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

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

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.

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.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License