ChSTU repository
ChSTU repository preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets
Learn More
Please use this identifier to cite or link to this item:
https://er.chdtu.edu.ua/handle/ChSTU/7718| Title: | Застосування засобів штучного інтелекту для аналізу 3D-моделей відсканованих деталей |
| Authors: | Мацепа, Сергій Михайлович Паламарчук, Дмитро Олегович |
| Keywords: | Штучний інтелект |
| Issue Date: | 2025 |
| Abstract: | АНОТАЦІЯ Тема кваліфікаційної роботи магістра: Застосування засобів штучного інтелекту для аналізу 3D-моделей відсканованих деталей Виконавець: здобувач групи . мНТ-42 Паламарчук Дмитро Олегович. Керівник: старший викладач Сергій Мацепа. Об'єм роботи 118 аркушів А4, 48 рис., 34 літ. джерел. Об'єкт дослідження - процес автоматизованого аналізу 3D-сканів механічних деталей з метою виявлення геометричних відхилень і дефектів. Предмет дослідження - методи та алгоритми штучного інтелекту для сегментації та виявлення дефектів на 3D-сканах механічних деталей. Метою роботи є підвищення ефективності контролю якості деталей, виготовлених методом 3D-друку, шляхом розробки та застосування засобів штучного інтелекту для аналізу їх 3D-сканів, автоматичного виявлення дефектів та формування рекомендацій щодо коригування параметрів технологічного процесу виготовлення. У першому розділі проаналізовано сучасний стан задачі аналізу 3Dсканів деталей та сформульовано основні напрями дослідження. Розглянуто методи отримання 3D-сканів, типові дефекти й деформації, а також формати представлення та структури 3D-даних, що використовуються для їх обробки. Проаналізовано основні підходи застосування методів штучного інтелекту для роботи з 3D-геометрією У другому розділі проведено експериментальне дослідження застосування нейромережевих методів для аналізу 3D-сканів деталей. Розглянуто процес генерації хмар точок із CAD-моделей та організацію програмного проєкту. Реалізовано базову модель PointNet для класифікації дефектів і більш складну модель DGCNN для сегментації дефектних зон у хмарах точок, включно з підготовкою синтетичних даних, вибором базової деталі та типів дефектів.У третьому розділі розроблено прикладну систему рекомендацій та API для аналізу результатів сегментації дефектів 3D-друку. Наведено опис основних модулів системи, структури проєкту та результати поточного тестування розробленого рішення на реальних 3D-сканах деталей. У четвертому розділі розглянуто умови праці фахівця з штучного інтелекту, діяльність якого пов’язана з аналізом 3D-моделей відсканованих деталей. Проаналізовано основні шкідливі та небезпечні виробничі фактори, а також вимоги до організації сучасного робочого місця, роботи з комп’ютерною технікою та обладнанням для 3D-друку. Наведено основні правила безпеки під час експлуатації 3D-принтера та визначено порядок дій у надзвичайних ситуаціях з метою зниження професійних ризиків і забезпечення безпечних умовпраці. |
| URI: | https://er.chdtu.edu.ua/handle/ChSTU/7718 |
| Appears in Collections: | 131 Прикладна механіка (Обробка металів за спецтехнологіями) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Паламарчук.pdf Restricted Access | 3.64 MB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
Extracted text
Міністерство освіти і науки України Черкаський державний технологічний університет Факультет електронних технологій, автотранспорту та машинобудування Кафедра технології та обладнаннямашинобудівних виробництв До захисту допущено: Завідувач кафедри ТОМВ Георгій КАНАШЕВИЧ « » 2025 р. Пояснювальна записка до кваліфікаційної роботи магістра на тему: «Застосування засобів штучного інтелекту для аналізу 3D-моделей відсканованих деталей» Виконав: здобувач 2 курсу, групи мНТ-42 Спеціальності 131 – «Прикладна механіка» Освітня програма – «Обробка металів за спецтехнологіями» Паламарчук Дмитро Олегович Керівник: ст. викладач Мацепа Сергій Михайлович Рецензент: Інженер-технолог ПП «Фотоніка плюс» м.Черкаси Голуб Микола Васильович Черкаси 2025 р. Черкаський державний технологічний університет Факультет електронних технологій, автотранспорту тамашинобудування Кафедра технології та обладнання машинобудівних виробництв Освітній рівень магістерський. Спеціальність 131 «Прикладна механіка». Освітня програма «Обробка металів за спецтехнологіями» ЗАТВЕРДЖУЮ: Завідувач кафедри ТОМВ Георгій КАНАШЕВИЧ « » 2025 р. ЗАВДАННЯ на кваліфікаційну роботу магістра _Паламарчуку Дмитру Олеговичу _ (прізвище, ім’я, по батькові) 1. Тема роботи «Застосування засобів штучного інтелекту для аналізу 3D- моделей відсканованихдеталей». Керівник роботи Мацепа Сергій Михайлович, старший викладач. (прізвище, ім’я, по батькові, науковий ступінь, вчене звання) Затверджена наказом Черкаського державного технологічного університету від «15» вересня 2025р. №261/03-03 2. Термін подання здобувачем роботи 11. 12. 2025 р. 3. Вихідні дані до роботи: 3D-моделі деталей, виготовлених методом адитивного виробництва (3D-друку), отримані в результаті 3D-сканування та представлені у вигляді полігональних моделей. Синтетичні та експериментальні набори даних з розміченими дефектами (вигин, деформація отворів, нарости матеріалу тощо). Програмні засоби обробки 3D-даних, нейромережеві моделі для сегментації хмар точок, а також обчислювальні ресурси для навчання та тестування моделей. Охорона праці та надзвичайні ситуації: небезпечні фактори при роботі з комп’ютерною технікою та 3D-принтером, вимоги електробезпеки, мікроклімату приміщення, а також порядок дій у разі виникнення надзвичайних ситуацій (пожежа, відмова обладнання). 4. Зміст пояснювальної записки: Аналіз стану проблеми контролю якості 3D-друкованих деталей та формулювання задач дослідження; методи отримання 3D- сканів і основні підходи до 3D-сканування; типи дефектів і деформацій адитивного виробництва; структури даних 3D-сканів та методи їх попередньої обробки; методи штучного інтелекту для аналізу 3D-геометрії; порівняння нейромережевих методів та обґрунтування області їх застосування; причини складності обробки нерегулярних 3D-даних; інструменти, фреймворки та обчислювальні ресурси для реалізації систем штучного інтелекту; експериментальне дослідження застосування нейромережевих методів для аналізу 3D-сканів, формування та підготовка даних, реалізація і навчання моделей PointNet та DGCNN; аналіз результатів навчання та виявлених проблем; розробка прикладної системи рекомендацій та API для аналізу результатів 3D-друку, тестування системи на реальних 3D-сканах, обмеження та можливості її розширення; охорона праці та безпека в надзвичайних ситуаціях. 5. Перелік графічного матеріал(з точним зазначенням обов’язкових креслеників, плакатів, презентацій тощо тема, мета та задачі кваліфікаційної роботи, типові дефекти 3D-друку, 3D-сканер, принцип роботи та результати сканування, структури даних 3d-сканів, методи роботи ші з 3D-сканами, інструменти та середовище розробки, загальна схема системи до реалізації, підготовка даних для навчання моделей, реалізація базової моделі PointNet, реалізація моделі dgcnn для сегментації, результати навчання моделі DGCNN, реалізація API та системи рекомендацій, приклад реального 3D-скану, результати сегментації та рекомендації на реальному скані, обмеження та роль обчислювальних ресурсів, охорона праці та безпека в надзвичайних ситуаціях. 6. Керівники з роботи із зазначенням розділів роботи, що їх стосується Прізвище, ініціали та посада Підпис, дата Розділ консультанта завдання видав завдання прийняв Розділ 1-3 Мацепа Сергій Михайлович Розділ 4 Цікановський Володимир Леонідович 7. Дата видачі завдання 16.09.2025 р. Календарний план № Назва етапів дипломного Строк Примітка з/п роботи виконання етапів роботи 1 Збір інформації для написання КРМ 16.09. - 30.09.2025 2 Написання І розділу КРМ 01.10.-15.10.2025 3 Написання ІІ розділу КРМ 16.10 – 24.10.2025 4 Написання ІІІ розділу КРМ 25.10 – 2.11.2025 5 Написання розділу з охорони праці 3.11 – 9.11.2025 6 Оформлення пояснювальної записки 10.11 – 25.11.2025 7 Оформлення графічної документації 26.11 – 04.12.2025 8 Захист роботи 19.12.-31.01.2026р. Здобувач _Дмитро ПАЛАМАРЧУК Підпис Власне ім’я, ПРІЗВИЩЕ Керівник Сергій МАЦЕПА Підпис Власне ім’я, ПРІЗВИЩЕ АНОТАЦІЯ Тема кваліфікаційної роботи магістра: Застосування засобів штучного інтелекту для аналізу 3D-моделей відсканованих деталей Виконавець: здобувач групи . мНТ-42 Паламарчук Дмитро Олегович. Керівник: старший викладач Сергій Мацепа. Об'єм роботи 118 аркушів А4, 48 рис., 34 літ. джерел. Об'єкт дослідження - процес автоматизованого аналізу 3D-сканів механічних деталей з метою виявлення геометричних відхилень і дефектів. Предмет дослідження - методи та алгоритми штучного інтелекту для сегментації та виявлення дефектів на 3D-сканах механічних деталей. Метою роботи є підвищення ефективності контролю якості деталей, виготовлених методом 3D-друку, шляхом розробки та застосування засобів штучного інтелекту для аналізу їх 3D-сканів, автоматичного виявлення дефектів та формування рекомендацій щодо коригування параметрів технологічного процесу виготовлення. У першому розділі проаналізовано сучасний стан задачі аналізу 3D- сканів деталей та сформульовано основні напрями дослідження. Розглянуто методи отримання 3D-сканів, типові дефекти й деформації, а також формати представлення та структури 3D-даних, що використовуються для їх обробки. Проаналізовано основні підходи застосування методів штучного інтелекту для роботи з 3D-геометрією У другому розділі проведено експериментальне дослідження застосування нейромережевих методів для аналізу 3D-сканів деталей. Розглянуто процес генерації хмар точок із CAD-моделей та організацію програмного проєкту. Реалізовано базову модель PointNet для класифікації дефектів і більш складну модель DGCNN для сегментації дефектних зон у хмарах точок, включно з підготовкою синтетичних даних, вибором базової деталі та типів дефектів. У третьому розділі розроблено прикладну систему рекомендацій та API для аналізу результатів сегментації дефектів 3D-друку. Наведено опис основних модулів системи, структури проєкту та результати поточного тестування розробленого рішення на реальних 3D-сканах деталей. У четвертому розділі розглянуто умови праці фахівця з штучного інтелекту, діяльність якого пов’язана з аналізом 3D-моделей відсканованих деталей. Проаналізовано основні шкідливі та небезпечні виробничі фактори, а також вимоги до організації сучасного робочого місця, роботи з комп’ютерною технікою та обладнанням для 3D-друку. Наведено основні правила безпеки під час експлуатації 3D-принтера та визначено порядок дій у надзвичайних ситуаціях з метою зниження професійних ризиків і забезпечення безпечних умов праці. ABSTRACT Master's qualification work topic: Application of artificial intelligence techniques for the analysis of 3D models of scanned mechanical parts. Performer: student of group mNT-42, Palamarchuk Dmytro. Supervisor: Senior Lecturer Serhii Matsepa. The thesis comprises 118 A4 pages, 48 figures and 34 references. The object of the research is the process of automated analysis of 3D scans of mechanical components aimed at detecting geometric deviations and defects. The subject of the research comprises artificial intelligence methods and algorithms for defect detection and segmentation in 3D scans of mechanical parts. The purpose of this work is to improve the efficiency of quality control for parts manufactured using 3D printing technologies by developing and applying artificial intelligence -based methods for the analysis of their 3D scans, automatic defect detection, and generation of recommendations for adjusting technological manufacturing parameters. The first chapter analyzes the current state of the problem of 3D scan analysis and formulates the main research directions. It considers methods of obtaining 3D scans, typical defects and deformations, as well as formats and data structures used for representing and processing 3D data. The main approaches to applying artificial intelligence methods for working with 3D geometry are also analyzed. The second chapter presents an experimental study of the application of neural network -based methods for the analysis of 3D scans of mechanical parts. The process of generating point clouds from CAD models and the organization of the software project are described. A baseline PointNet model for defect classification and a more advanced DGCNN model for defect segmentation in point clouds are implemented, including the preparation of synthetic data, selection of a base part, and definition of defect types. The third chapter focuses on the development of an applied recommendation system and an API for analyzing the results of 3D printing defect segmentation. The structure of the system, its main modules, and the results of testing the developed solution on real 3D scans of mechanical parts are presented. In the fourth chapter, the working conditions of an artificial intelligence specialist whose activities are related to the analysis of 3D models of scanned parts are examined. The main harmful and hazardous occupational factors are analyzed, as well as the requirements for organizing a modern workplace and for working with computer equipment and 3D printing devices. The basic safety rules for operating a 3D printer are presented, and the procedures to be followed in emergency situations are defined in order to reduce occupational risks and ensure safe working conditions. Зміст Вступ 11 Розділ 1 13 Стан питання і формулювання задач дослідження 13 1.1 Методи отримання 3D-сканів 13 1.1.1 3D-сканер 13 1.1.2 Основні методи 3D-сканування 13 1.2 Типи дефектів і деформацій 16 1.3 Структури даних 20 1.3.1 Основні структури даних 3D-сканів 20 1.3.2 Попередня обробка 3D-моделей 24 1.4 ШІ-методи роботи з 3D-геометрією 26 1.4.1 PointNet та PointNet++ 26 1.4.2 DGCNN (Dynamic Graph CNN) 29 1.4.3 MeshCNN 29 1.4.4 HodgeNet 30 1.4.5 Методи на основі проектування 3D у 2D (View-based / Projection-based) 31 1.4.6 Генеративні моделі та моделі для аномалій 32 1.4.7 Autoencoder 32 1.5 Порівняння методів та область застосування кожного з них 33 1.5.1 Методи прямого опрацювання 3D-даних 33 1.5.2 Генеративні та реконструкційні підходи 34 1.5.3 Підсумкова класифікація за областю застосування 35 1.6 Чому ШІ складно працювати з нерегулярними 3D-даними 35 1.7 Інструменти та середовища розробки 36 1.7.1 Python 37 1.7.2 Java 38 1.8 Фреймворки та бібліотеки для роботи з 3D-даними та методами штучного інтелекту 39 1.8.1 PyTorch 39 1.8.2 PyTorch3D 40 1.8.3 Open3D 40 1.8.4 Допоміжні інструменти 41 1.9 Апаратне забезпечення та обчислювальні ресурси 41 1.9.1 Важливість GPU 41 1.9.2 NVIDIA та CUDA 42 1.9.3 Обсяг відеопам'яті 42 1.9.4 Оперативна пам'ять та CPU 43 1.9.5 SSD/NVMe 43 Висновок до розділу 1 43 Розділ 2 44 Експериментальне дослідження застосування нейромережевих методів для аналізу 3D-сканів деталей 44 2.1 Інструменти та середовище реалізації 44 2.1.1 Python 44 2.1.2 PyTorch 45 2.1.3 Open3D 45 2.1.4 NVIDIA CUDA 45 2.2 Дані та підходи до їх формування 46 2.3 Структура програмного проєкту 46 2.4 Підготовка даних для навчання моделей аналізу 3D-сканів 56 2.4.1 Генерація хмар точок з CAD-моделей 57 2.5 Реалізація базової нейромережевої моделі PointNet для класифікації дефектів 61 2.6 Реалізація та навчання моделі DGCNN для сегментації дефектів 67 2.6.1 Принцип сегментації хмар точок 68 2.6.2 Підготовка синтетичних даних 68 2.6.3 Оновлення інструментів візуалізації 70 2.6.4 Вибір базової деталі для навчання моделі 71 2.6.5 Типи дефектів, використані у синтетичних даних 72 2.7 Навчання моделі та проблеми 76 Висновки до розділу 2 82 Розділ 3 85 Розробка прикладної системи рекомендацій та API для аналізу результатів 3D-друку 85 3.1 Архітектура системи 87 8 3.1.1 Вибір фреймворку для реалізації прикладного API 88 3.2 Формат даних та API-контракт 89 3.2.1 Вхідні дані 90 3.2.2 Вихідні дані 90 3.3 Опис основних модулів системи 91 3.3.1 Загальна концепція та принцип роботи системи рекомендацій 92 3.3.2 Структура проєкту системи рекомендацій 93 3.4 Поточне тестування системи на реальних 3D-сканах 95 3.5 Обмеження реалізації 101 3.6 Можливості розширення системи 103 3.7 Поліпшення якості сегментації 104 Висновок до розділу 3 105 Розділ 4 106 Охорона праці та безпека в надзвичайних ситуаціях 106 4.1 Посада та основні обов'язки фахівця з штучного інтелекту 106 4.2 Умови праці 107 4.3 Шкідливі та небезпечні виробничі фактори 108 4.4 Організація сучасного робочого місця фахівця з штучного інтелекту 109 4.4.1 Робочий стіл та його параметри 110 4.4.2 Робоче крісло та вимоги до ергономіки 111 4.4.3 Монітор та засоби візуалізації 111 4.4.4 Клавіатура, миша та органи керування 111 4.4.5 Освітлення робочого місця 111 4.4.6 Розміщення технічного обладнання та кабель-менеджмент 111 4.5 Вимоги безпеки при роботі з комп'ютерною технікою 112 4.5.1 Електробезпека 112 4.5.2 Режим праці та відпочинку 112 4.5.3 Мікроклімат приміщення 112 4.6 Безпека при роботі з 3D-принтером 113 4.6.1 Основні небезпечні фактори 3D-друку 113 4.6.2 Вимоги до приміщення 113 4.6.3 Правила експлуатації 3D-принтера 113 4.7 Безпека в надзвичайних ситуаціях 113 Висновок до розділу 4 114 9 Загальний висновок 115 Список використаної літератури 117 10 Вступ У сучасних умовах розвитку промисловості спостерігається активний перехід до цифрових технологій контролю якості та автоматизації виробничих процесів. Особливо актуальною ця тенденція є для адитивного виробництва, зокрема 3D- друку, де якість виготовлених деталей значною мірою залежить від великої кількості технологічних параметрів, а виникнення дефектів є поширеним явищем. Навіть незначні геометричні відхилення можуть призвести до зниження функціональності деталі або її повної непридатності до використання. Одним із поширених методів контролю якості деталей є 3D-сканування, яке дозволяє отримати цифрову модель виготовленого виробу та порівняти її з еталонною геометрією. Проте на практиці аналіз результатів 3D-сканування часто здійснюється вручну або з використанням обмежених алгоритмічних підходів, що ускладнює виявлення складних дефектів. Додатковою проблемою є те, що отримані 3D-скани містять нерегулярні, зашумлені та неструктуровані дані, які важко піддаються аналізу традиційними методами обробки. Окремою суттєвою проблемою є відсутність автоматизованого зв'язку між результатами контролю якості та процесом виготовлення деталей. У більшості випадків навіть після виявлення дефекту рішення щодо його усунення приймається інженером вручну, на основі досвіду та суб'єктивних припущень, що знижує відтворюваність результатів та ефективність виробничого процесу. Застосування методів штучного інтелекту відкриває нові можливості не лише для автоматизованого аналізу 3D-сканів, але й для формування рекомендацій щодо коригування параметрів технологічного процесу виготовлення. Моделі машинного навчання здатні виявляти складні закономірності у просторових даних, ідентифікувати характерні типи дефектів та встановлювати зв'язок між геометричними відхиленнями і причинами їх виникнення. 