Des chercheurs du Laboratoire national Lawrence Livermore (de gauche à droite) : le data scientist Michael Zelinski, l’ingénieur Hamed Ziad Ammar et le chercheur principal Brian Giera, se tiennent à côté de l’imprimante 3D à encre directe utilisée pour collecter des données destinées à un système d’inspection par caméra qui exploite l’IA et l’apprentissage automatique pour mesurer la qualité des pièces pendant l’impression. (Photo : Blaise Douros/LLNL)

Des scientifiques et des ingénieurs du Lawrence Livermore National Laboratory (LLNL) en Californie ont développé un système d’inspection basé sur une caméra qui peut surveiller des structures 3D imprimées complexes couche par couche, en utilisant l’IA et l’apprentissage automatique (ML) pour mesurer de minuscules variations et potentiellement identifier des problèmes avant même qu’une pièce ne quitte l’imprimante.

Cette approche pourrait réduire le temps et la main-d’œuvre nécessaires à l’inspection des composants produits par impression 3D, une technique de fabrication additive qui dépose des matériaux souples ou pâteux à travers une buse sous forme de filaments fins et précis. Elle offre également une solution pour examiner des pièces volumineuses et complexes, difficiles à inspecter entièrement par tomographie à rayons X conventionnelle, selon les chercheurs du laboratoire.

Décrit dans un article de la revue Nature npj Advanced Manufacturing , le système combine des caméras montées sur une imprimante 3D avec des outils de segmentation d’images basés sur l’apprentissage automatique et de vision par ordinateur pour convertir des milliers d’images capturées pendant l’impression en mesures détaillées et en cartes spatiales du matériau déposé.

« Nous avons désormais une sorte de cerveau qui se cache derrière les yeux », a déclaré Brian Weston, responsable technique du projet, ingénieur et responsable de l’IA/ML pour les jumeaux numériques au LLNL. « Notre système peut maintenant voir en temps réel ce qui se passe pendant l’impression, et nous pouvons prendre des décisions éclairées par les données pour l’avenir. »

Détecter plus tôt les problèmes d’impression

Le procédé d’impression par écriture directe à l’encre permet de créer des coussins et des tampons complexes et flexibles dont les performances mécaniques dépendent des dimensions et de l’agencement de brins parfois extrêmement fins (quelques fractions de millimètre). De petits interstices, des brins cassés ou des variations du diamètre du filament peuvent affecter les performances de la pièce finie.

Traditionnellement, les chercheurs doivent réaliser l’impression, retirer la pièce de la machine et l’inspecter par imagerie aux rayons X, essais mécaniques ou autres méthodes hors ligne. Ces inspections peuvent s’avérer coûteuses et chronophages, et ne révèlent souvent qu’une pièce non conforme aux exigences qu’une fois sa fabrication terminée.

Le système LLNL propose une étape de sélection préliminaire. Une caméra capture des images à chaque dépôt de couche, tandis qu’un logiciel identifie les filaments imprimés les plus récents et calcule des mesures telles que le diamètre du filament.

« Il s’agit d’un contrôle préliminaire », a déclaré Weston. « Cela nous permet de repérer les problèmes avant d’effectuer des tests très coûteux et de détecter plus tôt les défaillances de pièces si nous savons déjà qu’elles présentent des brins cassés ou d’autres problèmes. »

Brian Giera, chercheur principal et directeur adjoint du programme de science des données, d’intelligence artificielle et de fabrication au LLNL, a déclaré que l’importance de ces travaux dépasse largement le cadre de l’écriture directe à l’encre. L’approche a été conçue pour être adaptable à d’autres technologies de fabrication additive, à la fabrication soustractive conventionnelle et aux systèmes expérimentaux utilisés au laboratoire.

« L’inspection en cours de production va révolutionner la réduction des coûts, l’augmentation de la productivité et l’obtention d’informations plus complètes sur nos produits », a déclaré Giera. « C’est l’aboutissement d’une technologie de pointe dans le domaine, conçue pour pouvoir s’étendre à d’autres secteurs clés. »

À court terme, Giera a indiqué que cette technologie peut servir de filtre pour des inspections plus coûteuses. Une pièce présentant suffisamment de défauts pourrait être mise au rebut avant la fin de l’impression, ce qui permettrait d’économiser du temps et des matériaux. D’autres résultats pourraient aider à déterminer quand des méthodes de post-fabrication plus onéreuses, telles que la tomographie aux rayons X, sont justifiées.

