Visuelle Defekterkennung von 3D-Druckerzeugnissen mittels rotations-telezentrischer Bildgebung

Diese Arbeit untersucht den Einsatz der rotations-telezentrischen Bildgebung zur Detektion visueller Defekte an 3D-Druckerzeugnissen. Während konventionelle bildbasierte Überwachungsverfahren häufig nur eingeschränkte Perspektiven bieten und Defekte wie Maßabweichungen oder Verformungen nur begrenzt erfassen können, ermöglicht die hier vorgestellte Methode eine verzerrungsfreie und hochpräzise Analyse aus allen Blickwinkeln.
Grundlage des Verfahrens sind Bilddaten, die mithilfe telezentrischer Optik bei schrittweiser Rotation des Objekts aufgenommen werden. Nach Vorverarbeitung und Segmentierung der Bilddaten wird eine visuelle Hülle des Objekts rekonstruiert. Diese wird mittels des Iterative Closest Point (ICP)-Algorithmus an ein digitales Soll-Modell angepasst, um geometrische Abweichungen präzise zu identifizieren. Eine darauf basierende Fehler-Metrik detektiert gezielt sogenannte Matter-out-of-Place Abweichungen, also Unterschiede zwischen dem erwarteten und dem tatsächlichen Objektzustand. Zur Evaluierung des Verfahrens wurde ein Kalibrierungswürfel gefertigt, vermessen und die Messergebnisse mit den aus den Bilddaten abgeleiteten Fehlern verglichen. Die Auswertung der Ergebnisse zeigt, dass insbesondere fehlerhafte Kalibrierungen der Druckerachsen als Ursache für systematische Defekte erkannt werden konnten. Die rotations-telezentrische Bildgebung erweist sich somit als zuverlässiges und reproduzierbares Verfahren zur Verbesserung im Bereich der additiven Fertigung.

This work investigates the use of rotational telecentric imaging to detect visual defects in 3D printed products. While conventional image-based monitoring methods often only offer limited perspectives and can only detect defects such as dimensional deviations or deformations to a limited extent, the method presented here enables distortion-free and high-precision analysis from all angles. The method is based on image data that is recorded using telecentric optics with step-by-step rotation of the object. After pre-processing and segmentation of the image data, a visual envelope of the object is reconstructed. This is adapted to a digital target model using the Iterative Closest Point (ICP) algorithm in order to precisely identify geometric deviations. An error metric based on this specifically detects so-called matter-out-of-place deviations, i.e. differences between the expected and the actual object state. To evaluate the method, a calibration cube was manufactured, measured and the measurement results compared with the errors derived from the image data. The evaluation of the results shows that, in particular, incorrect calibrations of the printer axes could be recognised as the cause of systematic defects. Rotational telecentric imaging thus proves to be a reliable and reproducible method for improving additive manufacturing.