11 Актуальність даної роботи зумовлена потребою у створенні автоматизованих систем контролю якості деталей адитивного виробництва, які поєднують аналіз 3D-сканів з інтелектуальною підтримкою прийняття рішень. Використання засобів штучного інтелекту для виявлення дефектів та формування рекомендацій щодо їх усунення дозволяє зменшити вплив людського фактора, підвищити стабільність якості продукції та ефективність виробничих процесів. 12 Розділ 1 Стан питання і формулювання задач дослідження 1.1 Методи отримання 3D-сканів 3D-сканування - це технологія створення цифрової тривимірної моделі об'єкта з високою точністю шляхом збору його геометричних даних. Вона використовується для отримання детальної інформації про форму, розмір і текстуру об'єкта, перетворюючи його у цифровий формат. [1] 3D-сканування перетворює фізичні об'єкти в цифрові дані через спеціальні пристрої - сканери. Процес включає фіксацію координат поверхні у вигляді "хмари точок", яку потім програмне забезпечення обробляє, створюючи тривимірну сітку (mesh). Модель може бути доповнена текстурою чи кольором і збережена у форматах STL, OBJ або інших. Технологія залежить від методу сканування, кожен з яких має свої особливості, точність і сферу застосування. [2] 1.1.1 3D-сканер 3D-сканер - це пристрій, який аналізує об'єкт або навколишнє середовище для збору даних про його форму, а іноді й колір. Ці дані використовуються для створення цифрових 3D-моделей, що знаходять застосування у виробництві, медицині, архітектурі, дизайні ігрових світів та багатьох інших галузях. [2] 1.1.2 Основні методи 3D-сканування Існує кілька основних методів 3D-сканування, кожен із яких має свої переваги та недоліки. Також в залежності від цих методів виділяють окремі види сканерів чи ПЗ. 13 Лазерне сканування Лазерне 3D-сканування базується на використанні лазерного променя для точного вимірювання відстані до поверхні об'єкта. Лазерний сканер випромінює промінь, який відбивається від об'єкта, а сенсор реєструє час, необхідний для повернення променя. Завдяки цьому методу можна отримати високоточну 3D-модель навіть найскладніших геометричних форм. Переваги: ● Висока точність та деталізація ● Можливість сканування великих об'єктів ● Використання в різних умовах, включаючи відкритий простір Недоліки: ● Висока вартість обладнання ● Чутливість до відбиття поверхні та навколишнього освітлення Фотограмметрія Фотограмметрія - це метод, що передбачає створення 3D-моделі на основі численних фотографій, зроблених з різних кутів. Спеціальне програмне забезпечення аналізує зображення, визначає ключові точки та створює цифрову модель об'єкта. Переваги: ● Доступність та відносно низька вартість обладнання ● Простота використання ● Висока деталізація текстур Недоліки: ● Менша точність у порівнянні з лазерним скануванням ● Вплив зовнішніх факторів, таких як освітлення та якість зображень Сфери застосування: ● Картографія та геодезія 14 ● Культурна спадщина та реставрація ● Судова експертиза Структуроване світло Метод структурованого світла передбачає проєкцію візерунків світла (наприклад, смуг або точок) на об'єкт. Камера реєструє, як ці візерунки деформуються, що дозволяє обчислити форму поверхні. Переваги: ● Висока точність у малих масштабах ● Відсутність впливу зовнішнього освітлення ● Швидке отримання 3D-моделі Недоліки: ● Підходить переважно для невеликих об'єктів ● Обмежене використання на вулиці Сфери застосування: ● Промисловий контроль якості ● Створення цифрових копій мистецьких творів ● Дизайн та виготовлення прототипів Контактне 3D-сканування Контактні сканери використовують механічний щуп, який торкається поверхні об'єкта для збору даних про його форму. Хоча цей метод є дуже точним, він підходить лише для об'єктів, які не деформуються під тиском. Переваги: ● Найвища точність серед усіх методів ● Можливість вимірювання внутрішніх порожнин Недоліки: ● Тривалий процес сканування 15 ● Неможливість сканування м'яких або деформованих об'єктів Сфери застосування: ● Інженерія та машинобудування ● Контроль якості у виробництві ● Металургія Томографія (КТ та МРТ) Комп'ютерна томографія (КТ) та магнітно-резонансна томографія (МРТ) застосовуються для сканування внутрішньої структури об'єктів, зокрема біологічних тканин і промислових матеріалів. Переваги: ● Можливість аналізу внутрішніх структур ● Висока деталізація Недоліки: ● Висока вартість обладнання ● Використання іонізуючого випромінювання (у разі КТ) Сфери застосування: ● Медицина ● Матеріалознавство ● Промисловий аналіз [2] 1.2 Типи дефектів і деформацій Згідно з ДЕСТом 15467-79, дефект - це невідповідність заготівлі або виливка вимогам, що висуваються до них. Якщо у виробу присутня одна або кілька невідповідностей, то він вважається дефектним. Відповідно, певний показник якості, за яким тестувалася деталь, перевищив чинні нормативні значення. Це не означає, що її не можна використовувати: ймовірно, ситуацію можна виправити різними методами або подальшою обробкою виробу. [3] 16 Адитивне виробництво, зокрема 3D-друк, має низку переваг, таких як висока гнучкість проєктування та можливість виготовлення деталей складної геометрії. Водночас особливості пошарового формування об'єктів зумовлюють виникнення характерних дефектів і деформацій, які безпосередньо впливають на геометричну точність, міцність та експлуатаційні властивості готових виробів. Одним із найбільш поширених типів дефектів є геометричні відхилення від номінальної форми, що проявляються у викривленні поверхонь, локальних деформаціях або порушенні симетрії деталі. Такі дефекти зазвичай виникають внаслідок нерівномірного охолодження матеріалу, залишкових напружень або неправильного вибору параметрів друку, зокрема температури екструзії та швидкості подачі матеріалу. Поширеним явищем при 3D-друку є деформація типу "вигин", яка полягає у вигині або відшаруванні країв деталі від робочої платформи. Даний дефект призводить до порушення геометрії нижніх шарів та ускладнює подальше використання виробу. Причиною виникнення warping є значні температурні градієнти між шарами та недостатня адгезія до платформи друку. Рис. 1.1 - Дефект типу "вигин" 17 Окрему групу дефектів складають локальні поверхневі дефекти, до яких належать нерівності, хвилястість поверхні, надлишкові нашарування матеріалу або, навпаки, локальні провали. Подібні дефекти часто пов'язані з нестабільною подачею матеріалу, вібраціями друкуючої головки або похибками калібрування обладнання. Хоча такі дефекти можуть бути не критичними з точки зору міцності, вони істотно впливають на точність та якість поверхні. Рис. 1.2 - Поверхневий дефект Ще одним характерним типом дефектів є порушення внутрішньої структури деталі, зокрема поява порожнин, неповного заповнення або слабкого зчеплення між шарами. Дані дефекти важко виявити візуально, проте вони суттєво знижують механічну міцність виробу. Саме такі приховані дефекти є особливо небезпечними у відповідальних деталях. 18 Рис. 1.3 - Порожнини всередині Крім того, при виготовленні деталей складної геометрії часто спостерігаються локальні спотворення елементів, таких як отвори, ребра жорсткості або тонкостінні ділянки. Відхилення у формі таких елементів зазвичай пов'язані з обмеженнями технології 3D-друку та неточностями підтримуючих структур, що призводить до систематичних геометричних помилок. Також розповсюдженим дефектом є розшарування та розтріскування шарів. Такий дефект зазвичай виникає внаслідок недостатньої температури екструзії, низької температури робочого середовища, занадто великої швидкості друку або неправильно підібраної висоти шару. У результаті між шарами утворюються 19 мікротріщини або видимі розриви, що знижують механічну міцність деталі та можуть призводити до її руйнування під навантаженням. [4-5] Рис. 1.4 - Розшарування 1.3 Структури даних Структури даних 3D-сканів об'єктів - це формати представлення просторових даних, отриманих під час сканування фізичних об'єктів, які можуть включати: сітки (полігональні, трикутні, чотирикутні), хмари точок, поверхні (твердотільні, багатошарові) та воксельні дані. Кожен формат має свої переваги та застосовується залежно від мети - від простого візуального представлення до складного моделювання чи аналізу. [6] 1.3.1 Основні структури даних 3D-сканів Хмари точок (Point Clouds): Найпростіший формат, що складається з великої кількості тривимірних точок, кожна з яких має координати x,y,z. Переваги: ● Легко генерувати з 3D-сканерів, зберігає високу деталізацію. 20 Недоліки: ● Відсутність інформації про зв'язки між точками, що ускладнює подальше моделювання та аналіз. Рис. 1.5 - Хмара точок Сітки (Meshes): Найпоширеніший формат, який представляє поверхню об'єкта як набір граней (полігонів), що складаються з вершин (точок), ребер і граней. Типи: Полігональні сітки, трикутні сітки, чотирикутні сітки тощо. Переваги: ● Дають повне уявлення про форму та поверхню об'єкта, дозволяють проводити складні обчислення. Недоліки: ● Можуть бути громіздкими, якщо скануються дуже деталізовані об'єкти. 21 Рис. 1.6 - Сітка (mesh) Поверхні (Surfaces): Представляють поверхню об'єкта за допомогою математичних формул, які описують її форму. Типи: Твердотільні, поверхневі, параметричні поверхні. Переваги: ● Зберігають точні геометричні дані, дозволяють проводити складні операції моделювання, такі як зварення, видавлювання, розгортка тощо. Недоліки: ● Не завжди зручні для візуалізації простих об'єктів, вимагають складнішого програмного забезпечення для роботи. 22 Рис. 1.7 - Поверхня Вокселі (Voxels): Тривимірний аналог пікселів, що представляє об'єкт як об'ємну сітку, кожна комірка якої (воксель) містить певну інформацію. Переваги: ● Ідеально підходять для візуалізації об'ємних об'єктів, таких як медичні скани (КТ, МРТ) або для роботи з процедурними методами моделювання. Недоліки: ● Потребують великих обсягів пам'яті, особливо для об'єктів з високою роздільною здатністю. [7-9] 23 Рис. 1.8 - Приклад воксельної моделі (зправа) поряд із звичайним мешем 1.3.2 Попередня обробка 3D-моделей Після сканування отримана 3D-модель потребує ретельної обробки для усунення дефектів, покращення геометрії та оптимізації структури. Цей етап необхідний для того, щоб модель була готова до аналізу і не містила спотворень. Видалення шумів і артефактів Під час сканування можуть з'явитися зайві точки, випадкові полігони або похибки, які не є частиною моделі. Вони можуть створювати спотворення під час друку, тому їх потрібно видалити за допомогою: Фільтрації шумів - автоматичне очищення в MeshLab або Blender. Ручного редагування - вибір і видалення зайвих точок та поверхонь у програмі Netfabb. Закриття отворів і виправлення геометрії Якщо модель містить відкриті ділянки або розриви, їх потрібно закрити. Важливо забезпечити цілісність геометрії, адже 3D-принтер друкує лише замкнуті поверхні. 24 Автоматичне закриття отворів - у Meshmixer, Netfabb або Blender є функція автоматичного виправлення розривів. Ручне моделювання - у складних випадках можна додати або вирівняти полігони вручну. Оптимізація полігональної сітки Високополігональні моделі займають більше пам'яті та можуть викликати помилки в слайсері. Оптимізація зменшує кількість полігонів без значної втрати якості: Ретопологія - створення спрощеної сітки вручну або автоматично для рівномірного розподілу полігонів. Згладжування поверхонь Після сканування модель може містити нерівності, що впливають на якість друку. Застосування згладжування допоможе отримати рівнішу поверхню: Інструмент "Smooth" у Blender, Meshmixer. Локальне вирівнювання поверхонь у ZBrush для точного виправлення дефектів. Усунення перетинаючих поверхонь Якщо модель складається з кількох частин, можливі проблеми з накладанням геометрії. Це може призвести до помилок у слайсері або неправильного друку. Boolean-операції - дозволяють правильно об'єднати кілька об'єктів у Blender чи Meshmixer. Перевірка цілісності - у Netfabb можна знайти перетинаючі поверхні та автоматично їх усунути. Перевірка нормалей Щоб модель правильно відображалася і друкувалася, всі нормалі (напрямки поверхонь) повинні бути спрямовані назовні. Якщо є помилки: 25 Автоматична корекція нормалей у MeshLab, Blender. Ручне виправлення - зміна орієнтації нормалей у 3D-редакторі. [10] 1.4 ШІ-методи роботи з 3D-геометрією Штучний інтелект (ШІ, AI) революціонізує роботу з 3D-геометрією, пропонуючи низку методів для генерації, реконструкції, аналізу та оптимізації 3D-моделей. Ці методи значно прискорюють і спрощують процеси, які раніше вимагали значних ручних зусиль. Обробка хмар точок: ШІ може автоматично структурувати та аналізувати дані хмар точок, отримані зі сканерів, що мінімізує потребу в ручному виправленні та дозволяє гнучко змінювати рівень деталізації. Оптимізація та уточнення моделей: ШІ використовується для оптимізації та доопрацювання згенерованих моделей, покращуючи їх якість, цілісність та придатність для використання в різних програмах, наприклад, шляхом створення високоякісних трикутних сіток (mesh). Порівняння геометричних форм: Методи машинного навчання застосовуються для аналізу та порівняння складних 3D-форм. [11] 1.4.1 PointNet та PointNet++ PointNet і PointNet++ - це основоположні нейромережеві моделі для роботи з хмарами точок, які вперше вирішили головну проблему: AI не вміє напряму працювати з нерегулярними 3D-даними. Основна ідея PointNet полягає у тому, що хмара точок - це просто набір координат [x, y, z]. Порядок точок не важливий, тому мережа повинна бути інваріантна до перестановок, а звичайні CNN не можуть цього гарантувати У цьому конкретному випадку інваріантна до перестановок мережа означає, що нейромережа буде працювати однаково, незалежно від того у якій 26 послідовності буде подано точки на вхід (адже у хмарі точок немає порядку, це просто хаотичний набір координат). Зазвичай нейромережі (LSTM, CNN) покладаються на порядок елементів у вхідному масиві: ● у тексті слова йдуть у конкретній послідовності ● у зображенні є сусідні пікселі, координати, локальні області ● у аудіо є часовий ряд і т.д. Але в point cloud немає "сусідніх" точок у масиві. Точка із "нульовими координатами" (x = 0; y = 0; z = 0) може стояти хоч першою, хоч 500-ою - це взагалі не має сенсу. PointNet вирішує дану проблему наступним чином: 1. Однакова обробка кожної точки: Кожну точку пропускають через той самий MLP. Це означає, що модель не дивиться на позицію точки у масиві - важливі лише її координати. 2. Агрегація симетричною функцією: Потім усі ознаки точок об'єднують через операцію, яка не залежить від порядку - max pooling (беруть максимум по кожній ознаці) або sum/average (теж симетричні функції) Цим операціям не важливий порядок, у якому подаються значення. Комбінація цих двох речей і дає інваріантність до перестановок. Але у PointNet є важливий недолік - PointNet не бачить локального контексту. Це означає, що якщо, наприклад, група точок описує тріщину - PointNet не "бачить" цю тріщину, адже PointNet аналізує точки поодинці і ігнорує локальну геометрію (тобто по одній точці - тріщина просто не існує). Це майже унеможливлює його використання на таких задачах, як: ● поверхневі дефекти 27 ● тонкі ребра ● виїдання ● локальні деформації Тому придумали PointNet++, яка є розширенням PointNet, що додає локальний контекст через ієрархічні області. Основним принципом даної моделі є "спочатку локальна інформація, лише потім - глобальна". За принципом дії ці моделі дуже схожі між собою, але PointNet++ працює трохи інакше: 1. Спочатку обираються опорні точки (sampling). Зазвичай це відбувається через Farthest Point Sampling (FPS) - обираємо точки максимально далеко одна від одної, щоб покрити всю форму. 2. Групування - для кожної опорної точки шукається її локальна область. Зазвичай для цього використовуються алгоритми Ball Query (просто беруться усі точки у радіусі R) або метод К-найближчих сусідів (k-nearest neighbors, kNN - тут обираються найближчі точки у кількості К). Така область - маленький патч поверхні деталі. 3. Всередині локальної області запускається PointNet, що обробляє точки в цьому патчі, агрегує їх та виводить ознаку патча. Таким чином і отримується локальний опис. Далі той же процес повторюється на більших масштабах. Після чого модель бачить локальні структури, вміє відрізнити гладку поверхню від зколотої і виявляє дрібні дефекти. Тобто, наприклад, при скануванні гвинта звичайний PointNet бачить просто купу точок, а PointNet++ - бачить зони (зубці, спіраль, головка, шийка, тріщина і т.д.). Єдиним мінусом PointNet++ є загальна обчислювальна складність, "важкість" і повільність, тому на практиці зазвичай знижують щільність даних, роблять voxel preprocessing та працюють з міні батчами даних. [12] 28 1.4.2 DGCNN (Dynamic Graph CNN) DGCNN - це модель, яка перестала поводитись з хмарою точок як просто з купою хаотичних точок, і почала думати графами. Якщо порівнювати цю модель з PointNet - то DGCNN будує граф (а не просто аналізує точки) на основі ознак, і постійно перебудовує його. Якщо пошук сусідів при побудові локальних зон у PointNet виконується за допомогою алгоритмів що, грубо кажучи, шукають усіх сусідів у заданому радіусі або лише певну кількість найближчих сусідів - то DGCNN утворю граф з сусідів, і цей граф залежить не від радіусу чи заданої кількості точок. а від того що модель вже навчилась бачити. Тобто DGCNN робить сітку самостійно і будує граф на основі близьких точок, але робить це динамічно під час навчання, змінюючи граф на кожному шарі. При побудові графу використовується спеціальна операція під назвою EdgeConv: Для точки i ми дивимось на її k сусідів j і рахуємо f( xi , xj − xi ). Тобто мережа вчиться не тільки з координат точки, а і з локального відношення між точкою і близькими точками. xj − xi - це фактично "напрямок", "форма", "край", "контур", чого, наприклад, PointNet не бачить взагалі. У DGCNN - після кожного шару EdgeConv перераховується kNN саме у просторі ознак, а не в початкових xyz. Це означає що мережа сама визначає, які точки "схожі" і групує їх функціонально, а не по фізичній близькості. [13] 1.4.3 MeshCNN MeshCNN - це нейромережа, шо працює з мешами, аналізуючи їх ребра (адже саме ребра описують форму предмета). У MeshCNN кожне ребро - один елемент ознаки. Ознаки ребра включають: ● довжина ребра 29 ● співвідношення довжин інших ребер у трикутнику ● кути між гранями ● діагоналі протилежних ребер ● нормалі граней У розрізі роботи з деталями - саме на ребрах проявляються різкі зміни форми - вигини, тріщини, переходи, шви і т.