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

컨퍼런스

영국 머신 비전 컨퍼런스(BMVC) https://britishmachinevisionassociation.github.io/bmvc

https://britishmachinevisionassociation.github.io/ - 논문 제출 마감일은 6월입니다.

ICCV 2022: 16. 컴퓨터 비전 국제 컨퍼런스 (2022년 9월 22-23일, 캐나다 밴쿠버) https:// waset.org/computer-vision-conference-in-september-2022-in-vancouver - 초록/전문 논문 제출 마감일 2022년 3월 1일

제16회 아시아 컴퓨터 비전 학술대회(ACCV2022) (2022년 12월 4일~8일, 중국 마카오 특별행정구)https://accv2022.org/en/IMPORTANT-DATES.html - 일반 논문 제출 마감일: 2022년 7월 6일

AAAI 인공지능 컨퍼런스 (캐나다 밴쿠버, 2022년 2월 22일~3월 1일) https://www.aaai.org/Conferences/AAAI/aaai.php

적층 제조에서의 머신 러닝

Jian Qin, Fu Hu 외. 적층 제조를 위한 머신 러닝 연구 및 응용. Additive Manufacturing, 52, 4 2022. https://doi.org/10.1016/j.addma.2022.102691

신보 치, 궈펑 천 외. 신경망 기반 머신 러닝을 적층 제조에 적용: 현재 응용 분야, 과제 및 미래 전망. 공학, 5, 4, 8 2019. https://doi.org/10.1016/j.eng.2019.04.012

Razvi, SS, Feng, S, Narayanan, A, Lee, YT, & Witherell, P. 적층 제조에서의 머신러닝 응용에 대한 고찰. ASME 2019 국제 설계 공학 기술 컨퍼런스 및 컴퓨터 및 정보 공학 컨퍼런스 논문집. 제1권: 제39회 컴퓨터 및 정보 공학 컨퍼런스. 미국 캘리포니아주 애너하임. 2019년 8월 18일~21일. V001T02A040. ASME. https://doi.org/10.1115/DETC2019-98415

Jiang, J., Xiong, Y., Zhang, Z. 외. 적층 제조를 위한 머신러닝 통합 설계. J Intell Manuf (2020). https://doi.org/10.1007/s10845-020-01715-6

진제칭, 장지저우 외. 고급 적층 제조를 위한 머신러닝. Matter, 3, 5, 11 2020. https://doi.org/10.1016/j.matt.2020.08.023

Meng, L., McWilliams, B., Jarosinski, W. 외. 적층 제조에서의 머신 러닝: 리뷰. JOM 72, 2363–2377 (2020). https://doi.org/10.1007/s11837-020-04155-y

C. Wang, XP Tan 외. 적층 제조에서의 머신 러닝: 최신 기술과 전망. 적층 제조, 36권, 12호, 2020. https://doi.org/10.1016/j.addma.2020.101538

Gibson I., Rosen D., Stucker B., Khorasani M. (2021) 적층 제조용 소프트웨어. 적층 제조 기술. Springer, Cham. https://doi.org/10.1007/978-3-030-56127-7_17

2022

3D 프린팅에서 실시간 워핑 모니터링을 위한 자동화된 기능 추출 및 합성곱 신경망 최적화 개발

Jiarui Xie, Aditya Saluja, Amirmohammad Rahimizadeh & Kazem Fayazbakhsh, "3D 프린팅에서 실시간 워핑 모니터링을 위한 자동 특징 추출 및 합성곱 신경망 최적화 개발", International Journal of Computer Integrated Manufacturing 2022. https://doi.org/10.1080/0951192X.2022.2025621

특징 추출은 G-코드 분석과 빌드 플랫폼과 캡처된 이미지 간의 맵 매칭을 기반으로 합니다. 이를 통해 다양한 카메라 각도, 부품 위치 및 모서리 형상에 워핑 감지 알고리즘을 적용할 수 있습니다.
분류 모델에 가장 적합한 하이퍼 매개변수를 결정하기 위해 베이지안 최적화가 채택되었습니다.
CNN 모델은 OctoPrint가 미리 구성된 Raspberry Pi에서 실행되며, 플러그인을 통해 카메라, 3D 프린터, 마이크로컴퓨터를 조정하고 제어합니다.
16가지 테스트를 실시한 결과, 워핑 모니터링 시스템의 정확도는 99.2%인 것으로 확인되었습니다.
Prusa i3 MK2S FFF 3D 프린터 | OctoPrint가 탑재된 Raspberry Pi3 | Sony A5100 카메라
30×15×5 mm 크기의 직육면체 52개를 개별적으로 인쇄하여 휘어지지 않은 모서리의 이미지를 수집하기 위해 층층이 기록했습니다.
이 연구를 위해 제안된 데이터 세트는 워핑된 이미지와 워핑되지 않은 이미지의 두 클래스로 균등하게 나뉜 550개의 6000×4000 픽셀 컬러 이미지로 구성되었습니다.

