相关实验视频
Updated: Jul 26, 2025
08:43
Fused Filament Fabrication FFF of Metal-Ceramic Components
Published on: January 11, 2019
17.3K
使用机器学习在化丝制造中的异常检测
Guo Dong Goh1, Nur Muizzu Bin Hamzah1, Wai Yee Yeong1,2,3
1Singapore Centre for 3D Printing, School of Mechanical & Aerospace Engineering, Nanyang Technological University Singapore, Singapore, Singapore.
3D printing and additive manufacturing
|June 22, 2023
概括
本研究引入了用于化丝制造 (FFF) 3D打印的现场监控系统,使用计算机视觉实时检测和纠正缺陷. 该系统提高了增材制造中的零件质量和打印可重复性.
科学领域:
- 增材制造 增材制造 增材制造
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 化丝制造 (FFF) 是一种被广泛采用的3D打印技术,工业应用日益增长.
- 关键的局限性包括不一致的零件质量和由于制造引起的缺陷而导致的印刷重复性.
- 现有的FFF流程缺乏实时缺陷检测和纠正机制.
研究的目的:
- 开发和实施基于挤出的3D打印机的现场监控系统.
- 整合计算机视觉和对象检测,实时识别和纠正缺陷.
- 为了提高FFF3D打印件的质量和可重复性.
主要方法:
- 开发了一个监控系统,配有连接到打印头上的摄像头和用于视频源处理的笔记本电脑.
- 评估了各种YOLO (你只看一次) 架构,以检测低挤压和过挤压缺陷.
- 优化了使用ONNX的YOLO模型 (YOLOv3-Tiny),以提高推理速度,并实施了基于G码的校正算法.
主要成果:
- 微型模型YOLOv3和YOLOv4在缺陷检测中实现了>80%的平均精度 (AP50).
- 优化模型实现了89.8%的分类准确度和每秒70的推断速度.
- 在FFF过程中成功进行实时监控和自主纠正缺陷.
结论:
- 开发的现场监控系统有效地检测和纠正FFF3D打印中的缺陷.
- 这种闭环反系统显著提高了零件质量和打印可重复性.
- 该方法为各种增材制造工艺中的高级监控和校正提供了基础.
