MITはレーザー彫刻機にAIを搭載し、材料を自動的に識別し、98%の精度で彫刻の強度を判定した。

この記事はAI新メディアQuantum Bit（公開アカウントID：QbitAI）より許可を得て転載しています。転載の際は出典元にご連絡ください。

MIT は最近、興味深い研究を発表しました。AI を搭載したレーザー彫刻機は、さまざまな素材の T シャツに模様を彫ることができ、切断が起こらないように自動的に力を変えることができるのです。

既存のレーザー彫刻機に AI を搭載し、 30種類の切削材料を最大 98% の精度で自動的に識別できるようになりました。

それが何であるかを教えてくれるだけでなく、切ったり彫ったりするのに必要な力と速度も教えてくれます。

もちろん、これが危険物である場合は、大きな「注意」が表示されます。

これにより、有毒ガスや、不適切な切断力による材料の損傷による廃棄物など、人為的な識別エラー（特にラベルが付いていない/間違った名前でラベルが付いていた材料の場合）の危険を回避できます。

例えば、見た目が全く同じ次の 3 つの透明なプラスチック素材のうち、どれが防護マスクを作るのに適しているでしょうか?

AIにお任せください！少し見るだけで、次の 3 つを明確に分析できます。

• 一番右にあるのはポリカーボネートで、これは危険な材料なので使用しないでください（切断すると非常に有毒な炎が発生します）。
• 真ん中はキャストアクリルで、レーザーカットはできますが、アルコールで拭くことはできません。
• 一番左のものは、温水と中性洗剤、またはアルコールで洗える透明なアセテートプラスチックシートです。

もちろん、実験室で使用する防護マスクを作るには、一番左のものを選択してそれを使って完成させます。

上記の機能に加えて、SensiCutと呼ばれるこのAIは、レーザー彫刻パターンのデバッグにも使用できます。

一度に彫刻する材料を 6 つ並べると、対応する材料とデザインパターンを一致させることができます。各材料の厚さを入力すると、SensiCut はフェルトが薄すぎることと、現在のパターン デザインが複雑すぎることをすぐに通知します。

それから少し大きめに調整して彫ります。

完成品:

記載されているとおりに調整しないと、結果は非常に「不完全な」ものになります。

さらに、携帯電話ケースや異素材混合の衣類などの素材への模様のレーザー彫刻も可能です。

△図cの赤枠部分に注目してください。デザインが自動的に分割されます。

下のTシャツは、黄色い太陽の部分が繊維素材とプラスチック素材で作られています。図bの真ん中のカモメの模様は、SensiCutが素材を識別し、切断力を誘導することで完成する最良の模様です。

これはレーザー彫刻プロセスのもう一つの優れた特徴です。複合材料にレーザー彫刻する従来の方法では、デザインを分割して境界を合わせる必要があり、非常に面倒です。

ここまで読んで、SensiCut は非常に便利だと思いませんか? どのように実装されているのでしょうか?

スペックルセンシング + ディープラーニング

SensiCut は、ハードウェア アクセサリとアプリケーションの 2 つの部分で構成されています。

アプリケーションに関しては、ユーザーインターフェースが非常によく設計されており、機能についてはあまり言及しません。

ハードウェア部分は、レーザー ポインター、レンズレス イメージ センサー、マイクロプロセッサ、およびレーザー カッターのカッティング ヘッドに固定されたバッテリーで構成されています。

認識原理は単純です:

スペックル センシング技術を使用すると、レーザーが材料の表面に向けられます。表面のわずかな特徴の違いにより、反射されたレーザー ビームの光路にわずかな偏差が生じ、それが画像センサーに反射され、明るい点と暗い点のあるスペックル パターンとして画像化されます。

以下は、通常のカメラ、電子顕微鏡、スペックルセンサーによる画像で撮影した 4 つの材料の写真 3 セットであり、その対比は明らかです。

画像ができたので、トレーニング済みのニューラル ネットワークを使用してタイプ認識を実行できます。

精度を確保するため、研究者らは30種類の異なる素材の38,000枚の画像でシステムをトレーニングした。

彼らは、ImageNet データセットで事前トレーニングされたResNet-50モデルと、学習率 0.003、バッチ サイズ 64 の Adam オプティマイザーを使用した転移学習を使用しました。

トレーニング画像のサイズは 256x256 です。低解像度の画像を使用すると、高解像度画像の過剰適合が解決されるだけでなく、トレーニング時間が節約され、検出が高速化されます (256x256 の場合は 0.21 秒、400x400 の場合は 0.51 秒)。

データ拡張技術は、モデルをより適切に一般化できるように追加の画像を生成するためにも使用されます (たとえば、照明が結果にあまり影響を及ぼさないようにします)。

評価結果と今後の方向性

SensiCutの平均認識精度は、5倍交差検証に基づいて98.01%（SD = 0.20）でした。

平均精度は、木材では98.92%（SD=1.66）、プラスチックでは98.84%（SD=2.36）、繊維では97.25%（SD=2.50）、紙素材では95.90%（SD=2.94）、金属では97.00%（SD=2.16）でした。

紙素材は木材と混同されやすいため、最も正解率が低かった（シリコンと革も混同されやすい）。

また、実験を行ったところ、赤と白の素材の認識精度が100％であるのに対し、光の反射が少ない黒の素材では認識精度が92％にとどまることが判明したが、これは画像撮影時に適応露出を有効にすることで調整できるという。

彼らはまた、照明と角度が材質の認識に与える影響についても研究しました。

消す：

• 明るさを上げても白黒素材の検出結果に大きな影響はありませんが、透明素材には大きな影響があります。異なる照明条件下で撮影された透明素材の画像で再トレーニングを行ったところ、精度は以前より 22% 向上しました。
• 角度の影響を最も受ける素材は木材で、45% の傾きでは平均検出精度はわずか 70.31% になります。これは、天然木の細胞状の 3D 微細構造が、顕微鏡レベルで 90° の回転対称性を持っているためです。

最後に、研究者らは、ハードウェアに関しては、他のすべてのコンポーネントは既存のレーザー彫刻機ですでに利用可能であり、メーカーはこの技術を実現するためにレンズレス画像センサーを追加するだけでよいと述べています。

今後、研究チームはスペックルセンシングを利用して材料の厚さを推定し、傷のついた材料の精度を確保し、ラベルを印刷する機能をソフトウェアに追加する方法についてさらに研究を進めていく予定です。

論文の宛先:
https://groups.csail.mit.edu/hcie/files/research-projects/sensicut/2021-UIST-SensiCut-paper.pdf