编辑 | 萝卜皮
材料挤压是最广泛使用的增材制造方法，但其在最终用途产品中的应用受限于易出错性。人类可以检测错误，但无法提供持续监控或实时纠正。现有的自动化方法不能在不同的零件、材料和打印系统中通用。
剑桥大学的研究人员使用偏离最佳打印参数自动标记的图像训练多头神经网络（multi-head neural networks）。数据采集和标记的自动化允许生成大量多样的挤压 3D 打印数据集，其中包含来自 192 个不同部件的 120 万张图像，并标有打印参数。
经过如此训练的神经网络与控制回路一起，能够实时检测和快速纠正各种错误，这些错误在许多不同的 2D 和 3D 几何形状、材料、打印机、刀具路径甚至挤压方法中都是有效的。同时，他们还创建了网络预测的可视化，以阐明它如何做出决策。
该研究以「Generalisable 3D printing error detection and correction via multi-head neural networks」为题，于 2022 年 8 月 15 日发布在《Nature Communications》。
材料挤压是最常见的增材制造（AM）方法，原因包括其成本相对较低、后处理量少、与多种材料的兼容性以及多材料能力。这些使挤压增材制造在许多领域都有希望，包括医疗保健、医疗设备、航空航天和机器人技术。
然而，其中许多应用仍处于研究阶段的一个关键原因是挤压增材制造容易受到各种生产错误的影响。这些范围从小规模的尺寸不准确和机械弱点到总体构建失败。为了消除错误，熟练的工人通常必须观察增材制造过程，识别错误，停止打印，移除零件，然后适当地调整新零件的参数。如果使用新材料或打印机，此过程需要更多时间，因为工人会获得新设置的经验。即使这样，也可能会遗漏错误，特别是如果工人没有连续观察每个过程，所以多台打印机同时运行可能会很困难。
这不仅会耗费材料、能源和时间，而且还会限制 AM 零件在最终用途产品中的使用，尤其是对安全至关重要的产品，例如医疗设备，以及基于 AM 的供应链的弹性。随着增材制造扩展到生活和功能材料、复杂的多材料晶格结构以及诸如偏远、户外建筑工地或人体等具有挑战性的环境，这些挑战将变得更加紧迫。
这激发了研究人员对监测挤压 AM 的多样化和有趣的研究。电流、惯性和声学传感器通常用于监测挤压 AM。尽管这些方法可以在打印过程中可靠地检测某些通常是大规模的错误模式，但许多错误仍然无法检测到。这些方法也尚未在大多数 3D 打印机中使用，因为用于此类方法的传感器和放大器的成本通常很高。此外，它们的数据不够丰富，无法进行在线反馈和纠正。
基于相机的方法具有潜在的通用性和数据丰富性。安装在打印机框架上的单摄像头具有自上而下或侧视图，结合传统的计算机视觉和图像处理技术，已被用于检测各种挤压 AM 错误。这种方法的优点是相对便宜，更容易设置，并且相机通常可以随时查看大部分制造的零件。这允许检测到许多错误，例如填充变形或材料「斑点」的存在。
但是，使用单个相机可能会限制获得的有关制造过程的信息量，从而限制所识别的错误范围和错误类型。多相机方法实施起来更昂贵、更复杂，但可能更有能力。零件的多个视图，或添加红外摄像头，可以让缺陷，例如不完整的打印，可以看到从单个角度可能不明显的缺陷。打印部件的 3D 重建，例如，由多相机 3D 结构光扫描和数字图像相关生成，可以与 3D 数字部件模型进行比较，以检测尺寸不准确。然而，这些更复杂的系统通常很昂贵，对照明条件和零件表面特性敏感，由于扫描时间和计算而速度较慢，需要精确定位和校准，并且仅限于检测大到足以看到给定扫描仪分辨率限制的误差。
如上所述，安装在框架上的单摄像头和多摄像头方法也经常发现当材料从喷嘴沉积时很难观察到，因为打印头会遮挡视线。通常，必须暂停打印以允许对层进行成像，这会妨碍实时校正，降低生产速度，并且本身可能由于挤出不一致而导致错误。这推动了在喷嘴或挤出机上安装单个和多个摄像头的工作，这些摄像头可以查看正在进行的印刷过程，并能够实时反馈，以纠正印刷过程中挤出过多或不足的情况，以及估计从喷嘴挤出的材料的形状。
