本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

MIT最近發表了一項有意思的研究：激光雕刻機裝上AI，混合材料T恤上都能雕出花，自動變換力度保證不割破。

他們給現有的激光雕刻機安上了一個AI，就可以自動識別30種不同的切割材料，準確率高達98%。

不僅告訴你是啥，還能告訴你切割/雕刻所需的力度、速度。

當然，如果這是一種危險材料，直接就把一個大大的“Caution”甩給你。

這樣一來，就能免去對一些人為識別失誤造成的危險（尤其是一些未貼/貼錯名稱標簽的材料），比如冒個有毒煙霧什么的，以及切割力度不對破壞材料造成的浪費。

比如面對下面三種看起來一模一樣的透明塑料材料，哪一種適合做防護面罩呢？

交給AI！刷刷掃幾下，就把三者分析得明明白白：

• 最右是聚碳酸酯，危險材料，不可（切割會冒帶劇毒的火焰）；
• 中間的是鑄造丙烯，可以激光切割，但不可用酒精擦拭；
• 最左的是醋酸透明塑膠片，可以用溫水和溫和肥皂沖洗，也可以用酒精。

要做實驗室里用的防護面罩，當然是選最左了，拿去搞定：

除了上面說的這些功能，這個叫做SensiCut的AI還可以用來進行激光雕刻圖案的調試：

一次擺好6種待雕材料，它就能將設計圖案和相應材料進行匹配，輸入每個材料的厚度后，SensiCut立馬就告訴你毛氈太薄了，現在的圖案設計對它來說太復雜。

那你就可以調大一點再進行雕刻。

成品：

如果你不按它說的調整，打出來的就很“拉垮”：

此外，它也能在具有混合材料的手機殼、衣服等材料上進行圖案的激光輔助雕刻。

△注意c圖紅框部分，它會自動進行分割設計

下面這件T恤由紡織材料和黃色太陽部分的塑料材料組成，b圖中間為SensiCut通過辨別材料，再進行切割力度指導完成的海鷗圖案，效果最好。

這也是它的另一厲害之處，因為傳統的方法在復合材料上進行激光雕刻需要把設計進行拆分和邊界對齊，很麻煩。

一路看下來，是不是覺得這個SensiCut還挺有用，怎么實現的呢？

散斑傳感+深度學習

SensiCut由兩部分組成：硬件附件和應用程序。

應用程序方面，用戶界面設計得真心不錯，功能就不多說了。

硬件部分由激光指針、無透鏡圖像傳感器、微處理器和電池組成，固定在激光切割器的切割頭上。

識別原理很簡單：

利用散斑傳感（speckle sensing）技術，將激光打向材料表面，上面的微小特征差異導致反射激光束光路的微小偏差，從而反射到圖像傳感器成像為帶有亮斑和暗斑的散斑圖案。

下圖為四種材料分別在普通相機、電子顯微鏡和散斑傳感成像下的三組照片，對比很明顯：

圖像有了，就可以用訓練好的神經網絡來進行類型識別了。

為確保準確率，研究人員對30種不同材料類型的38000張圖像進行了訓練。

他們使用了遷移學習和在ImageNet數據集上預先訓練的ResNet-50模型，以及Adam優化器，學習率為0.003，batch size為64。

訓練圖像大小為256x256：使用低分辨率的圖像不僅解決了高分辨率圖像的過擬合，還節省了訓練時間、加快了檢測速度（256x256為0.21s，400x400為0.51s ）。

還用了數據增強技術生成額外圖像以便模型更好地泛化（比如光照也不會過多影響結果）。

評估結果和未來方向

SensiCut 98.01%(SD=0.20)的平均識別準確率基于5-fold交叉驗證。

其中木材類的平均準確率為98.92% (SD=1.66)，塑料類的為98.84% (SD=2.36)，紡織品類的為97.25% (SD=2.50)，紙質材料為95.90% (SD=2.94)，金屬類的為97.00% (SD=2.16) 。

紙質材料的準確率最低，也是因為它太容易和木材混淆了（硅膠和皮革也容易混）。

他們還做了一些實驗發現：相比紅色白色材料100%的識別準確率，反射光線較少的黑色材質只有92%的準確率，不過這個在捕獲圖像時啟用自適應曝光來可以調整。

此外他們還研究了一下光照和角度對材料識別的影響。

結果發現：

• 增加亮度對黑色/白色材料的檢測結果沒有重大影響，但透明材料的影響卻很大，重新在不同的光照條件下捕獲透明材料的圖像進行訓練后的準確率比原來高了快22%。
• 角度影響最大的是木材，45%傾斜下的材料平均檢測準確率只有70.31%。這是因為天然木材的細胞3D微觀結構在微觀層面具有90°旋轉對稱性。

最后，研究人員表示，硬件方面，所有其他組件現有的激光雕刻機中都有，制造商只需要添加無透鏡圖像傳感器就可以擁有這項技術了。

未來，團隊還會對散斑傳感如何用于估計材料的厚度、對劃痕材料準確率的保證、給軟件加打印標簽的功能等方面進行進一步研究。

論文地址：
https://groups.csail.mit.edu/hcie/files/research-projects/sensicut/2021-UIST-SensiCut-paper.pdf