Dans le récemment publié «  Détection visuelle des défauts de surface basée sur la comparaison des fonctionnalités propres dans l’impression 3D de robots  », des chercheurs chinois du College of Mechanical Engineering de l’Université du Zhejiang (à la fois State Key Laboratory of Fluid Power and Mechatronic Systems et Key Laboratory for 3D processus d’impression et équipements dans la province du Zhejiang) se plonge dans les défis de l’impression 3D robotisée, comment identifier plus clairement les défauts et les moyens de les surmonter.

Des carences allant des problèmes de qualité de surface aux problèmes qui provoquent un effondrement complet peuvent survenir dans un certain nombre de cas, mais les chercheurs ajoutent qu’il est crucial d’éviter les fausses vitesses de détection et de pouvoir faire la distinction entre les défauts et les propriétés des pièces. Grâce à une détection précoce, les utilisateurs peuvent résoudre les problèmes rapidement, ce qui réduit la quantité de matériau gaspillé (ainsi que le temps et les efforts).

«La détection des défauts est un domaine de recherche brûlant. Les méthodes existantes de détection des défauts peuvent être divisées en deux groupes: les systèmes de surveillance basés sur la vision industrielle et les systèmes de surveillance basés sur le balayage laser », ont déclaré les chercheurs. « Le premier utilise principalement des caméras pour prendre des photos, tandis que le second peut mesurer la hauteur de l’objet, ce qui ne peut pas être réalisé avec un système basé sur la vision monoculaire. »

Les techniques traditionnelles et les méthodes d’apprentissage en profondeur reposent sur des algorithmes pour détecter les lacunes – les chercheurs développant l’une ou l’autre lorsqu’elles s’appliquent à leurs domaines spécifiques. Pour la plupart des travaux déjà réalisés, les chercheurs s’attachent à trouver des défauts qui se trouvent dans la partie supérieure des pièces réalisées via l’impression 3D FDM. Des erreurs apparaissent souvent lorsque les couches sont également «irrégulières», ce qui donne du mérite à la détection de la surface extérieure.

Structures du système matériel dans le système robotique de modélisation de dépôt fusionné (FDM).

Pour cette étude, l’équipe de recherche a développé un moyen de séparer les défauts des propriétés – en comparant les contours de projection théoriques et les contours expérimentaux des produits. Le principal logiciel utilisé était Visual Studio 2015, et l’imprimante 3D du robot était basée sur le robot japonais Mitsubishi RV-6SD 6-DOF accompagné de la caméra et de l’ordinateur allemand Basler acA1600-20gm.

L’algorithme de détection des défauts comprend:

  • Étapes de traitement de l’impression 3D
  • Enregistrement de contour
  • Identification des carences et des caractéristiques propres

La technologie de traitement d’image capture les détails de l’image projetée et de l’image capturée – tandis que les défauts ainsi que les propriétés sont notés comme des paramètres pour les contours de l’image sont comparés au modèle.

« Lorsque la similitude des paramètres entre le premier contour et l’un des derniers contours atteint un seuil, cela signifie que le contour est sa propre fonction, pas le défaut, et vice versa », expliquent les chercheurs.

Organigramme de l’algorithme de détection visuelle des défauts de surface basé sur la comparaison des auto-fonctions dans l’impression 3D: Dans les étapes d’impression 3D; II Enregistrement du contour; III Identifier les lacunes et ses propres caractéristiques.

Le processus de traitement des parties du système: dans la détection de contour à partir d’un modèle réel; II Détection de contour à partir du modèle théorique.

La méthode d’extraction avec auto-fonction permet de mettre en évidence des points visuels via les coordonnées et la direction de la caméra, où les points de fonction sont projetés sur des images théoriques, résultant en des images d’auto-fonction.

Extraction d’auto-fonction: (a) Le processus d’extraction d’auto-fonction spécifique (b) Règles d’extraction pour les points visuels et les points de fonction dans la direction actuelle de la caméra (c) Évaluation en trois points des points caractéristiques.

« Notez qu’en théorie, la plus petite taille de défauts que la méthode peut détecter est de 8,5 pixels x 8,5 pixels, et en termes de taille physique réelle, elle doit être convertie par les paramètres de la caméra et la distance de détection », ont conclu les chercheurs.

Dans les travaux futurs, le temps de traitement de l’algorithme proposé devrait être encore raccourci afin qu’il puisse satisfaire le besoin de détection en ligne en temps réel. Et pour améliorer la robustesse du système de détection, les matériaux pour l’impression d’objets, les environnements expérimentaux et les équipements doivent être pris en compte. « 

Les chercheurs continuent de surveiller l’impression 3D et tentent de détecter les problèmes le plus tôt possible, offrant des processus en temps réel pour l’impression dans le métal, la céramique, les applications biomédicales et plus encore.

Que pensez-vous de cette nouvelle? Dites-nous ce que vous pensez! Rejoignez la discussion sur ce sujet et sur d’autres sujets d’impression 3D sur 3DPrintBoard.com.

Quelques images de test en ligne pendant l’expérience: (a) Modèle théorique; (b – d) Résultats expérimentaux et théoriques de nœuds d’acquisition verticaux choisis au hasard. θ1 θ2 θ3 est l’image sous différents angles dans le processus d’impression sous la couche de hauteur actuelle.

[Source / Images: ‘Visual Detection of Surface Defects Based on Self-Feature Comparison in Robot 3-D Printing’]



Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *