El sistema de corte por láser inteligente detecta diferentes materiales

Con la incorporación de las computadoras, las cortadoras láser se han convertido rápidamente en una herramienta relativamente simple y poderosa, con un software que controla máquinas brillantes capaces de cortar metales, madera, papel y plástico. Si bien esta curiosa amalgama de materiales se siente envolvente, a los usuarios todavía les resulta difícil distinguir entre existencias de materiales visualmente similares, donde las cosas incorrectas pueden crear suciedad pegajosa, emitir olores horribles o, lo que es peor, emitir productos químicos nocivos.

Para abordar lo que puede no ser del todo obvio a simple vista, los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) han ideado «SensiCut», una plataforma inteligente de detección de materiales para cortadores láser. En contraste con los enfoques convencionales basados ​​en cámaras que pueden identificar fácilmente materiales erróneamente, SensiCut utiliza una mezcla más matizada. Identifique materiales mediante el aprendizaje profundo y un método óptico llamado «detección de moteado», una técnica que utiliza un láser para detectar la microestructura de una superficie, que es posible gracias a un complemento de detección de imagen única.

Un poco de ayuda de SensiCut podría ser de gran ayuda: podría proteger a los usuarios de los desechos peligrosos, proporcionar conocimientos específicos del material, sugerir ajustes de corte sutiles para obtener mejores resultados e incluso grabar varios objetos como ropa o fundas de teléfonos hechos de varios materiales.

«Al aumentar los cortadores láser estándar con sensores de imagen sin lentes, podemos identificar fácilmente materiales visualmente similares que se encuentran comúnmente en los talleres y reducir el desperdicio general», dice Mustafa Doga Dogan, candidato a doctorado en MIT CSAIL. “Hacemos esto aprovechando la estructura de la superficie a nivel de micras de un material, que es una característica única pero visualmente similar a otro tipo. Sin esto, probablemente debería hacer una conjetura sobre el nombre correcto del material de una base de datos grande.

Además de utilizar cámaras, también se utilizaron etiquetas adhesivas (como códigos QR) en hojas individuales para identificarlas. Lo que suena simple, sin embargo, cuando se corta con láser, si el código se corta de la hoja principal, no se puede identificar para uso futuro. Además, si se aplica la etiqueta incorrecta, la cortadora láser asumirá el tipo de material incorrecto.

Para reproducir con éxito una ronda de «qué material es este», el equipo entrenó la red neuronal profunda de SensiCut en imágenes de 30 tipos de materiales diferentes de más de 38,000 imágenes, donde luego fue posible diferenciar entre cosas como acrílico, tablero de espuma y estireno y incluso proporcionan orientación adicional sobre los ajustes de potencia y velocidad.

En un experimento, el equipo decidió construir un protector facial, lo que requeriría un taller para distinguir entre materiales transparentes. El usuario debe primero seleccionar un archivo de dibujo en la interfaz, luego usar la función «punto» para mover el láser para identificar el tipo de material en un punto de la hoja. El láser interactúa con las pequeñas características de la superficie y los rayos se reflejan en ella, llegando a los píxeles del sensor de imagen y produciendo una imagen 2-D única. El sistema podría advertir o alertar al usuario de que su hoja es de policarbonato, lo que significa llamas potencialmente altamente tóxicas cuando se corta con un láser.

La técnica de imagen de moteado se utilizó dentro de un cortador láser, con componentes de bajo costo listos para usar, como una placa de microprocesador Raspberry Pi Zero. Para hacerlo compacto, el equipo diseñó e imprimió en 3D una carcasa mecánica ligera.

Además de las cortadoras láser, el equipo prevé un futuro en el que la tecnología de detección de SensiCut podría integrarse en otras herramientas de fabricación, como las impresoras 3D. Para capturar más matices, también planean extender el sistema agregando detección de espesor, una variable relevante en la composición del material.

Dogan fue coautor del artículo con los investigadores universitarios Steven Acevedo Colon y Varnika Sinha del Departamento de Ingeniería Eléctrica e Informática del MIT, el profesor asociado Kaan Akşit del University College London y la profesora del MIT Stefanie Mueller.

El equipo presentará su trabajo en el Simposio ACM sobre software y tecnología de interfaz de usuario (UIST) en octubre. El trabajo fue apoyado por el Premio NSF 1716413, la iniciativa MIT Portugal y el Programa de Fondo Semilla MathWorks de Ingeniería Mecánica del MIT.