相关实验视频
Updated: May 21, 2025
06:05
Additive Manufacturing-Enabled Low-Cost Particle Detector
Published on: March 24, 2023
1.1K
用光谱传感器和机器学习进行增材制造的线材类型识别
Gorkem Anil Al1,2, Uriel Martinez-Hernandez1,2
1Department of Electronic and Electrical Engineering, University of Bath, Bath BA2 7AY, UK.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究介绍了一种多光谱光谱传感器和机器学习,用于在3D打印中准确识别导线. 该系统达到98.95%的精度,增强了多材料增材制造能力.
科学领域:
- 增材制造 增材制造 增材制造
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 化纤维制造 (FFF) 可实现多种材料的3D打印.
- 准确的光线识别对于优化打印参数和确保成功的多材料打印至关重要.
- 目前用于光线识别的方法可能很复杂或缺乏必要的精度.
研究的目的:
- 开发和验证一种新的,紧的,高精度的光纤识别模块,用于FFF工艺.
- 将多光谱谱学与机器学习相结合,以实现可靠的材料识别.
- 增强多材料3D打印系统的自主性和多功能性.
主要方法:
- 使用了一种测量18个波长 (可见到近红外) 的多光谱谱传感器模块.
- 导线样本包括PLA,TPU,TPC,碳纤维,ABS和碳纤维混合ABS.
- 在12毫米,16毫米和20毫米的距离上采集数据是使用三极光谱模块AS7265x.
- 机器学习模型 (kNN,物流回归,SVM,MLP) 通过超参数调整进行训练和优化.
主要成果:
- 支持矢量机 (SVM) 模型实现了最高的分类准确率98.95%.
- 在20毫米的测量距离下使用AS72651传感器数据观察到最佳性能.
- 开发的模块在区分各种发光线类型方面表现出高精度.
结论:
- 一个紧的,高精度的光纤识别模块FFF成功开发.
- 多光谱谱学和机器学习的整合为自动化材料识别提供了强大的解决方案.
- 这项技术可以显著提高多材料3D打印的自主性,从而实现动态光线切换和参数优化.
