Évaluation comparative des modèles YOLO et RT-DETR pour la détection en temps réel des défauts dans l'impression 3D à base de bois

Pourquoi il est important que les pièces imprimées en 3D en bois soient sans défauts

À mesure que l'impression 3D passe des jouets en plastique aux produits utilisables, l'impression à base de bois se démarque par son aspect chaleureux et son attrait écologique. Mais de minuscules imperfections dans la poudre de bois meuble qui forme chaque couche peuvent affaiblir les pièces, gâcher les surfaces et engendrer du gaspillage de matière. Cette étude pose une question pratique : quels outils d'IA modernes sont les mieux à même de repérer ces défauts assez rapidement pour corriger les problèmes pendant que l'imprimante est encore en marche ?

Poudre de bois, caméras et défauts cachés

Les chercheurs ont travaillé avec une imprimante 3D personnalisée qui construit des objets en bois en étalant de fines couches de poudre de bois et en les liant avec un liant liquide. Après chaque étalement, une caméra haute résolution photographie le lit de poudre. Ces images capturent des problèmes subtils dans la poudre, tels que des débris, des traces laissées par le rouleau ou des zones où la poudre n'a pas été répartie uniformément. À partir de centaines d'images de ce type, l'équipe a constitué un jeu de données de 599 échantillons et annoté six principaux types de défauts, incluant contamination, poudre traînée, étalement insuffisant et mouvements irréguliers du rouleau. Cette collection étiquetée est devenue la base pour l'entraînement et le test de plusieurs modèles d'IA concurrents.

Apprendre aux machines à repérer les problèmes dans la poudre

Pour transformer les images en contrôles qualité rapides, l'équipe a utilisé des réseaux de détection d'objets, un type d'apprentissage profond qui encadre les éléments d'intérêt sur une image. Ils ont comparé quatre versions d'une famille populaire appelée YOLO, connue pour sa rapidité, avec un modèle plus récent basé sur les Transformers appelé RT-DETR, qui privilégie la précision. Tous les modèles ont été entraînés dans des conditions équivalentes, en utilisant la même taille d'image, le même nombre d'époques d'entraînement et des paramètres de base identiques. L'objectif était de mesurer la capacité de chaque modèle à détecter et classer les défauts du lit de poudre, et le temps requis pour traiter chaque image.

Vitesse versus précision sur des données d'impression réelles

Globalement, les modèles ont bien identifié certains défauts tout en peinant avec d'autres. Des problèmes comme des zones sans poudre et le saut du rouleau ont été reconnus de façon très fiable, tandis que de petits débris et des stries subtiles dans la texture de la poudre étaient beaucoup plus difficiles à distinguer du fond. Parmi les modèles YOLO, YOLOv11 a produit les prédictions les plus propres, avec la plus grande proportion de détections correctes et moins de fausses alertes, mais il fonctionnait plus lentement que les versions précédentes. YOLOv5 et YOLOv8 ont offert un profil plus équilibré : suffisamment rapides pour des besoins stricts en temps réel tout en maintenant une précision solide, ce qui les rend attractifs pour des systèmes de surveillance pratiques qui doivent suivre la cadence de l'imprimante.

Un examen approfondi du modèle le plus précis

Le modèle RT-DETR, qui repose sur une architecture Transformer similaire à celles utilisées dans les outils linguistiques modernes, est arrivé en tête pour la précision globale de détection. Il a obtenu le meilleur score pour la détection correcte des défauts toutes catégories confondues et s'est montré particulièrement performant pour capturer le problème courant mais critique d'étalement insuffisant de la poudre. Toutefois, cette rigueur supplémentaire a un coût : il mettait plusieurs fois plus de temps pour analyser chaque image que les versions YOLO les plus rapides. Pour des usines nécessitant des réponses instantanées couche après couche, de tels délais pourraient limiter son utilisation à moins d'ajouter davantage de puissance de calcul.

Ce que cela implique pour une impression 3D plus intelligente

Pour un opérateur d'imprimante 3D à base de bois, ces résultats offrent un éventail d'options. Si repérer le plus grand nombre possible de défauts est la priorité et qu'un léger délai est acceptable, RT-DETR est le meilleur choix. Si suivre l'imprimante en temps réel est plus important, YOLOv5 ou YOLOv8 offrent un meilleur compromis entre vitesse et précision, tandis que YOLOv11 convient aux cas où il faut minimiser les fausses alertes. L'étude met aussi en évidence les limites des systèmes actuels, notamment face aux minuscules débris et aux stries discrètes. En soulignant des compromis et des lacunes spécifiques, ce travail oriente la conception future de gardiens visuels plus intelligents qui peuvent réduire les déchets et améliorer la fiabilité de l'impression 3D à base de bois.

Citation: 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

Mots-clés: impression 3D sur bois, détection de défauts, modèles YOLO, RT-DETR, fabrication additive