Nature子刊：利用深度學習技術通過照片識別3D打印來源

導讀：隨著增材制造（Additive Manufacturing，簡稱AM）技術在現(xiàn)代供應鏈中的廣泛應用，其敏捷性和靈活性為制造業(yè)帶來了革命性的變化。然而，這種技術也面臨著諸多挑戰(zhàn)，例如劣質材料的使用、工藝控制不當以及假冒零件的風險，這些問題對供應鏈安全和產品質量構成了嚴重威脅。為了應對這些挑戰(zhàn)，迫切需要開發(fā)新的測量技術，以監(jiān)控AM供應商并驗證AM零件和材料的質量及真實性。



2025年5月，南極熊獲悉，來自伊利諾伊大學厄巴納-香檳分校的研究團隊在npj Advanced Manufacturing上發(fā)表了一篇重要論文，題目為Additive manufacturing source identification from photographs using deep learning（利用深度學習從照片中識別增材制造來源），展示了如何利用深度學習模型通過零件照片預測AM零件的來源。這一研究可以監(jiān)控AM供應商并驗證AM零件和材料的質量，也為未來的智能制造質量控制系統(tǒng)奠定了基礎。

研究內容：基于高分辨率圖像的深度學習模型
該研究的核心在于開發(fā)一種能夠從零件照片中識別其制造來源的深度學習模型。研究人員使用了21臺不同的打印機，生產了9192個零件，涵蓋了三種獨特的設計和四種AM工藝：數(shù)字光合成（Digital Light Synthesis, DLS）、多噴嘴熔融（Multi Jet Fusion, MJF）、立體光刻（Stereolithography, SLA）和熔融沉積建模（Fused Deposition Modeling, FDM）。每個零件都經(jīng)過高分辨率掃描儀拍攝，生成高質量的照片作為訓練數(shù)據(jù)。


△ Fingerprint model工作流程概述

研究團隊開發(fā)了一個全新的分析框架，用于處理這些高分辨率圖像數(shù)據(jù)。此框架采用了深度學習技術，通過對圖像的學習，模型能夠準確地預測出每個零件的具體制造來源。識別模型還可以識別制造過程、材料類型以及零件在打印平臺中的具體位置等信息。


△本研究中制造的零部件概述

為了確保實驗的有效性和可擴展性，研究團隊精心設計了三個不同類型的零件：連接器、插頭和晶格結構。這些零件的設計靈感來源于工業(yè)應用中的真實機械組件，具有多樣化的幾何特征。每臺打印機生產的零件數(shù)量根據(jù)制造能力進行了合理分配，并且所有零件的顏色均為黑色，以便在成像過程中保持一致性。

圖像采集與預處理
零件圖像通過一臺高分辨率平板掃描儀（Epson Perfection V39）獲取，分辨率達到4800 dpi，像素大小為5.3 μm，每個零件被掃描兩次。為了提高數(shù)據(jù)收集效率，每次掃描包含21個零件，并隨機排列掃描位置以減少偏差。

深度學習模型架構
研究團隊采用了一種高效的機器學習框架，包括圖像預處理、模型訓練和測試等多個步驟：
●圖像預處理階段將高分辨率圖像縮小到適合模型輸入的尺寸，同時保留關鍵特征。
●在訓練過程中，模型會從每個零件圖像中隨機采樣一個感興趣區(qū)域（Region of Interest, ROI），并通過多次迭代學習圖像與其制造屬性之間的關系。
●模型在測試集上的表現(xiàn)通過多個ROI的投票機制進行評估，從而提高預測的準確性。


△Fingerprint model機器學習框架概述

研究結果：高達98%以上的預測精度
在21臺打印機中，每臺打印機使用的訓練樣本數(shù)為100個，測試樣本數(shù)為50個。經(jīng)過200輪訓練后，模型在測試集上的表現(xiàn)極為出色，僅有16個零件被錯誤分類，且錯誤主要集中在同一工藝的不同機器之間。這表明模型不僅能夠準確區(qū)分不同工藝，還能在同一種工藝下精確識別不同的機器。

除了識別制造機器外，該模型還能夠準確預測材料組成和供應商信息。對于DLS工藝生產的零件，模型在材料識別上的準確率達到100%，識別供應商的準確率為98.7%。此外，模型還能檢測零件在打印機內的具體位置，準確率為82.1%。盡管部分位置的誤判發(fā)生在相鄰位置，但模型在預測零件位置或相鄰位置上的準確率達到了98.1%。

研究還進一步探索了模型在識別零件構建批次上的能力。通過對147個獨特構建批次的數(shù)據(jù)進行訓練，模型在預測正確構建批次上的準確率為86.8%。這一結果表明，即使在單一制造工藝下，模型也能識別詳細的制造屬性，而無需依賴傳統(tǒng)的標簽和跟蹤系統(tǒng)。

研究團隊還探討了圖像分辨率和采樣面積對預測精度的影響。實驗發(fā)現(xiàn)，當樣本尺寸小于200 μm時，DLS零件可以被準確識別；而對于MJF和SLA工藝，樣本尺寸需達到1 mm以上才能實現(xiàn)超過90%的準確率；FDM零件則需要更大的樣本尺寸（約3 mm）。這些發(fā)現(xiàn)為未來使用不同類型的圖像傳感器提供了理論依據(jù)和技術支持。
未來展望
這項研究證明了深度學習技術在AM領域的巨大潛力，為未來的智能制造質量控制和供應鏈管理提供了新的解決方案。通過簡單的照片即可追溯零件的制造來源，這一方法有望廣泛應用于航空、醫(yī)療等對零件質量和真實性要求極高的行業(yè)。在未來的工作中，研究團隊計劃進一步優(yōu)化ML方法，并探索半監(jiān)督或無監(jiān)督模型的應用。這些模型可以在不需要手動標注數(shù)據(jù)的情況下，擴展至新的機器和工藝，從而降低數(shù)據(jù)準備的成本。此外，無監(jiān)督模型還可以用于異常檢測任務，幫助識別未知來源的假冒零件或檢測供應商制造過程中的偏差。

技術貢獻
本研究為制造科學和技術領域做出了三大貢獻：
●發(fā)現(xiàn)AM設備的獨特模式 ：AM設備在其生產的每個零件表面都會留下獨特的紋理模式，這些模式可用于識別設備本身。

●開發(fā)高效深度學習模型 ：通過深度學習技術，模型不僅能識別制造過程、材料類型，還能確定零件的具體構建批次和位置。

●創(chuàng)新機器學習方法 ：研究團隊開發(fā)了一套適用于高分辨率圖像分析的機器學習方法，兼容多種深度學習架構，能夠在調優(yōu)增強后實現(xiàn)高度準確的預測。

原文鏈接：https://www.nature.com/articles/s44334-025-00031-2