Le nouvel outil d’apprentissage automatique du MIT rend la découpe laser plus sûre
Français
Si vous vous amusez à fabriquer des objets dans un atelier, vous avez peut-être déjà utilisé un découpeur laser pour créer des objets. Habituellement, vous utiliseriez différents matériaux par essai et erreur pour atteindre la forme et la fonction souhaitées.
Cependant, les chercheurs du MIT rendent ce processus plus sûr en utilisant l’apprentissage automatique. L’équipe de Le laboratoire d’informatique et d’intelligence artificielle (CSAIL) du MIT a mis au point une technologie appelée SensiCut, une plate-forme de détection de matériaux pour les découpeurs laser qui vous avertit des matériaux potentiellement dangereux.
L’outil se compose de composants matériels à faible coût tels qu’un Carte à microprocesseur Raspberry Pi Zero hébergée dans une carte imprimée en 3D. Le module est ensuite fixé au découpeur laser et le réseau neuronal de l’outil identifie divers matériaux sur la base de l’image tachetée de la microstructure de surface d’un matériau.
Vous pouvez regarder SensiCut en action ci-dessous, où un chercheur obtient des suggestions pour différents matériaux tout en fabriquant un écran facial.
Pour former l’algorithme de SensiCut, l’équipe a utilisé plus de 38 000 images de 30 types de matériaux. L’outil peut également vous guider pour utiliser différentes vitesses et paramètres de coupe pour différents matériaux.
Mustafa Doga Dogan, doctorant au MIT CSAIL, a déclaré que cet outil réduit le gaspillage global de matériaux dans l’atelier :
En augmentant les découpeurs laser standard avec des capteurs d’image sans lentille, nous pouvons facilement identifier des matériaux visuellement similaires couramment trouvés dans les ateliers et réduire les déchets globaux. Nous le faisons en tirant parti de la structure de surface au niveau du micron d’un matériau, qui est une caractéristique unique même lorsqu’elle est visuellement similaire à un autre type. Sans cela, vous auriez probablement à deviner le nom de matériau correct à partir d’une grande base de données.
L’équipe pense que l’outil pourrait également être utilisé pour les imprimantes 3D à l’avenir.
