材料挤压是最广泛使用的增材制造方法，但其在最终用途产品中的应用受限于易出错性。人类可以检测错误，但无法提供持续监控或实时纠正。现有的自动化方法不能在不同的零件、材料和打印系统中通用。

剑桥大学的研究人员使用偏离最佳打印参数自动标记的图像训练多头神经网络（multi-head neural networks）。数据采集和标记的自动化允许生成大量多样的挤压 3D 打印数据集，其中包含来自 192 个不同部件的 120 万张图像，并标有打印参数。

经过如此训练的神经网络与控制回路一起，能够实时检测和快速纠正各种错误，这些错误在许多不同的 2D 和 3D 几何形状、材料、打印机、刀具路径甚至挤压方法中都是有效的。同时，他们还创建了网络预测的可视化，以阐明它如何做出决策。

该研究以「Generalisable 3D printing error detection and correction via multi-head neural networks」为题，于 2022 年 8 月 15 日发布在《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-022-31985-y

内容中包含的图片若涉及版权问题，请及时与我们联系删除