Een nieuw platform voor lasersnijders is in staat tot het detecteren en identificeren van dertig veel gebruikte materialen. Dit vereenvoudigt het onderscheid maken tussen materialen die veel op elkaar lijken.
Het platform heet SensiCut en is ontwikkeld door Mustafa Doga Dogan, Steven Vidal Acevedo Colon, Varnika Sinha, Kaan Akşit en Stefanie Mueller. Zij zijn allen verbonden aan MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL). Lasersnijders maken het snijden van allerlei materialen mogelijk, waaronder metalen, hout, papier en plastic. Een verkeerde behandeling van deze materialen kan echter ongewenste gevolgen hebben. Zo kan het materiaal een verkeerde vorm aannemen of geuren afgeven. Ook kunnen schadelijke chemicaliën vrijkomen.
Het is dan ook belangrijk dat gebruikers materialen correct identificeren. Dit is in de praktijk echter een uitdaging. Zo lijken sommige materialen veel op elkaar en zijn met het blote oog niet goed onderscheidbaar. Al langer zijn systemen beschikbaar die dergelijke materialen kunnen detecteren. De systemen maken hierbij vaak gebruik van een camera-gebaseerde aanpak. De onderzoekers van MIT wijzen erop dat deze aanpak zijn beperkingen kent. En onder meer kan leiden tot verkeerde identificatie van materialen.
Een andere veelgebruikte methode is identificatie met behulp van QR-codes. Hierbij worden QR-codes aangebracht op individuele vellen materiaal. Indien deze code echter van het materiaal verdwijnt – bijvoorbeeld door het snijden van het materiaal – kan deze niet langer worden gebruikt voor dit doeleinde. Indien daarnaast een verkeerde QR-code op een materiaal is geplakt, identificeert het systeem het materiaal verkeerd. Een dergelijk systeem is dan ook gevoelig voor menselijke fouten.
SensiCut hanteert een andere aanpak. Het platform combineert deep learning en een optische methode genaamd ‘speckle sensing’. SensiCut zet een laser in voor het in kaart brengen van de microstructuur van een materiaal. Het platform kijkt hierbij onder meer naar de reflectie van zijn laserstralen op het materiaal. Op basis hiervan wordt het materiaal geïdentificeerd.
“Door het aanvullen van standaard lasersnijders met lensloze beeldsensoren kunnen we eenvoudig visueel gelijke materialen identificeren die veelvoorkomend zijn in werkplaatsen en afval reduceren”, aldus promovendus Mustafa Doga Dogan. “We doen dit door aan de hand van de oppervlaktestructuur op micron-niveau. Dit is een uniek kenmer, zelfs indien het (red: het materiaal) gelijk is aan een ander type. Zonder zou je waarschijnlijk in een grote database een educated guess moeten maken naar de correcte materiaalnaam.”
Het platform maakt onder meer gebruik van een neuraal netwerk. Zo’n netwerk is opgebouwd uit processors die fungeren als kunstmatige neuronen. Zij vormen meerdere aparte lagen, die ieder een andere analyse van de data maken en de resultaten hiervan doorgeven aan de volgende laag neuronen. Dit netwerk is met behulp van ruim 38.000 afbeeldingen getraind in het herkennen van dertig materiaalsoorten. Hiermee kan SensiCut onder meer acryl, foamboard en styreen herkennen. Het platform kan daarnaast advies geven over instellingen van de lasersnijder om het materiaal adequaat te snijden.
Het systeem is gebaseerd op goedkope componenten die algemeen beschikbaar zijn. Als voorbeeld noemen de onderzoekers een Raspberry Pi Zero singleboardcomputer. Deze componenten zijn in een 3D-geprinte lichtgewicht behuizing ondergebracht en geïntegreerd met een lasersnijder. De onderzoekers zetten losse hardware in, aangezien de meeste lasersnijders closed source zijn. Zij wijzen erop dat het toevoegen van deze hardware aan lasersnijders doorgaans niet nodig is voor fabrikanten. Zij kunnen gebruik maken van de al in lasersnijders aanwezige rekenkracht voor het uitvoeren van de benodigde dataverwerkingen.
SensiCut biedt ook ondersteuning bij het snijden en graveren van objecten die uit meerdere materialen bestaan. Traditioneel moeten gebruikers een dergelijk ontwerp handmatig in meerdere bestanden opsplitsen per materiaalsoort. SensiCut automatiseert dit proces en kan het ontwerp geautomatiseerd opdelen.
Het werk van het team is gericht op lasersnijders. De onderzoekers verwachten echter dat SensiCut op termijn ook geïntegreerd kan worden met andere apparaten, zoals 3D-printers. Ook willen zij de mogelijkheden van SensiCut uitbreiden. Zo moet het systeem onder meer de materiaaldikte kunnen detecteren.
Auteur: Wouter Hoeffnagel