Application of artificial neural networks in 3D printing anomaly detection (Lit Review)/fr

Conférences

Conférence britannique sur la vision artificielle (BMVC) https://britishmachinevisionassociation.github.io/bmvc

https://britishmachinevisionassociation.github.io/ - la date limite de soumission des articles en juin.

ICCV 2022 : 16. Conférence internationale sur la vision par ordinateur (22-23 septembre 2022 à Vancouver, Canada) https://waset.org/computer-vision-conference-in-september-2022-in-vancouver - Date limite de soumission des résumés/articles en texte intégral 01 mars 2022

16e Conférence asiatique sur la vision par ordinateur (ACCV2022) (RAS de Macao, Chine, du 4 au 8 décembre 2022)https://accv2022.org/en/IMPORTANT-DATES.html - Date limite de soumission des articles réguliers : 6 juillet 2022

CONFÉRENCE DE L'AAAI SUR L'INTELLIGENCE ARTIFICIELLE (Vancouver, Canada, du 22 février au 1er mars 2022) https://www.aaai.org/Conferences/AAAI/aaai.php

Apprentissage automatique dans la fabrication additive

Jian Qin, Fu Hu et al. Recherche et application de l'apprentissage automatique pour la fabrication additive. Additive Manufacturing, 52, 4 2022. https://doi.org/10.1016/j.addma.2022.102691

Xinbo Qi, Guofeng Chen et al. Application de l'apprentissage automatique basé sur les réseaux neuronaux à la fabrication additive : applications actuelles, défis et perspectives d'avenir. Ingénierie, 5, 4, 8 2019. https://doi.org/10.1016/j.eng.2019.04.012

Razvi, SS, Feng, S, Narayanan, A, Lee, YT et Witherell, P. Une revue des applications d'apprentissage automatique dans la fabrication additive. Actes des conférences techniques internationales ASME 2019 sur l'ingénierie de conception et la conférence Computers and Information in Engineering. Volume 1 : 39e conférence Computers and Information in Engineering. Anaheim, Californie, États-Unis. 18-21 août 2019. V001T02A040. ASME. https://doi.org/10.1115/DETC2019-98415

Jiang, J., Xiong, Y., Zhang, Z. et al. Conception intégrée d'apprentissage automatique pour la fabrication additive. J Intell Manuf (2020). https://doi.org/10.1007/s10845-020-01715-6

Zeqing Jin, Zhizhou Zhang et al. Apprentissage automatique pour la fabrication additive avancée. Matter, 3, 5, 11 2020. https://doi.org/10.1016/j.matt.2020.08.023

Meng, L., McWilliams, B., Jarosinski, W. et al. Machine Learning in Additive Manufacturing: A Review. JOM 72, 2363–2377 (2020). https://doi.org/10.1007/s11837-020-04155-y

C. Wang, XP Tan et al. Apprentissage automatique dans la fabrication additive : état de l'art et perspectives. Additive Manufacturing, 36, 12 2020. https://doi.org/10.1016/j.addma.2020.101538

Gibson I., Rosen D., Stucker B., Khorasani M. (2021) Logiciels pour la fabrication additive. Dans : Technologies de fabrication additive. Springer, Cham. https://doi.org/10.1007/978-3-030-56127-7_17

2022

Développement d'une extraction automatisée de caractéristiques et d'une optimisation de réseau neuronal convolutionnel pour la surveillance en temps réel de la déformation dans l'impression 3D

Jiarui Xie, Aditya Saluja, Amirmohammad Rahimizadeh et Kazem Fayazbakhsh, « Développement de l'extraction automatisée de caractéristiques et de l'optimisation du réseau neuronal convolutionnel pour la surveillance en temps réel de la déformation dans l'impression 3D », International Journal of Computer Integrated Manufacturing 2022. https://doi.org/10.1080/0951192X.2022.2025621

L'extraction des caractéristiques est basée sur l'analyse du code G et sur la correspondance des cartes entre la plateforme de construction et l'image capturée. Cela permet d'appliquer l'algorithme de détection de déformation à différents angles de caméra, emplacements de pièces et géométries d'angle.
L'optimisation bayésienne est adoptée pour déterminer les meilleurs hyperparamètres pour le modèle de classification.
Le modèle CNN est exécuté dans un Raspberry Pi préconfiguré avec OctoPrint, avec des plugins coordonnant et contrôlant la caméra, l'imprimante 3D et le micro-ordinateur.
Sur la base de 16 tests effectués, le système de surveillance du gauchissement s'est avéré précis à 99,2 %.
Imprimante 3D FFF Prusa i3 MK2S | Raspberry Pi3 avec OctoPrint | Caméra Sony A5100
Cinquante-deux cuboïdes de 30 × 15 × 5 mm ont été imprimés individuellement et enregistrés couche par couche pour collecter des images des coins non déformés.
L'ensemble de données proposé pour cette étude comprenait 550 images couleur 6000×4000 px réparties de manière égale entre deux classes, déformées et non déformées.

