Zeitschrift für Kernenergiewissenschaft und Energieerzeugungstechnologie

Maschinelle Lerntechnik für das Assembly-basierte Bildklassifizierungssystem

Ambuj Kumar Agarwal, D. Angeline Ranjithamani, Pavithra M, A. Velayudham, Anandaraj Shunmugam und Mohammed Ismail B

Additive Fertigung oder 3D-Druck ist eine wichtige Innovation im Bereich der Produktionsprozesse. Darüber hinaus schafft die Entscheidung, die Füllung zu ändern, ohne die Umgebung zu beeinflussen, eine andere Anfälligkeit für 3D-Druckertechnologien. Diese Forschung umfasst eine Klausel zur Identifizierung betrügerischer Füllungsprobleme im gedruckten Objekt: 1) Untersuchung böswilliger Fehler im 3D-Druckprozess, 2) Entfernung von Ausreißern aus modellierten Fotos der 3D-Druckmethode und 3) Durchführung eines Objekterkennungstests mit einer Probe des Testsatzes ohne Füllung und einem anderen Cluster eines Testsatzes mit Fehlern aus dem 3D-Druckprozess. Schicht für Schicht werden die Fotos aus der isometrischen Perspektive der Programmmodellanzeige gesammelt. Die extrahierten Daten werden den entwickelten Algorithmen, der Naive-Bayes-Methode und den J48-Entscheidungsbäumen bereitgestellt. Unter ihnen zeigt die Naive-Bayes-Methode eine höhere Genauigkeitsrate von 86 % und J48-Entscheidungsbäume eine Genauigkeit von 96 %.