Un gruppo di ricercatori ha sviluppato un metodo per classificare parti stampate in 3D mai viste prima sfruttando direttamente i modelli CAD, evitando di riaddestrare da zero i modelli di machine learning ogni volta che viene introdotta una nuova categoria. L’approccio si concentra sulla rappresentazione geometrica dell’oggetto e sulla capacità di adattare il sistema di classificazione con un numero limitato di campioni, affrontando il problema del cosiddetto “few‑shot learning” per la stampa 3D.
Contesto: perché la classificazione delle parti AM è complessa
Nel campo della produzione additiva, identificare automaticamente il tipo di parte, la sua funzione o la sua famiglia geometrica è utile per la tracciabilità, il controllo qualità e la gestione del ciclo di vita dei componenti. Molti sistemi di riconoscimento esistenti richiedono grandi dataset di oggetti etichettati e spesso lavorano solo su categorie fisse, rendendo difficile l’inclusione di nuove tipologie di parti senza costosi riaddestramenti.
Uso del CAD come fonte principale di informazione
Il metodo proposto parte dal presupposto che i modelli CAD rappresentano in modo esplicito superfici, bordi, feature e relazioni geometriche, informazioni che spesso vanno perse se si lavora unicamente su mesh triangolari o su nuvole di punti. I ricercatori estraggono una rappresentazione numerica compatta (embedding) a partire dal CAD, progettata per catturare i tratti geometrici essenziali che distinguono una classe di parti da un’altra, rendendo più efficiente l’apprendimento di nuove categorie a parità di numero di esempi.
Classificazione di parti nuove senza riaddestramento completo
L’elemento centrale del lavoro è un framework che consente di aggiungere nuove classi di parti (novel classes) a un sistema già addestrato sfruttando tecniche di few‑shot learning e metric learning. Invece di aggiornare tutti i parametri del modello, il sistema costruisce nuovi prototipi di classe nello spazio delle feature e utilizza metriche di distanza per assegnare le parti sconosciute alla categoria più appropriata, riducendo significativamente il costo computazionale e il rischio di “catastrophic forgetting” delle classi già presenti.
Dataset e scenari di test per la stampa 3D
Per valutare le prestazioni dell’approccio, i ricercatori hanno utilizzato dataset pubblici di oggetti stampabili in 3D che includono modelli CAD e mesh associate, con categorie che vanno da componenti meccanici a oggetti di uso quotidiano. I test hanno simulato scenari tipici della produzione additiva, come l’introduzione di nuovi tipi di staffe, supporti, giunti o alloggiamenti, mostrando che il metodo CAD‑based mantiene un’accuratezza competitiva rispetto a modelli completamente riaddestrati pur richiedendo molti meno esempi etichettati per classe.
Collegamento con altri lavori su riconoscimento e controllo qualità in AM
Il lavoro si inserisce in una linea di ricerca che utilizza l’intelligenza artificiale per analizzare e classificare parti stampate in 3D, dalle differenze tra modelli CAD alla rilevazione di errori di processo e difetti. Studi precedenti hanno esplorato metodi per identificare differenze locali tra modelli CAD tramite key‑point, sistemi per rilevare errori di stampa tramite sensori e reti neurali, e tecniche per classificare mesh o volumi generati da dataset di produzione, evidenziando una crescente convergenza tra CAD, simulazione e machine learning.
Applicazioni pratiche nei flussi industriali di stampa 3D
In prospettiva industriale, un sistema capace di identificare automaticamente nuove parti in base al CAD senza lunghi cicli di riaddestramento potrebbe essere integrato in piattaforme PLM, MES e sistemi di scheduling della produzione additiva. Un simile strumento faciliterebbe la classificazione dei componenti in arrivo da diversi reparti di progettazione, la ricerca di parti simili in database esistenti e l’analisi di compatibilità con processi, materiali e parametri di stampa già validati, riducendo tempi di ingegnerizzazione e duplicazioni di lavoro.