2021

Surveillance des anomalies dans la bio-impression 3D avec des réseaux neuronaux profonds

Zeqing Jin, Zhizhou Zhang, Xianlin Shao et Grace X. Gu, « Surveillance des anomalies dans la bio-impression 3D avec des réseaux neuronaux profonds », ACS Biomater. Sci. Eng. 2021. https://doi.org/10.1021/acsbiomaterials.0c01761

Un système de détection d'anomalies basé sur des images de capteurs couche par couche et des algorithmes d'apprentissage automatique est développé pour distinguer et classer les imperfections des matériaux bio-imprimés transparents à base d'hydrogel.
Une précision élevée de détection des anomalies est obtenue en utilisant des méthodes de réseau neuronal convolutif ainsi que des techniques avancées de traitement et d'augmentation d'images sur de petites zones d'images extraites.
Parallèlement à la prédiction de diverses anomalies, la catégorie du motif de remplissage et les informations de localisation sur les patchs d'image peuvent être déterminées avec précision.

Localisation précise et détection de segmentation sémantique des conditions d'impression dans les technologies de fabrication de filaments fondus à l'aide de l'apprentissage automatique

Jin, Zeqing, Zhizhou Zhang, Joshua David Ott et Grace X. Gu. « Localisation précise et détection de segmentation sémantique des conditions d'impression dans les technologies de fabrication de filaments fondus à l'aide de l'apprentissage automatique », Fabrication additive 37 (2021) : 101696. https://doi.org/10.1016/j.addma.2020.101696

Modèle de localisation : le modèle d'apprentissage automatique YOLOv3 effectue l'extraction de fonctionnalités à l'aide de l'architecture Darknet-53.
Segmentation sémantique : architecture DeepLabv3, convolution avec différents taux d'échantillonnage proposés pour redimensionner le champ de vision et maintenir la résolution.
Les termes « couche précédente », « surextrusion » et « sous-extrusion » sont utilisés pour désigner les trois catégories.
Imprimante 3D PRUSA i3 MK3 FFF (PLA) + caméra USB 448x448 px
1400 images (feuilles rectangulaires 100x25x0,6 mm, 3 couches) contenant des transitions de qualité sont sélectionnées comme ensemble de données d'image complet.
Les images sont étiquetées avec un logiciel python open source (labelme, https://github.com/wkentaro/labelme )

Algorithmes de réseaux neuronaux artificiels pour l'impression 3D

Mahmood, Muhammad A., Anita I. Visan, Carmen Ristoscu et Ion N. Mihailescu. "Algorithmes de réseaux de neurones artificiels pour l'impression 3D", MDPI Materials 2021, 14(1), 163. https://doi.org/10.3390/ma14010163

L’étude compile les avancées des réseaux neuronaux artificiels dans plusieurs aspects de l’impression 3D.

Modélisation de la productibilité de l'impression 3D en acide polylactique à l'aide de réseaux neuronaux artificiels et de la fabrication de filaments fondus

Meiabadi, Mohammad S., Mahmoud Moradi, Mojtaba Karamimoghadam, Sina Ardabili, Mahdi Bodaghi, Manouchehr Shokri et Amir H. Mosavi. « Modélisation de la productibilité de l'impression 3D en acide polylactique à l'aide de réseaux neuronaux artificiels et de fabrication de filaments fondus », MDPI Polymers 2021, 13(19), 3219. https://doi.org/10.3390/polym13193219

Le réseau neuronal artificiel (ANN) et l'algorithme génétique ANN (ANN-GA) ont été développés pour estimer la ténacité, l'épaisseur de la pièce et les variables dépendantes du coût de production.
Les résultats ont été évalués par coefficient de corrélation et valeurs RMSE. Selon les résultats de la modélisation, l'ANN-GA en tant que technique d'apprentissage automatique hybride pourrait améliorer la précision de la modélisation d'environ 7,5, 11,5 et 4,5 % pour la ténacité, l'épaisseur de la pièce et le coût de production, respectivement, par rapport à ceux de la méthode ANN unique.

