해당 내용은 서울과학기술대학교 특수정밀가공 및 생산연구실에서 진행하는 ‘ 세라믹 및 금속 재료의 3D 형상출력을 목적으로 제작된 광경화 타입 3D프린터 제작 및 딥러닝 기술을 기반으로 한 전공정 자동화 ’의 전반적인 기술 및 코드 내용입니다.
printer-timelapse.mp4
[제작된 3D프린터로 세라믹이 출력되는 모습]
3D프린터의 하드웨어는 이전 연구실 연구원들이 제작한 세라믹용 광경화 3D프린터를 조금 더 개선시켜서 진행하였습니다. 자세한 규격 및 형상 정보는 ‘DLP_modeling’ 카테고리에 백업해 놓았습니다.
‘DLP_modeling’에서 0.assembly-MLP_Original.prt 항목은 개선시키기전 기존의 하드웨어의 데이터가 담겨있습니다. 파일형식은 ‘.prt’형식이며 NX Modeling 프로그램으로 제작되었습니다. 기존 DLP프린터 모습은 다음과 같습니다.
[기존 3D프린터 모델링 데이터]
[최종 3D프린터 모델링 데이터]
[behind modeling]
고점도 세라믹 레진을 토출하기 위해 여러 모델링을 실험해 봤습니다.
1차적으로는 제어하기 쉬운 스텝모터를 이용해 여러 형상으로 토출을 시도해 봤으나 필요압력이 높아 구조물이 외압을 버티기 힘들어 3차 시도 끝에 공압기로 압력을 가해 토출하는 방식을 차용했습니다.
사용된 시료 주사기는 250ml 공업용 주사기에 3D프린터 및 o-ring으로 커스텀하여 사용하였습니다.
아두이노는 시리얼 통신을 통해 말단의 모터,센서를 제어하며 컴퓨터의 GUI명령 또한 시리얼 통신으로 입력받습니다. 모터의 동작은 비동기방식이여야 하므로 일정 동작이 끝난 뒤, 아두이노는 '*'과 같은 특정 시그널을 통해 동작의 끝남을 컴퓨터에게 알리는 방식을 차용하였습니다.
세라믹의 점도 및 흐름성은 온도에 반비례하는 특성을 지니므로 고점도 세라믹을 도포 시 40-70도의 블레이드가 필요합니다.
따라서 모델링 및 가공하여 블레이드 양측에 열봉이 1개씩 삽입되고 중앙에 온도센서를 부착함으로써 히팅 블레이드를 적용했습니다.
3D프린터와 연결된 컴퓨터 화면에서는 위 이미지와 같은 화면을 볼 수 있습니다.
좌측 프로그램은 광원인 DLP 제어 프로그램이며, 중간은 3D프린터를 제어하기 위해 파이썬으로 자체 제작한 프로그램입니다. 해당 GUI를 통해 DLP에 input될 이미지, 광파워, 노광 시간, 3D프린터의 모터,센서를 조절할 수 있습니다. 또한 AI모드 출력 명령 버튼을 누르면 densenet을 적용하여 세라믹 표면에 결점이 발견 될 시 자동 재 블레이딩 및 블레이드 온도를 높이는 등의 폐루프 시스템을 적용할 수 있습니다. 맨 우측은 표면 결점을 검출하기 위해서 3D프린터 윗면에 달아둔 안드로이드기기를 통해 보여지는 이미지를 상시로 확인 할 수 있습니다. 안드로이드 연결은 파이썬을 이용해 ADB서버를 통해 통신합니다.
데이터셋은 2021.10.07~2022.02.23까지 실험 중 촬용된 세라믹 도표면 사진을 바탕으로 구성되었습니다.
정상상태(Normal)와 출력 중 빈번한 결함들로 분류했으며, 기계 자체적으로 조치를 취할 수 있는 상태인 미미한 결함(Minor defect)과 기공 상태(Pore), 적층이 아예 불가능한 심각한 상태(Critical) 및 기계오류 문제(Error) 로 총 5가지의 유형으로 분류했습니다.
데이터셋의 정확도를 높이기 위해 원본 이미지에 적절한 변형을 가해서 학습데이터셋의 규모를 인위적으로 증대하는 augmentation 기법을 적용했습니다. 각 분류의 데이터셋 양을 비슷하게 조절하고 각 가중치를 비슷하게 학습하여 정규화 및 과적합을 줄였으며, 종류는 기본적인 좌우반전, 상하반전, 랜덤위치합성 3가지를 적용했습니다. Augmentation을 적용한 최종 개수의 전체비율이 25%내외가 되도록 하여 가중치를 비슷하게 학습하도록 적용하였습니다.
이 외에도 세라믹 도표면은 광경화 반응이 일어 날 수 있도록 회백색인 경우가 많은데 이는 RGB의 값이 (255,255,255)로 편중되어 있음을 말합니다. 따라서 RGB픽셀값 표준화를 적용하여 주변 픽셀 대비 연산 픽셀의 RGB값의 변화가 더 쉽게 인식될 수 있도록 하여 학습 효율을 높였습니다. RGB평균값은 [0.485,0.456,0.406], 표준편차는 [0.229,0.224,0.225]를 적용하였으며, 적용된 최종 입력데이터의 이미지는 위 사진과 같습니다. 적용 후 보통 3%정도의 성능 향상을 확인했습니다.
준비된 데이터셋을 저명한 이미지 알고리즘에 파인 튜닝하여 적용해 본 결과, 어느정도 saturation된 결과값이 나온 것을 확인 할 수 있었습니다. 특히 denseNet에서 좋은 성능지표를 보여 해당 모델의 하이퍼파라미터를 optimization하여 3D프린터에 적용하였습니다.
이렇게 폐루프 시스템으로 동작하는 세라믹 3D프린터의 출력 결과물입니다. 딥러닝을 통해 결함을 검출함으로써 sintered body에서도 정밀하고 적은 크랙을 관찰할 수 있었습니다.
현재는 도포 과정이 아닌 전과정에서 일어날 수 있는 결함을 yolo5로 관측하기 위해 test 중입니다.