РОЗРОБКА МЕТОДИКИ ДЛЯ ПОШУКУ ДЕФЕКТІВ 3D ДРУКУ НА ОСНОВІ МОДЕЛІ RESNET
DOI 10.31673/2412-4338.2025.014545
Анотація
У статті розглянуто актуальну проблему автоматизованого виявлення дефектів виробів, отриманих за допомогою адитивних технологій (3D-друку). Вказано на недоліки традиційних методів контролю якості, таких як візуальна інспекція та використання спеціалізованого обладнання, які є трудомісткими, витратними та суб'єктивними через залежність від людського фактора. Відзначено необхідність розробки автоматизованих, ефективних та універсальних підходів, здатних працювати у реальному часі та з високою точністю визначати наявність дефектів і їх типи. У роботі запропоновано підхід, заснований на використанні глибоких згорткових нейронних мереж, зокрема архітектури ResNet, яка характеризується високою ефективністю в задачах комп'ютерного зору. Обґрунтовано вибір моделі ResNet-50 як оптимальної за співвідношенням глибини мережі, точності розпізнавання дрібних деталей та помірних вимог до обчислювальних ресурсів. Наведено детальний опис розробки спеціалізованого датасету, до якого увійшли зображення з типовими дефектами 3D-друку: недостатньою екструзією, надлишковою екструзією, перекосом шарів, відривом моделі від платформи, появою ниток «спагеті» тощо. Запропоновано чіткий підхід до організації та розмітки навчальних даних з використанням спеціалізованих інструментів анотування (LabelImg, CVAT), що дозволило створити якісний набір даних для подальшого навчання моделі. Також описано внесені модифікації архітектури ResNet-50, спрямовані на збереження максимальної кількості початкових ознак зображень для ефективного виявлення дрібних дефектів. Основними змінами стали зменшення кроку згортки першого шару (stride=1 замість stride=2) та виключення агресивного скорочення просторових розмірностей у наступних шарах. Це дозволило нейромережі зберегти дрібні деталі та покращити загальну точність розпізнавання дефектів. Підсумовано, що запропонована методика має значні перспективи для інтеграції в автоматизовані системи контролю якості 3D-друку, зокрема для пристроїв з обмеженими ресурсами (наприклад, Raspberry Pi з NPU/GPU). Це дозволить в реальному часі моніторити якість виробництва, оперативно виявляти дефекти та уникати зайвих витрат на повторні друки, що значно підвищує економічну ефективність процесу адитивного виробництва.
Ключові слова: адитивні технології, 3D-друк, ResNet, машинне навчання, нейронні мережі, автоматизація контролю якості, дефекти друку.