Réseaux neuronaux artificiels traditionnels versus apprentissage profond dans l'optimisation des aspects matériels de l'impression 3D

Rojek, Izabela, Dariusz Mikołajewski, Piotr Kotlarz, Krzysztof Tyburek, Jakub Kopowski et Ewa Dostatni. "Réseaux de neurones artificiels traditionnels versus apprentissage profond dans l'optimisation des aspects matériels de l'impression 3D", MDPI Materials 2021, 14(24), 7625. https://doi.org/10.3390/ma14247625

Comparaison de l'optimisation des propriétés d'impression 3D vers la force de traction maximale d'un échantillon d'exosquelette basée sur deux approches différentes : les réseaux de neurones artificiels (RNA) traditionnels et une approche d'apprentissage profond (DL) basée sur les réseaux de neurones convolutifs (CNN).
Les résultats montrent que DL est un outil efficace avec un potentiel important pour une large application dans la planification et l’optimisation des propriétés des matériaux dans le processus d’impression 3D.

2020

Détection de défauts à distance en impression 3D en temps réel (enfilage) avec vision par ordinateur et intelligence artificielle

Paraskevoudis, Konstantinos, Panagiotis Karayannis et Elias P. Koumoulos. « Détection de défauts à distance en temps réel (enfilage) lors de l'impression 3D avec vision par ordinateur et intelligence artificielle », MDPI Processes 2020 8(11), 1464. https://doi.org/10.3390/pr8111464

Les réseaux neuronaux sont développés pour identifier les défauts d'impression 3D pendant le processus d'impression en analysant la vidéo capturée à partir du processus sur Prusa i3 MK3S et un Raspberry Pi 4 avec caméra connectée.
Un ensemble de données de 500 images avec un phénomène de chaîne a été collecté comme ensemble de données d'entraînement pour le détecteur à tir unique (réseau neuronal profond). En appliquant ces 5 techniques d'augmentation de données à chacune des 500 images d'entraînement originales, nous avons obtenu un ensemble de données final de 2500 images.
Le détecteur Single Shot fonctionnant sur une entrée 300 × 300 (SSD-300), publié en 2016, a atteint une précision moyenne (mAP) de 74,3 % sur le jeu de données de référence VOC-2007 à 59 images par seconde (FPS) et une précision moyenne (mAP) de 41,2 % à une intersection sur l'union (IoU) de 0,5 sur le jeu de données de référence d'objets communs en contexte (COCO test-dev2015). Le mAP obtenu a surpassé les modèles de pointe existants (à l'époque) tout en fonctionnant à un FPS élevé.
VGG16 sur Tensorflow. Le modèle formé a atteint une précision de 0,44 et un rappel de 0,69 à un IoU de 0,4, une précision de 0,41 et un rappel de 0,63 à un IoU de 0,5, et une précision de 0,4 et un rappel de 0,62 à un IoU de 0,6.

Un système de détection de déformation en cours de fabrication en boucle fermée pour la fabrication de filaments fondus utilisant des réseaux neuronaux convolutionnels

Aditya Saluja, Jiarui Xie, Kazem Fayazbakhsh. « Un système de détection de déformation en cours de fabrication en boucle fermée pour la fabrication de filaments fondus à l'aide de réseaux neuronaux convolutionnels », Journal of Manufacturing Processes 2020 (58), pp. 407-415. https://doi.org/10.1016/j.jmapro.2020.08.036

L’article utilise des algorithmes d’apprentissage en profondeur pour développer un système de détection de déformation à l’aide de réseaux de neurones convolutifs (CNN).
Le système est chargé de capturer l'impression couche par couche et d'extraire simultanément les coins du composant. Les régions d'intérêt extraites sont ensuite transmises à un CNN qui génère la probabilité qu'un coin soit déformé.
Le modèle sous-jacent testé dans une configuration expérimentale a donné une précision moyenne de 99,3 %.
Imprimante 3D Prusa i3 MK2S | Appareil photo Sony A5100 | Raspberry Pi OctoPrint
Keras | L'ensemble de données brutes se compose de 520 images colorées de 6 000 × 4 000 pixels divisées également en deux classes.
Les images des coins non déformés ont été collectées en imprimant des cuboïdes rectangulaires de 70 × 15 × 5 mm.

