Manufaktur aditif logam dianggap sebagai blok bangunan kunci untuk memproduksi komponen kompleks, misalnya di sektor dirgantara atau energi. Meskipun ada kemajuan teknologi, memastikan kualitas komponen tetap menjadi hambatan utama. Terutama, cacat internal yang muncul selama proses pencetakan sulit dideteksi dengan metode konvensional dan menghambat adopsi industri proses manufaktur aditif logam.
Kelompok riset di bidang teknik mesin semakin mengandalkan citra sinar-X beresolusi tinggi untuk mengamati proses peleburan secara real-time selama pencetakan. Eksperimen ini memberikan wawasan detail tentang dinamika kolam peleburan, pembentukan pori, dan proses pengendapan. Pada saat yang sama, eksperimen ini menghasilkan volume data yang sangat besar yang sulit diolah melalui analisis manual. Di sinilah jaringan saraf AM-SegNet berperan, yang dikembangkan oleh tim yang dipimpin oleh Prof. Peter Lee dan Dr. Alex Chu Lun Leung di University College London.
AM-SegNet dirancang sebagai model deep learning ringan yang telah dilatih secara khusus untuk memisahkan gambar sinar-X dari manufaktur logam. Model ini didasarkan pada dataset lebih dari 10.000 gambar yang diberi label dari fasilitas penelitian berskala besar internasional. Menurut para pengembang, model ini mencapai akurasi sekitar 96 persen dan memproses gambar individu dalam waktu kurang dari empat milidetik. Hal ini membuat pendekatan ini cocok untuk analisis waktu nyata selama eksperimen berlangsung.
Melalui analisis otomatis, efek fisik dalam proses penambahan dapat diidentifikasi lebih cepat dan diteliti secara sistematis. Hal ini mendukung pengembangan proses dan strategi jaminan kualitas, misalnya dengan memungkinkan deteksi dini kondisi pencetakan yang tidak stabil. Peluncuran kode sumber secara penuh melalui GitHub juga bertujuan untuk memfasilitasi pengembangan lebih lanjut oleh tim riset lain. Secara keseluruhan, semakin jelas bahwa metode berbasis data semakin menjadi bagian integral dari manufaktur logam penambahan.