д. Одиницею є саме ребро, і навколо нього завжди є 4 сусідні ребра: два в одній трикутній грані, два в іншій. Тобто, у MeshCNN кожне ребро бачить свій маленький локальний контекст. [14-15] 1.4.4 HodgeNet HodgeNet, на відміну від інших, не аналізує вершини або точки. Вона аналізує "потоки" (вектори) між елементами сітки, а отже оперує саме не координатами, а "векторними полями" на графі/mesh. Одиницею є потік (flow) - наскільки поверхня "йде" від однієї точки до іншої, напрям деформації, зміна нормалі, зміна товщини в цьому напрямку. Потоки бувають трьох типів: ● Gradient (curl-free) - все тече "з краю до центру" (аналогія - як вода стікає до ями). ● Curl / Rotational (div-free) - потік обертається по спіралі як вихор. ● Harmonic - топологічні аномалії, отвори, пропуски (нічого не тече, але і не крутиться). Принцип роботи HodgeNet полягає у наступному: ● Рахуємо нормалі граней ● Для кожного ребра будуємо локальний "потік" ● Робимо Hodge-розклад (як сильно й у який бік "ламається" поверхня, коли йдемо вздовж цього ребра). [16] 30 1.4.5 Методи на основі проектування 3D у 2D (View-based / Projection-based) Дані методи побудовані на простому принципі - перетворити 3D форму у набір 2D-проекцій, і потім використовувати звичайні 2D CNN / Vision Transformer - які вже мільйон раз перевірені часом і дуже потужні. Рис. 1.9 - Приклад проекції Тобто простішими словами - модель обробляє звичайні 2D зображення одного об'єкту, але з різних ракурсів. Як видно з рис. n - можна використовувати проекції не тільки на базі фотографій, а й на базі хмари точок. Основною ідеєю і перевагою є те, що 3D об'єкт важкий - нерегулярний, неповний, шумний (особливо без підготовки), а 2D - це простий регулярний масив пікселів, де CNN відчувають себе як вдома. 31 2D-проекції можна розділити за наступними типами: ● Depth map (глибина) ● Silhouette / occupancy ● Normal map ● Height map / Z-buffer [17-18] 1.4.6 Генеративні моделі та моделі для аномалій Генеративні моделі вирішують одну з основних проблем - нестача аномальних даних при навчанні. Такі моделі навчаються виключно на нормальних даних, без аномалій, і ідея надзвичайно проста - модель вчиться відновлювати нормальні об'єкти, а якщо вона не може - значить там аномалія. Це реалізує підхід one-class learning, що є критично важливим у задачах промислового контролю якості, де дані з дефектами рідкісні та неоднорідні. Генеративні моделі та моделі пошуку аномалій займають центральне місце у випадках, коли ми намагаємося аналізувати 3D-скани деталей. Будь-яка суттєва відмінність трактуєтся як дефект, зношення або порушення форми. При цьому підходи генерують різні способи роботи з даними: одні намагаються змоделювати розподіл "нормальних" деталей, інші концентруються на тому, щоб навчитися відновлювати скан і далі оцінювати якість реконструкції. [19] 1.4.7 Autoencoder Autoencoder - це нейронна мережа, яка вчиться стискати дані і потім відновлювати їх. Вона складається з двох частин: Encoder (зводить вхід (велика модель) до компактного вектору) та Decoder (намагається з цього стислого вектора відновити оригінал). У контексті 3D-аналізу мережа вивчає "нормальні" приклади деталей: об'єкти без дефектів, де геометрія відповідає очікуваним параметрам. Під час навчання 32 AE формує таке латентне представлення, що відображає типову форму об'єкта - гладкі поверхні, регулярні структури, рівномірні кривизни. Відповідно, ділянки, які не відповідають цій нормі (наприклад, тріщини, западини чи деформації), не можуть бути відновлені коректно, що робить Autoencoder ефективним механізмом для виявлення дефектів. [20-21] 1.5 Порівняння методів та область застосування кожного з них Аналіз тривимірних моделей відсканованих деталей може виконуватися різними засобами штучного інтелекту, які істотно відрізняються за принципами роботи, вимогами до даних та прикладними сценаріями. Розглянуті вище моделі можна умовно поділити на декілька категорій: методи прямого опрацювання хмар точок, генеративні та реконструкційні методи, моделі реєстрації (зіставлення) 3D- об'єктів та моделі порівняння геометрії. Кожна з груп вирішує специфічні задачі і демонструє відмінну ефективність залежно від типу дефектів та характеру геометричної складності об'єкта. 1.5.1 Методи прямого опрацювання 3D-даних До цієї групи відносяться моделі, що безпосередньо обробляють хмару точок і працюють з її ознаками. Найбільш відомими представниками є PointNet, PointNet++ та DGCNN. В їх основі лежить ідея обчислення характерних просторових дескрипторів (фіч), які описують локальну чи глобальну структуру поверхні. PointNet виконує обробку кожної точки незалежно, а отримані ознаки агрегуються шляхом симетричної функції (max-pooling). Модель забезпечує інваріантність до перестановок точок та масштабу, проте не враховує локальні зв'язки між сусідніми точками. Це обмежує здатність до виявлення дрібних дефектів і тонких геометричних утворень. PointNet++, на відміну від базової версії, формує ієрархічні околи точок різного масштабу. Кожна локальна група обробляється невеликим 33 PointNet-блоком, що дозволяє враховувати складні локальні патерни. У результаті модель придатна до аналізу поверхневих дефектів, нерівномірностей та сегментації структури об'єкта. DGCNN (Dynamic Graph CNN) розглядає хмару точок як граф, де ребра відображають відносини між точками. Основним елементом є оператор EdgeConv, який аналізує відносне положення точок у просторі. DGCNN здатна виділяти тонкі локальні структури (тріщини, кромки, западини), однак характеризується значною обчислювальною складністю. Загалом, методи прямої обробки придатні до задач класифікації, семантичної сегментації та первинного геометричного аналізу. Вони мають обмежену здатність до виявлення аномалій, якщо ці аномалії не проявляються у вигляді стабільних локальних патернів. [23] 1.5.2 Генеративні та реконструкційні підходи Ця категорія моделей орієнтована не на класифікацію структури, а на навчання "норми" об'єкта, тобто моделювання форми без дефектів. Autoencoder Autoencoder поєднує кодувальну та декодувальну частини. Модель навчається стискати 3D-дані у латентний простір і відновлювати їх назад. Умовою коректності вважається мала реконструкційна похибка. Ділянки, що не відтворюються, інтерпретуються як аномальні. Такий підхід ефективний у випадках, коли форма об'єкта повторюється стабільно (серійне виробництво), проте модель має схильність до переобучення та не забезпечує достатньої узагальнюваності. Variational Autoencoder Variational Autoencoder формує не конкретний латентний вектор, а ймовірнісний розподіл його значень, що дозволяє узагальнювати різні допустимі варіації геометрії. Це підвищує стійкість до шуму та деформацій і дозволяє 34 відокремлювати реальний дефект від статистичної відмінності. Однак VAE часто згладжує локальні геометричні деталі та знижує точність реконструкції малих дефектів. Diffusion-моделі Diffusion-моделі формують об'єкт через послідовний процес "очищення" від випадкового шуму. Модель вчиться відновлювати геометрію не одномоментно, а через множину локальних переходів. Це дозволяє зберігати складні деталі поверхні, ігнорувати сенсорні артефакти та виявляти рідкісні аномалії. Основні недоліки полягають у високій обчислювальній вартості та значній тривалості генерації. У випадках складних поверхонь, неоднорідних дефектів і значного рівня шуму diffusion-підходи демонструють найкращу точність серед генеративних моделей. [22] 1.5.3 Підсумкова класифікація за областю застосування Методи прямої обробки (PointNet, PointNet++, DGCNN) - класифікація об'єктів, семантична сегментація, аналіз локальних структур поверхні. Autoencoder / VAE - виявлення відхилень на основі реконструкційної похибки, моніторинг зносу, контроль серійних деталей. Diffusion-моделі - аналіз складних поверхонь з неоднорідними дефектами, робота зі сканами зі значним рівнем шуму та пропусками. AI-based registration - зіставлення сканів між собою або з CAD-моделлю, оцінка геометричних змін, підтримка автоматизованого контролю якості. Feature-based comparison - локалізація дефектів з урахуванням контексту, оцінка стану конкретних ділянок, групування виробничих варіацій. 1.6 Чому ШІ складно працювати з нерегулярними 3D-даними На відміну від класичних задач комп'ютерного бачення, де дані представлені у вигляді двовимірних регулярних структур (зображення, відео), тривимірні 35 скановані моделі мають принципово іншу природу. Дані, отримані під час 3D- сканування, найчастіше представлені у формі хмари точок (point cloud), яка не має сталої топології, фіксованої роздільної здатності чи регулярної сітки. У таких даних відсутні природні зв'язки між елементами, а сама структура є нерегулярною та невпорядкованою. Це створює низку фундаментальних проблем для використання традиційних алгоритмів машинного навчання та глибокого навчання. Методи, розроблені для 2D-даних, ґрунтуються на регулярності: кожен піксель має визначене положення в матриці, сусідні значення пов'язані геометрично, а згорткові фільтри (convolutions) можуть переміщатися по сітці з фіксованим кроком. У 3D-сценах ці припущення не виконуються: точки можуть бути розташовані довільно, із сильною нерівномірністю щільності, а локальні зв'язки між ними не визначені наперед. Крім того, процес сканування породжує додаткові виклики - шум, артефакти, пропущені області, неповні поверхні, неоднорідну щільність та різку зміну масштабу. У результаті модель штучного інтелекту повинна не лише "розуміти" форму об'єкта, але й коректно інтерпретувати неструктуровані просторові дані, що робить завдання значно складнішим, ніж аналіз звичайних зображень чи сигналів. Таким чином, нерегулярність 3D-даних унеможливлює пряме застосування традиційних підходів - і тому потребує спеціалізованих нейронних архітектур, таких як PointNet, DGCNN, Graph Neural Networks або об'ємні моделі на вокселях. Розуміння цих фундаментальних обмежень є ключовим для правильного вибору ШІ-методів під час аналізу сканованих деталей. 1.7 Інструменти та середовища розробки У процесі розробки системи аналізу 3D-моделей відсканованих деталей доцільно використовувати декілька мов програмування, кожна з яких виконує власну роль в загальному програмному комплексі. У даній роботі розглянуто три 36 основні мови: Python, C++ та Java, які відрізняються як за рівнем абстракції, так і за придатністю до реалізації методів штучного інтелекту. 1.7.1 Python Python є де-факто стандартом для наукових обчислень та розробки моделей штучного інтелекту. Мова має високу виразність, простий синтаксис та потужну екосистему бібліотек для глибокого навчання (PyTorch, TensorFlow, Keras), обробки даних (NumPy, Pandas) та роботи з 3D-даними (Open3D, PyTorch3D тощо). Переваги Python у контексті ШІ: ● наявність спеціалізованих фреймворків для нейронних мереж, які підтримують обчислення на GPU; ● велика кількість готових реалізацій сучасних архітектур (PointNet, PointNet++, DGCNN, автоенкодери, diffusion-моделі); ● зручність експериментування, швидке прототипування та відлагодження моделей; ● активна спільнота та велика кількість наукових прикладів і репозиторіїв. Недоліки: ● інтерпретована природа мови та відносно низька швидкість виконання «чистого» коду; ● потреба у використанні нативних модулів (C/C++) або оптимізованих бібліотек для обробки дуже великих хмар точок у режимі реального часу; ● залежність від середовища виконання та версій бібліотек (вирішення через virtualenv/conda, але це додає технічної складності). У межах даної дипломної роботи Python використовується як основна мова для реалізації ШІ-частини: побудови та навчання моделей (Autoencoder, VAE, 37 PointNet-подібні архітектури), а також для попередньої обробки та візуалізації 3D- сканів. [23-25] 1.7.2 Java Java є суворо типізованою об'єктно-орієнтованою мовою, яка традиційно використовується для розробки корпоративних систем, серверних додатків та кросплатформенних рішень. На відміну від Python, Java рідше застосовується для безпосереднього навчання нейронних мереж, але добре підходить для побудови інфраструктури навколо вже навчених AI-моделей. Переваги Java у контексті ШІ: ● стабільність та зрілість екосистеми, наявність фреймворків для побудови сервісів (Spring, Jakarta EE); ● платформна незалежність завдяки віртуальній машині JVM; ● зручність реалізації REST/API-сервісів для інтеграції модулів аналізу у виробничі системи; ● наявність бібліотек для роботи з числовими обчисленнями (ND4J, Deeplearning4j), хоча вони менш поширені, ніж Python-аналоги. Недоліки: ● відносно слабко розвинена екосистема саме глибинного навчання у порівнянні з Python; ● менша кількість готових реалізацій сучасних архітектур для 3D-даних; У рамках задачі аналізу 3D-сканів Java доцільно розглядати як мову для побудови прикладного шару системи: сервер, який приймає 3D-модель, передає її на Python-модуль для обробки, отримує результат (наприклад, карту дефектів або числові метрики) та інтегрує його з іншими компонентами інформаційної системи (база даних, інтерфейс оператора, звітність тощо). [26-28] 38 1.8 Фреймворки та бібліотеки для роботи з 3D-даними та методами штучного інтелекту Ефективна реалізація методів машинного навчання та нейронних мереж для аналізу тривимірних моделей потребує застосування спеціалізованих програмних бібліотек. Вони забезпечують роботу з геометричними структурами, GPU- прискорення обчислень, реалізацію стандартних архітектур і засобів оптимізації. У даній роботі основними використовуваними фреймворками є PyTorch, Open3D, PyTorch3D, а також допоміжні інструменти для візуалізації та роботи з 3D- сканами. 1.8.1 PyTorch PyTorch є провідним фреймворком для побудови нейронних мереж у дослідницьких і прикладних задачах. Його основною особливістю є динамічний граф обчислень, який дозволяє виконувати модифікації архітектури та налагодження в процесі виконання. Це робить PyTorch особливо зручним для експериментів з новими моделями та нестандартними типами даних, до яких належать нерегулярні 3D-хмари точок. Переваги: ● широка підтримка методів глибокого навчання; ● інтеграція з CUDA та робота на GPU без додаткових модулів; ● значний набір готових оптимізаторів, функцій втрат та засобів регуляризації; ● велика кількість реалізацій сучасних моделей у відкритих репозиторіях (PointNet, DGCNN, автоенкодери, diffusion-моделі). Недоліки: ● складності сумісності між версіями бібліотек на різних ОС; ● потреба у додатковій оптимізації при збільшенні розміру моделей або обсягів даних; 39 У межах дипломної роботи PyTorch використовується для реалізації нейронних мережних моделей та експериментів з генеративними підходами. [29] 1.8.2 PyTorch3D PyTorch3D - спеціалізоване розширення від Meta AI для роботи з 3D-даними у контексті глибокого навчання. Бібліотека тісно інтегрована з PyTorch і забезпечує засоби, які відсутні у стандартному наборі. Основні функції: ● підтримка диференційованого рендерингу; ● операції над хмарами точок, mesh-моделями та текстурами; ● реалізація метрик подібності (Chamfer distance, Hausdorff distance); ● перетворення координатних систем, обертання та масштабування; ● обробка батчів 3D-об'єктів на GPU. PyTorch3D корисний для навчання моделей, які потребують похідних по геометричному простору. [30] 1.8.3 Open3D Open3D - це високорівнева бібліотека для роботи з 3D-даними, розроблена спеціально для роботи зі сканами та геометрією. Вона надає засоби обробки хмар точок, трикутних сіток і воксельних структур, що значно спрощує попередній етап обробки даних перед застосуванням моделей штучного інтелекту. Можливості Open3D: ● реалізації ICP та GICP; ● нормалізація та фільтрація шуму; ● KD-Tree, octree та пошук найближчих сусідів; ● оцінка нормалей та кривини поверхні; ● реконструкція поверхні (Poisson Surface Reconstruction). Використання Open3D є особливо важливим у задачах попередньої обробки сканів, оскільки сирі дані 3D-сенсорів можуть містити сильний шум, пропуски 40 або геометричні артефакти, що безпосередньо впливають на якість навчання ШІ- моделей. [31] 1.8.4 Допоміжні інструменти У роботі також доцільно використовувати бібліотеки для чисельних обчислень та аналізу: ● NumPy - матриці, векторні операції; ● SciPy - оптимізація, апроксимація, статистика; ● Matplotlib / Plotly - графічне подання метрик, трендів та динаміки навчання. Ці бібліотеки не працюють безпосередньо з 3D-об'єктами, проте є критично важливими для аналізу якості моделей, оцінки похибок та порівняння методів. 1.9 Апаратне забезпечення та обчислювальні ресурси Робота з 3D-даними та моделями штучного інтелекту є обчислювально інтенсивною. Навчання нейронних мереж, особливо генеративних або геометричних, вимагає значних ресурсів пам'яті та продуктивності відеокарти. Апаратне забезпечення впливає не лише на швидкість виконання моделі, але й на можливість взагалі її запустити - через обмеження графічної пам'яті, підтримку інструкцій або сумісність з бібліотеками. [32] 1.9.1 Важливість GPU Сучасні методи 3D-аналізу (PointNet++, DGCNN, VAE, diffusion-моделі) виконують десятки тисяч паралельних операцій над великими масивами точок. Навчання на CPU у таких умовах є практично недоцільним, оскільки: ● одна епоха може тривати години або доби, ● неможливо використовувати великі batch-и, ● складні архітектури стають неробочими через час виконання. 