近日，增材制造技术前沿注意到，美国能源部橡树岭国家实验室(Oak Ridge National Laboratory)的研究人员开发出一个深度学习框架，可显著提高3D打印部件的CT扫描速度和扫描结果准确性，预计将加速3D打印的更广泛应用。

ORNL首席研究员阿米尔·齐亚巴里表示，“扫描速度的加快大大降低了成本，而且质量更高，后处理分析变得更加简单。 

该算法已被纳入商业合作伙伴蔡司在ORNL能源部制造演示工厂的机器软件中，通过使用不断训练算法。 

ORNL研究人员以前已经开发出可以在打印零件时分析零件质量的技术。在打印后增加高水平的成像精度，为增材制造提供了额外的信任度，同时可能增加应用规模。 

研究人员将3D打印的金属样品装载到CT机中（来自ORNL） 

CT扫描对于在不损坏3D打印部件的情况下验证其完好性非常重要，但其并未在增材制造中大规模使用，主要是因为当前的扫描和分析方法耗时长且结果不精确。 

金属可以完全吸收X射线束中的低能量X射线，造成产生的图像不准确，如果物体具有复杂的形状，则会造成图像不准确度进一步增加。图像中的缺陷可能会掩盖扫描所要显示的裂缝或孔隙。训练有素的技术人员可以在分析过程中纠正这些问题，但这一过程需要花费大量时间。 

研究团队开发的深度学习框架，可以快速提供更清晰、更准确的重建和自动分析。为CT训练有监督的深度学习网络通常需要许多昂贵的测量。对于金属零件会带来更多的挑战，因此获得适当的培训数据可能很困难。ORNL的方法是通过生成真实的训练数据而不需要大量的实验来收集数据，从而加快了训练过程。

由于这种X射线CT框架需要以较少角度的扫描才能达到准确度，它将成像时间从大约一小时缩短到10分钟或更短，效率提高了六倍，使得样品分析可以在一天内完成。在如此少的视角下快速工作通常会给3D图像增加显著的“噪点”。但在训练数据上教授的ORNL算法纠正了这一点，甚至将小缺陷检测速度提高了四倍或更多。

新开发的深度学习框架将允许制造商快速微调部件结构，研究人员表示，该技术可以应用于国防、汽车制造、航空航天、电子印刷，以及电动汽车电池的无损评估等多个领域。