Publicação
Anomaly Detection in Fused Deposition Modeling with Deep Learning and Computer Vision
| datacite.subject.fos | Engenharia e Tecnologia | |
| dc.contributor.advisor | Moutinho, Filipe | |
| dc.contributor.advisor | Bragadesto, Duarte | |
| dc.contributor.author | Costa, Hugo do Carmo Lopes dos Santos | |
| dc.date.accessioned | 2026-07-24T10:48:49Z | |
| dc.date.available | 2026-07-24T10:48:49Z | |
| dc.date.issued | 2024-12-20 | |
| dc.description.abstract | The introduction of Industry 4.0 concepts has fueled the advancement of modern technologies such as additive manufacturing and artificial intelligence. Interchangeably referred to 3D printing, additive manufacturing has gained widespread popularity not only for facilitating rapid prototyping, essential for product development, but also for its ability to manufacture localized customized parts without the need for special tooling. An additional advantage stems from the low initial investment cost, which makes the technology accessible. This is the case with Fused Deposition Modeling 3D printers. Traditionally, the quality assessment and monitoring of active 3D printing jobs have required significant human intervention, which can be imprecise. Anomalies might be overlooked by the human eye, and in some cases, this approach can be destructive to the printed object, leading to a reprint job and increased material wastage. The present document discloses available state-of-the-art systems that confer automatic anomaly detection on ongoing 3D printing jobs through the use of deep learning networks and visual data. Furthermore, an enhancement to a state-of-the-art system which operates using this type of deep learning framework is proposed. It is theorized that the proposed modifications will improve the system’s performance and yield favorable results. Additionally, to verify the developed system reproducibility and contribute to the existing dataset of the stateof- the-art system, a dataset containing material deposition images will be developed. | eng |
| dc.description.abstract | A introdução dos conceitos da Indústria 4.0 impulsionou o rápido desenvolvimento de tecnologias como inteligência artificial e manufatura aditiva. A ampla adoção da manufatura aditiva, frequentemente referida como impressão 3D provem, não só, por facilitar prototipagem rápida, essencial para o desenvolvimento de novos produtos, mas também pela capacidade que demonstra para a fabricação local de peças personalizadas sem necessidade de ferramentas especiais. Uma outra vantagem da área tecnológica passa pelo seu baixo custo de investimento inicial, como no caso das máquinas 3D Fused Deposition Modeling. Tradicionalmente, a avaliação e controlo do decorrer de uma impressão 3D acarreta a intervenção de operadores humanos que visualmente inspecionam o seu progresso. Esta inspeção pode ser considerada defeituosa pois anomalias que não sejam detetadas pelo olho humano podem, em alguns casos, levar a destruição da peça impressa. O que requer uma nova impressão e gasto de material. O documento presente divulga sistemas de monitoramento automático da qualidade que utilizem inteligência artificial para analisar informação visual. É proposto uma melhoria para um sistema que se enquadra nas condições anteriores e é considerado ser o mais avançado, esta melhoria prevê que o sistema seja aperfeiçoado e produza resultados mais atrativos. Além desta modificação, é também desenvolvido um dataset que contém images de extrusão de material, com este dataset pretende-se testar a reprodutibilidade do sistema e contribuir para o dataset produzido no sistema selecionado. | por |
| dc.identifier.uri | http://hdl.handle.net/10362/204822 | |
| dc.language.iso | eng | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Industry 4.0 | |
| dc.subject | Additive Manufacturing | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Computer Vision | |
| dc.subject | Deep Learning | |
| dc.subject | 3D Printing | |
| dc.title | Anomaly Detection in Fused Deposition Modeling with Deep Learning and Computer Vision | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | MASTER IN ELECTRICAL AND COMPUTER ENGINEERING |