הערכה השוואתית של מודלים YOLO ו-RT-DETR לזיהוי פגמים בזמן אמת בהדפסה תלת־ממדית מבוססת עץ

מדוע חשוב להשאיר חלקי עץ מודפסים תלת־ממד ללא פגמים

בעוד שהדפסה תלת־ממדית נעה מצעצועי פלסטיק אל מוצרים ממשיים, הדפסה מבוססת עץ בולטת במראה החמים שלה ובממד האקלימי הידידותי. אבל פגמים זעירים באבקת העץ הרופפת שמרכיבה כל שכבה יכולים להחליש חלקים, לפגום במשטחים ולהוביל לבזבוז חומר. המחקר הזה שואל שאלה מעשית: אילו כלים מודרניים של בינה מלאכותית טובים ביותר בזיהוי פגמים במהירות מספקת כדי לתקן בעיות בעוד המדפסת עדיין פועלת?

אבקת עץ, מצלמות ופגמים נסתרים

החוקרים עבדו עם מדפסת תלת־ממד מותאמת שבונה עצמים מעץ על ידי פיזור שכבות דקות של אבקת עץ והדבקתם באמצעות דבק נוזלי. לאחר כל פיזור שכבה מצלמת רזולוציה גבוהה מצלמת את משטח האבקה. תמונות אלה לוכדות בעיות עדינות באבקה, כמו פסולת זרוקה, נתיבים משחיקה של הגלגלת, או אזורים שבהם האבקה לא פוזרה באופן אחיד. מתוך מאות תמונות כאלה בנויה קבוצת נתונים של 599 מדגמים שסומנו שישה סוגי פגמים עיקריים, כולל זיהום, גרירת אבקה, פיזור חסר ותנועות בלתי סדירות של הגלגלת. אוסף מתוייג זה שימש בסיס לאימון ובדיקת מספר מודלים מתחרים של בינה מלאכותית.

לימוד מכונות לראות בעיה באבקה

כדי להפוך תמונות לבדיקות איכות מהירות, הצוות השתמש ברשתות לגילוי עצמים, סוג של למידה עמוקה שמשרטטת תיבות סביב פריטים מעניינים בתמונה. הם השוו ארבעה גרסאות של משפחה פופולרית שנקראת YOLO, הידועה במהירותה, עם מודל חדש יותר מבוסס Transformer בשם RT-DETR שמציב דגש על הדיוק. כל המודלים הוכשרו בתנאים תואמים, תוך שימוש בגודל תמונה זהה, מספר סבבי אימון והגדרות בסיסיות דומות. המטרה הייתה למדוד עד כמה כל מודל יכול למצוא ולסווג פגמים במשטח האבקה, וכמה זמן נדרש לעיבוד כל תמונה.

מהירות מול דיוק על נתוני הדפסה אמיתיים

באופן כללי, המודלים הצטיינו בזיהוי חלק מהפגמים בעוד שקיבלו קושי עם אחרים. בעיות כמו אזורים עם חוסר אבקה וניתוקים של הגלגלת זוהו באופן אמין מאוד, בעוד שברי פסולת קטנים ופסים עדינים במרקם האבקה היו הרבה יותר קשים להבחנה מהרקע. בין מודלי YOLO, YOLOv11 הניב את התחזיות הנקיות ביותר, עם חלק גבוה יותר של זיהויים נכונים ומיעוט אזעקות שווא, אך הוא עבד לאט יותר מהגרסאות הקודמות. YOLOv5 ו-YOLOv8 הציעו פרופיל מאוזן יותר: הן היו מספיק מהירות לצרכי זמן אמת קפדניים ועדיין סיפקו דיוק מוצק, מה שהופך אותן לאטרקטיביות למערכות ניטור מעשיות שצריכות לעמוד בקצב המדפסת.

מבט מעמיק על המודל המדויק ביותר

מודל RT-DETR, המתבסס על ארכיטקטורת Transformer הדומה לזו שבה משתמשים בכלים מודרניים לשפה, הגיע בראש טבלת הדיוק הכולל. הוא השיג את הניקוד הטוב ביותר בזיהוי נכון של פגמים בכל הקטגוריות והיה חזק במיוחד בלכידת הבעיה הנפוצה אך הקריטית של פיזור אבקה בלתי מספק. עם זאת, ההקפדה הזו באה במחיר: הוא דרש מספר גדל והולך של פעמים יותר זמן לניתוח כל תמונה בהשוואה לגרסאות YOLO המהירות ביותר. עבור מפעלים שזקוקים לתגובות מיידיות שכבה אחרי שכבה, עיכובים כאלה עלולים להגביל את השימוש במודל אלא אם מוסיפים כוח חישוב נוסף.

מה המשמעות לכך של הדפסה תלת־ממד חכמה יותר

עבור מפעיל של מדפסת תלת־ממד מבוססת עץ, הממצאים מציעים תפריט אפשרויות. אם תפיסת כמה שיותר פגמים היא העדיפות העליונה והמעט עיכוב נסבל, RT-DETR היא הבחירה הטובה ביותר. אם חשובה יותר היכולת לעמוד בקצב המדפסת בזמן אמת, YOLOv5 או YOLOv8 מספקות איזון טוב יותר בין מהירות לדיוק, בעוד YOLOv11 מתאים למקרים שבהם חשוב להימנע מאזעקות שווא. המחקר גם מדגים היכן המערכות הנוכחיות מתקשות, במיוחד עם חתיכות אבקה זעירות ופסים דקים. על ידי הצבעה על פשרות וחסרים ספציפיים, העבודה מסייעת להנחות עיצובים עתידיים של "כלבי שמירה" חכמים מבוססי מצלמה שיכולים לצמצם בזבוז ולשפר את אמינות ההדפסה התלת־ממדית מבוססת העץ.

ציטוט: 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

מילות מפתח: הדפסה תלת־ממדית בעץ, זיהוי פגמים, מודלים של YOLO, RT-DETR, ייצור בתוספת שכבות