AI 技术提升激光雕刻材料识别与雕刻力度准确率至98% 的研究进展

近日发布的研究显示，在现有激光雕刻机上加入 AI 技术后，能够自动识别多种材料并给出合适的雕刻参数，从而显著提升效率与安全性。

研究目标是让激光雕刻机在处理混合材料时也能准确识别材料类型，并给出所需的切割或雕刻力度与速度，以避免材料损坏或产生不安全情况。

具体而言，系统能够识别多达 30 种不同材料，并在识别的同时提供对应的雕刻参数。如果材料属于危险品，系统会自动提示并给出相应的安全提醒。

这项技术有助于降低因人工识别错误而带来的风险，尤其是在材料标签不清或标签错误的情况下，减少有毒烟雾和材料浪费等潜在问题。

在具体应用场景中，研究展示了对三种看似相同的透明塑料材料进行分析，帮助确定哪一种更适合用于制作口罩防护部件。

通过 AI 快速分析，得出各材料的特性及可行的切割方案：

其中最右侧材料为聚碳酸酯，属于危险材料，不能用于此类加工；中间为铸造丙烯，允许激光切割但不可用酒精擦拭；最左侧为醋酸透明塑胶片，可用温水和温和肥皂清洗，也可用酒精。

在实验室防护面罩的应用场景中，通常会优先选择最安全的材料进行加工。

SenSiCut AI 的另一个应用是用于激光雕刻图案的调试与匹配。一次可以摆放多种待雕材料，系统会将设计图案与材料特性进行匹配，输入材料厚度后，系统给出是否需要调整参数的建议。

如需提高雕刻效果，可以适当放大参数再试一次。

成品示例：

若未按照系统建议调整，输出效果可能不理想：

该技术同样适用于混合材料的手机壳、衣物等的图案激光辅助雕刻。

关于图像中的红框区域，系统会自动进行分割设计。

下面这件由纺织材料与黄色外覆塑料材料组合而成的 T 恤中，b 图中间为 SenSiCut 通过识别材料并给出切割力度指导后实现的海鸥图案，效果较理想。

传统方法在复合材料上进行激光雕刻往往需要对设计进行拆分及边界对齐，过程较为繁琐。

整体验证显示 SenSiCut 确实具备实用价值，其实现原理在于散斑传感与深度学习的结合。

SenSiCut 由硬件附件和应用程序两部分组成。

应用端界面设计清晰，功能聚焦在材料识别与参数推荐等核心场景。

硬件部分包括激光指针、无透镜图像传感器、微处理器和电源，固定在激光切割头附近，以实现对刻线区域的实时材料识别。

识别原理简述如下：通过散斑传感技术，将激光照射到材料表面，微观材料特征会导致反射光路产生微小偏差，进而在图像传感器上形成明暗斑点式的散斑图像。

下图对比了四种材料在普通相机、电子显微镜和散斑成像下的表现，差异明显，便于后续的识别处理。

在获得图像后，研究团队利用训练好的神经网络进行材料类型识别。为提升准确率，使用了对 30 种材料类型共 38000 张图像的训练，并采用迁移学习与在 ImageNet 上预训练的 ResNet 50 模型，以及 AdaM 优化器，学习率设为 0.003，批量大小为 64。

训练图像尺寸为 256×256。采用低分辨率图像不仅有助于减少过拟合，还能节省训练时间并提高检测速度，直接提升实际应用的响应性（256×256 约 0.21s，400×400 约 0.51s）。

此外，还使用数据增强技术来提升模型的泛化能力，例如在光照变化时仍能保持稳定识别。

评估结果与未来方向

SenSiCut 在 5 折交叉验证中的平均识别准确率为 98.01% 英文标准差 0.20。

按材料类别统计：木材类 98.92% 容错 1.66，塑料类 98.84% 容错 2.36，纺织品类 97.25% 容错 2.50，纸质材料 95.90% 容错 2.94，金属类 97.00% 容错 2.16。纸质材料的准确率偏低，易与木材混淆，硅胶与皮革等也存在混淆风险。

研究还发现，面对黑色反射率较高的材料，识别准确率略低，约 92%，通过启用自适应曝光等设置可在一定程度上提升表现。

此外，光照强度与观察角度对识别效果有一定影响。提高亮度对黑白透明材料的影响较小，但对透明材料的改进较显著，在不同光照条件下重新拍摄并训练后，准确率提升约 22%。木材在不同角度的影响最大，45 度倾斜时平均识别准确率下降到约 70.31%，原因在于木材的天然结构具有较高的三维对称性。

结论与未来方向

研究指出，在硬件层面，现有激光雕刻机大多已具备其他部件，制造商只需新增无透镜图像传感器即可实现该功能。

未来工作包括进一步研究散斑传感在材料厚度估计、对划痕材料识别稳定性方面的应用，以及为软件添加打印标签等功能的可能性。