Nature子刊：利用深度学习技术通过照片识别3D打印来源

导读：随着增材制造（Additive Manufacturing，简称AM）技术在现代供应链中的广泛应用，其敏捷性和灵活性为制造业带来了革命性的变化。然而，这种技术也面临着诸多挑战，例如劣质材料的使用、工艺控制不当以及假冒零件的风险，这些问题对供应链安全和产品质量构成了严重威胁。为了应对这些挑战，迫切需要开发新的测量技术，以监控AM供应商并验证AM零件和材料的质量及真实性。



2025年5月，南极熊获悉，来自伊利诺伊大学厄巴纳-香槟分校的研究团队在npj Advanced Manufacturing上发表了一篇重要论文，题目为Additive manufacturing source identification from photographs using deep learning（利用深度学习从照片中识别增材制造来源），展示了如何利用深度学习模型通过零件照片预测AM零件的来源。这一研究可以监控AM供应商并验证AM零件和材料的质量，也为未来的智能制造质量控制系统奠定了基础。

研究内容：基于高分辨率图像的深度学习模型
该研究的核心在于开发一种能够从零件照片中识别其制造来源的深度学习模型。研究人员使用了21台不同的打印机，生产了9192个零件，涵盖了三种独特的设计和四种AM工艺：数字光合成（Digital Light Synthesis, DLS）、多喷嘴熔融（Multi Jet Fusion, MJF）、立体光刻（Stereolithography, SLA）和熔融沉积建模（Fused Deposition Modeling, FDM）。每个零件都经过高分辨率扫描仪拍摄，生成高质量的照片作为训练数据。


△ Fingerprint model工作流程概述

研究团队开发了一个全新的分析框架，用于处理这些高分辨率图像数据。此框架采用了深度学习技术，通过对图像的学习，模型能够准确地预测出每个零件的具体制造来源。识别模型还可以识别制造过程、材料类型以及零件在打印平台中的具体位置等信息。


△本研究中制造的零部件概述

为了确保实验的有效性和可扩展性，研究团队精心设计了三个不同类型的零件：连接器、插头和晶格结构。这些零件的设计灵感来源于工业应用中的真实机械组件，具有多样化的几何特征。每台打印机生产的零件数量根据制造能力进行了合理分配，并且所有零件的颜色均为黑色，以便在成像过程中保持一致性。

图像采集与预处理
零件图像通过一台高分辨率平板扫描仪（Epson Perfection V39）获取，分辨率达到4800 dpi，像素大小为5.3 μm，每个零件被扫描两次。为了提高数据收集效率，每次扫描包含21个零件，并随机排列扫描位置以减少偏差。

深度学习模型架构
研究团队采用了一种高效的机器学习框架，包括图像预处理、模型训练和测试等多个步骤：
●图像预处理阶段将高分辨率图像缩小到适合模型输入的尺寸，同时保留关键特征。
●在训练过程中，模型会从每个零件图像中随机采样一个感兴趣区域（Region of Interest, ROI），并通过多次迭代学习图像与其制造属性之间的关系。
●模型在测试集上的表现通过多个ROI的投票机制进行评估，从而提高预测的准确性。


△Fingerprint model机器学习框架概述

研究结果：高达98%以上的预测精度
在21台打印机中，每台打印机使用的训练样本数为100个，测试样本数为50个。经过200轮训练后，模型在测试集上的表现极为出色，仅有16个零件被错误分类，且错误主要集中在同一工艺的不同机器之间。这表明模型不仅能够准确区分不同工艺，还能在同一种工艺下精确识别不同的机器。

除了识别制造机器外，该模型还能够准确预测材料组成和供应商信息。对于DLS工艺生产的零件，模型在材料识别上的准确率达到100%，识别供应商的准确率为98.7%。此外，模型还能检测零件在打印机内的具体位置，准确率为82.1%。尽管部分位置的误判发生在相邻位置，但模型在预测零件位置或相邻位置上的准确率达到了98.1%。

研究还进一步探索了模型在识别零件构建批次上的能力。通过对147个独特构建批次的数据进行训练，模型在预测正确构建批次上的准确率为86.8%。这一结果表明，即使在单一制造工艺下，模型也能识别详细的制造属性，而无需依赖传统的标签和跟踪系统。

研究团队还探讨了图像分辨率和采样面积对预测精度的影响。实验发现，当样本尺寸小于200 μm时，DLS零件可以被准确识别；而对于MJF和SLA工艺，样本尺寸需达到1 mm以上才能实现超过90%的准确率；FDM零件则需要更大的样本尺寸（约3 mm）。这些发现为未来使用不同类型的图像传感器提供了理论依据和技术支持。
未来展望
这项研究证明了深度学习技术在AM领域的巨大潜力，为未来的智能制造质量控制和供应链管理提供了新的解决方案。通过简单的照片即可追溯零件的制造来源，这一方法有望广泛应用于航空、医疗等对零件质量和真实性要求极高的行业。在未来的工作中，研究团队计划进一步优化ML方法，并探索半监督或无监督模型的应用。这些模型可以在不需要手动标注数据的情况下，扩展至新的机器和工艺，从而降低数据准备的成本。此外，无监督模型还可以用于异常检测任务，帮助识别未知来源的假冒零件或检测供应商制造过程中的偏差。

技术贡献
本研究为制造科学和技术领域做出了三大贡献：
●发现AM设备的独特模式 ：AM设备在其生产的每个零件表面都会留下独特的纹理模式，这些模式可用于识别设备本身。

●开发高效深度学习模型 ：通过深度学习技术，模型不仅能识别制造过程、材料类型，还能确定零件的具体构建批次和位置。

●创新机器学习方法 ：研究团队开发了一套适用于高分辨率图像分析的机器学习方法，兼容多种深度学习架构，能够在调优增强后实现高度准确的预测。

原文链接：https://www.nature.com/articles/s44334-025-00031-2