41 GPU забезпечує: ● паралелізм операцій (SIMT), ● роботу з тензорами у тисячах потоків, ● значне скорочення часу навчання. [32-33] 1.9.2 NVIDIA та CUDA Більшість сучасних ШІ-фреймворків (PyTorch, TensorFlow, PyTorch3D, Kaolin) мають нативну підтримку CUDA, що формально робить відеокарти NVIDIA стандартом де-факто для глибокого навчання. Переваги: ● найкраща сумісність бібліотек, ● оптимізовані CUDA kernels та cuDNN, ● підтримка FP16 (Tensor Cores), ● стабільна робота з великими батчами. Особливо важливо для 3D-моделей: ● пошук найближчих сусідів (KNN), ● побудова графів у DGCNN, ● робота з PointCloud batching, [34] 1.9.3 Обсяг відеопам'яті Для моделей на 3D-даних важливим фактором є не лише швидкість ядра GPU, а й об'єм VRAM, оскільки хмара точок не масштабується так легко, як зображення. Характерні приклади: ● PointNet++ на 100,000 точок - 8 -12 GB пам'яті, ● Diffusion-моделі на 3D - 24 -48 GB пам'яті, ● DGCNN з великим batch - швидко вичерпує VRAM через топологічні графи. Недостатня пам'ять призводить до: 42 ● зменшення batch size → погіршується стабільність навчання, ● відмови в роботі моделі через OOM (Out Of Memory), ● багатократного падіння швидкості через CPU offload. [32-33] 1.9.4 Оперативна пам'ять та CPU Хоча навчання виконується на GPU, preprocessing point clouds, Loaders, нормалізація та створення графів - падають на CPU. Великі скани можуть містити мільйони точок, що вимагає: ● 16-32 GB RAM для базових задач, ● 64+ GB RAM для обробки серійних сканів. 1.9.5 SSD/NVMe 3D-скани часто зберігаються у форматах PCD/PLY/OBJ або у власних структурах (binary dumps). Читання великих наборів точок (10 -50 млн точок) з HDD знищує продуктивність, а отже для стабільної роботи необхідний SSD або NVMe. Апаратне забезпечення є ключовим компонентом при роботі з методами машинного навчання для 3D-аналітики. У порівнянні з традиційними 2D- задачами, аналіз тривимірних моделей накладає додаткове навантаження на пам'ять, GPU-обчислення та пропускну здатність системи. У практичних дослідженнях використання обладнання на основі NVIDIA/CUDA є фактичним стандартом, тоді як графічні адаптери AMD обмежують можливості застосування сучасних ШІ-підходів, особливо у роботі з нерегулярними 3D-даними. [32-33] Висновок до розділу 1 У результаті аналізу сучасних підходів до обробки 3D-сканів деталей встановлено, що задачі виявлення та сегментації дефектів у нерегулярних 3D- даних залишаються складними та потребують спеціалізованих методів аналізу. 43 Розглянуто найпоширеніші типи дефектів, що виникають у процесі 3D-друку, та їх характерні геометричні прояви, які можуть бути зафіксовані на 3D-сканах деталей. Проведене порівняння методів показало доцільність використання нейромережевих архітектур прямого опрацювання хмар точок для задач аналізу геометричних відхилень, зокрема у контексті контролю якості 3D-друкованих деталей. Отримані результати обґрунтовують вибір методів і інструментів, використаних у подальших розділах роботи, а також підкреслюють важливість поєднання коректної підготовки 3D-даних і стійких до шуму алгоритмів аналізу. Розділ 2 Експериментальне дослідження застосування нейромережевих методів для аналізу 3D-сканів деталей 2.1 Інструменти та середовище реалізації 2.1.1 Python У даному проєкті для реалізації програмного модуля аналізу тривимірних сканів деталей було обрано середовище програмування Python. Його використання обумовлюється широкою підтримкою методів машинного навчання, наявністю потужних бібліотек для роботи з науковими обчисленнями та візуалізацією, а також низьким порогом входу, що дозволяє зосередитись на алгоритмічній частині завдання, а не на інфраструктурних деталях. Python має стабільну екосистему для обробки даних у форматі хмар точок, що є ключовим у контексті даного дослідження. 44 2.1.2 PyTorch Для побудови та навчання нейронних мереж було обрано PyTorch. На відміну від інших платформ, PyTorch дозволяє працювати із структурами даних довільної форми, пропонує динамічну обчислювальну модель та забезпечує можливість швидкого створення та модифікації складних архітектур. Саме ця гнучкість є критичною при роботі з нестандартними вхідними даними, такими як тривимірні точки. Крім того, більшість сучасних реалізацій моделей для роботи з point cloud - зокрема PointNet, PointNet++, Dynamic Graph CNN - побудовані саме на PyTorch, що значно спрощує інтеграцію та адаптацію вже відомих методів до конкретної системи. 2.1.3 Open3D Для попередньої обробки сканів, нормалізації геометричних даних та візуалізації просторових структур використано бібліотеку Open3D. Вона забезпечує роботу з форматами PLY, PCD та іншими, підтримує операції семплінгу, центровання та масштабування, а також дозволяє виконувати просторові трансформації без втрати точності. Застосування Open3D робить можливим використання хмар точок у сирому вигляді, без необхідності конвертації у воксельні або растрові структури, що важливо для збереження первинної геометричної інформації. Крім того, Open3D дозволяє здійснювати інтерактивну тривимірну візуалізацію результатів аналізу, включно з підсвіткою дефектних точок, що є важливим аспектом практичного застосування системи. 2.1.4 NVIDIA CUDA В обчисленнях застосовувалось графічне прискорення на базі технології NVIDIA CUDA. Оскільки навчання нейронних мереж, особливо моделей обробки 3D даних, має високі вимоги до обчислювальних ресурсів, використання GPU дозволяє скоротити час навчання з годин до хвилин. У порівнянні з CPU- виконанням, прискорення на CUDA в більшості випадків забезпечує від 45 п'яти до десяти разів більшу продуктивність. Використання графічних процесорів AMD у контексті PyTorch є обмеженим через нестабільну підтримку ROCm та зниженість екосистеми, тому вибір NVIDIA є прагматичним і доцільним. В рамках дослідження також розглядалися розширені бібліотеки для роботи з тривимірними даними, зокрема PyTorch3D. Цей інструмент орієнтований на задачі диференційованого рендерингу, оптимізації поверхонь, роботу з трикутними мешами та диференційованими геометричними операціями. Однак у даному проєкті хмари точок використовуються без перетворення у поверхневі представлення, а задачі, що виконуються моделями, не потребують реконструкції або прогонів через графічний рендеринг. Крім того, використання PyTorch3D ускладнює систему додатковим рівнем абстракції і не дає переваг у задачах класифікації, семантичної сегментації та виявлення аномалій у хмарах точок. З цих причин у практичній реалізації методів PyTorch3D не застосовувався. 2.2 Дані та підходи до їх формування Оскільки в межах проєкту аналізується просторове представлення об'єктів у формі хмар точок, питання походження та якості даних має ключове значення. Для розробки та тренування моделей не використовувалось апріорне поверхневе представлення у вигляді мешів чи CAD-геометрії, оскільки в реальних умовах сканування промислових деталей первинною формою є саме набір просторових точок. У роботі були використані хмари точок двох типів: публічні датасети, що застосовуються у дослідженнях нейронних мереж, та синтетично сформовані скани на основі еталонних геометрій. 2.3 Структура програмного проєкту Для початку потрібно визначитись із структурою проєкту, так як це є важливим етапом розробки і може впливати на подальші етапи. 46 Програмна частина роботи реалізована у вигляді модульного Python-проєкту, який відокремлює логіку роботи з даними, базові абстракції для сканів та аналізаторів, а також допоміжні скрипти для відлагодження й візуалізації (рис. 2.1) Рис. 2.1 - Базова структура проєкту На верхньому рівні проєкт має каталоги src (основний код), data (вихідні та оброблені дані) та scripts (окремі утиліти для запуску й тестування окремих етапів обробки). Така структура дозволяє чітко розділити відповідальність між компонентами: ядро системи, препроцесинг хмар точок та експериментальні скрипти. Базовими й уніфікованими поняттями було визначено AnalysisResult та BaseAnalyzer. Структура AnalysisResult містить глобальну класифікаційну ознаку (наприклад, "OK" або "DEFECT"), числовий глобальний показник (ймовірність, 47 інтегральний «score» аномальності), а також, за наявності, масиви точкових міток та шкал аномальності для кожної точки. Таким чином, один і той самий формат може використовуватися як для задачі класифікації деталі в цілому, так і для локальної сегментації дефектних областей або для побудови просторових heatmap'ів аномалій. Абстрактний клас BaseAnalyzer задає єдиний метод analyze(scan), який приймає об'єкт Scan і повертає AnalysisResult. Усі конкретні аналізатори (на основі PointNet++, DGCNN, VAE) у подальшому реалізують цей інтерфейс, що забезпечує уніфікацію подачі результатів на вищий рівень системи. Рис. 2.2 - Файл з основними класами AnalysisResult та BaseAnalyzer 48 Далі було визначено клас Scan, що визначає структуру даних, що використовується для представлення одного тривимірного скану. Клас Scan містить масив координат точок у вигляді матриці розміру ��*3 N*3, де кожен рядок відповідає одній точці у просторі, а також, за потреби, додаткові масиви нормалей та кольорів. Додаткове текстове поле id зберігає ідентифікатор скану, як правило, ім'я вхідного файлу. У конструкторі виконуються базові перевірки розмірності, що дозволяє виявити помилки формату ще на етапі завантаження, до передачі даних в моделі. Основна ідея полягає в тому, що всі подальші компоненти працюють не з «голими» масивами NumPy, а з чітко визначеним об'єктом Scan, який однозначно описує один скан деталі. Рис. 2.3 - Клас Scan 49 Після цього було реалізовано механізм завантаження хмар точок із файлу (рис. 2.4). Функція load_scan_from_txt читає файл, де кожен рядок містить три числа, що інтерпретуються як координати x, y, z. Отриманий масив перетворюється на Scan з заповненим полем points і автоматично призначеним ідентифікатором за іменем файлу. Така форма завантаження є найпростішою і зручною для початкових тестів, синтетичних даних або конвертованих із інших форматів. Надалі цей модуль може бути розширений функціями читання форматів .ply або .pcd, але логіка, пов'язана з інтерфейсом Scan, не змінюється, наразі зараз він читає лише "голі" .txt файли. Рис. 2.4 - Реалізація простого читання з .txt файлу 50 Опісля було реалізовано метод для препроцессингу, що відповідає за базову підготовку хмар точок до подальшого використання в нейронних мережах (рис. 2.5). Функція preprocess_points виконує три ключові кроки. Спочатку хмара точок центрується, тобто з кожної координати віднімається вектор середнього значення, в результаті чого геометричний центр деталі переноситься в початок координат. Далі здійснюється нормалізація масштабу: обчислюється максимальна відстань від центру до будь-якої точки і вся хмара ділиться на це значення. Таким чином, усі точки потрапляють усередину одиничної сфери, а відносна форма деталі зберігається. На завершення виконується приведення до фіксованої кількості точок. Якщо у вхідному скані точок більше, ніж потрібно моделі, виконується випадковий семплінг без повернення; якщо менше - семплінг з поверненням, тобто деякі точки повторюються. Це дозволяє незалежно від вихідної роздільної здатності скану мати на вході до моделі однаковий розмір тензора, що є вимогою для більшості архітектур на кшталт PointNet++ та DGCNN. 51 Рис. 2.5 - Препроцессинг Також для тестування було реалізовано drawer (рис. 2.6), що виконує роль допоміжного інструмента для візуальної перевірки коректності завантаження та попередньої обробки даних. У ньому послідовно здійснюється завантаження скану з файлу data/raw/sample.txt, виклик функції препроцесингу для приведення хмари точок до стандартного вигляду, а також побудова тривимірного графіка. Для візуалізації використовується бібліотека Matplotlib у тривимірному режимі: точки зображуються як маркери в декартовій системі координат. Такий прев'ю-скрипт є важливим інженерним кроком, оскільки дозволяє наочно переконатися, що хмара 52 точок читається й нормалізується правильно, ще до налаштування і навчання складних нейронних моделей. Рис. 2.6 - Реалізація малювання точок Результат роботи скрипта прев'ю демонструє послідовність перетворень, які застосовуються до хмари точок перед передачею в аналізатори. На вході в систему знаходиться текстовий файл зі списком координат у вихідній системі відліку. Після завантаження за допомогою функції load_scan_from_txt хмара має форму N*3, де кількість точок може бути довільною і залежить від джерела скану. Перший етап препроцесингу - центрування - зсуває всю геометрію так, що середнє значення по кожній координаті стає близьким до нуля. На практиці це означає, що при візуалізації деталь опиняється «навколо» початку координат, а не розташована десь далеко по осі X, Y або Z. 53 Наступний крок - нормалізація масштабу - стискає або розтягує хмару так, щоб найвіддаленіша від центру точка мала відстань одиницю. Це забезпечує однаковий масштаб для різних сканів, незалежно від їх початкових розмірів у міліметрах чи інших одиницях. На графіку Matplotlib це проявляється в тому, що всі координати лежать у межах від приблизно -1 до 1 по кожній осі, а сама деталь займає компактну область простору. Це важливо для стабільності навчання нейронних мереж: моделі не витрачають ємність на адаптацію до різних масштабів і можуть зосередитися на формі об'єкта. Останній етап - приведення до фіксованої кількості точок - робить вхід однаковим за розміром для всіх сканів. Після цього preprocess_points повертає масив розміру M*3, де M - обрана константа (наприклад, 2048). При візуалізації можна побачити, що кількість точок стає сталою, навіть якщо вихідний файл містив небагато координат. У випадку невеликої тестової хмари, створеної вручну, це призводить до того, що одні й ті самі вихідні точки повторюються в різних місцях масиву, але з точки зору демонстрації роботи алгоритму це дозволяє перевірити всю послідовність операцій. Для тестування було завантажено простий файл з координатами вершин куба (рис. 2.7), який за результатами обробки виглядає як графік (рис. 2.8). 54 Рис. 2.7 - Текстовий файл з вершинами куба Важливо зазначити, що не дивлячись на те, що у файлі лише 6 точок, у вихідному об'єкті, що зберігається у пам'яті комп'ютера - їх все одно 2024. Рис. 2.8 - Візуалізація .txt файлу 55 Таким чином, прев'ю-скрипт підтверджує коректність як завантаження, так і базового препроцесингу. Видима у вікні візуалізації хмара точок повинна бути симетрично розташована відносно початку координат і мати компактні розміри, що свідчить про правильну роботу центрування та масштабування. Факт того, що кількість точок після обробки завжди однакова, означає, що модуль семплінгу працює належним чином. У сукупності це дає впевненість, що на наступних етапах - при інтеграції PointNet++, DGCNN та VAE - моделі отримуватимуть на вхід дані у стабільному та передбачуваному форматі, що значно зменшує кількість потенційних помилок при навчанні й оцінці якості аналізаторів. 2.4 Підготовка даних для навчання моделей аналізу 3D-сканів Ефективність будь-якої нейромережевої моделі безпосередньо залежить від того, наскільки коректно та повно представлено навчальні дані. У задачах аналізу 3D-сканів ситуація ускладнюється тим, що реальні сканери видають дані у вигляді нерівномірних та шумних хмар точок, які суттєво відрізняються від "ідеальних" CAD-моделей. Тому перед навчанням моделей необхідно сформувати набір даних, що адекватно відтворює характер реальних сканів, але при цьому є достатньо контрольованим для дослідження. Нейромережа не "розуміє" геометрію сама по собі - вона навчається тільки на тих прикладах, які отримує. Якщо дані одноманітні, некоректні або занадто "ідеальні", модель швидко перенавчається на незначущі деталі (позиції конкретних точок, абсолютні координати) і не здатна узагальнювати форму об'єкта. Тому якість і різноманітність навчальної вибірки є критично важливими для задач класифікації, сегментації та пошуку аномалій у 3D-геометрії. У випадку point cloud-моделей особливо важливо, щоб вибірка містила: ● різні варіанти одного й того ж об'єкта, отримані шляхом випадкового семплінгу поверхні; 56 ● моделі зі штучно створеними дефектами, які імітують реальні пошкодження деталі (тріщини, вм'ятини, сколи тощо) ● варіації форми, масштабу та орієнтації, щоб нейромережа навчалася саме геометричній сутності, а не фіксованому положенню точок. Особливість хмар точок у тому, що два скани одного й того ж об'єкта ніколи не містять однакової множини точок. Це дозволяє згенерувати велику кількість навчальних прикладів навіть з одного CAD-об'єкта, що суттєво покращує узагальнювальну здатність моделей PointNet++, DGCNN та інших архітектур. 2.4.1 Генерація хмар точок з CAD-моделей Оскільки доступ до великої кількості реальних сканів деталей може бути обмеженим, у роботі було вирішено застосувати підхід синтетичної генерації даних. Базові CAD-моделі деталей будуть оброблятися Python-скриптом за допомогою бібліотеки Open3D. Поверхня трикутної сітки буде оброблятися методом Poisson disk sampling, що дозволить отримати рівномірно розподілену множину точок без повторів. Цей процес буде повторюватися багаторазово з різним випадковим станом генератора, що дасть десятки або сотні різних хмар точок з однієї й тієї ж моделі. Далі будуть створюватися модифіковані версії цих моделей - із тріщинами, вм'ятинами або іншими штучними дефектами. Вони також будуть конвертуватися у хмари точок, утворюючи повноцінний набір "нормальних" та "дефектних" прикладів. Таким чином вдасться сформувати вибірку, яка добре відображає структуру реальних 3D-сканів, але при цьому є повністю контрольованою і придатною для дослідження роботи алгоритмів. 57 Для початкової обробки було обрано модель гайки (рис. 2.9). Рис. 2.9 - 3D Модель гайки Ця модель завантажуєтся у пайтон-скрипт (рис. 2.10), який формує N кількість хмар точок, які після цього зберігаються на диску. Результатом обробки моделі гайки є хмара точок, яку можна побачити на рис. 2.11. В даній хмарі було згенеровано 8192 точок, для демонстрації та оцінки роботи скрипту. Під час тренування моделі будуть використовуватися хмари з 2048 точок (обумовлено потужністю відеокарти, на якій запускається процес навчання). 