Unsupervised image classification in selective laser melting processes: a non-parametric approach based on Jeffreys Divergence

The goal of our research is to do an unsupervised classification of images from a Selective Laser Melting (SLM) process into two classes (In-Control and Out-ofControl). To illustrate our concept, we used images from an SLM procedure. The Empirical Probability Mass (EPM) values were calculated using a non-parametric approach in which the pixel intensities of an image were divided into bins. With these EPM values, a pairwise similarity between two frames is calculated using the Jeffreys divergence, and the frames are then classified into two groups using four distinct clustering options based on the available pairwise similarities.Performance metrics were used to assess the four clustering options in order to identify the outperforming technique for the real-world application. The proposed approach with the chosen clustering option is used in real-world data where frames from each layer are labelled in two groups, and then the alarm rate percentage in each layer is calculated.

L'obiettivo della nostra ricerca è quello di effettuare una classificazione non supervisionata delle immagini provenienti da un processo di fusione laser selettiva (SLM) in due classi (In-Control e Out-ofControl). Per illustrare il nostro concetto, abbiamo utilizzato le immagini di una procedura SLM. I valori di massa di probabilità empirica (EPM) sono stati calcolati utilizzando un approccio non parametrico in cui le intensità dei pixel di un'immagine sono state divise in contenitori. Con questi valori EPM, viene calcolata una somiglianza a coppie tra due fotogrammi utilizzando la divergenza di Jeffreys e i fotogrammi vengono quindi classificati in due gruppi utilizzando quattro distinte opzioni di clustering in base alle somiglianze a coppie disponibili. Per valutare le quattro opzioni di clustering sono state utilizzate metriche di prestazione al fine di identificare la tecnica più performante per l’applicazione nel mondo reale. L'approccio proposto con l'opzione di clustering scelta viene utilizzato nei dati del mondo reale in cui i fotogrammi di ciascun livello sono etichettati in due gruppi, quindi viene calcolata la percentuale del tasso di allarme in ciascun livello.