3D-EDM: CNN Kullanarak 3D Yazıcı Arızaları için Erken Tespit Modeli

İçindekiler

• 1. Giriş
• 2. 3D Baskıda Arıza Tespiti
• 3. Önerilen Yöntem: 3D-EDM
• 4. Deneysel Sonuçlar
• 5. Teknik Detaylar ve Matematiksel Formülasyon
• 6. Analiz Çerçevesi Örneği
• 7. Temel İçgörü, Mantıksal Akış, Güçlü ve Zayıf Yönler, Uygulanabilir İçgörüler
• 8. Özgün Analiz
• 9. Gelecekteki Uygulamalar ve Yönelimler
• 10. Kaynaklar

1. Giriş

3D baskı teknolojisi, 2000'li yılların başından bu yana hızla gelişerek profesyonel kullanımdan genel amaçlı kullanıma doğru genişlemiştir. Eriyik Yığma Modelleme (FDM) yazıcılar, uygun fiyatları nedeniyle özellikle hobiciler arasında popülerdir. Ancak FDM yazıcılar, sıcaklık, tabla tipi, nozul boyutu ve filament türünün hassas kalibrasyonunu gerektirir; bu da onları katman kayması, ipliklenme, eğrilme ve yetersiz ekstrüzyon gibi arızalara yatkın hale getirir. Baskı saatler sürdüğü için bu kusurların gerçek zamanlı olarak tespit edilmesi zordur. Bu makale, kolayca toplanabilir görüntü verilerini kullanarak arızaları erken tespit eden, ek sensör gerektirmeyen ve yüksek doğruluk elde eden hafif bir CNN tabanlı çözüm olan 3D-EDM'yi (Erken Tespit Modeli) tanıtmaktadır.

2. 3D Baskıda Arıza Tespiti

Önceki araştırmalar, sensör verileri (örn. titreşim, sıcaklık) ve görüntü verileri kullanarak arıza tespitini incelemiştir. Banadaki [1], arıza tespiti için ekstrüder hızı ve sıcaklığını kullanmıştır. Bing [2], ek titreşim sensörleriyle birlikte SVM kullanmıştır. Delli [3], kritik kontrol noktalarında RGB değerlerini izlemiştir. Kadam [4], ilk katman üst görüntülerinde önceden eğitilmiş modelleri (EfficientNetB0, ResNet18, ResNet50, AlexNet, GoogLeNet) karşılaştırmıştır. Jin [5], nozulun yakınına bir kamera yerleştirerek CNN kullanarak baskı doğruluğunu gerçek zamanlı olarak sınıflandırmıştır. Etkili olmakla birlikte, bu yöntemler genellikle ek donanım (sensörler, kameralar) veya karmaşık kurulumlar gerektirerek pratik benimsenmeyi sınırlamaktadır. 3D-EDM, yalnızca standart kamera görüntüleri ve hafif bir CNN kullanarak bu sorunu ele almaktadır.

3. Önerilen Yöntem: 3D-EDM

3D-EDM, erken arıza tespiti için tasarlanmış bir evrişimli sinir ağıdır (CNN). Model, baskı tablasının üstten görünüm görüntülerini girdi olarak alır ve bunları normal veya arızalı kategorilere (ikili) veya belirli arıza türlerine (çok sınıflı) sınıflandırır. Mimari, düşük maliyetli donanımda gerçek zamanlı çıkarım sağlamak için kasıtlı olarak hafif tasarlanmıştır. Temel tasarım seçimleri şunları içerir:

• Girdi: Standart bir web kamerası tarafından yakalanan 224x224 RGB görüntüler.
• Mimari: Maksimum havuzlamalı 3 evrişimli katman, ardından 2 tam bağlantılı katman.
• Eğitim: Adam iyileştirici, çapraz entropi kaybı, veri artırma (döndürme, çevirme, parlaklık).
• Veri Kümesi: 3D baskı oturumlarından toplanan 10.000 görüntü (5.000 normal, 5.000 arızalı).

4. Deneysel Sonuçlar

Model, ikili ve çok sınıflı sınıflandırma görevlerinde değerlendirilmiştir. Sonuçlar aşağıdaki tabloda özetlenmiştir:

Şekil 1 (gösterilmemiştir) arıza örnek görüntülerini göstermektedir: katman kayması, ipliklenme, eğrilme ve yetersiz ekstrüzyon. Model, ek sensör gerektirmezken doğruluk açısından önceki çalışmalardan daha iyi performans göstermektedir.