58 Рис. 2.10 - Скрипт для створення хмар точок з моделі Рис. 2.11 - Хмара точок, отримана з моделі гайки (8192 точок, 4 ракурси) 59 Також для покращення візуалізації та перевірки коректності підготовлених хмар точок було вирішено змінити модуль drawer. Початково використовувалась статична 3D-діаграма Matplotlib, однак вона виявилася малоінформативною: хмару точок важко оцінити без можливості повороту та масштабування. Тому візуалізатор було перероблено на основі Open3D (рис. 12), що дозволяє переглядати point cloud у повністю інтерактивному режимі - обертати модель у просторі, змінювати точку огляду, регулювати масштаб та відображення. Це значно спрощує аналіз якості препроцесингу, дозволяє швидко помічати помилки семплінгу або аномалії в даних та робить процес підготовки вибірки набагато надійнішим. Результат роботи цього модулю зображений на рис. 2.11. Рис. 2.12 - Метод у модулі drawer, що дозволяє візуалізувати хмари точок 60 2.5 Реалізація базової нейромережевої моделі PointNet для класифікації дефектів Наступним кроком було реалізовано базовий експеримент, мета якого полягала у перевірці можливості класифікації дефектів на тривимірних сканах деталей за допомогою простого варіанту нейромережевої архітектури PointNet. Для цього було необхідно створити набір синтетичних даних, побудувати модель та провести навчання на спеціально підготовленому наборі хмар точок. Підготовка даних розпочиналася з побудови синтетичних 3D-сканів деталі у вигляді стандартної шестикутної гайки з минулого підрозділу. У базовому випадку деталь не містила дефектів, після чого створювалися її деформовані варіанти. Дефекти симулювалися шляхом патологічних деформацій моделі. На рисунку 2.13 зображено декілька варіантів різних дефектів однієї і тієї ж гайки. Рис. 2.13 - Декілька синтетичних варіантів дефектів 61 Подальше перетворення вхідних STL-файлів у хмари точок здійснювалося за допомогою засобів Open3D, що дозволило отримати рівномірно розподілені набори вибіркових точок для подачі на вхід нейронної мережі. На наступному етапі було реалізовано простий класифікатор на основі архітектури PointNet. Модель була створена на базі PyTorch та складалася з прямої багатошарової перцептронної частини, що відповідає оригінальній ідеї PointNet щодо обробки невпорядкованих множин точок (рис. 2.14). Рис. 2.14 - Проста модель PointNet на основі PyTorch Навчальний процес реалізовано у вигляді окремого скрипта, який здійснював підготовку даних, побудову моделі, оптимізацію та обчислення метрик. Для 62 зручності експериментів весь код структуровано у вигляді модульного проекту. Навчальний процес реалізовано у вигляді окремого скрипта, який здійснював підготовку даних, побудову моделі, оптимізацію та обчислення метрик. Для зручності експериментів весь код структуровано у вигляді модульного проєкту. Для організації даних була використана структура, аналогічна підхідам до побудови датасетів у бібліотеках комп'ютерного зору. Кожен клас представлений окремою папкою, яка містить текстові файли з хмарами точок. Внаслідок цього процес маркування виконується автоматично: назва каталогу інтерпретується як назва класу, а відповідність між файлами та класами встановлюється програмно на етапі завантаження даних. Таким чином, користувачеві не потрібно явно задавати мітки або ручну класифікацію - достатньо лише розмістити файли у відповідні папки, після чого система сама побудує словник класів та їх числове відображення. Такий підхід значно спростив підготовку даних і дозволив забезпечити масштабованість при зміні кількості класів або збільшенні набору даних. Рис. 2.15 - Приклад структури файлів для гайки Після запуску скрипту для підготовки для навчання на цих даних скрипт зміг успішно їх класифікувати для подальшої обробки (рис. 2.16). 63 Рис. 2.16 - Розбивка на класи за іменами папок Після цього було запущено навчання на підготовлених даних (500 хмар точок для кожного класу дефекту). але за результатами було виявлено, що модель практично не здатна розрізняти деталі з незначними дефектами - точність класифікації залишалася близькою до випадкової (рис. 2.17). Рис. 2.17 - Результат навчання моделі Як видно, навіть через 50 епох навчання модель усе одно видавала значення accuracy (точність) близьку до 0,33. Це означає, що модель не бачить різниці між дефектами (так як класів у нас усього 3 - то 1 / 3 = 0,33, а отже модель давала коркетну оцінку лише у 33% випадків, що означає що оцінка є майже випадковою). За результатами було вирішено використовувати інші дефекти, що є більш суттєвими з точки зору деформації (рис. 2.18) 64 Рис. 2.18 - Приклади дефектів, що є більш суттєвими деформаціями моделі. Варто зазначити, що дані деформації є перебільшеними, тому що дефекти моделювалися як посилені геометричні відхилення (наприклад, сплющення отвору, деформація зовнішньої поверхні), що дозволяє чітко продемонструвати різницю в поведінці моделей на макроскопічних пошкодженнях. Цього виявилось недостатньо, і точність класифікації залишалася близькою до випадкової. Подальший аналіз показав, що проблема виникла на етапі попередньої обробки, де нормалізація координат іноді "вирівнювала" невеликі деформації настільки, що вони ставали непомітними для моделі. Для вирішення цієї проблеми було перероблено механізм препроцесингу (рис. 2.19). Тепер відбувалося коректне масштабування хмари точок, яке не "з'їдає" дефекти шляхом стискання. 65 Рис. 2.19 - Перероблений метод препроцесингу. Після збільшення масштабу дефекту та зміни методу препроцесингу модель почала демонструвати стійку збіжність, а точність на навчанні та валідації досягала 100 %. Це підтвердило, що навіть проста PointNet-архітектура здатна ефективно вловлювати глобальні геометричні відмінності, якщо вони достатньо виражені. Для запобігання перенавчанню та забезпечення коректності отриманих результатів процес навчання було доповнено механізмом розділення даних на навчальну та валідаційну частини. Приблизно 20 % даних випадковим чином відводиться на етап оцінки ефективності моделі, що дозволило коректно вимірювати якість узагальнення (рис. 2.20). Модель з найкращою валідаційною 66 точністю автоматично зберігається у вигляді окремого файлу та може використовуватися для подальших експериментів. Рис. 2.20 - Результат навчання моделі. Як видно з рисунку 2.n - модель вже на 3-4 епохах досягла майже 100% точності, і змогла гарно себе показати на тестових даних. Таким чином, створений базовий класифікатор на базі PointNet дозволив оцінити можливість виявлення дефектів у 3D-сканах деталей та сформував основу для подальшої роботи, спрямованої на застосування більш складних нейронних архітектур, здатних працювати з локальними деформаціями та тонкими дефектами поверхні. 2.6 Реалізація та навчання моделі DGCNN для сегментації дефектів У рамках роботи була реалізована модель сегментації на основі архітектури Dynamic Graph CNN (DGCNN). Модель була створена та навчена на Python із використанням PyTorch. Основною задачею було виділення дефектних ділянок на 3D-сканах деталей у форматі хмар точок. 67 2.6.1 Принцип сегментації хмар точок Сегментація у контексті хмар точок означала, що кожній точці у вхідному point cloud призначався певний клас - числовий лейбл (наприклад, 0 для "норма", 1 для "дефект"). Таким чином модель працювала не з цілою геометрією одразу, а окремо класифікувала кожну точку, формуючи карту дефектів по всій поверхні деталі. DGCNN будувала динамічний граф сусідства для кожної точки і використовувала локальні зміни геометрії, щоб визначити, чи належить точка до дефектної зони. Завдяки цьому метод добре підходив для задач, де дефекти проявляються у вигляді локальних змін форми. 2.6.2 Підготовка синтетичних даних Як і при підготовці даних для PointNet моделі - доступ до великої кількості реальних 3D-сканів був обмежений. Тому була розроблена утиліта для генерації синтетичних навчальних даних. Вона приймала 3D-модель деталі, яка містила два окремі об'єкти (рис. 2.21): ● object - основна геометрія деталі ● defect_area - геометрія області, яку вважаємо дефектом 68 Рис. 2.21 - Приклад дефектої деталі з дефектом то зоною дефекту (defect_area) Як видно на рис. 2.21 - ми маємо гайку, у якої є дефект (тріщина), та дефектну зону (червона фігура) - об'єкт, що використовується для розуміння зони дефекту при генерації хмар точок. Утиліта будує дві хмари точок: для основної деталі та для дефектної зони. Далі кожній точці основної хмари знаходили найближчу точку з defect_area, і точки, що знаходилися найближче до дефектної поверхні, позначалися як дефектні. Таким чином формувалися готові point cloud-и з мітками для сегментації. 69 2.6.3 Оновлення інструментів візуалізації Під час роботи з моделлю виникла потреба у зручному перегляді хмар точок із лейблами. Початковий візуалізатор, створений на основі Open3D, умів лише відображати хмару точок одним кольором. У рамках роботи він був доповнений: ● додане читання лейблів для кожної точки; ● реалізоване фарбування точок відповідно до їхнього класу (наприклад, нормальні точки - білі, дефектні - виділяються контрастним кольором); Це значно спростило аналіз як навчальних даних, так і результатів моделі (рис. 2.22). Рис. 2.22 - Приклад хмари точок для деталі з дефектом 70 2.6.4 Вибір базової деталі для навчання моделі У якості базової деталі для дослідження було обрано кутовий кріпильний елемент (куток), який широко використовується у виробах, виготовлених методом 3D-друку. Даний тип деталі є типовим для адитивного виробництва, має відносно просту базову геометрію та містить характерні зони, у яких найчастіше виникають дефекти, пов'язані з деформаціями, порушенням геометрії та якістю зчеплення шарів. Вибір кутка обумовлений також тим, що при зміні масштабу, параметрів друку або орієнтації деталі у робочому просторі принтера, саме в зоні внутрішнього кута, отворів та тонкостінних елементів виникають найбільш характерні дефекти, які можуть бути чітко ідентифіковані за результатами 3D-сканування. Рис. 2.23 - Модель кутка 71 Рис. 2.24 - Хмара точок, побудована з деталі 2.6.5 Типи дефектів, використані у синтетичних даних Для навчання моделі було сформовано набір характерних дефектів, притаманних деталям, виготовленим методом 3D-друку, зокрема кутовим кріпильним елементам. Вибір типів дефектів здійснювався з урахуванням їх поширеності у практиці адитивного виробництва, впливу на функціональність деталі та можливості їх надійної ідентифікації за результатами 3D-сканування. У роботі було розглянуто три основні типи дефектів: деформація типу вигин, спотворення геометрії отворів та локальні нарости матеріалу. Зазначені дефекти охоплюють як глобальні, так і локальні порушення геометрії та є типовими для виробів з простими, але функціонально значущими елементами, такими як внутрішні кути, тонкостінні ділянки та отвори. Деформація типу warping є одним з найбільш розповсюджених дефектів при 3D-друку і призводить до викривлення базової геометрії деталі, що унеможливлює її коректне встановлення або подальше використання. Спотворення отворів безпосередньо впливає на функціональність кутка як кріпильного елемента та часто виникає внаслідок температурних деформацій, неточної калібровки або зміни масштабу моделі. Локальні нарости матеріалу характерні для нестабільних 72 режимів друку та призводять до порушення поверхневої геометрії і зниження точності спряження з іншими деталями. Обрані типи дефектів дозволяють сформувати репрезентативний набір навчальних даних, який охоплює найбільш характерні проблеми адитивного виробництва та забезпечує можливість перевірки ефективності методів штучного інтелекту для сегментації та аналізу дефектів на 3D-сканах деталей. Рис. 2.25 - Приклади типових дефектів У процесі розробки було впорядковано представлення сканів у програмі, а також перероблено основні етапи препроцесингу, щоб вони коректно працювали з лейблами точок, необхідними для задачі сегментації. Було створено базовий клас SegmentedScan (рис, 2.26), який описував скан деталі у пам'яті комп'ютера. Цей клас виконує роль внутрішнього контейнера для зручної подальшої обробки. Він містить: ● координати точок (масив N × 3); ● лейбли для кожної точки (масив N, де кожному індексу відповідає клас сегментації); 73 Рис. 2.26 - Базовий клас SegmentedScan Таке представлення дозволило централізувати роботу з даними та уникнути дублювання логіки в інших частинах коду. Метод препроцесингу, який раніше працював лише з геометрією, був перероблений таким чином, щоб коректно обробляти пару "точка - лейбл". Зокрема, було додано підтримку передачі лейблів у модель без додаткових перетворень. 74 Рис. 2.27 - Метод препроцесингу для роботи з лейблами Це було необхідно для коректного навчання DGCNN, яка очікує узгодженість координат та лейблів. Метод завантаження даних з .txt файлу також був змінений. Якщо раніше файл містив лише координати (x y z), то тепер він містив додаткове поле - лейбл точки, а на виході повертав об'єкт класу SegmentedScan. 75 Рис. 2.28 - Оновлений метод завантаження файлів з сегментацією 2.7 Навчання моделі та проблеми Після навчання на синтетичних даних модель демонструвала високі результати на тих самих даних, на яких вона навчалась. Проте під час тестування на нових сканах (які мали схожі, але не ідентичні дефекти) модель практично не знаходила дефектів (рис. 2.30). Всі точки відносилися до класу "норма", і сегментація фактично зникала. На рис. 2.29 можна побачити процес навчання моделі - вона доволі швидко вийшла на гарну точність, та навіть на частині тренвальних даних, які при тренуванні не використовувалися - показувала гарну точність. Це вказує на перенавчання (overfitting): модель запам'ятала конкретні позиції та відносні координати дефектних областей, замість того щоб узагальнювати їхню форму. 76 Рис. 2.29 - Результати навчання моделі DGCNN Рис. 2.30 - Незадовільні візуальні результати навчання моделі DGCNN На рисунку рисунку 2.30 зображено результат сегментації скану, який ШІ не бачив під час навчання - модель не бачить дефектів і не сегментує точки, не дивлячись на те, що дефект явно присутній. 77 Було висунуто припущення, що причиною нестабільної сегментації є надмірна складність геометрії деталі. З метою перевірки цього припущення були використані низько полігональні моделі деталей без дрібних геометричних елементів (рис. 2.31). Рис. 2.31 - Модель спрощеного кутка Такий крок був обумовлений тим, що навчання сегментаційної моделі DGCNN здійснювалося на персональному комп'ютері з відеокартою обмеженого обсягу відеопам'яті, що суттєво впливає на можливий розмір навчального набору даних, кількість точок у хмарі та розмір batch-пакетів під час тренування. 78 Зокрема, збільшення кількості точок у хмарі або використання більшого обсягу навчальних даних призводило до перевищення доступної відеопам'яті та неможливості подальшого навчання моделі без спрощення архітектури або зменшення параметрів задачі. У зв'язку з цим кількість синтетично згенерованих хмар точок та їх щільність були обмежені з урахуванням апаратних можливостей системи, що безпосередньо впливає на різноманітність навчального набору. Таким чином, частина виявлених проблем із сегментацією дефектів була зумовлена не лише складністю геометрії або особливостями генерації даних, але й неможливістю використання значно більших і більш різноманітних наборів даних у рамках наявних апаратних ресурсів. Проте навіть у цьому випадку модель демонструвала аналогічну поведінку: коректна сегментація на даних, отриманих із навчального набору, і повна або часткова втрата здатності виявляти дефекти на нових зразках. Подальший аналіз показав, що джерелом проблеми був не рівень деталізації геометрії, а неконсистентність процесу генерації навчальних даних. Зокрема, було виявлено, що хмари точок для класу «НОРМА» генерувалися зі STL-моделей, після чого всі точки штучно маркувалися як коректні, тоді як хмари з дефектами створювалися з GLB-моделей із використанням додаткового об'єкта, що задавав дефектну область. У результаті цього хмари точок без дефектів і з дефектами суттєво відрізнялися не лише геометричною наявністю або відсутністю дефекту, але й способом семплінгу поверхні, щільністю точок та локальними статистичними властивостями хмари точок. У такій постановці задачі нейромережа фактично навчалася розрізняти не дефектну та недефектну геометрію, а різні способи генерації хмар точок, що призводило до некоректної інтерпретації лейблів під час інференсу. Це пояснювало той факт, що модель не знаходила дефекти навіть на деталях, 79 геометрично подібних до навчальних, якщо вони були представлені у вигляді хмар точок, згенерованих іншим способом. Після усунення цієї проблеми було виконано повну уніфікацію пайплайну підготовки даних. Хмари точок як для коректних деталей, так і для деталей з дефектами почали генеруватися виключно з GLB-моделей із використанням одного і того ж алгоритму семплінгу та однакових параметрів нормалізації. Для класу "НОРМА" використовувалася та сама базова модель деталі без дефектної області, при цьому всі точки маркувалися як коректні. Після повторного навчання моделі на оновленому наборі даних було зафіксовано суттєве покращення якості сегментації на низькополігональних моделях, у тому числі на зразках, які не входили до навчального набору. На завершальному етапі отриманий уніфікований підхід було застосовано до більш детальних моделей деталей. Завдяки усуненню розбіжностей у генерації хмар точок модель зберегла здатність коректно виявляти дефектні області навіть за наявності складнішої геометрії. Це підтвердило, що ключовим фактором стабільної роботи сегментаційної нейромережі є не лише вибір архітектури, а й сувора узгодженість усього пайплайну підготовки даних на етапах навчання та інференсу. Після отримання стабільних результатів сегментації дефектних областей було виконано додаткове розширення постановки задачі з метою диференціації типів дефектів. На попередніх етапах сегментаційна модель виконувала двокласову класифікацію точок, поділяючи їх на коректні та дефектні. Проте в рамках практичної частини було важливо продемонструвати можливість подальшої деталізації результатів, зокрема розрізнення кількох типів дефектів на одній і тій самій деталі. Для цього було використано простий, але ефективний підхід до маркування даних. Хмари точок із різними видами дефектів зберігалися у окремих 80 директоріях, кожна з яких відповідає конкретному виду геометричного порушення. У вихідному форматі даних усі дефектні точки мали бінарний лейбл, що позначав наявність дефекту. Для переходу до багатокласової сегментації було розроблено допоміжний Python-скрипт, який автоматично проходив по файлах відповідної директорії та замінював дефектний лейбл на унікальне числове значення, що відповідає конкретному типу дефекту. Такий підхід дозволив зберегти єдиний формат даних та пайплайн навчання, не вносячи змін до архітектури сегментаційної нейромережі. Модель DGCNN у цьому випадку навчалася прогнозувати не лише факт наявності дефекту, але й його тип на рівні окремих точок хмари. Отримані результати показали, що нейромережа здатна одночасно локалізувати дефектні області та виконувати їх класифікацію за типами, що було наочно продемонстровано під час візуалізації результатів сегментації з використанням різних кольорів для кожного класу дефектів. Запропонований спосіб маркування даних виявився зручним з практичної точки зору, оскільки дозволяв швидко розширювати кількість класів без необхідності перегенерації всього навчального набору або складної перебудови системи анотації. Водночас такий підхід зберігав чітку відповідність між геометричними властивостями дефекту та його числовим представленням у навчальних даних, що позитивно вплинуло на стабільність процесу навчання. На рис. 2.32 зображено результати роботи тієї ж моделі, але навченої вже на сканах, отриманих з початкової 3Д моделі з великою кількістю полігонів і складною геометрією, з класифікацією дефекту (червоний колір - наріст/нашарування, помаранчевий - проблеми з отвором). 