這項研究提出了一種開源方法，透過將固定單眼相機的列印圖層影像與使用 Blender（開源免費實體渲染引擎）產生的理想流程的基於 G 程式碼的參考影像進行比較，來偵測 3D 列印異常。透過分析局部影像區域的定向梯度（HOG）直方圖的相似性來完成視覺偏差的辨識。所開發的技術需要對工作環境進行初步建模，以實現列印零件的方向、顯色性、照明和其他參數的最佳匹配。此演算法的輸出是列印參考層和合成參考層之間的不匹配程度。實施了12 種相似性和距離測量方法，並比較了它們在檢測6 種不同代表性故障類型（局部填充缺陷、層中存在異物、意大利麵條問題、打印部件與工作部件分離和移位）的3D列印錯誤方面的有效性。表面、薄壁缺陷和層偏移）及其控制無錯誤列印影像。結果表明，雖然 Kendall 的 tau、Jaccard 和 Sorensen 相似度最敏感，但 Pearson 的 r、Spearman 的 rho、cosine 和 Dice 相似度產生的結果更容易區分。這種開源方法允許程式在發生的早期階段注意到嚴重錯誤，並暫停製造過程以供操作員進一步調查或在未來進行智慧自動糾錯。這種新穎方法的實施不需要用於訓練的初步數據，並且透過相同幾何形狀的積層或減材製造來大量生產零件可以實現最大效率。這種開源方法具有在充滿挑戰的環境中實現增材製造智慧分散式回收的潛在手段。
- 免費開源程式碼： https: //osf.io/q8ebj/
- https://arxiv.org/abs/2111.02703
- 攪拌機
強調
- 原位分層 3D 列印異常檢測基於參考影像。
- 基於 G 程式碼的合成參考是在物理渲染引擎中創建的。
- 系統分析定向梯度局部直方圖的相似性。
- 故障檢測解析度為整個觀察區域的5-10%。
- 該方法允許在嚴重錯誤發生的早期階段注意到它們。
3D列印、積層製造；開源硬體；再現說唱；電腦視覺; 品質保證; 即時監控；異常檢測；攪拌機; 豬；合成影像
也可以看看
- 用於分散式回收和增材製造的作業系統電腦視覺
- 其他作業系統電腦視覺應用
