[作品提交] 【2024 DigiKey 创意大赛】基于Raspberry Pi5的3D打印监测与失败检测

bzhou830 2024-10-29 13:50 楼主

基于Raspberry Pi5的3D打印监测与失败检测

作者：bzhou830

作品简介
近年来，FDM 3D打印技术发展非常迅速，越来越多的家庭也开始使用桌面级3D打印机。虽然成品机器在近两年如雨后春笋般退出，但是打印过程中还是不免产生各种问题。如图1所示：

图1 模型打印失败
而且由于3D打印比较耗时，长时间的人工值守是非常困扰的问题。在没有人工值守的情况下，一旦出现问题就直接导致打印失败，浪费耗材，甚至损坏机器。因此本设计的思路就是使用视觉识别技术，实时采集并识别当前的打印状态，一旦出现打印异常通知用户进行人工干预。
设计中用到的主要硬件物料有: Raspberry Pi 5，小安派-Cam-D200，颜色传感器，气压传感器。设计中为了方便采集摄像头的安装，对小安派-Cam-D200进行了外壳的设计。Rapsberry Pi 5运行Debian系统，搭建mqtt服务器，用于接收传感器数据。并使用yolo v5训练自己标定的数据得到检测模型，在树莓派上部署并运行检测模型，对采集的图像进行实时的检测。
作品实物如图2 所示，小安派-Cam-D200图像采集摄像头安装在3D打印机x轴的末端，使用usb供电，通过无线网将采集的图像发送给：Raspberry Pi 5。

图2 硬件实物
系统框图

系统框图如图3所示，系统中的组件都是通过无线网络进行数据通信的。传感器的数据通过传感器采集板（这里使用的是esp32s3-dev-kit）使用mqtt协议将数据发送到raspberry pi 5 上搭建的mqtt服务器上。摄像头采集的图像通过web server的方式将图像传送给raspberry pi 5。

图3 系统框图

手机或电脑设备可以通过远程连接的方式连接到raspberry pi 5上查看实时图像和传感器数据，也可以直接连接到摄像头设备查看实时图像。

识别的结果则实时的显示在画面上。

三、各部分功能说明

3.1 模型的训练

对于一个视觉检测项目来说，最核心和重要的部分就是对检测模型的训练和部署。为了能得到尽可能准确的检测模型，本项目采用Kaggle上的3D打印图像数据集，对图像数据使用Labeling工具进行手动的标定。数据集中包含有900多张图像。标定过程如图4所示。

图4 数据的标定

标定完成图像即采用yolo v5对数据进行训练。

为了达到比较好的准确率，又为了兼顾模型的训练时间，这里训练过程采用100个epochs进行，训练环境为i7-7700k, Nvidia GTX1060 6G。

图5 训练完成

如图5所示，训练总用时5.8小时。训练过程的曲线如图6所示，从图中可以看到训练过程中loss已经降低到比较低的水平，但从曲线的走势来看如果加大epochs数量势必可能会得到更为精确的模型。考虑精度曲线已经达到了可用的水平，且没有计算能力更强大的硬件来进行训练，遂使用本次训练结果。

图6 训练结果曲线

3.2 图像采集模块

小安派-Cam-D200(AiPi-Cam-D200)是安信可科技为高性能模组Ai-M61-32S设计的一款摄像头核心板，默认接入200w像素摄像头，考虑图像采集的质量，本项目采用其进行图像的采集。为了方便摄像头的安装和美观，项目对摄像头进行外壳的设计，并采用3D打印的方式将其打印出来。外形的设计图如