تقييم مقارن لنماذج YOLO وRT-DETR للكشف الفوري عن العيوب في الطباعة ثلاثية الأبعاد القائمة على الخشب

لماذا الحفاظ على أجزاء خشبية مطبوعة ثلاثيًا بلا عيوب أمر مهم

مع انتقال الطباعة ثلاثية الأبعاد من ألعاب بلاستيكية إلى منتجات حقيقية، تبرز الطباعة القائمة على الخشب بمظهرها الدافئ وجاذبيتها الصديقة للمناخ. لكن العيوب الصغيرة في مسحوق الخشب الرخو الذي يشكل كل طبقة قد تضعف الأجزاء، وتفسد الأسطح، وتؤدي إلى هدر المواد. تطرح هذه الدراسة سؤالًا عمليًا: أي أدوات الذكاء الاصطناعي الحديثة هي الأفضل في رصد هذه العيوب بسرعة كافية لإصلاح المشكلات بينما لا يزال الطابعة تعمل؟

مسحوق الخشب، الكاميرات، والعيوب الخفية

عمل الباحثون مع طابعة ثلاثية الأبعاد مخصصة تبني أشكالًا خشبية عن طريق فرد طبقات رقيقة من مسحوق الخشب ولصقها بسائل رابط. بعد فرد كل طبقة، تلتقط كاميرا عالية الدقة صورة لبساط المسحوق. تلتقط هذه الصور مشاكل دقيقة في المسحوق مثل الحطام المتناثر، خطوط من الأسطوانة، أو بقع لم تُفرد فيها المسحوق بشكل متساوٍ. من مئات هذه الصور بنى الفريق مجموعة بيانات من 599 عينة وقسموا ستة أنواع رئيسية من العيوب، بما في ذلك التلوث، سحب المسحوق، الفرد غير الكافي، والحركات غير المنتظمة للأسطوانة. أصبحت هذه المجموعة الموسومة أساسًا لتدريب واختبار عدة نماذج ذكاء اصطناعي متنافسة.

تعليم الآلات رؤية المشاكل في المسحوق

لتحويل الصور إلى فحوصات جودة سريعة، استخدم الفريق شبكات كشف الأشياء، وهي نوع من التعلم العميق الذي يرسم مربعات حول عناصر الاهتمام في الصورة. قارنوا أربع إصدارات من عائلة شهيرة تُدعى YOLO، المعروفة بسرعتها، مع نموذج أحدث قائم على المحولات يُدعى RT-DETR الذي يركز على الدقة. دُربت جميع النماذج بشروط متطابقة، باستخدام نفس حجم الصورة، وعدد جولات التدريب، والإعدادات الأساسية. كان الهدف قياس مدى قدرة كل نموذج على اكتشاف وتصنيف عيوب بساط المسحوق، وكم من الوقت يحتاج لمعالجة كل صورة.

السرعة مقابل الدقة على بيانات الطباعة الفعلية

بشكل عام، تميزت النماذج في رصد بعض العيوب بينما واجهت صعوبة مع أخرى. كانت مشكلات مثل بقع المسحوق المفقود وقفز الأسطوانة معروفة بدرجة موثوقة، بينما كان من الأصعب تمييز الحطام الصغير والخطوط الدقيقة في نسيج المسحوق عن الخلفية. من بين نماذج YOLO، قدمت YOLOv11 تنبؤات أنقى، بأعلى نسبة من الاكتشافات الصحيحة وإنذارات كاذبة أقل، لكنها كانت أبطأ من الإصدارات السابقة. قدمت YOLOv5 وYOLOv8 توازنًا أفضل: كانت سريعة بما يكفي لاحتياجات الزمن الحقيقي الضيقة وما زالت تقدم دقة قوية، مما يجعلها جذابة لأنظمة المراقبة العملية التي يجب أن تواكب الطابعة.

نظرة أقرب على النموذج الأكثر دقة

ظهر نموذج RT-DETR، الذي يعتمد تصميمًا شبيهًا بمحولات تُستخدم في أدوات اللغة الحديثة، في الصدارة من حيث دقة الكشف الإجمالية. حقق أفضل نتيجة في اكتشاف العيوب عبر جميع الفئات وكان قويًا بشكل خاص في التقاط المشكلة الشائعة ولكن الحرجة المتمثلة في فرد المسحوق بشكل غير كافٍ. ومع ذلك، جاء هذا الدقة الإضافية بتكلفة: استغرق وقتًا أطول بعدة مرات لتحليل كل صورة مقارنة بأسرع إصدارات YOLO. بالنسبة للمصانع التي تحتاج إلى استجابات فورية طبقة بعد طبقة، قد تحد هذه التأخيرات من استخدامه ما لم تُضاف قدرات حسابية أكبر.

ما يعنيه هذا لطباعة ثلاثية الأبعاد أكثر ذكاءً

بالنسبة لمن يديرون طابعة ثلاثية الأبعاد قائمة على الخشب، تقدم هذه النتائج قائمة خيارات. إذا كان التقاط أكبر عدد ممكن من العيوب هو الأولوية القصوى ويُقبل تأخير بسيط، فـRT-DETR هو الخيار الأفضل. إذا كانت مواكبة الطابعة في الزمن الحقيقي أهم، فإن YOLOv5 أو YOLOv8 يوفران توازنًا أفضل بين السرعة والدقة، بينما تناسب YOLOv11 الحالات التي يكون فيها تجنب الإنذارات الكاذبة أمرًا حاسمًا. تُظهر الدراسة أيضًا نقاط الضعف الحالية للنظم، خاصة مع قطع الحطام الصغيرة والخطوط الخافتة. من خلال الإشارة إلى مفاضلات وفجوات محددة، يساعد العمل في توجيه تصميمات مستقبلية لمرقبات كاميرا أكثر ذكاءً يمكنها تقليل الهدر وتحسين موثوقية الطباعة ثلاثية الأبعاد بالخشب.

الاستشهاد: Wang, X., Yan, C., Li, X. et al. Comparative evaluation of YOLO and RT-DETR models for real-time defect detection in wood-based 3D printing. Sci Rep 16, 14672 (2026). https://doi.org/10.1038/s41598-026-41855-y

الكلمات المفتاحية: الطباعة ثلاثية الأبعاد بالخشب, كشف العيوب, نماذج YOLO, RT-DETR, التصنيع الإضافي