“掃描速度的加快大大降低了成本，而且質量更高，后處理分析變得更加簡單。”

基于X射線的技術用于各種應用和行業的檢測

該算法已被納入商業合作伙伴蔡司在ORNL能源部制造演示工廠的機器軟件中，通過使用不斷訓練算法。ORNL研究人員以前已經開發出可以在打印零件時分析零件質量的技術。在打印后增加高水平的成像精度，為增材制造提供了額外的信任度，同時可能增加應用規模。

CT掃描對于在不損壞3D打印部件的情況下驗證其完好性非常重要，但其并未在增材制造中大規模使用，主要是因為當前的掃描和分析方法耗時長且結果不精確。

金屬可以完全吸收X射線束中的低能量X射線，造成產生的圖像不準確，如果物體具有復雜的形狀，則會造成圖像不準確度進一步增加。圖像中的缺陷可能會掩蓋掃描所要顯示的裂縫或孔隙。訓練有素的技術人員可以在分析過程中糾正這些問題，但這一過程需要花費大量時間。研究團隊開發的深度學習框架，可以快速提供更清晰、更準確的重建和自動分析。為CT訓練有監督的深度學習網絡通常需要許多昂貴的測量，對于金屬零件會帶來更多的挑戰，因此獲得適當的培訓數據可能很困難。ORNL的方法是通過生成真實的訓練數據而不需要大量的試驗來收集數據，從而加快了訓練過程。

系統展示了一個X射線源管、一個探測器和一個在CT掃描之前安裝在旋轉臺上的樣品

由于這種X射線CT框架需要以較少角度的掃描才能達到準確度，它將成像時間從大約一小時縮短到10分鐘或更短，效率提高了6倍，使得樣品分析可以在一天內完成。在如此少的視角下快速工作通常會給3D圖像增加顯著的“噪點”。但在訓練數據上教授的ORNL算法糾正了這一點，甚至將小缺陷檢測速度提高了4倍或更多。