81 Рис. 2.32 - Візуальні результати навчання моделі DGCNN на моделі зі складною геометрією Висновки до розділу 2 У другому розділі було реалізовано практичну частину дослідження, присвячену розробці та експериментальній перевірці алгоритмів аналізу 3D-сканів деталей із використанням методів машинного навчання. У рамках цього етапу було створено повноцінний пайплайн обробки хмар точок, який включав 82 генерацію навчальних даних, їх попередню обробку, навчання нейромережевих моделей та аналіз отриманих результатів. У процесі роботи було реалізовано кілька підходів до аналізу геометрії деталей. Зокрема, модель PointNet була використана для задачі класифікації деталей за ознакою наявності дефектів, що дозволило підтвердити можливість застосування базових нейромережевих архітектур для глобального аналізу хмар точок. Для більш детального аналізу геометрії було використано архітектуру DGCNN, яка продемонструвала здатність виконувати локалізацію дефектних зон на рівні окремих точок та забезпечувати сегментацію дефектів із достатньо високою точністю. Додатково було показано можливість розширення задачі до багатокласової сегментації, що дозволяє розрізняти різні типи дефектів у межах однієї деталі без зміни архітектури моделі. Одним із ключових практичних результатів розділу стало виявлення критичної залежності якості роботи нейромережевих моделей від способу підготовки та генерації навчальних даних. У ході експериментів було встановлено, що навіть за наявності коректно реалізованої архітектури сегментаційної моделі неконсистентність у пайплайні генерації хмар точок призводить до суттєвого погіршення узагальнюючої здатності моделі. Зокрема, використання різних форматів вихідних CAD-моделей та різних алгоритмів семплінгу поверхні для коректних і дефектних зразків спричинило ситуацію, за якої нейромережа починала асоціювати лейбли не з геометричними властивостями дефектів, а з особливостями генерації хмари точок. Уніфікація цього процесу дозволила суттєво покращити стабільність сегментації та отримати більш адекватні результати під час інференсу на нових зразках деталей. У межах практичної частини також було виявлено вплив апаратних обмежень на результати дослідження. Обмежений обсяг доступної відеопам'яті накладає обмеження на можливий розмір навчального набору, кількість точок у хмарах та 83 параметри навчання, що, у свою чергу, впливає на різноманітність даних і здатність моделей до узагальнення. Водночас навіть за цих умов було продемонстровано можливість отримання працездатних моделей, здатних ефективно аналізувати синтетичні 3D-скани деталей у контрольованих умовах. Отримані результати підтвердили, що нейромережеві підходи можуть бути успішно застосовані для аналізу 3D-сканів деталей, однак їх практична ефективність значною мірою визначається не лише вибором архітектури, а й якістю та узгодженістю підготовки даних, а також доступними обчислювальними ресурсами. Виявлені обмеження та особливості роботи моделей окреслюють напрями подальшого розвитку, зокрема розширення навчальних наборів, використання більш потужних апаратних платформ та інтеграцію алгоритмів у прикладні системи. З огляду на отримані експериментальні результати, логічним наступним кроком є перехід від ізольованого використання нейромережевих моделей до їх інтеграції у прикладний робочий процес. Саме тому у наступному розділі розглядається побудова архітектури програмної системи та розробка прикладного інтерфейсу, який дозволяє використовувати розроблені моделі як частину сервісу аналізу 3D-сканів у реальних інженерних сценаріях. 84 Розділ 3 Розробка прикладної системи рекомендацій та API для аналізу результатів 3D-друку У попередньому розділі було реалізовано та експериментально перевірено нейромережеві моделі для аналізу 3D-сканів деталей у вигляді хмар точок. Проте практична цінність таких моделей проявляється лише тоді, коли вони можуть бути використані як частина прикладної системи, інтегрованої у робочий процес. Саме тому наступним етапом стало проєктування програмного інтерфейсу та архітектури сервісу, який дозволяє виконувати автоматизований аналіз деталей на основі підготовлених моделей. У межах цього розділу розглядалася побудова сервісного шару, який приймав на вході 3D-модель деталі, виконував перетворення у хмару точок, запускав процедуру інференсу сегментаційної нейромережі та повертав результат у вигляді розмічених точок і допоміжних метрик. Для імітації реального інженерного середовища в якості основного API-рівня було обрано реалізацію на мові Java, тоді як обчислювальна частина, що включала підготовку даних та інференс моделей PyTorch, виконувалася в Python. Такий підхід дозволив поєднати типову серверну інфраструктуру з можливостями сучасних ML-бібліотек, забезпечивши відтворюваний та розширюваний пайплайн аналізу 3D-сканів. Основна логіка прикладної системи була реалізована з використанням мови програмування Java, оскільки вона широко застосовується для побудови серверних застосунків, забезпечує стабільну роботу з файловими операціями, мережею та обробкою запитів, а також добре підходить для створення REST- подібних програмних інтерфейсів. Використання Java на рівні API 85 дозволило змоделювати сценарій, близький до реальних промислових систем, у яких нейромережеві моделі виступають як окремий обчислювальний модуль, а не як монолітна частина прикладного коду. Обчислювальна частина, що включала підготовку хмар точок, завантаження навчених моделей та виконання інференсу, була реалізована на мові Python. Такий вибір був зумовлений використанням бібліотеки PyTorch для навчання та застосування нейромереж, а також наявністю готових інструментів для роботи з 3D-геометрією та хмарами точок. Перенесення цієї логіки до Java не розглядалося як доцільне, оскільки це потребувало б повторної реалізації значної частини вже протестованого функціоналу та призвело б до ускладнення системи без суттєвого виграшу. Для взаємодії між Java-застосунком і Python-модулем було обрано підхід запуску Python-скриптів як окремого процесу з передачею параметрів через командний рядок. У такій архітектурі Java-частина відповідала за прийом вхідних даних, збереження тимчасових файлів та виклик відповідного Python-скрипта, тоді як Python-модуль виконував повний пайплайн обробки - від завантаження 3D-моделі до формування сегментованої хмари точок. Після завершення виконання Python-скрипта результати зчитувалися Java-застосунком і поверталися клієнту у вигляді файлів або структурованої відповіді. Обраний підхід дозволив чітко розділити відповідальність між компонентами системи та забезпечити повторне використання вже реалізованих і перевірених алгоритмів аналізу. До основних переваг такого рішення слід віднести простоту інтеграції, мінімальні вимоги до додаткової інфраструктури та можливість незалежного розвитку кожної частини системи. Крім того, подібна архітектура легко масштабується у майбутньому, зокрема шляхом винесення Python-модуля в окремий сервіс або заміни механізму виклику на мережеву взаємодію без зміни зовнішнього інтерфейсу API. 86 Таким чином, обраний підхід дозволив поєднати інженерну стабільність серверного застосунку з гнучкістю та обчислювальними можливостями Python- екосистеми для машинного навчання, що забезпечило практичну придатність розробленої системи для аналізу 3D-сканів деталей. 3.1 Архітектура системи Архітектура прикладної системи будувалася як двокомпонентне рішення, у якому серверний рівень відповідав за взаємодію з клієнтом і організацію процесу обробки, а обчислювальний рівень виконував підготовку даних та інференс нейромережевих моделей. Такий поділ був обраний для того, щоб зберегти стабільність і типовість серверної інфраструктури та водночас не дублювати функціонал машинного навчання поза Python-екосистемою. У ролі серверного компонента виступав Java-застосунок, який надавав API для завантаження вхідних даних та отримання результатів аналізу. Він приймав від клієнта файл 3D-моделі (наприклад, у форматі GLB) або вже підготовлену хмару точок, виконував первинну валідацію запиту, зберігав вхідний файл у тимчасове сховище та формував задачу на обробку. Далі Java-компонент ініціював запуск Python-модуля як окремого процесу, передаючи йому шлях до вхідного файлу, шлях до збереженої нейромережевої моделі та параметри обробки (кількість точок, режим роботи, тип аналізу). Після завершення виконання Python- процесу Java-застосунок зчитував результати з вихідних файлів або стандартного виводу, формував відповідь у погодженому форматі та повертав її клієнту. Обчислювальний компонент був реалізований на Python і відповідав за повний пайплайн аналізу геометрії. На цьому рівні виконувалося завантаження 3D-моделі, побудова хмари точок із використанням узгодженого алгоритму семплінгу, попередня обробка даних (центрування, нормалізація, приведення до фіксованої кількості точок), завантаження навчених ваг нейромережі та виконання 87 інференсу. Результатом роботи Python-модуля була сегментована хмара точок, де кожна точка отримувала клас (наприклад, "норма" або один із типів дефектів). Для забезпечення подальшого використання результатів у системі дані зберігалися у простому форматі, сумісному як з подальшою обробкою, так і з візуалізацією (наприклад, текстовий формат x y z label). Взаємодія між Java- та Python-компонентами відбувалася через файловий обмін і запуск зовнішнього процесу. Такий підхід дозволив мінімізувати залежності між частинами системи й забезпечити відтворюваність експериментів: для виконання аналізу достатньо було надати вхідний файл, встановити Python- залежності та мати доступ до навчених ваг моделі. Крім того, цей механізм спрощував налагодження, оскільки Python-модуль можна було запускати автономно без участі Java API, використовуючи ті самі параметри командного рядка. Узагальнений сценарій роботи системи виглядає наступним чином: клієнт передає на сервер 3D-модель деталі, сервер зберігає файл та ініціює обчислювальний модуль, Python-частина формує хмару точок і виконує сегментацію, після чого сервер повертає клієнту результат у погодженому форматі. Така архітектура забезпечила можливість використання нейромережевих моделей не лише в рамках експериментів, але й у вигляді прикладного інструмента, який може бути інтегрований у ширший процес аналізу 3D-сканів. 3.1.1 Вибір фреймворку для реалізації прикладного API Під час проєктування прикладного програмного інтерфейсу важливим етапом був вибір фреймворку для реалізації серверної частини системи. Основними вимогами до API були простота інтеграції, мінімальна кількість залежностей, підтримка роботи з файлами та можливість швидкої реалізації прототипу без надмірного ускладнення архітектури. З огляду на те, що основна логіка аналізу виконувалася у Python-модулі, серверний компонент на Java мав виконувати роль 88 координаційного шару, відповідального за прийом запитів, запуск обчислювального процесу та повернення результатів. У якості основного фреймворку для реалізації API було обрано Javalin - легко ваговий веб фреймворк для мови Java, орієнтований на побудову REST-подібних сервісів. Основною причиною такого вибору стала його мінімалістична архітектура, яка дозволяє реалізувати необхідний функціонал без використання складних механізмів конфігурації та інверсії залежностей. На відміну від повнофункціональних фреймворків, таких як Spring Boot, Javalin не нав'язує жорсткої структури проєкту та не потребує значної кількості додаткових компонентів, що є доцільним для прототипу прикладної системи в межах дослідницької роботи. Використання Javalin дозволило зосередитися безпосередньо на логіці взаємодії між серверною частиною та обчислювальним Python-модулем, не відволікаючись на надлишкові аспекти конфігурації веб застосунку. Фреймворк забезпечував зручну обробку HTTP-запитів, підтримку передачі файлів у форматі multipart/form-data та просту реалізацію кінцевих точок API, що відповідає поставленим вимогам до системи. Крім того, обраний підхід відповідає загальній ідеї розробки модульної архітектури, у якій Java-застосунок виконує роль стабільного серверного шару, а Python-компонент може бути замінений або винесений в окремий сервіс без необхідності зміни зовнішнього інтерфейсу API. Таким чином, вибір Javalin забезпечує баланс між простотою реалізації, інженерною доцільністю та практичною придатністю розробленого рішення. 3.2 Формат даних та API-контракт Формат даних і контракт API були визначені таким чином, щоб забезпечити відтворюваність пайплайну, простоту інтеграції та мінімальну залежність від конкретного клієнтського застосунку. Вхідні дані передаються у вигляді 3D-моделі 89 деталі, а вихідні дані повертаються як розмічена хмара точок, придатна для подальшої обробки або візуалізації, або як набір рекомендацій для усунення дефекту. Система рекомендацій базується на експертних правилах і не застосовує методи штучного інтелекту, використовуючи результати нейромережевого аналізу лише як джерело інформації. 3.2.1 Вхідні дані Основним форматом вхідної геометрії було обрано GLB, оскільки цей формат дозволяє зберігати модель у компактному вигляді та коректно відтворювати структуру об'єктів, що використовувалося на етапі генерації синтетичних даних. У межах цієї роботи ключовою вимогою було забезпечення узгодженості між способом підготовки навчальних даних та способом підготовки даних під час інференсу, тому використання GLB дозволило уникнути відмінностей у пайплайні семплінгу та нормалізації. Файл GLB передавався на сервер через HTTP у форматі multipart/form-data, що дозволяє зручно передавати бінарні файли разом із параметрами запиту. Додатково клієнт міг передавати параметри, які впливали на режим роботи пайплайну, зокрема кількість точок у хмарі, що формувалася з 3D-моделі. 3.2.2 Вихідні дані Результат аналізу повертається у вигляді розміченої хмари точок, у якій кожній точці призначено числовий клас. Для забезпечення простоти та сумісності результат зберігається у текстовому форматі, де кожен рядок відповідає одній точці та містив її координати та лейбл. Використовувався формат: x y z label де x, y, z - координати точки в декартовому просторі, а label - клас (наприклад, 0 для норми та 1..K для різних типів дефектів). Такий формат є універсальним: він легко читається як у Python, так і в інших мовах, а також може бути безпосередньо 90 використаний для візуалізації (наприклад, через Open3D із відображенням різних класів різними кольорами). Окрім розміченої хмари точок, система також формує структурований набір рекомендацій, згенерованих на основі результатів сегментації. Рекомендації містять інформацію про виявлені типи дефектів, їх відносну кількість та можливі причини виникнення, що дозволяє використовувати результати аналізу не лише для візуальної оцінки, але й для подальшої інтерпретації та підтримки прийняття інженерних рішень. 3.3 Опис основних модулів системи Рис. 3.1 - Структура програмного проєкту для інтеграції нейромережевої моделі аналізу 3D-сканів На рис. 3.1 представлено структуру програмного проєкту, що складається з серверної частини на мові Java та обчислювального модуля на Python. Java- компонент відповідає за надання API, прийом вхідних даних і запуск обчислювального процесу, тоді як Python-модуль інкапсулює пайплайн побудови хмари точок, попередньої обробки та інференсу нейромережевої моделі. Каталог 91 runtime використовується для збереження тимчасових файлів і результатів обробки, що забезпечує відтворюваність та ізоляцію виконання кожного запиту. 3.3.1 Загальна концепція та принцип роботи системи рекомендацій Система рекомендацій призначена для формування практичних порад щодо усунення дефектів 3D-друку на основі результатів нейромережевого аналізу 3D-сканів деталей. Вхідними даними для системи є відсегментована хмара точок, у якій кожна точка класифікована відповідно до типу дефекту або належить до нормальної області поверхні. На відміну від нейромережевої моделі сегментації, система рекомендацій не використовує методи штучного інтелекту. Її робота ґрунтується на наборі експертних правил, сформованих на основі типових дефектів адитивного виробництва та відомих причин їх виникнення. Такий підхід дозволяє зробити систему прозорою, інтерпретованою та легко розширюваною, що є важливою вимогою для прикладних виробничих рішень. У процесі роботи система аналізує просторовий розподіл виявлених дефектів, їх відносну кількість та локалізацію на поверхні деталі. На основі цієї інформації визначається домінуючий тип дефекту або комбінація дефектів, після чого формується набір рекомендацій щодо можливого коригування параметрів 3D-друку, таких як температура екструзії, швидкість друку, висота шару, умови охолодження або адгезія до платформи. Сформовані рекомендації не є жорсткими інструкціями, а мають характер технічних порад, що можуть бути використані оператором або інженером для подальшої оптимізації процесу виготовлення деталі. Такий підхід дозволяє поєднати автоматизований аналіз геометрії з інженерним досвідом та зменшити суб'єктивний вплив людини на процес оцінки якості. 92 3.3.2 Структура проєкту системи рекомендацій Для реалізації системи рекомендацій було розроблено окремий серверний модуль, що інтегрується з існуючим API аналізу 3D-сканів. Архітектура модуля побудована за принципом розділення відповідальностей, що дозволяє чітко відокремити етапи обробки вхідних даних, аналізу результатів сегментації та формування рекомендацій. Структура програмного коду включає такі основні компоненти: ● модуль прийому та парсингу відсегментованої хмари точок; ● модуль обчислення кількісних характеристик дефектів (частка дефектних точок, домінуючий тип дефекту); ● модуль формування рекомендацій на основі експертних правил; ● API-рівень, що забезпечує взаємодію системи з зовнішніми клієнтами. Експертні правила зберігаються у зовнішньому JSON-файлі, що дозволяє змінювати або розширювати логіку формування рекомендацій без внесення змін до програмного коду. Такий підхід підвищує гнучкість системи та спрощує її подальший розвиток. На рисунку 3.2 наведено структуру проєкту в середовищі розробки, яка відображає взаємозв'язок між основними модулями системи рекомендацій та API-рівнем. 