2021

딥 뉴럴 네트워크를 이용한 3D 바이오프린팅의 이상 현상 모니터링

진제칭, 장지저우, 샤오셴린, 그레이스 X. 구, "딥 뉴럴 네트워크를 이용한 3D 바이오프린팅의 이상 현상 모니터링", ACS Biomater. Sci. Eng. 2021. https://doi.org/10.1021/acsbiomaterials.0c01761

투명한 하이드로젤 기반 생체인쇄 소재의 불완전성을 구별하고 분류하기 위해 층별 센서 이미지와 머신 러닝 알고리즘을 기반으로 한 이상 감지 시스템이 개발되었습니다.
추출된 작은 이미지 패치에 대해 합성 신경망 방식과 고급 이미지 처리 및 증강 기술을 활용함으로써 높은 이상 감지 정확도를 얻을 수 있습니다.
다양한 이상 현상의 예측과 함께, 이미지 패치의 채우기 패턴의 종류와 위치 정보를 정확하게 파악할 수 있습니다.

머신 러닝을 이용한 융합 필라멘트 제조 기술에서의 인쇄 조건의 정확한 현지화 및 의미적 분할 감지

Jin, Zeqing, Zhizhou Zhang, Joshua David Ott, Grace X. Gu. "기계 학습을 이용한 융합 필라멘트 제조 기술에서 인쇄 조건의 정밀한 위치 추정 및 의미론적 분할 감지", Additive Manufacturing 37 (2021): 101696. https://doi.org/10.1016/j.addma.2020.101696

로컬라이제이션 모델: YOLOv3 머신 러닝 모델은 Darknet-53 아키텍처를 사용하여 기능 추출을 수행합니다.
의미론적 분할: DeepLabv3 아키텍처, 다양한 샘플링 속도를 사용한 합성곱을 통해 시야를 재조정하고 해상도를 유지합니다.
'이전 층', '과도 압출', '과소 압출'은 세 가지 범주를 나타내는 데 사용됩니다.
PRUSA i3 MK3 FFF(PLA) 3D 프린터 + USB 카메라 448x448px
품질 전환을 포함하는 1400개의 이미지(직사각형 시트 100x25x0.6mm, 3개 레이어)가 전체 이미지 데이터 세트로 선택되었습니다.
이미지는 오픈소스 파이썬 소프트웨어(labelme, https://github.com/wkentaro/labelme ) 를 사용하여 레이블이 지정됩니다.

3D 프린팅을 위한 인공 신경망 알고리즘

Mahmood, Muhammad A., Anita I. Visan, Carmen Ristoscu 및 Ion N. Mihailescu. "3D 프린팅을 위한 인공 신경망 알고리즘", MDPI 자료 2021, 14(1), 163. https://doi.org/10.3390/ma14010163

이 연구는 3D 프린팅의 여러 측면에서 인공 신경망의 발전을 정리한 것입니다.

인공 신경망과 융합 필라멘트 제작을 이용한 폴리락트산 3D 프린팅 생산성 모델링

Meiabadi, Mohammad S., Mahmoud Moradi, Mojtaba Karamimoghadam, Sina Ardabili, Mahdi Bodaghi, Manouchehr Shokri, Amir H. Mosavi. "인공 신경망과 용융 필라멘트 제작을 이용한 폴리락틱산 3D 프린팅의 생산성 모델링", MDPI Polymers 2021, 13(19), 3219. https://doi.org/10.3390/polym13193219

인공 신경망(ANN)과 ANN 유전자 알고리즘(ANN-GA)은 인성, 부품 두께, 생산 비용에 따른 변수를 추정하기 위해 개발되었습니다.
결과는 상관계수와 RMSE 값으로 평가되었습니다. 모델링 결과에 따르면, 하이브리드 머신러닝 기법인 ANN-GA는 단일 ANN 기법 대비 인성, 부품 두께, 생산 비용 측면에서 각각 약 7.5%, 11.5%, 4.5%의 모델링 정확도를 향상시킬 수 있었습니다.

