如果能夠通過(guò)一張簡(jiǎn)單的照片檢測(cè)出3D打印部件的來(lái)源，那會(huì)怎樣？這就是伊利諾伊大學(xué)香檳分校團(tuán)隊(duì)進(jìn)行這項(xiàng)研究的全部目的。他們利用人工智能開(kāi)發(fā)了一種學(xué)習(xí)模型，能夠分辨出某個(gè)零件是在哪臺(tái)3D打印機(jī)上制造的。該模型已生產(chǎn)出9,000多個(gè)組件，這可能會(huì)對(duì)增材制造行業(yè)的質(zhì)量控制、認(rèn)證和可追溯性產(chǎn)生重大影響。

該項(xiàng)目從隨機(jī)3D打印開(kāi)始，研究人員希望更多地了解可重復(fù)性以及尺寸公差和3D打印機(jī)之間的關(guān)系。然后他們發(fā)現(xiàn)他們打印的所有碎片上都存在一種指紋。因此，可以更好地追蹤每一個(gè)，從而促進(jìn)供應(yīng)商控制、質(zhì)量認(rèn)證和零件認(rèn)證的整個(gè)過(guò)程。但是我們?nèi)绾螜z測(cè)這些指紋的存在呢？依靠人工智能。

研究人員想象的過(guò)程

構(gòu)建機(jī)器學(xué)習(xí)模型

研究團(tuán)隊(duì)使用21臺(tái)不同的3D打印機(jī)和四種增材制造工藝（FDM、SLA、Multi Jet Fusion和DLS）創(chuàng)建了9,192個(gè)零件。在本研究中，設(shè)計(jì)了三種類型的零件，包括各種幾何特征和尺寸：連接器、晶格結(jié)構(gòu)和插頭。這些組件足夠小，可以實(shí)現(xiàn)更高的產(chǎn)量-例如，HP機(jī)器每個(gè)托盤(pán)可以生產(chǎn)108個(gè)相同設(shè)計(jì)的零件，而FDM機(jī)器可以生產(chǎn)176個(gè)。

然后，每個(gè)部件通過(guò)高分辨率平板掃描儀掃描兩次：一次在較大的一側(cè)，另一次在帶有序列號(hào)的一側(cè)。生成的圖像用于生成深度學(xué)習(xí)模型，以確定哪臺(tái)機(jī)器打印了哪個(gè)部件。確實(shí)，區(qū)分這些過(guò)程是相當(dāng)明顯的（我們可以看到MJF粉末的粗糙度或FDM中噴嘴可以生成的圖案），但不能明顯區(qū)分3D打印機(jī)本身。因此，有必要分析這些圖像并進(jìn)行測(cè)試，特別是通過(guò)標(biāo)準(zhǔn)化像素。

William King是該項(xiàng)目的負(fù)責(zé)人之一：“我們的結(jié)果表明，AI模型僅使用10個(gè)零件進(jìn)行訓(xùn)練就能做出準(zhǔn)確的預(yù)測(cè)。只需使用來(lái)自供應(yīng)商的幾個(gè)樣品，就能驗(yàn)證其隨后交付的所有產(chǎn)品?！遍_(kāi)發(fā)的模型將達(dá)到98%以上的準(zhǔn)確率。

3D打印連接器的四種增材制造工藝

AI如何提高3D零件的可追溯性？

因此，該檢測(cè)系統(tǒng)無(wú)需原始制造商的合作，最終也無(wú)需第三方的幫助，就能找到零件的來(lái)源。這將使我們能夠打擊假冒產(chǎn)品，確保材料和印刷工藝的一致性等。通過(guò)這種學(xué)習(xí)模式，可以更好地控制生產(chǎn)過(guò)程。William King補(bǔ)充道：“對(duì)于大多數(shù)公司來(lái)說(shuō)，持續(xù)監(jiān)控供應(yīng)商是不可能的。制造流程的變更可能長(zhǎng)期不被察覺(jué)，只有在生產(chǎn)出一批不合格產(chǎn)品時(shí)才會(huì)被注意到。每個(gè)從事制造業(yè)的人都知道，供應(yīng)商未經(jīng)授權(quán)更改某些內(nèi)容，從而導(dǎo)致嚴(yán)重問(wèn)題?！?/span>

編譯整理：3dnatives