传统的计算机视觉方法非常有前途，可以明确针对已校准的 3D 打印系统中特定部分的特定错误。然而，手工制作可以泛化到不同零件、打印机、材料和设置的特征提取算法是非常具有挑战性的。因此，大多数示例仅显示了打印机、零件几何形状、材料和打印条件的单一组合，并且没有显示对多个零件或设置中的错误进行更正。
机器学习，尤其是深度学习技术，通过用其他更简单的表示来表达复杂的表示，在包括视觉在内的许多应用中实现了最先进的性能。这导致了最近几次令人兴奋的机器学习在挤压 AM 错误检测中的演示。然而，现有的工作只证明了单个部分的错误检测，因此现有技术对其他部分的有效性，特别是在训练数据中没有看到的部分，是未知的。此外，大多数现有方法只能检测单一的错误模式：流速差、层间缺陷、翘曲变形和大的顶面缺陷。现有的方法通常还需要一个已经成功打印的对象，以便为错误检测提供比较。这对于定制零件可能尤其有限制。机器学习在错误检测方面最令人兴奋，因为它可能比手工制作的特征更强大，更适用于新材料、几何形状和打印机。然而，机器学习算法发现可概括错误特征的潜力在很大程度上仍未得到探索。
为了使错误检测在减少 3D 打印浪费和提高可持续性、成本和可靠性方面发挥其全部潜力，它必须与错误纠正相结合。在检测和纠正同一对象的后续打印之间的某些类型的错误方面已经开展了工作。但是，构建数据集需要该对象的许多打印件，以便在该对象中进行纠错。此外，这些方法无法实时纠正，这意味着如果检测到错误，则无法恢复该部分。先前的一项研究已经检查了挤压 AM 的实时校正和控制。但是，该实施仅演示了流量打印参数的校正，并且仅在用于训练和测试系统的一种几何形状中进行。在错误检测和纠正之间也存在明显的延迟。与错误检测的情况一样，现有纠错方法在看不见的物体中的性能尚不清楚，这限制了它们的工业实用性。
在这里，剑桥大学的研究人员介绍了一种易于部署的方法，该方法使用廉价的网络摄像头和单个多头深度卷积神经网络来增强任何基于挤压的 3D 打印机，并为新材料提供错误检测、校正和参数发现。
图示：用于自动数据收集的 CAXTON 系统概述。（来源：论文）
这项工作通过 CAXTON 的开发实现了这一点：协作自主挤压网络，它连接和控制学习 3D 打印机，允许车队数据收集和协作端到端学习。网络中的每台打印机都可以在零件移除系统的帮助下连续打印和收集数据。与现有的深度学习 AM 监控工作（通常使用人工标记错误来训练算法）不同，CAXTON 会根据与最佳打印参数的偏差自动标记错误。
独一无二的是，CAXTON 不仅知道如何识别，还知道如何纠正各种错误，因为对于每张图像，它都知道打印参数与其最佳值之间的差距。这种自主生成的训练数据可以创建更大、更多样化的数据集，从而提高准确性和通用性。最终系统能够同时实时检测和校正多个参数。由于单个共享特征提取主干，多头神经网络可以自学习制造参数之间的相互作用，甚至使系统能够识别多个解决方案来解决相同的错误。
作为这项工作的一部分，一个用于挤压增材制造的大规模光学原位过程监控数据集已经策划并将发布。它包含超过 100 万张来自打印机喷嘴的材料沉积样本图像，上面标有来自不同 2D 和 3D 几何形状的 192 个打印件的各自打印参数。
图示：对每个参数使用单独的显着图的视觉解释可能有助于验证网络的稳健性。（来源：论文）
该系统具有高度可扩展性，使用常用固件，并且能够通过远程添加更多打印机来实现更大、更多样化的未来数据集的增长。尽管仅针对挤出的热塑性聚乳酸部件进行了培训，但这些功能可以推广到以前看不见的打印机、相机位置、材料和直接墨水写入挤出。
图示：概括设置和挤压过程。（来源：论文）
研究人员还介绍了一些创新，例如刀具路径拆分和比例参数更新，与当前发布的实时 3D 打印纠错工作相比，这些创新使校正速度提高了一个数量级。这可以通过仅需要网络连接的低成本设备、标准消费类网络摄像头和低成本单板计算机（例如 Raspberry Pi）来实现。
图示：用于人类解释的多头剩余注意力网络架构、性能和可视化。（来源：论文）
另外，在网络中使用注意力层使人类操作员能够解释网络关注的特征。然后使用可视化方法来深入了解经过训练的神经网络如何进行预测，以帮助基本理解并帮助建立信任或实现可追溯性。
论文链接：https://www.nature.com/articles/s41467-022-31985-y