93 Рис. 3.2 - структура системи рекомендацій Подальша реалізація системи рекомендацій ґрунтується на поетапній обробці результатів нейромережевої сегментації. Відсегментована хмара точок використовується для обчислення узагальнених кількісних характеристик дефектів, таких як їх відносна частка та домінуючий тип, що дозволяє перейти від точкової класифікації до цілісної оцінки стану деталі. На основі отриманих характеристик система рекомендацій застосовує механізм, у якому експертні правила, задані у зовнішньому JSON-форматі, використовуються для формування набору рекомендацій у разі виявлення одного або кількох типів дефектів. Взаємодія між модулем нейромережевого аналізу та системою рекомендацій реалізована через API-рівень, що забезпечує інтеграцію розробленого підходу у прикладні виробничі сценарії. 94 3.4 Поточне тестування системи на реальних 3D-сканах Для перевірки працездатності розробленої системи в умовах, наближених до реального використання, було проведено тестування на реальних даних 3D-сканування. Вхідними даними для тестування слугувала тривимірна модель деталі, отримана в результаті реального процесу 3D-сканування, що є типовим форматом вихідних даних сучасних сканувальних систем. Реальний 3D-скан деталі було отримано у вигляді тривимірної поверхневої моделі (mesh), що є типовим результатом роботи сучасних оптичних 3D-сканерів. На відміну від ідеальної CAD-моделі, яка описує номінальну геометрію виробу, отриманий скан містить характерні неточності та артефакти, зумовлені обмеженнями технології сканування. До таких відхилень належать локальні нерівності поверхні, згладжування дрібних геометричних елементів, а також незначні деформації форми, які не присутні в еталонній моделі. Рис. 3.3 - Скан надрукованої деталі у вигляді 3Д моделі 95 На рисунку (рис. 3.3) представлено приклад реального 3D-скану деталі без явних дефектів друку. Навіть у цьому випадку помітно, що геометрія сканованої деталі не є ідеальною та відрізняється від CAD-моделі, що підкреслює складність автоматизованого аналізу реальних даних та необхідність використання більш стійких до шуму методів обробки. Отримана 3D-модель була передана до API-сервера, який виконує повний ланцюжок обробки: перетворення поверхневої моделі у хмару точок, нейромережеву сегментацію дефектів та подальше формування рекомендацій на основі результатів аналізу. Такий підхід дозволяє оцінити коректність роботи всієї системи в цілому, а не окремих її компонентів, а також перевірити здатність розробленого рішення працювати з неідеальними даними, характерними для реальних 3D-сканів. Результати обробки показали, що переважна більшість точок була коректно віднесена до фонового класу, без формування локальних кластерів, характерних для дефектних зон. Окремі поодинокі точки, віднесені до дефектних класів, мають хаотичний характер та можуть бути пояснені шумами сканування або дрібними нерівностями поверхні. Така поведінка моделі свідчить про відсутність хибно позитивної сегментації та коректну інтерпретацію неідеальної, але придатної до використання геометрії. На рис. 3.4 наведено результат сегментації реального скану деталі без дефектів друку, де візуально підтверджується відсутність виражених дефектних областей. 96 Рис. 3.4 - Результат сегментації реального скану деталі без дефектів друку Для перевірки здатності системи працювати з реальними дефектами було також використано 3D-скан деталі, що містив помітні порушення геометрії, характерні для дефектів 3D-друку (рис. 3.5). Після проходження повного ланцюжка обробки нейромережева модель успішно локалізувала дефектні області та віднесла їх до відповідних класів залежно від типу деформації. 97 Рис. 3.5 - Скан надрукованої деталі у вигляді 3Д моделі Результат сегментації дефектного скану наведено на рисунку 3.6. Видно, що модель не лише виявляє наявність дефектів, але й зберігає просторову точність їх локалізації, незважаючи на шум. Це підтверджує, що навчання на синтетичних хмарах точок не обмежує застосовність моделі виключно ідеалізованими сценаріями та дозволяє переносити отримані знання на реальні об'єкти. 98 Рис. 3.6 - Результат сегментації реального скану деталі з дефектом друку Таким чином, проведений експеримент демонструє здатність розробленої системи працювати з повним циклом обробки реальних 3D-сканів - від сирої поверхневої моделі до інтерпретованого результату сегментації дефектів. Отримані результати підтверджують практичну придатність запропонованого 99 підходу та його стійкість до неточностей і шумів, характерних для реальних умов 3D-сканування. Аналіз дефектного 3D-скану показав, що основна проблемна зона розташована в області верхнього лівого кутка деталі, поблизу одного з отворів кріплення. Саме в цій зоні було зафіксовано відхилення геометрії, які суттєво відрізняються від номінальної форми елемента. Зокрема, спостерігається деформація круглого отвору, що проявляється у зміні його геометрії та втраті чіткої симетрії. Над отвором також помітний локальний наріст матеріалу, який не є частиною початкової конструкції деталі. Така комбінація дефектів - деформація отвору разом із надлишковим накопиченням матеріалу є характерною для порушень режиму друку у зонах з підвищеною локальною складністю геометрії. Причини виникнення подібних дефектів можуть бути пов'язані з декількома технологічними факторами. Однією з основних причин є нестабільний температурний режим під час друку, зокрема локальний перегрів матеріалу в області отвору. Через знижену тепловіддачу та недостатнє охолодження пластик у цій зоні може залишатися надмірно в'язким, що призводить до часткового "провисання" стінок отвору та накопичення матеріалу над ним. Отримана в результаті сегментації хмара точок з інформацією про типи дефектів була передана до системи рекомендацій, яка виконує подальший аналіз результатів нейромережевої обробки. На цьому етапі система використовує кількісні характеристики сегментації, зокрема співвідношення кількості точок, віднесених до кожного дефектного класу, для формування практичних рекомендацій щодо можливих причин виникнення дефектів та шляхів їх усунення. У розглянутому випадку система рекомендацій коректно ідентифікувала наявність двох типів дефектів - деформації отвору та локального наросту матеріалу - та сформувала відповідні рекомендації для кожного з них. Це свідчить 100 про узгоджену роботу нейромережевого модуля сегментації та правил- орієнтованого модуля інтерпретації результатів, а також про здатність системи обробляти комбіновані дефекти, характерні для реальних сценаріїв 3D-друку. На рисунку 3.7 наведено приклад результату роботи системи рекомендацій, де відображено перелік згенерованих рекомендацій на основі переданої хмари точок. Представлений приклад демонструє, що система не обмежується лише виявленням дефектів, а забезпечує наступний рівень інтерпретації результатів, трансформуючи вихід нейромережі у зрозумілі інженерні висновки та практичні поради щодо корекції параметрів процесу друку. Рис. 3.7 - Результат роботи системи рекомендацій Таким чином, інтеграція модуля сегментації дефектів із системою рекомендацій дозволяє розглядати розроблене рішення як завершений інструмент аналізу 3D-друкованих деталей, здатний не лише виявляти проблемні зони, але й підтримувати прийняття технічних рішень на основі отриманих результатів. 3.5 Обмеження реалізації Під час розробки та експериментальної перевірки запропонованої системи аналізу 3D-сканів було виявлено низку обмежень, пов'язаних як із обраним підходом, так і з практичними умовами виконання роботи. Врахування цих обмежень є важливим для коректної інтерпретації отриманих результатів та визначення напрямів подальшого розвитку системи. 101 Одним з основних обмежень стали апаратні ресурси, доступні під час навчання та тестування нейромережевих моделей. Обмежений обсяг відеопам'яті графічного процесора накладав прямі обмеження на максимальну кількість точок у хмарі, розмір батчів та складність архітектури моделі. Унаслідок цього навчання проводилося на відносно компактних представленнях 3D-сканів, що могло впливати на точність сегментації дрібних або геометрично складних дефектів. Іншим важливим обмеженням стала залежність якості роботи моделей від узгодженості етапу попередньої обробки даних. Для коректної роботи системи необхідно було забезпечити ідентичність алгоритмів центрування, нормалізації та семплінгу хмар точок на етапах генерації навчальних даних, навчання моделі та її подальшого застосування. Будь-які відмінності у форматі вхідних даних або способі побудови хмари точок призводили до суттєвого зниження якості результатів сегментації. Також варто зазначити обмеження, пов'язані з якістю сегментації. Отримані результати не завжди забезпечували ідеальне відокремлення дефектної області від коректної геометрії, що проявлялося у вигляді поодиноких хибно класифікованих точок. Подібна поведінка є типовою для задач сегментації хмар точок та пов'язана з дискретною природою даних, а також з обмеженою кількістю навчальних прикладів. Незважаючи на наведені обмеження, реалізована система дозволила продемонструвати працездатність запропонованого підходу та підтвердила можливість використання нейромережевих моделей для аналізу 3D-сканів деталей у прикладних сценаріях. Більшість виявлених обмежень мають практичний характер і можуть бути усунуті або зменшені шляхом розширення навчального набору даних, використання потужніших обчислювальних ресурсів та подальшої оптимізації архітектур моделей. 102 3.6 Можливості розширення системи Реалізована система аналізу 3D-сканів деталей має модульну архітектуру, що створює передумови для її подальшого розширення та адаптації до ширшого кола прикладних задач. Запропонований підхід не є жорстко прив'язаним до конкретного типу деталей або дефектів і може бути модифікований без кардинальних змін програмної структури. Одним із основних напрямів розвитку системи є розширення набору підтримуваних дефектів. Завдяки використанню сегментаційної нейромережевої моделі з багатокласовою розміткою можливе додавання нових типів дефектів шляхом генерації відповідних синтетичних даних та повторного навчання моделі. При цьому архітектура системи та API залишаються незмінними, що дозволяє масштабувати функціональність переважно за рахунок даних, а не коду. З огляду на архітектуру системи, можливим є також її масштабування на рівні обчислень. Python-модуль сегментації може бути винесений в окремий сервіс або запущений у середовищі з більш потужними обчислювальними ресурсами, тоді як Java-компонент може виконувати роль API-шлюзу та керувати чергою запитів. Такий підхід дозволяє використовувати систему у сценаріях з підвищеним навантаженням або в промислових умовах. Окремим напрямом розвитку є розширення форматів вихідних даних та інтеграція з іншими програмними засобами. Замість текстового представлення сегментованої хмари точок результати можуть зберігатися у форматах, придатних для подальшого аналізу або візуалізації у CAD- та CAE-системах. Це відкриває можливість використання результатів роботи системи у повноцінних виробничих процесах, зокрема для контролю якості або автоматизованої інспекції деталей. Таким чином, запропонована система має значний потенціал для подальшого розвитку та практичного застосування. Більшість можливих напрямів розширення не потребують принципової зміни архітектури, а зводяться до покращення якості 103 даних, оптимізації обчислювальних ресурсів та інтеграції з зовнішніми інструментами, що робить підхід гнучким і перспективним для подальших досліджень.. 3.7 Поліпшення якості сегментації Якість сегментації дефектних областей у задачах аналізу хмар точок значною мірою залежить від характеристик навчальних даних, архітектури нейромережевої моделі та умов її навчання. Проведені експерименти показали, що навіть за наявності працездатної моделі результат сегментації може суттєво змінюватися залежно від узгодженості даних та різноманітності геометричних випадків, представлених у навчальному наборі. Одним із ключових чинників покращення якості сегментації є розширення та ускладнення навчальних даних. Збільшення кількості синтетичних дефектів, їхньої форми, масштабу та локалізації дозволяє моделі краще узагальнювати геометричні особливості дефектів і зменшує ризик перенавчання на обмеженому наборі прикладів. Особливу роль у цьому відіграє генерація дефектів різної інтенсивності, зокрема малопомітних деформацій, що наближає навчальні дані до реальних виробничих сценаріїв. Важливим аспектом також є кількість точок у хмарі та їхній розподіл. Збільшення щільності хмари точок дозволяє точніше описувати локальні геометричні особливості поверхні, що особливо важливо для виявлення дрібних дефектів. Водночас такий підхід потребує більших обчислювальних ресурсів і повинен враховувати апаратні обмеження, наявні під час навчання та застосування моделі. Покращення якості сегментації можливе також шляхом оптимізації архітектури нейромережі та параметрів навчання. Використання більш глибоких моделей, адаптивних механізмів агрегації локальних ознак або комбінування глобальних і локальних представлень геометрії може підвищити здатність моделі 104 розрізняти складні дефектні структури. Однак такі зміни потребують більшого обсягу даних та ретельнішого налаштування процесу навчання. Окрему увагу слід приділити узгодженості пайплайну попередньої обробки даних. Забезпечення ідентичності процедур нормалізації, семплінгу та центрування хмар точок на всіх етапах - від генерації даних до інференсу - є критично важливим для стабільної роботи моделі. Навіть незначні відмінності у цьому етапі можуть призводити до суттєвого зниження якості сегментації. Загалом, підвищення якості сегментації є комплексною задачею, що поєднує покращення даних, архітектури моделей та обчислювальних умов. Запропонована у роботі система створює необхідну основу для таких покращень, а подальші експерименти у цьому напрямі можуть суттєво підвищити точність і надійність аналізу 3D-сканів деталей. Висновок до розділу 3 У третьому розділі розроблено прикладну систему рекомендацій та прикладний програмний інтерфейс для аналізу результатів нейромережевої сегментації дефектів 3D-друку. Запропонована архітектура забезпечує повний цикл обробки даних - від передачі хмар точок і результатів сегментації до формування інтерпретованих рекомендацій для користувача. Реалізований підхід дозволяє автоматизувати інтерпретацію вихідних даних нейромережевої моделі та пов'язати виявлені дефекти з можливими технологічними причинами їх виникнення. Проведене тестування системи на реальних 3D-сканах підтвердило коректність її роботи та узгодженість результатів сегментації і рекомендацій. Отримані результати демонструють можливість практичного використання розробленого рішення для підтримки процесів контролю якості та аналізу результатів 3D-друку. 105 Розділ 4 Охорона праці та безпека в надзвичайних ситуаціях 4.1 Посада та основні обов'язки фахівця з штучного інтелекту Фахівець з штучного інтелекту у межах даної роботи розглядається як інженер з аналізу 3D-даних, діяльність якого пов'язана з обробкою, аналізом та інтерпретацією тривимірних моделей деталей, отриманих шляхом 3D-сканування або генерації. Основною сферою професійної діяльності такого спеціаліста є розробка та використання алгоритмів машинного навчання і комп'ютерного зору для автоматизованого аналізу 3D-моделей з метою виявлення дефектів, класифікації геометричних відхилень та підтримки процесів контролю якості у виробництві. До основних обов'язків фахівця з ШІ належать: ● підготовка та обробка вхідних даних у вигляді 3D-моделей або хмар точок, включно з очищенням, нормалізацією та сегментацією даних; ● розробка, навчання та тестування моделей штучного інтелекту для аналізу геометричних характеристик відсканованих деталей; ● аналіз результатів роботи моделей, оцінка точності та надійності виявлення дефектів; ● робота з програмним забезпеченням для візуалізації 3D-даних та результатів сегментації; ● використання високопродуктивних обчислювальних систем, зокрема персональних комп'ютерів з графічними прискорювачами; 106 ● у разі необхідності - робота з обладнанням для адитивного виробництва (3D-принтерами) з метою створення або відтворення тестових зразків деталей; ● документування результатів аналізу та підготовка технічних звітів. Професійна діяльність фахівця з штучного інтелекту має інтелектуально напружений характер та передбачає тривалу роботу за комп'ютером, високу концентрацію уваги, а також відповідальність за коректність отриманих результатів. У зв'язку з цим особливого значення набувають питання організації безпечного та ергономічного робочого місця, дотримання вимог охорони праці та запобігання професійним ризикам. 4.2 Умови праці Умови праці фахівця з штучного інтелекту визначаються специфікою його професійної діяльності, яка полягає у тривалій роботі з комп'ютерною технікою, програмним забезпеченням та цифровими даними. Основним робочим середовищем є офісне або лабораторне приміщення, обладнане персональним комп'ютером, засобами візуалізації та допоміжною технікою. Робочий процес фахівця з ШІ характеризується переважно сидячим положенням тіла, високою інтелектуальною напруженістю та значним навантаженням на органи зору. Значну частину робочого часу займає аналіз 3D- моделей, хмар точок, результатів сегментації та візуалізація обчислювальних процесів, що потребує постійної концентрації уваги та роботи з монітором. Для виконання професійних обов'язків використовуються високопродуктивні персональні комп'ютери, часто оснащені графічними процесорами (GPU), що працюють у режимі підвищеного навантаження. Це зумовлює додаткові вимоги до електробезпеки, вентиляції приміщення та стабільності електроживлення. У межах досліджень, пов'язаних з аналізом відсканованих деталей, можливе використання обладнання адитивного виробництва, зокрема 3D-принтерів, для 107 створення або відтворення тестових зразків. У такому випадку умови праці доповнюються впливом підвищених температур, рухомих механічних частин та продуктів плавлення полімерних матеріалів, що потребує окремого дотримання правил безпеки та організації робочого простору. Мікроклімат робочого приміщення має відповідати встановленим санітарно- гігієнічним нормам. Температура повітря, рівень вологості, якість вентиляції та освітлення безпосередньо впливають на працездатність фахівця та рівень професійної втоми. Недотримання цих вимог може призводити до швидкого зниження концентрації уваги, перевтоми та зростання ризику помилок у процесі аналізу даних. Таким чином, умови праці фахівця з штучного інтелекту поєднують у собі фактори, характерні для офісної інтелектуальної праці та роботи з технічним обладнанням. Це зумовлює необхідність ретельної організації робочого місця, дотримання режиму праці та відпочинку, а також виконання вимог охорони праці з метою зниження негативного впливу професійних факторів на здоров'я працівника. 