dida Logo

Automatisches Erkennen von Verunreinigungen im industriellen 3D-Druck

KI-basierte Erkennung von Düsenverschmutzung im industriellen 3D-Druck

Input:Infrarotbilder einer 3D-Druckerdüse
Output:    Erkennung und Klassifizierung von Düsenverschmutzung
Ziel:Optimierung des Fertigungsprozesses durch Verringerung des Bedarfs an visuellen Kontrollen durch Menschen

Ausgangspunkt

Beim 3D-Druck wird das Druckmaterial erhitzt und durch eine Düse extrudiert, die das Material Schicht für Schicht aufträgt, um das 3D-gedruckte Objekt zu erstellen. Das Material unter der Düse kann allerdings darauffolgende Drucke verunreinigen. Um kostspielige Fehler und anschließende Nachdrucke zu vermeiden, muss die Düse deshalb regelmäßig visuell auf mögliche Verklebungen überprüft werden.

Ziel dieses Projekts ist es, mithilfe von KI-basierten Algorithmen automatisch zu erkennen, ob der Bereich unter der Druckdüse verunreinigt ist.

Herausforderungen

Industrielle 3D-Drucker sind in der Regel in speziell konstruierten und beheizten Gehäusen untergebracht. Die Installation von Beleuchtungen zur Überwachung der Drucke mit optischen Kameras ist daher kostspielig und umständlich.

Eine elegantere Lösung ist deshalb der Einsatz von Infrarotkameras zur Überwachung der Düse, da die beheizte Düse in der Regel eine viel höhere Temperatur hat als ihre Umgebung und der interessierende Punkt auf einer Infrarotkamera auch ohne zusätzliche Beleuchtung sehr deutlich zu erkennen ist.

Das Training eines Machine-Learning-Modells zur automatischen Erkennung von Verunreinigungen um eine Druckdüse erfordert einen speziellen Datensatz. Die Erstellung und Pflege eines solchen benutzerdefinierten Datensatzes von 3D-Infrarotdruckbildern birgt ihre eigenen Herausforderungen und Möglichkeiten:

  • Die erhaltenen Bilder sind genau die Art von Bildern, die das Modell zu klassifizieren versucht, es gibt also keine "redundanten Daten".

  • Bildklassifizierungsmodelle werden in der Regel auf großen Datensätzen mit Millionen von Bildern trainiert, aber Datensätze dieser Größe sind mit selbst erstellten Datensätzen nicht zu erhalten.

  • Die gesammelten Bilder können erhebliche Unterschiede aufweisen, wenn sie aus unterschiedlichen Quellen stammen, z. B. von verschiedenen Druckern.

Lösung

Eine gängige Technik für das Training von Modellen mit kleinen Datenmengen ist Data Augmentation. Dabei handelt es sich um einen Trick, bei dem ein Bild probabilistisch verändert wird, bevor es dem Modell zum Training übergeben wird. Solche Änderungen können geometrische Transformationen wie Drehungen und Spiegelungen sowie andere Erweiterungen wie Helligkeits- und Kontraständerungen umfassen. Diese Erweiterungen sollen die Variationen in realen Bildern nachahmen und dienen dazu, die Menge der trainierbaren Daten zu vergrößern.

Philipp Jackmuth

Geschäftsführer

p.jackmuth@dida.do

Erzählen Sie uns ein wenig über Ihre Projektanforderungen und wir setzen uns mit Ihnen in Verbindung.

Weitere Projekte

Eine Auswahl von Projekten, die wir bereits abgeschlossen haben

Automatisches Erkennen von Verunreinigungen im industriellen 3D-Druck

KI-basierte Erkennung von Düsenverschmutzung im industriellen 3D-Druck

Semiconductors in production
Ferdinand Braun Institut logo

Defekterkennung in der Produktion

KI-gestützte optische Defekterkennung für die Halbleiterlaser­produktion.

© unsplash/@nicolasp

Klassifizierung der Kulturpflanzenart

Wir erkennen angebaute Feldfrüchte anhand von Satellitendaten, um die Landwirtschaft zu unterstützen.

Rainforest with waterfall
ESA (European Space Agency) logo

Automatische Erkennung von Kleinbergbau

Wie Machine Learning dazu beitragen kann, Umweltzerstörung zu verhindern.