Vers la mise en place d'un système fiable de surveillance de la qualité pour le processus de fabrication additive à l'aide de réseaux neuronaux convolutionnels profonds

Yaser Banadaki, Nariman Razaviarab, Hadi Fekrmandi, Safura Sharifi. « Vers un système fiable de surveillance de la qualité pour le processus de fabrication additive à l'aide de réseaux neuronaux convolutionnels profonds », arXiv:2003.08749 [cs.CV] 2020. https://arxiv.org/abs/2003.08749

Le modèle CNN est formé hors ligne à l'aide d'images des défauts internes et de surface dans le dépôt couche par couche de matériaux et testé en ligne en étudiant les performances de détection et de classification des défaillances dans le processus AM à différentes vitesses et températures d'extrudeuse.
Le modèle démontre une précision de 94 % et une spécificité de 96 %, ainsi que plus de 75 % dans trois mesures de classification du Fscore, la sensibilité et la précision pour classer la qualité du processus d'impression en cinq catégories en temps réel.
Les vidéos du processus AM sont capturées par une caméra CCD haute définition (Lumens DC125). Les données d'entraînement sont collectées en filmant la construction de chaque couche du processus AM et en convertissant les vidéos en images.

Segmentation volumétrique automatique des défauts de fabrication additive avec 3D U-Net

Vivian Wen Hui Wong, Max Ferguson, Kincho H. Law, Yung-Tsun Tina Lee, Paul Witherell, « Segmentation volumétrique automatique des défauts de fabrication additive avec 3D U-Net », Symposiums de printemps AAAI 2020, Stanford, CA, États-Unis, du 23 au 25 mars 2020, arXiv:2101.08993 [eess.IV]. https://arxiv.org/abs/2101.08993

Dans ce travail, nous exploitons des techniques du domaine de l'imagerie médicale et proposons de former un modèle U-Net 3D pour segmenter automatiquement les défauts dans les images XCT d'échantillons AM.
Ce travail démontre pour la première fois la segmentation volumétrique 3D en AM.
Nous formons et testons avec trois variantes du 3D U-Net sur un ensemble de données AM, obtenant une valeur d'intersection d'union moyenne (IOU) de 88,4 %.

Une revue sur l'apprentissage automatique dans l'impression 3D : applications, potentiel et défis

Goh, GD, Sing, SL et Yeong, WY, « Une revue sur l'apprentissage automatique dans l'impression 3D : applications, potentiel et défis », Artif Intell Rev 2020, 54, pp. 63–94. https://doi.org/10.1007/s10462-020-09876-9

Cet article présente une revue des développements de la recherche concernant l'utilisation du ML dans la FA, en particulier dans les domaines de la conception pour l'impression 3D, de l'optimisation des processus et de la surveillance in situ pour le contrôle qualité.

2019

Correction autonome in situ des imprimantes à modélisation par dépôt de filament en fusion à l'aide de la vision par ordinateur et de l'apprentissage profond

Jin, Zeqing, Zhizhou Zhang et Grace X. Gu. « Correction autonome in situ des imprimantes de modélisation par dépôt de filament en fusion à l'aide de la vision par ordinateur et de l'apprentissage profond », Manufacturing Letters 2019 (2), pp. 11-15. https://doi.org/10.1016/j.mfglet.2019.09.005

Le modèle de classification CNN est formé à l'aide d'une architecture ResNet 50
Le système est capable de détecter les conditions d'impression dans le plan et de corriger les défauts in situ plus rapidement que la vitesse de réponse humaine.
Les commandes de réglage sont automatiquement exécutées pour modifier les paramètres d'impression via une interface graphique de contrôle d'imprimante 3D open source ( https://github.com/kliment/Printrun ).
Boucle de détection et de surveillance de rétroaction continue intégrée où les images avec de nouveaux paramètres seront itérées jusqu'à ce qu'une bonne condition de qualité soit atteinte.
Imprimante 3D PRUSA i3 MK3 FFF (PLA) + caméra USB Logitech C270.
Les vidéos sont enregistrées et étiquetées avec les catégories correspondantes : « Bonne qualité », « Sous-extrusion » et « Surextrusion ».
120 000 images pour chaque catégorie, deux niveaux de condition sont générés en imprimant un bloc de cinq couches de taille 50 × 50 × 1 mm.

Détection en ligne des défauts de soudure par apprentissage profond à l'aide de réseaux neuronaux convolutionnels pour alliage d'aluminium dans le soudage à l'arc robotisé

Zhifen Zhang, Guangrui Wen, Shanben Chen. « Détection en ligne des défauts par apprentissage profond des images de soudure à l'aide de réseaux neuronaux convolutionnels pour alliage d'aluminium dans le soudage à l'arc robotisé », Journal of Manufacturing Processes 2019, 45, pp. 208-216. https://doi.org/10.1016/j.jmapro.2019.06.023

Un nouveau modèle de classification CNN avec 11 couches basé sur l'image de soudure a été conçu pour identifier les défauts de pénétration de soudure.
Les résultats des tests montrent que le modèle CNN a une précision de classification moyenne de 99,38 %.
La taille originale de l'image de soudure est de 1392x1040 px et est redimensionnée à 100x100 px pour le modèle CNN.
Deux types d’augmentation de données ont été appliqués pour améliorer l’ensemble de données d’origine, notamment l’ajout de bruit sel et poivre et une rotation de 15 à 30 degrés.
À l'avenir, une méthode d'optimisation plus efficace sera nécessaire pour plusieurs paramètres du modèle CNN. D'autres méthodes avancées, notamment R-CNN ou Fast R-CNN, pourraient être envisagées pour rechercher de manière sélective les régions d'intérêt de l'image.

Détection et prédiction automatisées en temps réel des imperfections des couches intermédiaires dans les processus de fabrication additive à l'aide de l'intelligence artificielle

Zeqing Jin, Zhizhou Zhang, Grace X. Gu. « Détection et prédiction automatisées en temps réel des imperfections intercalaires dans les processus de fabrication additive à l'aide de l'intelligence artificielle », Adv. Intell. Syst. 2019, 2, 1900130. https://doi.org/10.1002/aisy.201900130

Un système d'autosurveillance basé sur des images de caméra en temps réel et des algorithmes d'apprentissage profond est développé pour classer les différentes étendues de délaminage dans une pièce imprimée.
Une nouvelle méthode intégrant des mesures de contrainte est établie pour mesurer et prédire l'apparition du gauchissement.
Les résultats montrent que le modèle d’apprentissage automatique est capable de détecter différents niveaux de conditions de délaminage, et la configuration des mesures de contrainte reflète et détermine avec succès l’étendue et la tendance du gauchissement avant qu’il ne se produise réellement dans le travail d’impression.

Analyse de texture

De BoW à CNN : deux décennies de représentation de texture pour la classification des textures

L. Liu, J. Chen, P. Fieguth, G. Zhao, R. Chellappa, M. Pietikäinen. « De BoW à CNN : deux décennies de représentation de texture pour la classification de texture », International Journal of Computer Vision 2019, 127(1), pp 74–109. https://doi.org/10.1007/s11263-018-1125-z

L'objectif de cet article est de présenter un aperçu complet des avancées en matière de représentation des textures au cours des deux dernières décennies. Plus de 250 publications majeures sont citées dans cet aperçu couvrant différents aspects de la recherche, y compris des ensembles de données de référence et des résultats de pointe.

Segmentation sémantique

Segmentation d'images en 2021 : architectures, pertes, jeux de données et cadres

Blog Neptune.ai

Detectron2

Detectron2 est la bibliothèque de nouvelle génération de Facebook AI Research qui fournit des algorithmes de détection et de segmentation de pointe. Il s'agit du successeur de Detectron et de maskrcnn-benchmark . Il prend en charge un certain nombre de projets de recherche en vision par ordinateur et d'applications de production sur Facebook.

Segmentation sémantique profonde des images naturelles et médicales : une revue

Asgari Taghanaki, S., Abhishek, K., Cohen, JP et al. Segmentation sémantique profonde des images naturelles et médicales : une revue. Artif Intell Rév. 54, 137-178 (2021). https://doi.org/10.1007/s10462-020-09854-1

Détection de fruits pour robot de récolte de fraises dans un environnement non structurel basé sur Mask-RCNN

Yang Yu, Kailiang Zhang, Li Yang, Dongxing Zhang. Détection de fruits pour le robot de récolte de fraises dans un environnement non structurel basé sur Mask-RCNN, Computers and Electronics in Agriculture 2019, 163, 104846. https://doi.org/10.1016/j.compag.2019.06.001

Données de la page
Auteurs	Aliaksei Petsiuk
Licence	CC-BY-SA-4.0
Langue	Anglais (en)
En rapport	0 sous-pages , 3 pages liées ici
Impact	212 pages vues ( plus )
Créé	22 janvier 2022 par Aliaksei Petsiuk
Dernière modification	12 septembre 2024 par Irene Delgado
Citer comme	Aliaksei Petsiuk (2022–2024). « Application des réseaux neuronaux artificiels à la détection d'anomalies d'impression 3D (Lit Review) » . Appropedia . Consulté le 8 mars 2025 .
Requêtes API	basique , sémantique , html , fichiers , plus