迈向智能监控增材制造：使用方向梯度直方图与基于物理的渲染引擎的开源逐层 3D 打印图像异常检测
计算机视觉与模式识别
2021-11-05 v1 图形学
摘要
本研究提出了一种开源的 3D 打印异常检测方法，该方法通过将固定单目相机拍摄的打印层图像与使用物理渲染引擎 Blender 生成的理想过程的基于 G 代码的参考图像进行比较。通过分析局部图像区域的方向梯度直方图（HOG）的相似性来完成视觉偏差的识别。所开发的技术需要对工作环境进行初步建模，以实现打印部件的方向、颜色渲染、照明和其他参数的最佳匹配。该算法的输出是打印层与合成参考层之间的不匹配程度。我们实现并比较了十二种相似性和距离度量，以评估它们在六种不同代表性故障类型及其无错误控制打印图像上检测 3D 打印错误的有效性。结果表明，尽管 Kendall tau、Jaccard 和 Sorensen 相似性最敏感，但 Pearson r、Spearman rho、cosine 和 Dice 相似性产生了更可靠的结果。这种开源方法允许程序在错误发生的早期阶段注意到关键错误，并暂停制造过程以供操作员进一步调查，或者在未来实现 AI 控制的自动错误纠正。这种新颖方法的实现不需要训练的预备数据，并且通过相同几何形状部件的增材或减材制造进行大规模生产时可以达到最高效率。可以得出结论，这种开源方法是一种有前途的手段，能够实现使用复杂原料的增材制造智能分布式回收以及其他具有挑战性的制造环境。
引用
@article{arxiv.2111.02703,
title = {Towards Smart Monitored AM: Open Source in-Situ Layer-wise 3D Printing Image Anomaly Detection Using Histograms of Oriented Gradients and a Physics-Based Rendering Engine},
author = {Aliaksei Petsiuk and Joshua M. Pearce},
journal= {arXiv preprint arXiv:2111.02703},
year = {2021}
}