3D Druck Fehlererkennung
Entwicklung eines Bildverarbeitungssystems zur automatischen Erkennung von Fehlern bei 3D-Drucken, um Materialverschwendung zu minimieren und den Druckprozess effizienter zu gestalten.
Wintersemester 2022/23
in Zusammenarbeit mit Florian Trah
Bildverarbeitung
verwendete Programme:
Python
Problem
3D-Drucker können während des Druckprozesses Fehler erzeugen, die oft erst nach Abschluss des Drucks
bemerkt werden. Diese Fehler führen zu Materialverschwendung und erhöhen die Kosten. Eine frühzeitige
Erkennung solcher Fehler ist daher entscheidend, um Ressourcen zu schonen und die Effizienz zu
steigern.
Projektziel
Entwicklung und Implementierung eines Systems zur frühzeitigen und automatischen Erkennung von Fehlern
bei 3D-Drucken. Ziel ist es, den Druckprozess zu überwachen und bei erkannten Fehlern sofortige
Maßnahmen zu ermöglichen, um den Druck abzubrechen oder anzupassen.
Meine Rolle
Ich war verantwortlich für die Entwicklung der Bildverarbeitungsalgorithmen, die Systemarchitektur und
die Integration der Hardwarekomponenten. Dies umfasste die Konzeption und Programmierung der Algorithmen
zur Fehlererkennung sowie die Koordination der Zusammenarbeit mit Hardware- und
Softwarekomponenten.
Methoden und Werkzeuge
Einsatz von Canny-Edge Detection und SIFT für die Bildverarbeitung, Verwendung eines
modifizierten Creality Ender 5 Druckers und einer Raspberry Pi Kamera zur Datenerfassung,
Programmierung mit Python und OpenCV.
Prozess
Das System nutzt eine Raspberry Pi Kamera, die am 3D-Drucker installiert ist, um Bilder der ersten
gedruckten Schicht zu erfassen. Diese Bilder werden mit simulierten Modellen der Schicht verglichen, die
mit einer G-Code Simulation erstellt wurden. Die Fehlererkennung erfolgt durch einen mehrstufigen
Prozess:
Erzeugung eines First Layer Snapshots: Erfassen des Ist-Zustands der ersten gedruckten
Schicht.
Simulation der ersten Schicht: Erstellen eines Soll-Zustands durch digitale Simulation.
Vergleich
der Schichten: Anwendung von Bildverarbeitungsalgorithmen wie Canny-Edge Detection und SIFT
(Scale-Invariant Feature Transform) zur Identifizierung von Übereinstimmungen und Abweichungen.
Auswertung:
Ausgabe des prozentualen Übereinstimmungsgrads zwischen dem gedruckten und dem simulierten Modell, um
Fehler zu quantifizieren.
Verwendete Technologien umfassen Python, OpenCV für die Bildverarbeitung
und die Steuerung der Raspberry Pi Kamera.
Lösung und Ergebnisse
Das entwickelte System ermöglicht eine automatisierte Erkennung von Druckfehlern. Es kann die Qualität der
gedruckten Schichten in Echtzeit bewerten und Abweichungen vom erwarteten Ergebnis sofort melden. Dies
hilft, den Druckprozess zu optimieren, Material zu sparen und die Effizienz zu erhöhen.
