導讀：隨著增材制造（Additive Manufacturing，簡稱AM）技術在現代供應鏈中的廣泛應用，其敏捷性和靈活性為制造業帶來了革命性的變化。然而，這種技術也面臨著諸多挑戰，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，迫切需要開發新的測量技術，以監控AM供應商并驗證AM零件和材料的質量及真實性。



      2025年5月，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）。每個零件都經過高分辨率掃描儀拍攝，生成高質量的照片作為訓練數據。


△ Fingerprint model工作流程概述

研究團隊開發了一個全新的分析框架，用于處理這些高分辨率圖像數據。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量根據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。為了提高數據收集效率，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為100個，測試樣本數為50個。經過200輪訓練后，模型在測試集上的表現極為出色，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據進行訓練，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，而無需依賴傳統的標簽和跟蹤系統。

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。實驗發現，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）。這些發現為未來使用不同類型的圖像傳感器提供了理論依據和技術支持。
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、醫療等對零件質量和真實性要求極高的行業。在未來的工作中，研究團隊計劃進一步優化ML方法，并探索半監督或無監督模型的應用。這些模型可以在不需要手動標注數據的情況下，擴展至新的機器和工藝，從而降低數據準備的成本。此外，無監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：
●發現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。

●創新機器學習方法 ：研究團隊開發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，能夠在調優增強后實現高度準確的預測。

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

(責任編輯：admin)

• Fabric8Labs推出AI芯片定
• Titomic又一合作，將與nuF
• 荷蘭公司將開設3D打印船舶
• Chicago Additive推出AMOS
• 590MHz帶寬+超90%輻射效率
• 威斯康星大學麥迪遜分校工

• ·Fabric8Labs推出AI芯片定制冷板：3D打
• ·Titomic又一合作，將與nuForj 合作加速
• ·荷蘭公司將開設3D打印船舶制造工廠，采
• ·Chicago Additive推出AMOS 300，軍方FD
• ·590MHz帶寬+超90%輻射效率！北大深研院
• ·威斯康星大學麥迪遜分校工程師利用 3D
• ·Nature子刊：利用深度學習技術通過照片
• ·Axtra3D推出集成HPS工藝的純硅膠3D打印