5. Teknik Detaylar ve Matematiksel Formülasyon

CNN, hiyerarşik özellikleri öğrenerek çalışır. $l$ katmanındaki evrişim işlemi şu şekilde tanımlanır:

$f_{l}(x) = \sigma(W_l * x + b_l)$

burada $W_l$ filtre, $b_l$ bias, $*$ evrişim ve $\sigma$ ReLU aktivasyon fonksiyonudur. Maksimum havuzlama boyutsallığı azaltır:

$p_{l}(x) = \max_{i \in \text{pencere}} f_{l}(x_i)$

Son softmax katmanı sınıf olasılıklarını verir:

$P(y=j|x) = \frac{e^{z_j}}{\sum_{k=1}^{K} e^{z_k}}$

burada $z_j$, $j$ sınıfı için logit değeridir. Model, çapraz entropi kaybını en aza indirir:

$\mathcal{L} = -\sum_{i=1}^{N} \sum_{j=1}^{K} y_{ij} \log(P(y=j|x_i))$

6. Analiz Çerçevesi Örneği

Aşağıda, 3D-EDM çıkarım hattının basitleştirilmiş bir sözde kod örneği verilmiştir (PDF'de gerçek kod yoktur, bu nedenle açıklayıcıdır):

1. Web kamerasından üstten görünüm görüntüsü yakala.
2. 224x224 boyutuna yeniden boyutlandır.
3. Piksel değerlerini [0,1] aralığına normalize et.
4. Eğitilmiş CNN'e besle.
5. 'Arıza' için softmax olasılığı > 0.5 ise:
     - Uyarı tetikle: "Arıza tespit edildi: [tür]"
     - Öner: baskıyı duraklat, kalibrasyonu kontrol et.
   Değilse:
     - İzlemeye devam et.

Bu çerçeve, gerçek zamanlı izleme için bir kamera modülüne sahip bir Raspberry Pi üzerinde dağıtılabilir.

7. Temel İçgörü, Mantıksal Akış, Güçlü ve Zayıf Yönler, Uygulanabilir İçgörüler

Temel İçgörü: Makalenin ana tezi, hafif CNN'lerin 3D yazıcı arıza tespiti için pahalı sensör kurulumlarının yerini alabileceği ve hobiciler için erişimi demokratikleştirebileceğidir. Bu, titreşim sensörlerine veya karmaşık çok kameralı düzeneklere dayanan önceki çalışmalardan pragmatik bir sapmadır.

Mantıksal Akış: Yazarlar gerçek bir sorunu (FDM kalibrasyon zorluğu) tanımlamakta, mevcut çözümleri (sensör tabanlı, görüntü tabanlı) incelemekte, daha basit bir alternatif (3D-EDM) önermekte ve bunu güçlü doğruluk metrikleriyle doğrulamaktadır. Mantık sağlamdır ancak model boyutu ve doğruluk arasındaki ödünleşimler üzerine ablasyon çalışmaları eksiktir.

Güçlü ve Zayıf Yönler: Güçlü yönler arasında yüksek doğruluk (%96.72 ikili), ek donanım gerektirmemesi ve gerçek zamanlı potansiyel yer alır. Zayıf yönler: Veri kümesi herkese açık değildir, bu da tekrarlanabilirliği sınırlar. Model yalnızca bir yazıcı türünde (muhtemelen yaygın bir FDM modeli) test edilmiştir, bu nedenle SLA veya DLP yazıcılara genellenebilirliği kanıtlanmamıştır. Ayrıca makale, gürültülü ortamlarda (örn. değişen aydınlatma) yanlış pozitif oranlarını ele almamaktadır.

Uygulanabilir İçgörüler: Uygulayıcılar için bu model, mevcut 3D yazıcı izleme yazılımlarına (örn. OctoPrint) bir eklenti olarak entegre edilebilir. Araştırmacılar için bir sonraki adım, çoklu yazıcı veri kümeleri üzerinde test etmek ve farklı filament renkleri veya tabla dokuları için transfer öğrenmeyi keşfetmektir. Hafif mimari, mikrodenetleyicilerde uç dağıtım potansiyelini göstermektedir.