3D 프린팅의 재료적 측면 최적화에 있어서 기존 인공 신경망과 딥러닝의 비교

Rojek, Izabela, Dariusz Mikołajewski, Piotr Kotlarz, Krzysztof Tyburek, Jakub Kopowski 및 Ewa Dostatni. "3D 프린팅의 재료 측면 최적화에 있어서 전통적인 인공 신경망과 딥 러닝의 비교", MDPI Materials 2021, 14(24), 7625. https://doi.org/10.3390/ma14247625

두 가지 다른 접근 방식, 즉 기존 인공 신경망(ANN)과 합성곱 신경망(CNN)을 기반으로 한 딥 러닝(DL) 접근 방식을 기반으로 외골격 샘플의 최대 인장력에 대한 3D 프린팅 특성 최적화를 비교했습니다.
연구 결과에 따르면 DL은 3D 프린팅 공정에서 재료 특성을 계획하고 최적화하는 데 폭넓게 적용될 수 있는 상당한 잠재력을 지닌 효과적인 도구입니다.

2020

컴퓨터 비전과 인공지능을 활용한 실시간 3D 프린팅 원격 결함 감지(스트링잉)

Paraskevoudis, Konstantinos, Panagiotis Karayannis, Elias P. Koumoulos. "컴퓨터 비전 및 인공지능을 활용한 실시간 3D 프린팅 원격 결함 감지(스트링잉)", MDPI Processes 2020 8(11), 1464. https://doi.org/10.3390/pr8111464

신경망은 Prusa i3 MK3S와 연결된 카메라가 장착된 Raspberry Pi 4에서 인쇄 과정에서 촬영한 비디오를 분석하여 3D 인쇄 과정에서 결함을 식별하기 위해 개발되었습니다.
스트링 현상을 보이는 500개의 이미지 데이터셋을 단일 샷 검출기(심층 신경망)의 학습 데이터셋으로 수집했습니다. 500개의 원본 학습 이미지 각각에 이 5가지 데이터 증강 기법을 적용하여 최종적으로 2,500개의 이미지 데이터셋을 얻었습니다.
2016년에 발표된 300 x 300 입력(SSD-300)에서 동작하는 단일 샷 검출기(Single Shot Detector)는 벤치마크 데이터셋 VOC-2007에서 초당 프레임(FPS) 59에서 평균 평균 정밀도(mAP) 74.3%를 달성했고, 벤치마크 데이터셋 of Common Objects in Context(COCO test-dev2015)에서 IoU(Intersection over Union) 0.5에서 평균 평균 정밀도(mAP) 41.2%를 달성했습니다. 이 mAP는 높은 FPS에서 실행되었을 때 당시 최첨단 모델들을 능가했습니다.
Tensorflow에서 VGG16을 사용했습니다. 훈련된 모델은 IoU 0.4에서 0.44의 정밀도와 0.69의 재현율을 달성했고, IoU 0.5에서 0.41의 정밀도와 0.63의 재현율을 달성했으며, IoU 0.6에서 0.4의 정밀도와 0.62의 재현율을 달성했습니다.

합성 신경망을 이용한 융합 필라멘트 제조를 위한 폐쇄 루프 공정 중 와핑 감지 시스템

Aditya Saluja, Jiarui Xie, Kazem Fayazbakhsh. "합성곱 신경망을 이용한 용융 필라멘트 제조를 위한 폐루프 공정 중 와핑 감지 시스템", Journal of Manufacturing Processes 2020 (58), pp. 407-415. https://doi.org/10.1016/j.jmapro.2020.08.036

본 논문에서는 딥러닝 알고리즘을 활용하여 합성곱 신경망(CNN)을 이용한 워핑 감지 시스템을 개발합니다.
이 시스템은 인쇄물을 층층이 캡처하는 동시에 구성 요소의 모서리를 추출합니다. 추출된 관심 영역은 CNN을 거쳐 모서리가 휘어질 확률을 출력합니다.
실험적 설정에서 테스트된 기본 모델은 평균 99.3%의 정확도를 나타냈습니다.
Prusa i3 MK2S 3D 프린터 | 소니 A5100 카메라 | 라즈베리 파이 OctoPrint
Keras | 원시 데이터 세트는 520개의 컬러, 6000 x 4000픽셀 이미지로 구성되며 두 클래스로 균등하게 나뉩니다.
휘어지지 않은 모서리의 이미지는 70×15×5 mm 직사각형 직육면체를 인쇄하여 수집되었습니다.