Comme décrit dans l’article, l’équipe a entraîné un modèle de segmentation d’images par apprentissage automatique à l’aide d’un ensemble de données soigneusement sélectionnées, composé de près de 15 000 images annotées manuellement et représentant différentes géométries de réseaux. Un algorithme de vision par ordinateur a ensuite utilisé les résultats du modèle pour suivre les brins imprimés et mesurer leur diamètre. Lors de tests portant sur 55 pièces, les mesures automatisées se sont avérées généralement précises à quelques micromètres près des mesures manuelles.

L’analyse manuelle d’une grande image peut prendre entre 20 minutes et une heure, selon l’équipe. Le système automatisé, quant à lui, effectue cette analyse en quelques millisecondes, soit environ 100 000 fois plus vite qu’un humain.

Le développement de cette capacité a nécessité le montage et l’étalonnage des caméras, la réalisation de vastes campagnes d’impression et d’imagerie, la création d’un important ensemble de données annotées et la validation des modèles obtenus. Selon Weston, cet investissement initial offre désormais un point de départ réutilisable, adaptable à de nouvelles caméras et pièces, avec un besoin bien moindre de données d’entraînement supplémentaires.

Le système d’inspection automatisé du LLNL peut analyser des images environ 100 000 fois plus rapidement qu’un humain, ce qui pourrait réduire le temps et la main-d’œuvre nécessaires à l’inspection des composants produits par impression directe à l’encre. Les chercheurs ont indiqué que cette approche pourrait être adaptée à d’autres techniques de fabrication avancées, à la fabrication soustractive conventionnelle et aux systèmes expérimentaux. Sur la photo (de gauche à droite) : les ingénieurs Josh DeOtte, Aldair Gongora et William Smith, avec l’auteur principal Brian Weston. (Photo : Garry McLeod/LLNL)

Voir l’impression complète

Pour démontrer le système à grande échelle, les chercheurs l’ont appliqué à un coussin dont l’empreinte au sol est d’environ 25 x 25 centimètres. Ils ont collecté environ 2 500 images d’une couche et ont combiné les mesures pour créer une carte spatiale de l’intérieur de la pièce.

La carte montrait des variations progressives du diamètre du filament d’un côté à l’autre de l’impression. Ce phénomène indiquait une légère inclinaison de la plateforme d’impression par rapport à la buse, un problème matériel qui aurait pu être masqué par une mesure moyenne sur l’ensemble de la pièce.

Cette démonstration met en évidence un avantage de l’inspection directement sur la machine, ont indiqué les chercheurs. Si la tomographie par rayons X peut fournir des informations tridimensionnelles détaillées, la taille des objets pouvant être examinés à haute résolution est limitée. Une caméra montée sur l’imprimante permet d’inspecter des pièces dont les dimensions dépassent la capacité de la tomographie par rayons X.

Selon Giera, ces travaux répondent à une condition essentielle à une plus grande autonomie de production. Un système autonome « ​​ne pourrait fonctionner correctement sans des techniques de mesure et d’inspection fiables », a-t-il déclaré. « Nos travaux constituent les fondements sur lesquels pourraient s’appuyer des systèmes de production autonomes. »

Ces recherches ont été financées par une initiative stratégique de recherche et développement dirigée par le laboratoire et menée par Giera, qui s’est terminée en 2025. Parmi les autres co-auteurs figuraient les scientifiques et ingénieurs du LLNL Michael Zelinski, Hamed Ziad Ammar, Aldair Gongora, Brian Au, Robert Cerda, Josh DeOtte et William Smith.

L’objectif immédiat du projet est d’identifier plus tôt les pièces défectueuses, mais les chercheurs envisagent à terme un système plus performant. Selon Weston, cette capacité devrait être transférée au Complexe de sécurité nationale de Kansas City pour être évaluée sur des systèmes et des composants utilisés en production.

À plus long terme, selon Weston, les données d’inspection pourraient alimenter des simulations et des jumeaux numériques reliant la structure mesurée d’une pièce à ses performances prévues, ce qui pourrait accélérer l’acceptation et la qualification des pièces au-delà de la simple détection des défauts a posteriori.

« Lorsque l’imprimante sera capable de contrôler son propre travail, nous pourrons envisager que le système prenne ses propres décisions d’acceptation ou de rejet », a déclaré Weston. « S’il détecte un défaut, il pourra peut-être déterminer si cela rend la pièce non conforme. »

https://www.llnl.gov/article/54991/ai-powered-inspection-system-gives-3d-printers-brain-behind-eyes