7 sep. 2021
2 minuten
Onderzoekers van het Computer Sciense and Artificial Intelligence Laboratory (CSAIL) van het MIT hebben SensiCut ontworpen: een slim materiaaldetectieplatform voor lasersnijders. SensiCut kan onderscheid maken tussen dertig materialen die veel voorkomen in werkplaatsen.
In tegenstelling tot conventionele, op camera’s gebaseerde systemen die materialen gemakkelijk verkeerd kunnen identificeren, identificeert SensiCut materialen met behulp van deep learning en een optische methode genaamd ‘speckle sensing’, een techniek die een laser gebruikt om de microstructuur van een oppervlak te detecteren, mogelijk gemaakt door slechts één beelddetectie add-on.
SensiCut kan gebruikers mogelijk beschermen tegen gevaarlijk afval, materiaalspecifieke kennis bieden, subtiele snijaanpassingen voorstellen voor betere resultaten en zelfs verschillende items graveren, zoals kledingstukken of telefoonhoesjes die uit meerdere materialen bestaan.
‘Door standaard lasersnijders uit te breiden met lensloze beeldsensoren, kunnen we gemakkelijk visueel vergelijkbare materialen identificeren die vaak worden aangetroffen in werkplaatsen en de totale verspilling verminderen’, zegt Mustafa Doga Dogan. ‘We doen dit door gebruik te maken van de oppervlaktestructuur op micronniveau van een materiaal, wat een uniek kenmerk is, zelfs als het visueel vergelijkbaar is met een ander type. Zonder dat zou je waarschijnlijk een weloverwogen schatting moeten maken van de juiste materiaalnaam uit een grote database.’
Om de capaciteiten van SensiCut te testen, heeft het team zijn diepe neurale netwerk getraind op 38.000 afbeeldingen van dertig verschillende materiaalsoorten. Vervolgens maakte het onderscheid tussen zaken als acryl, foamboard en styreen, en bood het zelfs verdere richtlijnen voor vermogens- en snelheidsinstellingen.
In één experiment besloot het team een gelaatsscherm te bouwen, waarbij het systeem moest kiezen uit verschillende transparante materialen. De gebruiker selecteerde eerst een ontwerpbestand in de interface en gebruikte vervolgens de ‘pinpoint’-functie om de laser in beweging te krijgen om het materiaaltype op een punt op het vel te identificeren. De laser interacteert met de zeer kleine kenmerken van het oppervlak en wanneer de stralen erdoor worden gereflecteerd, komen ze bij de pixels van de beeldsensor en produceren een uniek 2D-beeld. Het systeem kan de gebruiker dan waarschuwen dat hun plaat bijvoorbeeld van polycarbonaat is, wat zeer giftige vlammen kan opleveren als hij door een laser wordt gesneden.
De beeldvormingstechniek is gemaakt met goedkope, kant-en-klare componenten, zoals een Raspberry Pi Zero-microprocessorbord. Om het compact te maken, heeft het team een lichtgewicht mechanische behuizing ontworpen en in 3D geprint.
Naast lasersnijders, ziet het team een toekomst voor zich waarin de sensortechnologie van SensiCut uiteindelijk kan worden geïntegreerd in andere fabricagetools zoals 3D-printers. Om extra nuances vast te leggen, zijn ze ook van plan het systeem uit te breiden door diktedetectie toe te voegen, een relevante variabele in materiaalsamenstelling.