딥 컨볼루션 신경망을 이용한 적층 제조 공정을 위한 안정적인 품질 모니터링 시스템 구축

야세르 바나다키, 나리만 라자비아랍, 하디 페크르만디, 사푸라 샤리피. "딥 컨볼루션 신경망을 이용한 적층 제조 공정을 위한 신뢰할 수 있는 품질 모니터링 시스템 구축을 향하여", arXiv:2003.08749 [cs.CV] 2020. https://arxiv.org/abs/2003.08749

CNN 모델은 재료를 층별로 증착할 때 발생하는 내부 및 표면 결함의 이미지를 사용하여 오프라인으로 학습하고, 다양한 압출기 속도와 온도에서 AM 공정의 오류를 감지하고 분류하는 성능을 연구하여 온라인으로 테스트합니다.
이 모델은 94%의 정확도와 96%의 특이성을 보이며, F점수, 민감도, 정밀도의 세 가지 분류 측정 항목에서 75% 이상을 기록하여 실시간으로 인쇄 공정의 품질을 5가지 등급으로 분류합니다.
AM 공정의 비디오는 고화질 CCD 카메라(Lumens DC125)로 촬영됩니다. 훈련 데이터는 AM 공정의 모든 레이어의 빌드를 촬영하고 이를 프레임으로 변환하여 수집됩니다.

3D U-Net을 이용한 적층 제조 결함의 자동 체적 분할

Vivian Wen Hui Wong, Max Ferguson, Kincho H. Law, Yung-Tsun Tina Lee, Paul Witherell, "3D U-Net을 이용한 적층 제조 결함의 자동 체적 분할", AAAI 2020 춘계 심포지엄, 미국 캘리포니아주 스탠퍼드, 2020년 3월 23일-25일, arXiv:2101.08993 [eess.IV]. https://arxiv.org/abs/2101.08993

이 연구에서는 의료 영상 분야의 기술을 활용하고 AM 샘플의 XCT 이미지에서 결함을 자동으로 분할하기 위해 3D U-Net 모델을 훈련하는 것을 제안합니다.
이 연구는 AM에서 3D 체적 분할을 처음으로 보여줍니다.
우리는 AM 데이터 세트에서 3D U-Net의 세 가지 변형을 사용하여 훈련하고 테스트하여 88.4%의 평균 교집합(IOU) 값을 달성했습니다.

3D 프린팅에서의 머신 러닝에 대한 리뷰: 응용 분야, 잠재력 및 과제

Goh, GD, Sing, SL & Yeong, WY, "3D 프린팅에서의 머신 러닝에 대한 고찰: 응용, 잠재력 및 과제", Artif Intell Rev 2020, 54, 63–94쪽. https://doi.org/10.1007/s10462-020-09876-9

이 논문에서는 AM에서 ML을 사용하는 것과 관련된 연구 개발에 대한 고찰을 제시합니다. 특히 3D 프린팅 설계, 프로세스 최적화, 품질 관리를 위한 현장 모니터링 분야에 대한 고찰을 제시합니다.

2019

컴퓨터 비전과 딥러닝을 활용한 융합 증착 모델링 프린터의 자율 현장 보정

Jin, Zeqing, Zhizhou Zhang, Grace X. Gu. "컴퓨터 비전과 딥러닝을 활용한 용융 증착 모델링 프린터의 자율 현장 보정", Manufacturing Letters 2019 (2), pp. 11-15. https://doi.org/10.1016/j.mfglet.2019.09.005

CNN 분류 모델은 ResNet 50 아키텍처를 사용하여 학습됩니다.
이 시스템은 사람의 대응 속도보다 빠르게 평면 내 인쇄 조건과 현장 수정 결함을 감지할 수 있습니다.
오픈 소스 3D 프린터 제어 GUI( https://github.com/kliment/Printrun )를 통해 인쇄 매개변수를 변경하기 위한 조정 명령이 자동으로 실행됩니다.
새로운 설정이 적용된 이미지가 좋은 품질 조건에 도달할 때까지 반복되는 내장형 연속 피드백 감지 및 모니터링 루프입니다.
PRUSA i3 MK3 FFF (PLA) 3D 프린터 + Logitech C270 USB 캠.
영상은 녹화되고 '양질', '과소 압출', '과도 압출'이라는 해당 카테고리로 분류됩니다.
각 카테고리별로 120,000개의 이미지가 있으며, 50×50×1mm 크기의 5층 블록을 인쇄하여 두 가지 레벨의 조건이 생성됩니다.

