doi: 10.17586/2226-1494-2020-20-4-552-559


УДК 535.8

АНАЛИЗ ДЕФЕКТОВ ПОВЕРХНОСТИ ИЗДЕЛИЯ ПРИ 3D-ПЕЧАТИ ПО ИХ ИЗОБРАЖЕНИЯМ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Измайлов Д.В., Дрыгин Д.А., Ежова К.В.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Измайлов Д.В., Дрыгин Д.А., Ежова К.В. Анализ дефектов поверхности изделия при 3D-печати по их изображениям с использованием методов машинного обучения // Научно-технический вестник информационных тех- нологий, механики и оптики. 2020. Т. 20. № 4. С. 552–559. doi: 10.17586/2226-1494-2020-20-4-552-559


Аннотация
Предмет исследования. Обнаружение дефектов изделия является современной и сложной задачей в сфере аддитивных технологий. Данная процедура позволяет сократить расходы на время и материалы, предотвращает причины возникновения брака. В связи с этим автоматизация контроля качества поверхности изделий 3D-печати является необходимым этапом изготовления как для крупных производственных предприятий, так и для частных пользователей. Предложен метод контроля качества изделий при 3D-печати на основе анализа изображений их поверхности с применением алгоритмов машинного обучения. Метод. Изображения изделий, полученных при 3D-печати, формируются и обрабатываются на установке, включающей видеокамеру и одноплатный микрокомьютер. Метод обнаружения дефектов на поверхности изделий основан на применении алгоритмов предварительной обработки изображения, последующего машинного обучения и метода опорных векторов. Основные результаты. Предложенный метод позволяет обнаруживать и классифицировать дефекты вида «избыточная экструзия» и «недостаточная экструзия» на поверхности изготавливаемых объектов с высокой точностью. Практическая значимость. Применение разработанного метода обеспечивает упрощение процедуры 3D-печати как для частных пользователей устройств, так и для предприятий, которые изготавливают или используют данный вид устройств, за счет облегчения настройки параметров, сохранения отчетности о параметрах изделия, удобства и скорости решения проблем, возникших в ходе печати. Разработанный метод визуального контроля качества поверхности изделий 3D-печати может принести существенную пользу в расширении возможностей автоматизации процесса быстрого прототипирования и вывести его на новый уровень.

Ключевые слова: 3D-печать, система технического зрения, машинное обучение, метод опорных векторов, алгоритмы, обнаружение дефектов, контроль качества, экструзия, метод послойного наплавления

Список литературы
1. Vyavahare S., Teraiya S., Panghal D., Kumar S. Fused deposition modelling: a review // Rapid Prototyping Journal. 2020. V. 26. N 1. P. 176–201. doi: 10.1108/RPJ-04-2019-0106
2. Шаветов С.В., Ведяков А.А., Бобцов А.А. Система технического зрения в архитектуре системы удаленного управления // Научно-технический вестник информационных технологий, механики и оптики. 2014. № 2. С. 164–166.
3. Mohanty A.K., Amalendu B. Detection and classification of fabric defects in textile using image mining and association rule miner // International Journal of Electrical, Electronics and Computers. 2017. V. 2. N 3. P. 28–33.
4. Essid O., Laga H., Samir C. Automatic detection and classification of manufacturing defects in metal boxes using deep neural networks // PLoS ONE. 2018. V. 13. N 11. P. e0203192. doi: 10.1371/journal.pone.0203192
5. Strokina N., Mankki A., Eerola T., Lensu L., Käyhkö J., Kälviäinen H. Framework for developing image-based dirt particle classifiers for dry pulp sheets // Machine Vision and Applications. 2013. V. 24. N 4. P. 869–881. doi: 10.1007/s00138-013-0485-1
6. Delli U., Chang S. Automated process monitoring in 3D printing using supervised machine learning // Procedia Manufacturing. 2018. V. 46. P. 865–870. doi: 10.1016/j.promfg.2018.07.111
7. Straub J. Initial work on the characterization of additive manufacturing (3D printing) using software image analysis // Machines. 2015. V. 3. N 2. P. 55–71. doi: 10.3390/machines3020055
8. Izmaylov D., Tolstoba N., Bodrov K. Computer vision system selection for control of rapid prototyping processes // Proceedings of SPIE. 2018. V. 10695. P. 106950Q. doi: 10.1117/12.2313959
9. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход / пер. с англ. М.: Издательский дом «Вильямс», 2004. 928 с.
10. Otsu N. A threshold selection method from gray-level histograms // IEEE Transactions on Systems, Man, and Cybernetics. 1979. V. 9. N 1. P. 62–66. doi: 10.1109/TSMC.1979.4310076
11. Bradski G., Kaehler A. Learning OpenCV. Computer Vision with the OpenCV Library. O’Reilly, 2008. 709 p.
12. Chi Z., Yan H., Pham T. Fuzzy Algorithms: With Applications to Image Processing and Pattern Recognition. World Scientific, 1996. 240 p. (Advances in Fuzzy Systems – Applications and Theory, V. 10).
13. Zhang X.-W., Ding Y.-Q., Lv Y.-Y., Shi A.-Y., Liang R.-Y. A vision inspection system for the surface defects of strongly reflected metal based on multi-class SVM // Expert Systems with Applications. 2011. V. 38. N 5. P. 5930–5939. doi: 10.1016/j.eswa.2010.11.030
14. Suykens J.A.K., Vandewalle J. Least squares support vector machine classifiers // Neural Processing Letters. 1999. V. 9. N 3. P. 293–300. doi: 10.1023/A:1018628609742
15. Baudat G., Anouar F. Kernel-based methods and function approximation // Proc. of the International Joint Conference on Neural Networks (IJCNN'01). V. 2. 2001. P. 1244–1249. doi: 10.1109/IJCNN.2001.939539
16. Mohanaiah P., Sathyanarayana P., GuruKumar L. Image texture feature extraction using GLCM approach // International Journal of Scientific and Research Publications. 2013. V. 3. N 5. P. 1–5.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2021 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика