Avec l’arrivée des ordinateurs, les découpeurs laser sont rapidement devenus des outils relativement simples et puissants. Des logiciels contrôlent facilement des machines brillantes qui peuvent découper des métaux, des bois, des papiers et des plastiques. Bien que ce curieux amalgame de matériaux puisse sembler complet, les utilisateurs ont toujours du mal à distinguer les stocks de matériaux visuellement similaires, où le mauvais produit peut faire des dégâts gluants, dégager d’horribles odeurs ou pire encore, cracher des produits chimiques dangereux.
SensiCut, c’est quoi ?
Pour remédier à ce qui n’est pas toujours évident à l’œil nu, des scientifiques du laboratoire d’informatique et d’intelligence artificielle (CSAIL) du MIT ont mis au point « SensiCut ». Il s’agit d’une plateforme intelligente de détection des matériaux pour les découpeuses laser. Contrairement aux approches basées sur des caméras qui peuvent facilement mal identifier les matériaux, SensiCut utilise une fusion plus nuancée. Il identifie les matériaux à l’aide de l’apprentissage profond et d’une méthode optique appelée « speckle sensing ». Une technique utilisant un laser pour détecter la microstructure d’une surface, grâce à un seul module complémentaire de détection d’images.
Un peu d’aide de la part de SensiCut pourrait être très utile. Elle pourrait potentiellement protéger les utilisateurs contre les déchets dangereux, fournir des informations sur des matériaux spécifiques, suggérer des ajustements de coupe subtils. L’objectif est d’obtenir de meilleurs résultats, et même graver divers articles. Des articles comme des vêtements ou des étuis de téléphone composés de plusieurs matériaux.
« En équipant les découpeuses laser standard de capteurs d’images sans lentille, nous pouvons facilement identifier les matériaux visuellement similaires que l’on trouve couramment dans les ateliers et réduire les déchets en général », explique Mustafa Doga Dogan, candidat au doctorat au MIT CSAIL.
Comment ça fonctionne ?
Outre l’utilisation de caméras, des étiquettes autocollantes ont également été utilisées sur les feuilles individuelles pour les identifier. Cela semble simple, mais pendant la découpe au laser, il vaut mieux éviter de découper le code de la feuille principale. Sans cela, il ne peut pas être identifié pour des utilisations ultérieures. De plus, si une étiquette incorrecte est attachée, le découpeur laser supposera le mauvais type de matériau.
Pour réussir une partie de « Quel est ce matériau ? », l’équipe a entraîné le réseau neuronal profond de SensiCut sur des images de 30 types de matériaux différents parmi plus de 38 000 images, où il a pu faire la différence entre des matériaux comme l’acrylique, le carton mousse et le styrène, et même fournir des conseils supplémentaires sur les réglages de puissance et de vitesse.
Dans une expérience, l’équipe a décidé de construire un écran facial. Ce qui nécessitait de distinguer les matériaux transparents d’un atelier. L’utilisateur devait d’abord sélectionner un fichier de conception dans l’interface. Puis, il doit utiliser la fonction « pinpoint » pour faire bouger le laser. Ce, toujours dans l’objectif d’identifier le type de matériau en un point de la feuille. Le laser interagit avec les minuscules caractéristiques de la surface. Les rayons se réfléchissent sur celle-ci, arrive sur les pixels du capteur d’images et produit une image 2D unique. Le système pourrait alors alerter ou signaler à l’utilisateur que sa feuille est en polycarbonate. Ce qui signifie des flammes potentiellement très toxiques en cas de coupes par un laser.
Les objectifs d’utilisation pour l’avenir
La technique d’imagerie par chatoiement a été utilisée à l’intérieur d’une découpeuse laser, avec des composants peu coûteux et disponibles dans le commerce. Des composants comme une carte à microprocesseur Raspberry Pi Zero. Pour le rendre compact, l’équipe a conçu et imprimé en 3D un boîtier mécanique léger.
Au-delà des découpeuses laser, l’équipe envisage un avenir où la technologie de détection de SensiCut pourrait être intégrée dans d’autres outils de fabrication comme les imprimantes 3D. Pour saisir des nuances supplémentaires, ils prévoient également d’étendre le système. Ils prévoient effectivement d’ajouter la détection de l’épaisseur, une variable pertinente dans la composition des matériaux.
- Partager l'article :