로봇 아크 용접에서 Al 합금을 위한 합성 신경망을 이용한 용접 이미지 딥러닝 기반 온라인 결함 감지

Zhifen Zhang, Guangrui Wen, Shanben Chen. "로봇 아크 용접에서 Al 합금에 대한 합성곱 신경망을 이용한 용접 이미지 딥러닝 기반 온라인 결함 검출", Journal of Manufacturing Processes 2019, 45, pp. 208-216. https://doi.org/10.1016/j.jmapro.2019.06.023

용접 이미지를 기반으로 한 11개 레이어로 구성된 새로운 CNN 분류 모델은 용접 침투 결함을 식별하기 위해 설계되었습니다.
테스트 결과에 따르면 CNN 모델의 평균 분류 정확도는 99.38%입니다.
용접 이미지의 원래 크기는 1392x1040px이고 CNN 모델의 경우 100x100px로 크기가 조정됩니다.
원래 데이터 세트를 강화하기 위해 소금 후추 노이즈 추가 및 15~30도 회전을 포함한 두 가지 종류의 데이터 증강이 적용되었습니다.
앞으로 CNN 모델의 여러 매개변수에 대해 더욱 효과적인 최적화 방법이 필요합니다. R-CNN이나 Fast R-CNN과 같은 다른 고급 기법을 활용하여 이미지의 관심 영역을 선택적으로 검색하는 방안도 고려할 수 있습니다.

인공 지능을 활용한 적층 제조 공정에서의 층간 결함의 자동 실시간 감지 및 예측

진제칭, 장지저우, 그레이스 X. 구. "인공지능을 활용한 적층 제조 공정에서 층간 결함의 실시간 자동 감지 및 예측", Adv. Intell. Syst. 2019, 2, 1900130. https://doi.org/10.1002/aisy.201900130

인쇄된 부품의 다양한 정도의 박리를 분류하기 위해 실시간 카메라 이미지와 딥러닝 알고리즘을 기반으로 한 자체 모니터링 시스템이 개발되었습니다.
변형률 측정을 통합한 새로운 방법이 뒤틀림의 시작을 측정하고 예측하기 위해 확립되었습니다.
결과에 따르면, 머신 러닝 모델은 다양한 수준의 박리 조건을 감지할 수 있으며, 변형률 측정 설정이 인쇄 작업에서 실제로 휘어짐이 발생하기 전에 휘어짐의 정도와 경향을 성공적으로 반영하고 판단합니다.

텍스처 분석

BoW에서 CNN까지: 텍스처 분류를 위한 20년간의 텍스처 표현

L. Liu, J. Chen, P. Fieguth, G. Zhao, R. Chellappa, M. Pietikäinen. "BoW에서 CNN까지: 텍스처 분류를 위한 20년간의 텍스처 표현", International Journal of Computer Vision 2019, 127(1), pp 74–109. https://doi.org/10.1007/s11263-018-1125-z

본 논문은 지난 20년간 텍스처 표현 분야의 발전에 대한 포괄적인 조사를 제시하는 것을 목표로 합니다. 벤치마크 데이터셋과 최첨단 결과를 포함하여 연구의 다양한 측면을 포괄하는 250편 이상의 주요 논문이 인용되었습니다.

의미론적 분할

2021년 이미지 분할: 아키텍처, 손실, 데이터 세트 및 프레임워크

Neptune.ai 블로그

Detectron2

Detectron2는 최첨단 탐지 및 분할 알고리즘을 제공하는 Facebook AI Research의 차세대 라이브러리입니다. Detectron과 maskrcnn-benchmark 의 후속 제품입니다 . Facebook의 다양한 컴퓨터 비전 연구 프로젝트와 프로덕션 애플리케이션을 지원합니다.

자연 및 의료 이미지의 심층적 의미 분할: 검토

Asgari Taghanaki, S., Abhishek, K., Cohen, JP 외. 자연 이미지와 의료 이미지의 심층 의미론적 분할: 리뷰. Artif Intel Rev 54, 137–178(2021). https://doi.org/10.1007/s10462-020-09854-1

비구조적 환경에서의 딸기 수확 로봇을 위한 과일 감지

양위, 장카이량, 리양, 장동싱. 마스크-RCNN 기반 비구조적 환경에서 딸기 수확 로봇의 과일 감지, Computers and Electronics in Agriculture 2019, 163, 104846. https://doi.org/10.1016/j.compag.2019.06.001

페이지 데이터
저자	알렉세이 페치우크
특허	CC-BY-SA-4.0
언어	영어 (en)
번역	프랑스 국민
관련된	1개의 하위 페이지 , 4개의 페이지가 여기에 링크되어 있습니다.
영향	219 페이지 뷰 ( 더 보기 )
생성됨	2022년 1월 22일, Aliaksei Petsiuk 작성
마지막 수정	2024년 9월 12일, Irene Delgado 작성
인용하다	Aliaksei Petsiuk (2022–2024). "3D 프린팅 이상 탐지에 인공 신경망 적용(문헌 검토)" . Appropedia . 2025년 6월 2일 확인 .
API 쿼리	기본 , 의미 론적 , HTML , 파일 등