В новом обзоре исследований рассматривается, как компьютерное зрение и машинное обучение могут быть использованы для обнаружения дефектов в бетоне, напечатанном на 3D-принтере.
Это звучит как слишком узкая тема для исследования.
Строительная 3D-печать неуклонно переходит от эффектных демонстраций к более серьезным проектам. Оборудование совершенствуется. Портальные краны становятся больше, роботизированные системы — более функциональными, а экструзионное оборудование — более отточенным.
Но есть один вопрос: как узнать, действительно ли напечатанная конструкция качественная? На этот вопрос пока нет исчерпывающего ответа.
3D-печать бетоном отличается от работы с замкнутыми системами из полимеров или металла в контролируемых условиях завода. Эти машины часто работают в пыльных, грязных, открытых или полуоткрытых условиях. Меняется освещение. Меняется влажность. Сам материал меняется в процессе смешивания, перекачки и нанесения. Площадь печати может быть огромной.
Иными словами, это очень сложное место для проведения автоматизированной проверки.
Обзор, опубликованный в журнале Infrastructures , посвящен обнаружению дефектов в цементных материалах, напечатанных на 3D-принтере. В нем собраны последние исследования в области датчиков и методов машинного обучения, которые пытаются выявлять проблемы во время или после печати.
Очевидная цель проста: выявлять дефекты до того, как они станут дорогостоящими, опасными или скрытыми.
В число рассмотренных методов входят базовые RGB-камеры, установленные рядом с печатающей головкой, стационарные камеры, наблюдающие за процессом печати, сканеры глубины, системы структурированного освещения и тепловизионные камеры. Некоторые исследователи также изучали акустические и ультразвуковые методы, которые могут помочь обнаружить дефекты, невидимые на поверхности.
У каждого подхода есть свои компромиссы.
Простая камера недорога, но она может испытывать трудности с тенями, пылью, бликами, влажными поверхностями и изменяющимся дневным светом. Датчики глубины могут помочь в измерении геометрии, но они усложняют процесс. Тепловизионная съемка может выявить холодные стыки или внутренние пустоты, но это не универсальное решение. Ультразвуковые и акустические методы могут быть полезны, но их сложнее чисто применить на строительной площадке.
Затем идёт программное обеспечение.
В некоторых исследованиях для поиска краев, контуров и изменений формы используется классическая обработка изображений. В других применяется контролируемое машинное обучение, включая машины опорных векторов. В более поздних работах для классификации и сегментации дефектов используются модели глубокого обучения.
Эти системы обучаются выявлять такие проблемы, как смещение слоев, переэкструзия, недоэкструзия, разрывы поверхности, пустоты и раннее растрескивание. Некоторые модели пытаются обнаружить конкретные локальные повреждения. Другие пытаются непрерывно отображать дефекты вдоль напечатанных слоев.
Звучит неплохо, но есть подвох — набор данных пока еще не много.
Это важно, потому что системы машинного обучения полезны лишь настолько, насколько полезны данные, используемые для их обучения и тестирования. Модель, обученная на одном принтере, одной бетонной смеси, одной схеме освещения и в одной лабораторной среде, может плохо работать на другом оборудовании на реальной строительной площадке.
Это серьезная проблема для аддитивного производства в строительстве, особенно учитывая, что сейчас этот сектор находится на пороге стремительного роста.
Детектор дефектов, работающий в прототипе, мог бы быть интересным, но нам действительно нужен такой, который будет работать в дождь, пыль, при переменном солнечном свете, в различных смесях и в условиях полномасштабного строительства.
В обзоре также отмечается, что многие исследования пока не связывают обнаруженные дефекты с механическими характеристиками. Это важно. Видимая аномалия не обязательно означает структурный отказ. Точно так же серьезная слабость не всегда может выглядеть эффектно на камеру.
Для того чтобы эта технология имела коммерческое значение, система в конечном итоге должна ответить на практический вопрос: следует ли продолжать печать, приостанавливать ее, корректировать или отклонять?
Вот тут-то всё и становится интереснее.
Если обнаружение дефектов можно будет объединить с управлением в реальном времени, это позволит принтеру регулировать высоту слоя, скорость перемещения, скорость экструзии или траекторию движения инструмента во время печати. Это переведет технологию из области контроля в область управления процессом.
Это и есть настоящая цель 3DCP.
Индустрия аддитивного производства металлов уже движется в этом направлении, особенно в области лазерного спекания порошковых материалов, где мониторинг в процессе производства постепенно смещается от анализа постфактум к активному пониманию процесса. Строительная 3D-печать может потребовать аналогичной эволюции.
Однако аддитивное производство бетона сопряжено со своими трудностями.
Масштаб больше. Окружающая среда более суровая. Материалы меняются быстрее. В конструкции могут быть препятствия, мешающие камере увидеть все детали. А последствия дефектов качества могут быть значительными, особенно если процесс предназначен для жилых зданий или инфраструктуры.
Таким образом, наиболее полезные рекомендации обзора не являются особенно радикальными: улучшение наборов данных, общие определения дефектов, сравнительный анализ, многомодальное зондирование и проверка на разных принтерах и площадках.
Общедоступные, хорошо аннотированные наборы данных позволили бы исследователям корректно сравнивать алгоритмы. Объединение данных RGB, глубины и тепловых данных могло бы повысить надежность систем. Синтетические данные и адаптация к предметной области могут помочь, но они не могут заменить проверку в реальных условиях.
Самое важное в будущих исследованиях — установить связь между обнаруженными дефектами и прочностью на сжатие, долговечностью, качеством сцепления и эксплуатационной пригодностью. В противном случае результатом будет лишь впечатляюще выглядящая тепловая карта.
Доказательством эффективности станут системы, которые будут сообщать не только о точности, но и о скорости обработки данных, охвате полномасштабных сборок, ложных срабатываниях, пропущенных сбоях, а также о том, что происходит в сложных условиях реального мира.
Надежность аддитивного производства в строительстве не повысится просто за счет увеличения размеров принтеров. В какой-то момент принтер должен научиться понимать, что он делает.
Центр 3d печати и 3д сканирования Фидллер в Краснодаре — 3d сканирование, 3d печать, реверс инжиниринг, проекты для ферм 3d печати, обучение, проектирование для строительства. Теперь полный цикл «принцип одного окна». Более 10 лет успешной разработки в сфере аддитивных технологий.
По всем вопросам обращаться (круглосуточно):
телеграм — https://t.me/fidller (лучше max или звонить)
max — https://max.ru/u/f9LHodD0cOIGiBB1zqbYHFbw7XCslKRI5o6aikK4IGNDZtFio4aCgGJ1gUQ
почта — shope@fidller.com
вк — https://vk.com/3d_krd_123
группа в max https://max.ru/join/VFTRpp8v45PETzoL4RDGQi44sSjpSvRz5kDtyeyXiQE
Наши ресурсы:
все о кино тут — https://news.fidller.com
наш магазин — https://fidller.com
мы в телеграм — https://t.me/pechat3dkrd
теперь и max — https://max.ru/join/VFTRpp8v45PETzoL4RDGQi44sSjpSvRz5kDtyeyXiQE
группа 3д печати — https://vk.com/3d_krd_123
Спасибо!
Теперь редакторы в курсе.