Ερευνητές από το The Grainger College of Engineering στο University of Illinois Urbana-Champaign, σε συνεργασία με την SyBridge Technologies, ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης (AI) που μπορεί να αναγνωρίσει ποιος συγκεκριμένος 3D εκτυπωτής τύπωσε ένα αντικείμενο, με βάση μόνο μία φωτογραφία.

Η μελέτη δημοσιεύθηκε στις 17 Μαΐου 2025 στο Nature και έχει κάνει ήδη αίσθηση, καθώς η ακρίβεια του συστήματος αγγίζει το 98%, ακόμα και με ελάχιστο οπτικό υλικό.

Πώς Λειτουργεί: “Δακτυλικά Αποτυπώματα” στην Επιφάνεια των Εκτυπώσεων

Σύμφωνα με τον καθηγητή Bill King, κάθε εκτυπωτής αφήνει ανεπαίσθητα χαρακτηριστικά στην επιφάνεια του αντικειμένου. Αν και είναι αόρατα στο μάτι, αυτά τα μικρομοτίβα είναι επαναλαμβανόμενα και μοναδικά για κάθε μηχάνημα — ακόμα και μεταξύ δύο ίδιων μοντέλων.

Για την εκπαίδευση του μοντέλου χρησιμοποιήθηκαν:

• 9.192 κομμάτια
• 21 εκτυπωτές από 4 μεγάλους κατασκευαστές:
  • Carbon (M2, L2) – DLS
  • HP (Jet Fusion 4200, 5200) – MJF
  • Formlabs (3B+) – SLA
  • Stratasys (Fortus 450mc, 900mc) – FDM

Όλα τα κομμάτια εκτυπώθηκαν με μαύρο υλικό και σαρώθηκαν με ανάλυση 5.3 μm μέσω flatbed scanner.

Τα υλικά περιλάμβαναν:

• Carbon: RPU 70, EPX, UMA
• Formlabs: Black Resin
• HP: PA12 (βαμμένο μαύρο)
• FDM: ABS νήμα

Τεχνική Λειτουργίας του AI Συστήματος

Το μοντέλο χρησιμοποιεί την αρχιτεκτονική EfficientNetV2 και αναλύει μικρά αποσπάσματα από φωτογραφίες (image patches). Τα αποτελέσματα “συγκεντρώνονται” με voting algorithm για την τελική πρόβλεψη.

Απόδοση ανά τεχνολογία:

• DLS:
  • 98.7% ακρίβεια στον εκτυπωτή
  • 100% ακρίβεια αναγνώρισης ρητίνης
  • 98% εντοπισμός θέσης στο build tray
  • 87% αναγνώριση batch
• MJF & SLA:
  • 90% ακρίβεια με ≥1mm επιφάνειας
• FDM:
  • ~95% ακρίβεια με ≥3mm εικόνας
  • Λειτουργεί ακόμη και με μειωμένη ανάλυση

Σταθερότητα & Αντοχή σε Μεταβλητές

Το μοντέλο παρέμεινε αξιόπιστο ακόμα και με:

• Τυχαία υποσύνολα δεδομένων
• Ανάλυση μόλις 200 μm για DLS
• 1 mm για MJF/SLA
• 2 mm για FDM

Από τους 21 εκτυπωτές, οι 12 αναγνωρίστηκαν με μηδενικά σφάλματα. Τα περισσότερα σφάλματα συνέβησαν μεταξύ παρόμοιων μοντέλων ίδιου κατασκευαστή.

Εφαρμογές: Από Ποιότητα μέχρι Αντιμετώπιση Πλαστών

Η τεχνολογία αυτή μπορεί να εφαρμοστεί σε:

• Έλεγχο ποιότητας (Quality Control)
• Διαχείριση εφοδιαστικής αλυσίδας (Supply Chain Compliance)
• Επαλήθευση προμηθευτών
• Ανίχνευση πλαστών ή μη εξουσιοδοτημένων εξαρτημάτων
• Ανάλυση εγκληματικών αντικειμένων (π.χ. 3D printed όπλα)

Ο Bill King δήλωσε:

“Δεν χρειάζεται πια να βασίζεσαι στην υπόσχεση του προμηθευτή. Μπορείς να δεις με ακρίβεια πού και πώς δημιουργήθηκε κάθε εξάρτημα.”

Διαθέσιμος Κώδικας & Ανοιχτά Δεδομένα

Η ερευνητική ομάδα έχει δημοσιεύσει όλο τον κώδικα και τα δεδομένα στο GitHub ώστε να μπορεί η κοινότητα να αναπαράγει ή να προσαρμόσει το μοντέλο.

GitHub Repository: https://github.com/wpklab/fingerprinting