Un modèle basé sur l’IA identifie la provenance des pièces imprimées en 3D à partir d’une photo

Et s’il était possible de détecter, à partir d’une simple photo, la provenance d’une pièce imprimée en 3D ? C’est tout l’objet de l’étude menée par une équipe de l’université de l’Illinois à Urbana Champaign. En s’appuyant sur l’intelligence artificielle, ils ont développé un modèle d’apprentissage capable de dire sur quelle imprimante 3D a été fabriquée une pièce. Plus de 9 000 composants ont été produits pour alimenter ce modèle qui pourrait avoir un impact significatif sur le secteur de la fabrication additive en termes de contrôle qualité, certification et traçabilité.

Le projet a démarré par des impressions 3D lambda où les chercheurs souhaitaient en savoir plus sur la répétabilité et le lien entre les tolérances dimensionnelles et les imprimantes 3D. Ils ont alors découvert la présence de sortes d’empreintes digitales sur toutes les pièces qu’ils imprimaient. Chacune d’entre elles pourrait donc être mieux tracée, facilitant tout le processus de contrôle des fournisseurs, de certification de la qualité et d’authentification des pièces. Mais comment détecter la présence de ces empreintes ? En s’appuyant sur l’intelligence artificielle.

Construire le modèle d’apprentissage automatique

L’équipe de chercheurs a créé 9 192 pièces sur 21 imprimantes 3D différentes et quatre procédés de fabrication additive : FDM, SLA, Multi Jet Fusion et DLS. Pour cette étude, trois types de pièces ont été imaginées pour inclure diverses caractéristiques géométriques et tailles : un connecteur, une structure lattice et un bouchon. Les composants sont assez petits pour permettre des volumes plus importants – à titre d’exemple, les machines HP ont pu produire 108 pièces du même design par plateau, tandis que les machines FDM en ont fabriquées 176.

Chaque pièce a ensuite été scannée deux fois par un scanner à plat haute résolution : une fois sur la grande face et une autre fois sur le côté portant le numéro de série. Les images obtenues ont permis de générer un modèle d’apprentissage profond pour savoir quelle machine avait imprimée quelle pièce. Il était en effet assez évident de distinguer les procédés (on repère la rugosité de la poudre pour le MJF ou encore les motifs que peut générer la buse en FDM) mais pas l’imprimante 3D en tant que telle. Il a donc fallu analyser ces images et faire des tests, en normalisant notamment les pixels.

William King est l’un des porteurs du projet : “Nos résultats suggèrent que le modèle d’IA peut faire des prédictions précises lorsqu’il est entraîné avec seulement 10 pièces. En utilisant seulement quelques échantillons d’un fournisseur, il est possible de vérifier tout ce qu’il livre par la suite.” Le modèle développé atteindrait une précision de plus de 98 %.

L’IA pour améliorer la traçabilité des pièces 3D ?

Ce système de détection pourrait donc trouver la source d’une pièce sans la coopération du fabricant d’origine, sans l’aide d’une personne tiers finalement. Ainsi, on pourrait lutter contre la contrefaçon, s’assurer de la conformité des matériaux mais aussi du procédé d’impression, etc. Grâce à ce modèle d’apprentissage, on pourrait mieux contrôler le processus de production. William King ajoute : « Pour la plupart des entreprises, il n’est pas possible de contrôler en permanence leurs fournisseurs. Les changements apportés au processus de fabrication peuvent passer inaperçus pendant longtemps, et vous ne vous en apercevez que lorsqu’un mauvais lot de produits est fabriqué. Tous ceux qui travaillent dans le secteur de la fabrication connaissent l’histoire d’un fournisseur qui a modifié quelque chose sans autorisation et qui a causé un grave problème.”

En tout cas, les résultats sont très prometteurs ! Si vous souhaitez en savoir plus sur cette méthode et la façon dont le modèle d’apprentissage a été développé, cliquez ICI. Que pensez-vous de l’utilisation de l’IA pour améliorer la traçabilité des pièces imprimées en 3D ? Partagez votre avis dans les commentaires de l’article. Retrouvez toutes nos vidéos sur notre chaîne YouTube ou suivez-nous sur Facebook ou LinkedIn !

*Crédits photo de couverture : Phonlamai Photo/Shutterstock.com