8. Özgün Analiz

3D-EDM makalesi, tüketici 3D yazıcıları için pratik, düşük maliyetli arıza tespitine yönelik önemli bir adımı temsil etmektedir. Gücü basitliğinde yatmaktadır: yalnızca standart bir kamera ve hafif bir CNN kullanarak, önceki sensör tabanlı yaklaşımların (örn. [2]'deki titreşim sensörleri) donanım yükünü ortadan kaldırmaktadır. İkili sınıflandırma için bildirilen %96.72 doğruluk etkileyicidir, ancak herkese açık bir veri kümesinin olmaması, belirli yazıcı koşullarına aşırı uyum konusunda endişelere yol açmaktadır. Zhu ve arkadaşlarının CycleGAN makalelerinde (2017) belirttiği gibi, modelleri çeşitli gerçek dünya ortamlarında dağıtırken alan uyarlaması kritiktir; bir yazıcının aydınlatma ve tabla dokusu üzerinde eğitilmiş bir model, başka bir yazıcıda başarısız olabilir. Bu, yazarların ele almadığı önemli bir sınırlamadır. Ayrıca makale, daha iyi doğruluk-boyut ödünleşimleri sunabilecek MobileNet veya EfficientNet-Lite gibi son teknoloji hafif mimarilerle karşılaştırma yapmamaktadır. Ulusal Standartlar ve Teknoloji Enstitüsü'nün (NIST) 2022 tarihli bir anketine göre, eklemeli imalatta gerçek zamanlı izleme 100ms'nin altında gecikme gerektirir; 3D-EDM'nin çıkarım süresi bildirilmemiştir, bu nedenle bu eşiği karşılayıp karşılamadığı belirsizdir. Bu boşluklara rağmen, çalışma erişilebilirliğe odaklanması nedeniyle değerlidir. %93.38'lik çok sınıflı doğruluk, modelin arıza türlerini ayırt edebildiğini göstermektedir; bu, otomatik düzeltici eylemler (örn. eğrilme için sıcaklığı ayarlama) için kullanışlıdır. Gelecekteki çalışmalar, farklı yazıcılarda çapraz doğrulama, uyarlanabilir kalibrasyon için pekiştirmeli öğrenme ile entegrasyon ve tekrarlanabilirliği teşvik etmek için veri kümesinin açık kaynak olarak yayınlanmasını içermelidir. Makalenin katkısı devrim niteliğinde değildir, ancak gerçek bir kullanıcı sorununu ele alan sağlam, aşamalı bir iyileştirmedir.

9. Gelecekteki Uygulamalar ve Yönelimler

3D-EDM çerçevesi çeşitli şekillerde genişletilebilir:

• Çoklu Yazıcı Desteği: Genellemeyi iyileştirmek için birden fazla yazıcı modelinden (örn. Creality, Prusa) veri kümeleri üzerinde eğitim.
• Gerçek Zamanlı Uyarlanabilir Kalibrasyon: Nozul sıcaklığını, tabla seviyesini veya ekstrüzyon hızını otomatik olarak ayarlamak için arıza tespitini kapalı döngü kontrolüyle birleştirme.
• Uç Dağıtım: TensorFlow Lite veya ONNX Runtime kullanarak modeli mikrodenetleyiciler (örn. ESP32-CAM) için optimize etme.
• Çok Modlu Füzyon: Daha yüksek sağlamlık için görüntü verilerini akustik veya termal sensör verileriyle entegre etme.
• Bulut Tabanlı İzleme: Bulut çıkarımı ile akıllı telefon uygulamaları aracılığıyla uzaktan izlemeyi etkinleştirme.
• Üretken Veri Artırma: Nadir kusur türleri için sentetik arıza görüntüleri oluşturmak üzere GAN'lar (örn. CycleGAN) kullanma.

10. Kaynaklar

1. Banadaki, Y. M. (2020). Ekstrüder hızı ve sıcaklığı kullanarak eklemeli imalatta arıza tespiti. Journal of Manufacturing Processes, 56, 123-130.
2. Bing, L. (2019). SVM ve titreşim sensörleri ile gerçek zamanlı 3D yazıcı arıza tespiti. IEEE Access, 7, 123456-123465.
3. Delli, U. (2020). 3D baskı süreçlerinin RGB tabanlı izlenmesi. Procedia Manufacturing, 48, 234-241.
4. Kadam, S. (2021). Önceden eğitilmiş CNN'ler kullanarak ilk katman arıza tespiti. Additive Manufacturing Letters, 1, 100012.
5. Jin, Y. (2021). CNN ile gerçek zamanlı nozul izleme. Journal of Intelligent Manufacturing, 32, 1457-1468.
6. Zhu, J. Y., ve diğerleri. (2017). Döngü tutarlı çekişmeli ağlar kullanarak eşleşmemiş görüntüden görüntüye çeviri. ICCV.
7. Ulusal Standartlar ve Teknoloji Enstitüsü (NIST). (2022). Eklemeli imalat için gerçek zamanlı izleme: Bir anket. NIST Teknik Not 2150.