在最近发表在《杂志》上的文章中添加剂制造，研究人员讨论了计算机视觉连续监视3D混凝土打印的实用性。
学习：使用计算机视觉对3D混凝土打印的内联监视。图片来源：matjazz/shutterstock.com
背景
通过在建筑物规模上进行3D混凝土印刷（3DCP）的现实实例，基于添加剂制造的建筑现在正接近其成熟度。为了使这项技术可重复且可认证，尽管这些备受瞩目的应用程序，但仍有在材料开发，构建方法和过程控制方面要做的工作。3DCP挤出受广泛的过程变量的影响。结果，已经在各个方面提出了许多监测技术。
内联监视的目标是使操作员能够在发生异常行为的情况下采取纠正措施。正如文献中针对各种规模的制造过程所证明的那样，该想法可以应用于自动控制系统。视觉系统还可以计算层的厚度。视觉系统还可以根据纹理等属性来分析查看的表面，从而超越简单的几何属性监视。
关于研究
在这项研究中，作者讨论了一种基于计算机的异常识别方法。三个不同的模块，即图片采集，层间层和线段分割，局部纹理和层的几何形状的表征以及异常检测，构成了这种方法。安装在打印喷嘴上的相机用于图片采集过程。将印刷层划分的线通过建议的层分割方法识别并定位，F-SCORE = 91％。第三个模块使用分割和原始图像作为输入分析了层的几何形状和材料的纹理。
当值超出预测范围时，团队使用结果来识别几何异常。将四个不同的质量水平分配给了材料纹理。该研究讨论了这些发现，以证明拟议系统在印刷会话期间捕获的照片上的自动位置的工作状况如何。使用基于深度学习（DL）的模型确定图像中的层间线，然后使用这些线作为参考将独立的印刷层分割。
研究人员应用了图像处理来基于层间线的方向，层厚度，曲率，曲率和邻近喷嘴的近端建立局部几何形状。这些指标被用来识别并指出相对于预期值的测量层中的异常。讨论了基于层纹理表征的监测技术。
观察
流体在所有褶皱中得分100％，这是四类的最佳结果。另一方面，在这五个折叠中，干燥的平均难度最高为90.2％。良好和撕裂课程的平均值分别为93.7和92.2％。在测试损失高原上，公差为5个时期，学习率降低了2倍。
可以在深度学习的帮助下对分离相邻挤出层的层间线进行分割。对于建议的模型，获得了91％的F评分。在分析中的图像中检测中间线线的检测实现了独立层的其他分割。可以通过对分段层间线的研究立即测量印刷对象的多个几何参数。这些特征的测量使得可以在印刷项目中检测异常。当挤出材料的水含量表现出异常时，可以通过分析独立层的质地来确定。测试表明，单个红绿色（RGB）摄像头的输入可同时执行几何和纹理分析。这可能会增加计算机视觉可以进行的几何测量数量。
结论
总之，本研究讨论了一种基于计算机视觉的3D混凝土打印监测的方法。提出了一项针对3D打印混凝土的质地研究，该研究受到当前在小型和挤压添加剂制造中使用的技术的影响。作者讨论了所提出的方法如何为操作员提供发现的精确位置和类型。他们提到，如果记录结果，一旦打印完成后，它们就可以用作质量报告。当发现严重的违规行为时，它也可以用来拒绝该项目。可以将操作员告知任何发现必要更正的异常的类型和严重性。可以在随后的研究中扩展该监测，以包括闭环控制。
该团队表示，自动化决策系统可以在发布印刷机的补救措施之前将异常的元素和严重性作为输入。它可能来自监督的机器学习模型，向量到操作词典，基于规则的专家系统等。
来自Azom的更多信息：半导体制造可以自动化多远？
参考
Rill-Garc´ıa，R.，Dokladalova，E.，Dokl´adal，P.，等。（2022）使用计算机视觉对3D混凝土打印的内联监视。添加剂制造，103175。https://www.欧洲杯线上买球sciendirect.com/science/article/abs/pii/s2214860422005644
免责声明：此处表达的观点是以其私人身份表达的作者的观点，不一定代表AZOM.com的观点有限的T/A Azonetwork本网站的所有者和运营商。此免责声明构成了条款和条件使用此网站。