Le système de vision basé sur l’IA du LLNL détecte les défauts d’impression en direct
L’écriture directe à l’encre fait partie de ces technologies d’impression 3D dont le processus peut varier considérablement. Elle n’est pas encore très répandue sur le marché et reste principalement réservée aux laboratoires de recherche.
Aujourd’hui, une équipe de scientifiques et d’ingénieurs du Laboratoire national Lawrence Livermore (LLNL), en Californie, a mis au point un système d’inspection par caméra capable de surveiller des structures complexes imprimées en 3D. Grâce à l’intelligence artificielle et à l’apprentissage automatique, ce système mesure les plus petites variations et peut identifier d’éventuels problèmes avant même qu’une pièce ne sorte de l’imprimante. Décrit dans la revue npj Advanced Manufacturing, ce système associe des caméras montées sur l’imprimante à des techniques d’apprentissage automatique et de vision par ordinateur afin de transformer des milliers d’images prises pendant l’impression en mesures et en cartes spatiales du matériau déposé.
Détecter les problèmes plus tôt
L’impression directe à l’encre peut permettre de fabriquer des coussins et des tampons souples reposant sur des brins d’une épaisseur de quelques fractions de millimètre seulement. Les écarts, les ruptures ou les variations de diamètre peuvent nuire aux performances.
Traditionnellement, l’inspection a lieu après l’impression, par imagerie aux rayons X ou par essais mécaniques. Ce procédé est coûteux, lent et ne révèle les défauts qu’après coup.
Le système du LLNL ajoute un contrôle en amont. Une caméra filme chaque couche lors de son dépôt, et un logiciel mesure les fils les plus récents, notamment le diamètre des filaments.
« Il s’agit d’un contrôle de première étape », explique Brian Weston, responsable technique du projet. « Cela nous permet de détecter les problèmes avant de procéder à des essais très coûteux et de rejeter plus tôt les pièces si nous savons déjà qu’elles présentent des fils cassés ou d’autres défauts. »
Les chercheurs du LLNL (de gauche à droite) : Michael Zelinski, spécialiste des données, Hamed Ziad Ammar, ingénieur, et Brian Giera, chercheur principal, à côté de l’imprimante 3D DIW. (crédits photo : Blaise Douros/LLNL)
Performances
- Entraîné sur près de 15 000 images annotées par des humains, couvrant plusieurs géométries en treillis ;
- Sur 55 pièces, les mesures se situaient généralement à quelques micromètres près de celles obtenues par des humains
- L’analyse ne prend que quelques millisecondes, contre 20 minutes à une heure manuellement, soit environ 100 000 fois plus rapide en moyenne ;
- La réutilisation des travaux d’étalonnage et des jeux de données permet de réduire considérablement la quantité de données d’entraînement nécessaires pour les nouvelles caméras et les nouvelles pièces.
Une vue d’ensemble de l’impression
Sur un support d’environ 25 cm sur 25 cm, les chercheurs ont combiné quelque 2 500 images d’une même couche pour créer une carte de l’intérieur.
Cette carte a mis en évidence des variations de diamètre des filaments sur l’ensemble de l’impression, révélant une légère inclinaison de la plate-forme qu’une moyenne globale aurait pu masquer.
Comme la caméra est placée sur l’imprimante, elle permet également d’inspecter des pièces trop volumineuses pour être examinées de manière pratique par tomodensitométrie haute résolution.
Prochaines étapes pour le LLNL
Le chercheur principal, Brian Giera, a déclaré que cette approche pouvait être étendue à d’autres systèmes additifs, soustractifs et expérimentaux. À court terme, elle pourrait permettre d’écarter les pièces présentant de nombreux défauts en cours d’impression et de signaler les cas où une tomographie par rayons X est nécessaire.
Cette technologie va être envoyée au Kansas City National Security Complex pour y être évaluée. À plus long terme, les données pourraient alimenter des jumeaux numériques reliant la structure d’une pièce à ses performances prévues.
« Lorsque l’imprimante sera capable d’inspecter elle-même son travail, nous pourrons commencer à envisager que le système prenne lui-même les décisions d’acceptation ou de rejet », a déclaré M. Weston. « Si elle détecte un défaut, elle pourra peut-être déterminer si cela rend la pièce non conforme. » Si vous souhaitez en savoir plus sur ces recherches, vous trouverez l’étude ici.
Que pensez-vous de cette recherche ? 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 : Garry McLeod/LLNL
