Машинное обучение и капиллярный захват: автономная сортировка 4 типов субмиллиметровых объектов с точностью 157 мкм

Капиллярный захват с ИИ сортирует объекты размером 0.3 мм с точностью 157 микрон

Разработана автономная система, которая использует машинное обучение и капиллярные силы для автоматической сортировки объектов размером менее 1 мм. Система на базе YOLOv5 способна распознавать и перемещать сложные по форме детали с точностью позиционирования 157 ± 84 микрон, что открывает новые возможности для работы с микрокомпонентами в электронике и биомедицине.

В отличие от традиционных пневматических или фрикционных захватов, капиллярный захват использует крошечную каплю жидкости для подъема объектов без повреждений. На масштабах меньше миллиметра капиллярные силы становятся доминирующими над гравитационными и электростатическими — примерно как если бы вы пытались поднять монету с помощью капли меда. Система формирует каплю на кончике захвата, касается объекта и поднимает его за счет поверхностного натяжения.

Автономная машинно-обучаемая классификация и упорядочивание субмиллиметровых объектов с использованием капиллярного захвата.

Эксперименты показали, что уменьшение размера капли улучшает точность позиционирования. Исследователи тестировали систему на четырех типах объектов: стеклянных шариках, конденсаторах 0603, и двух видах прецизионных винтов размером 0.3-1 мм. Общий успех классификации составил 71% (43 из 60 попыток), при этом чистый успех операций захвата и размещения достиг 90.4% (47 из 52) без учета ошибок распознавания.

Эксперимент по контролю объема капли: (A) Обнаружение области капли с использованием вычитания фона; (B) обнаружение области капли с использованием объектного детектора YOLOv5; (C) определение коэффициента площади капли p; (D) диаграмма рассеяния ошибок позиционирования для конденсаторов 0603 с разными значениями p; (E) столбчатая диаграмма расстояний ошибок позиционирования для конденсаторов 0603 с разными значениями p.
Эксперимент по автономной сортировке и компоновке с помощью захвата и перемещения: (A) экспериментальная установка; (B) объекты, использованные в данном эксперименте; (C) перемещение объектов на экспериментальном стенде.

Система потратила в среднем 86 секунд на обработку одного объекта, при этом 47% времени ушло на контроль капли, а 46% — на движение платформы. Исследователи предлагают оптимизировать процесс через параллельное выполнение задач и внедрение нагревательного элемента для испарения капель, что теоретически может сократить время работы до 29.2 секунды.

Технология найдет применение в сортировке микрофоссилий для геологических исследований, манипуляций с клетками в медицине и размещении прецизионных компонентов в электронике. Особенно интересна возможность воссоздания диатомового искусства — традиционного ремесла создания узоров из микроскопических водорослей, которое сейчас выполняется вручную под микроскопом.

Источник новости и обложки: advanced.onlinelibrary.wiley.com


Главред proglib.io (01.2022-10.2025). Опубликовал более 800 статей и запустил имейл-рассылки о нейросетях и разработке. Пишу на Python.

Аватар пользователя Мирослав Кунгуров