本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

MIT最近發(fā)表了一項(xiàng)有意思的研究：激光雕刻機(jī)裝上AI，混合材料T恤上都能雕出花，自動變換力度保證不割破。

他們給現(xiàn)有的激光雕刻機(jī)安上了一個AI，就可以自動識別30種不同的切割材料，準(zhǔn)確率高達(dá)98%。

不僅告訴你是啥，還能告訴你切割/雕刻所需的力度、速度。

當(dāng)然，如果這是一種危險(xiǎn)材料，直接就把一個大大的“Caution”甩給你。

這樣一來，就能免去對一些人為識別失誤造成的危險(xiǎn)（尤其是一些未貼/貼錯名稱標(biāo)簽的材料），比如冒個有毒煙霧什么的，以及切割力度不對破壞材料造成的浪費(fèi)。

比如面對下面三種看起來一模一樣的透明塑料材料，哪一種適合做防護(hù)面罩呢？

交給AI！刷刷掃幾下，就把三者分析得明明白白：

• 最右是聚碳酸酯，危險(xiǎn)材料，不可（切割會冒帶劇毒的火焰）；
• 中間的是鑄造丙烯，可以激光切割，但不可用酒精擦拭；
• 最左的是醋酸透明塑膠片，可以用溫水和溫和肥皂沖洗，也可以用酒精。

要做實(shí)驗(yàn)室里用的防護(hù)面罩，當(dāng)然是選最左了，拿去搞定：

除了上面說的這些功能，這個叫做SensiCut的AI還可以用來進(jìn)行激光雕刻圖案的調(diào)試：

一次擺好6種待雕材料，它就能將設(shè)計(jì)圖案和相應(yīng)材料進(jìn)行匹配，輸入每個材料的厚度后，SensiCut立馬就告訴你毛氈太薄了，現(xiàn)在的圖案設(shè)計(jì)對它來說太復(fù)雜。

那你就可以調(diào)大一點(diǎn)再進(jìn)行雕刻。

成品：

如果你不按它說的調(diào)整，打出來的就很“拉垮”：

此外，它也能在具有混合材料的手機(jī)殼、衣服等材料上進(jìn)行圖案的激光輔助雕刻。

△注意c圖紅框部分，它會自動進(jìn)行分割設(shè)計(jì)

下面這件T恤由紡織材料和黃色太陽部分的塑料材料組成，b圖中間為SensiCut通過辨別材料，再進(jìn)行切割力度指導(dǎo)完成的海鷗圖案，效果最好。

這也是它的另一厲害之處，因?yàn)閭鹘y(tǒng)的方法在復(fù)合材料上進(jìn)行激光雕刻需要把設(shè)計(jì)進(jìn)行拆分和邊界對齊，很麻煩。

一路看下來，是不是覺得這個SensiCut還挺有用，怎么實(shí)現(xiàn)的呢？

散斑傳感+深度學(xué)習(xí)

SensiCut由兩部分組成：硬件附件和應(yīng)用程序。

應(yīng)用程序方面，用戶界面設(shè)計(jì)得真心不錯，功能就不多說了。

硬件部分由激光指針、無透鏡圖像傳感器、微處理器和電池組成，固定在激光切割器的切割頭上。

識別原理很簡單：

利用散斑傳感（speckle sensing）技術(shù)，將激光打向材料表面，上面的微小特征差異導(dǎo)致反射激光束光路的微小偏差，從而反射到圖像傳感器成像為帶有亮斑和暗斑的散斑圖案。

下圖為四種材料分別在普通相機(jī)、電子顯微鏡和散斑傳感成像下的三組照片，對比很明顯：

圖像有了，就可以用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)來進(jìn)行類型識別了。

為確保準(zhǔn)確率，研究人員對30種不同材料類型的38000張圖像進(jìn)行了訓(xùn)練。

他們使用了遷移學(xué)習(xí)和在ImageNet數(shù)據(jù)集上預(yù)先訓(xùn)練的ResNet-50模型，以及Adam優(yōu)化器，學(xué)習(xí)率為0.003，batch size為64。

訓(xùn)練圖像大小為256x256：使用低分辨率的圖像不僅解決了高分辨率圖像的過擬合，還節(jié)省了訓(xùn)練時間、加快了檢測速度（256x256為0.21s，400x400為0.51s ）。

還用了數(shù)據(jù)增強(qiáng)技術(shù)生成額外圖像以便模型更好地泛化（比如光照也不會過多影響結(jié)果）。

評估結(jié)果和未來方向

SensiCut 98.01%(SD=0.20)的平均識別準(zhǔn)確率基于5-fold交叉驗(yàn)證。

其中木材類的平均準(zhǔn)確率為98.92% (SD=1.66)，塑料類的為98.84% (SD=2.36)，紡織品類的為97.25% (SD=2.50)，紙質(zhì)材料為95.90% (SD=2.94)，金屬類的為97.00% (SD=2.16) 。

紙質(zhì)材料的準(zhǔn)確率最低，也是因?yàn)樗菀缀湍静幕煜耍ü枘z和皮革也容易混）。

他們還做了一些實(shí)驗(yàn)發(fā)現(xiàn)：相比紅色白色材料100%的識別準(zhǔn)確率，反射光線較少的黑色材質(zhì)只有92%的準(zhǔn)確率，不過這個在捕獲圖像時啟用自適應(yīng)曝光來可以調(diào)整。

此外他們還研究了一下光照和角度對材料識別的影響。

結(jié)果發(fā)現(xiàn)：

• 增加亮度對黑色/白色材料的檢測結(jié)果沒有重大影響，但透明材料的影響卻很大，重新在不同的光照條件下捕獲透明材料的圖像進(jìn)行訓(xùn)練后的準(zhǔn)確率比原來高了快22%。
• 角度影響最大的是木材，45%傾斜下的材料平均檢測準(zhǔn)確率只有70.31%。這是因?yàn)樘烊荒静牡募?xì)胞3D微觀結(jié)構(gòu)在微觀層面具有90°旋轉(zhuǎn)對稱性。

最后，研究人員表示，硬件方面，所有其他組件現(xiàn)有的激光雕刻機(jī)中都有，制造商只需要添加無透鏡圖像傳感器就可以擁有這項(xiàng)技術(shù)了。

未來，團(tuán)隊(duì)還會對散斑傳感如何用于估計(jì)材料的厚度、對劃痕材料準(zhǔn)確率的保證、給軟件加打印標(biāo)簽的功能等方面進(jìn)行進(jìn)一步研究。

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