4.3 Шкідливі та небезпечні виробничі фактори Професійна діяльність фахівця з штучного інтелекту супроводжується впливом ряду шкідливих та потенційно небезпечних виробничих факторів, характерних для роботи з комп'ютерною технікою, електронним обладнанням та засобами адитивного виробництва. Незважаючи на відсутність важких фізичних навантажень, тривалий вплив таких факторів може негативно позначатися на стані здоров'я працівника. До основних шкідливих факторів належить тривала робота за комп'ютером, яка призводить до підвищеного навантаження на органи зору. Постійна концентрація погляду на екрані монітора, аналіз дрібних елементів 3D-моделей та 108 результатів сегментації можуть викликати зорову втому, сухість очей та зниження гостроти зору. Суттєвим фактором є статичне навантаження на опорно-руховий апарат. Тривале перебування у сидячому положенні без належної ергономічної підтримки призводить до перенапруження м'язів спини, шиї та верхніх кінцівок, а також може спричиняти порушення постави та розвиток хронічних захворювань хребта. До небезпечних факторів також належить електричний струм, оскільки в процесі роботи використовуються персональні комп'ютери, серверне обладнання, джерела безперебійного живлення та інша електроніка. Порушення правил експлуатації електрообладнання, несправність кабелів або відсутність заземлення можуть створювати ризик ураження електричним струмом або виникнення пожежі. У разі використання 3D-принтерів до переліку небезпечних факторів додаються високі температури нагрівальних елементів, рухомі механічні частини, а також виділення парів і дрібнодисперсних частинок полімерних матеріалів під час плавлення. За відсутності належної вентиляції ці фактори можуть негативно впливати на дихальну систему та загальний стан працівника. Окрему групу становлять психофізіологічні фактори, пов'язані з високим рівнем розумового навантаження, відповідальністю за результати аналізу та необхідністю тривалої концентрації уваги. Такі умови можуть призводити до нервового перенапруження, зниження працездатності та підвищення ризику професійного вигорання. 4.4 Організація сучасного робочого місця фахівця з штучного інтелекту Раціональна організація робочого місця фахівця з штучного інтелекту є одним із ключових факторів забезпечення безпечних умов праці, збереження працездатності та зниження впливу шкідливих і небезпечних виробничих факторів. З огляду на специфіку професійної діяльності, пов'язаної з тривалою 109 роботою за комп'ютером, аналізом складних 3D-даних та високим розумовим навантаженням, робоче місце повинно відповідати ергономічним, санітарно- гігієнічним та технічним вимогам. Сучасне робоче місце фахівця з ШІ, як правило, організовується в офісному або лабораторному приміщенні та включає персональний комп'ютер з високою обчислювальною потужністю, засоби введення та виведення інформації, робочі меблі та системи освітлення. Усі елементи робочого простору мають бути розміщені таким чином, щоб забезпечити зручну робочу позу, мінімізувати статичні навантаження та знизити втому під час виконання професійних обов'язків. Особлива увага приділяється ергономіці робочого місця, оскільки неправильне розташування монітора, клавіатури або невідповідні параметри робочого столу та крісла можуть призводити до перенапруження опорно-рухового апарату, зорової втоми та загального зниження продуктивності праці. Робоче місце має забезпечувати можливість індивідуального налаштування відповідно до антропометричних характеристик працівника. Крім того, робоче місце повинно відповідати вимогам електробезпеки та пожежної безпеки, оскільки використання потужних комп'ютерів, графічних прискорювачів і допоміжного обладнання супроводжується підвищеним енергоспоживанням. Важливим є також забезпечення належного мікроклімату та вентиляції приміщення, особливо у разі розміщення додаткового обладнання, такого як 3D-принтери. 4.4.1 Робочий стіл та його параметри Робочий стіл фахівця з ШІ повинен забезпечувати зручне розміщення комп'ютерної техніки та периферійних пристроїв. Висота столу має відповідати зросту працівника та забезпечувати правильне положення рук під час роботи з 110 клавіатурою. Поверхня столу повинна бути матовою, без відблисків, з достатньою площею для розміщення монітора, клавіатури та допоміжного обладнання. 4.4.2 Робоче крісло та вимоги до ергономіки Робоче крісло повинно мати регулювання висоти сидіння, нахилу спинки та підтримку поперекового відділу хребта. Ергономічна конструкція крісла знижує статичне навантаження на опорно-руховий апарат та запобігає розвитку професійних захворювань спини під час тривалої сидячої роботи. 4.4.3 Монітор та засоби візуалізації Монітор є основним засобом взаємодії з 3D-даними, тому він повинен мати достатню діагональ, високу роздільну здатність та якісну передачу зображення. Монітор розміщується на відстані 50 -70 см від очей користувача, верхній край екрана - на рівні або трохи нижче рівня очей, що зменшує навантаження на зір та шию. 4.4.4 Клавіатура, миша та органи керування Клавіатура та миша повинні розміщуватися на одному рівні та забезпечувати природне положення кистей рук. Використання ергономічних пристроїв введення сприяє зниженню навантаження на суглоби та запобігає розвитку синдромів перенапруження верхніх кінцівок. 4.4.5 Освітлення робочого місця Освітлення робочого місця має бути рівномірним та достатнім для тривалої роботи з екраном. Рекомендується поєднання природного та штучного освітлення з уникненням прямих відблисків на екрані монітора. Недостатнє або надмірне освітлення призводить до швидкої втоми очей та зниження працездатності. 4.4.6 Розміщення технічного обладнання та кабель-менеджмент Комп'ютерне та допоміжне обладнання повинно розміщуватися з урахуванням вимог електробезпеки та вентиляції. Кабелі живлення і передачі даних необхідно впорядковувати для запобігання механічним пошкодженням та 111 ризику спотикання. Особливу увагу слід приділяти охолодженню обладнання, особливо при використанні потужних графічних процесорів. 4.5 Вимоги безпеки при роботі з комп'ютерною технікою 4.5.1 Електробезпека Під час роботи з комп'ютерною технікою необхідно дотримуватися вимог електробезпеки з метою запобігання ураженню електричним струмом та виникненню аварійних ситуацій. Усі електроприлади повинні бути технічно справними, підключеними до мережі з наявним заземленням. Забороняється використання пошкоджених кабелів, розеток та подовжувачів. Робоче місце повинно бути захищене від впливу вологи, а доступ до елементів електроживлення - вільним для оперативного відключення у разі потреби. 4.5.2 Режим праці та відпочинку Робота фахівця з штучного інтелекту належить до видів діяльності з підвищеним зоровим та розумовим навантаженням, що потребує дотримання раціонального режиму праці та відпочинку. Рекомендується робити короткі перерви під час тривалої роботи за комп'ютером з метою зниження втоми, зміни положення тіла та розвантаження органів зору. Дотримання режиму праці сприяє збереженню працездатності та зниженню ризику професійних захворювань. 4.5.3 Мікроклімат приміщення Мікроклімат робочого приміщення повинен відповідати санітарно- гігієнічним вимогам та забезпечувати комфортні умови праці. Важливими параметрами є температура повітря, відносна вологість та ефективність вентиляції. Недотримання оптимальних умов мікроклімату може призводити до погіршення самопочуття, зниження концентрації уваги та підвищеної втомлюваності під час роботи з комп'ютерною технікою. 112 4.6 Безпека при роботі з 3D-принтером 4.6.1 Основні небезпечні фактори 3D-друку Під час роботи 3D-принтера на працівника можуть впливати кілька небезпечних факторів. До них належать високі температури нагрівальних елементів, зокрема сопла та робочої платформи, які створюють ризик термічних опіків. Також небезпеку становлять рухомі механічні частини принтера, контакт з якими може призвести до механічних травм. Додатковим фактором є виділення парів та дрібнодисперсних частинок полімерних матеріалів у процесі плавлення, що може негативно впливати на органи дихання. 4.6.2 Вимоги до приміщення Приміщення, у якому розміщується 3D-принтер, повинно відповідати вимогам пожежної та санітарно-гігієнічної безпеки. Обов'язковою є наявність ефективної вентиляції для видалення продуктів плавлення полімерів. Робоча зона має бути достатньо освітленою, чистою та відокремленою від основного робочого місця фахівця з ШІ. Забороняється розміщення легкозаймистих матеріалів поблизу обладнання. 4.6.3 Правила експлуатації 3D-принтера Експлуатація 3D-принтера повинна здійснюватися відповідно до інструкцій виробника та вимог охорони праці. Перед початком роботи необхідно перевіряти справність обладнання та електричних з'єднань. Під час друку забороняється втручатися у робочий процес або торкатися рухомих і нагрівальних елементів. Після завершення роботи принтер слід знеструмити та дочекатися повного охолодження нагрівальних елементів. 4.7 Безпека в надзвичайних ситуаціях Безпека в надзвичайних ситуаціях під час професійної діяльності фахівця з штучного інтелекту спрямована на мінімізацію наслідків аварій, пожеж та інших 113 непередбачуваних подій, пов'язаних з експлуатацією комп'ютерної техніки та допоміжного обладнання. У разі виникнення пожежі необхідно негайно припинити роботу, знеструмити обладнання за можливості та повідомити відповідні служби. Працівник повинен залишити приміщення відповідно до плану евакуації та не намагатися самостійно усувати загрозу, якщо це може становити небезпеку для життя. При аварійному відключенні електроенергії роботу з обладнанням слід припинити, а після відновлення живлення перевірити справність комп'ютерної техніки та 3D-принтера перед повторним запуском. У разі несправностей обладнання, таких як перегрів, поява запаху горіння або сторонніх звуків, необхідно негайно вимкнути пристрої від електромережі та повідомити відповідальних осіб. Самостійний ремонт обладнання без відповідної кваліфікації забороняється. Дотримання правил поведінки в надзвичайних ситуаціях дозволяє знизити ризик травмування працівника, запобігти пошкодженню обладнання та мінімізувати матеріальні збитки. Висновок до розділу 4 У даному розділі було розглянуто основні аспекти охорони праці та безпеки в надзвичайних ситуаціях, пов'язані з професійною діяльністю фахівця з штучного інтелекту, який працює з комп'ютерною технікою та обладнанням для 3D-друку. Проаналізовано умови праці, характерні для інтелектуальної діяльності з підвищеним зоровим і розумовим навантаженням, а також визначено основні шкідливі та небезпечні виробничі фактори. Особливу увагу приділено організації сучасного робочого місця, дотриманню вимог електробезпеки, раціональному режиму праці та відпочинку, а також забезпеченню належного мікроклімату робочого приміщення. Окремо розглянуто правила безпеки при роботі з 3D-принтером, з урахуванням впливу високих 114 температур, рухомих механічних частин та продуктів плавлення полімерних матеріалів. Розглянуті заходи безпеки в надзвичайних ситуаціях спрямовані на зменшення ризику травмування працівника, запобігання аваріям та мінімізацію можливих матеріальних збитків. Дотримання наведених вимог охорони праці дозволяє забезпечити безпечні та комфортні умови праці, підвищити ефективність професійної діяльності фахівця з штучного інтелекту та знизити негативний вплив виробничих факторів на здоров'я. Загальний висновок У даній кваліфікаційній роботі було розглянуто задачу автоматизованого аналізу якості деталей, виготовлених методом 3D-друку, на основі обробки їх тривимірних сканів із застосуванням засобів штучного інтелекту. Актуальність роботи зумовлена необхідністю зменшення впливу людського фактору на процес контролю якості та підвищення ефективності виявлення виробничих дефектів. У ході роботи було проаналізовано основні типи дефектів, характерні для технологій адитивного виробництва, особливості представлення 3D-даних у вигляді хмар точок, а також існуючі підходи до їх обробки. На основі проведеного аналізу було обґрунтовано доцільність використання нейромережевих методів для сегментації дефектів у нерегулярних просторових даних. Практична частина роботи включає розробку та навчання нейромережевої моделі на основі архітектури DGCNN для сегментації дефектних зон у хмарах точок, отриманих зі сканів 3D-друкованих деталей. Для забезпечення стабільного навчання було сформовано синтетичний датасет та реалізовано механізми стратифікованого семплінгу, що дозволило суттєво покращити виявлення малих дефектів. Отримані експериментальні результати підтвердили здатність моделі ефективно локалізувати окремі типи дефектів із високими показниками повноти та точності. 115 Окрім цього, було розроблено програмний модуль API та систему рекомендацій, яка на основі результатів сегментації формує практичні поради щодо корекції параметрів 3D-друку. Запропонований підхід поєднує можливості штучного інтелекту з експертними правилами та дозволяє використовувати результати аналізу не лише для виявлення дефектів, але й для підвищення якості подальшого виробництва. Результати роботи демонструють перспективність застосування методів штучного інтелекту для аналізу 3D-сканів деталей у задачах контролю якості адитивного виробництва. Запропоноване рішення може бути розширене шляхом підтримки додаткових типів дефектів, використання реальних промислових сканів та інтеграції з виробничими системами моніторингу. 116 Список використаної літератури 1. Easy3DPrint. Що таке 3D-сканування та його основні переваги. URL: https://easy3dprint.com.ua/uk/3d-skanuvannya-shho-take/. 2. Easy3DPrint. 3D-сканер - Як працює 3D-сканер?. URL: https://easy3dprint.com.ua/uk/3d-skaner-yak-pratsyuye-3d-skaner. 3. Ukrfavorit. Класифікація дефектів. URL: https://ukrfavorit.ua/blog/klasyfikatsiya-defektiv 4. Tucans.com.ua. Найпопулярніші дефекти 3Д друку та їх усунення. URL: https://tucans.com.ua/najpopulyarnishi-defekti-3d-druku-ta-yih-usunennya. 5. Simplify3D. Print Quality Troubleshooting Guide. URL: https://www.simplify3d.com/resources/print-quality-troubleshooting/. 6. Informatik.pp.ua. Тривимірна графіка. Принципи тривимірного моделювання. URL: https://informatik.pp.ua/uroky/9-klas/konspekty-uchnia/tryvymirna-hrafika-prynt sypy-tryvymirnoho-modeliuvannia 7. Easy3DPrint. Як сканувати деталь для 3D-принтера - повний гід. URL: https://easy3dprint.com.ua/uk/yak-skanuvati-detal-dlya-3d-printera/ 8. Adobe. Що таке 3D-моделювання?. URL: https://www.adobe.com/ua/products/substance3d/discover/what-is-3d-modeling.h tml 9. Wikipedia. Polygon mesh. URL: https://en.wikipedia.org/wiki/Polygon_mesh. 10.Ip-paris. What's the Best Way to Adapt AI Methods for 3D Shapes?. URL: https://www.ip-paris.fr/en/news/whats-best-way-adapt-ai-methods-3d-shapes 11. Autodesk. Autonomous Geometry Processing Using Machine Learning and Forge. URL: https://www.autodesk.com/autodesk-university/article/Autonomous-Geometry-Pr ocessing-Using-Machine-Learning-and-Forge 117 12. Charlesq34. GitHub. PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space. URL: https://github.com/charlesq34/pointnet2. 13. Parkie0517. Medium. Dynamic Graph CNN Unveiled: An In-Depth Review and Insights. URL: https://medium.com/@parkie0517/dynamic-graph-cnn-144db21cbbf4 14.Ranahanocka. GitHub. MeshCNN in PyTorch. URL: https://github.com/ranahanocka/MeshCNN 15. Medium. 3D Object Classification and Segmentation with MeshCNN and PyTorch. URL: https://medium.com/data-science/3d-object-classification-and-segmentation-with- meshcnn-and-pytorch-3bb7c6690302. 16. Smirnov D., Solomon J. HodgeNet: Learning Spectral Geometry on Triangle Meshes. Massachusetts, USA : Massachusetts Institute of Technology, USA, 2021. URL: https://arxiv.org/pdf/2104.12826 17. Muzahid A., Zhang Y., Dawei L. ScienceDirect. Deep learning for 3D object recognition: A survey. URL: https://www.sciencedirect.com/science/article/abs/pii/S0925231224012074 18. Mormukut11. GitHub. 3D Machine Learning. URL: https://github.com/Mormukut11/3D-Machine-Learning-complete-Resources 19. Vladyslav Selotkin, Volodymyr Karpiv. SoftserveInc. Point Cloud in a World of Deep Learning. URL: https://www.softserveinc.com/en-us/resources/point-cloud-for-deep-learning 20.Wikipedia. Variational autoencoder. URL: https://en.wikipedia.org/wiki/Variational_autoencoder 21. Springer. Variational autoencoders for 3D data processing. URL: https://link.springer.com/article/10.1007/s10462-023-10687-x 118 22. AI Model Registries / E. McKernon та ін. 2024. URL: https://arxiv.org/pdf/2410.09645 23. PNN. Найкращі мови програмування для штучного інтелекту. URL: https://pnn.com.ua/ua/blog/detail/top-programming-languages-for-artificial-intelli gence 24. BlockZa. 5 основних мов програмування для оволодіння ШІ. Binance. 27.04.2023. URL: https://www.binance.com/uk-UA/square/post/467534 25.Wikipedia. Python. URL: https://uk.wikipedia.org/wiki/Python 26.Wikipedia. Java. URL: https://uk.wikipedia.org/wiki/Java. 27.Елеонора Керрі. Javarush. Java та AI. Чи можна написати штучний інтелект на Java?. URL: https://javarush.com/ua/groups/posts/uk.2558.java-ta-ai-chi-mozhna-napisati-shtu chniy-ntelekt-java. 28. Duikt. Штучний інтелект і JAVA. URL: https://duikt.edu.ua/ua/news-1-0-6970-shtuchniy-intelekt-i-java 29. Pytorch. GitHub. Pytorch. URL: https://github.com/pytorch/pytorch 30.FacebookResearch. GitHub. Pytorch3D. URL: https://github.com/facebookresearch/pytorch3d 31.Open3D. URL: https://www.open3d.org 32. Deep Learning for 3D Point Clouds: A Survey / Yulan Guo та ін. JOURNAL OF LATEX CLASS FILES. URL:https://scispace.com/pdf/deep-learning-for-3d-point-clouds-a-survey-21vfo4 6ci5.pdf 33. OpenAI. AI and compute. URL: https://openai.com/index/ai-and-compute/ 34.Supermicro. What Is CUDA?. URL: https://www.supermicro.com/en/glossary/cuda 119