Porównawcza ocena modeli YOLO i RT-DETR do wykrywania wad w czasie rzeczywistym w druku 3D na bazie drewna

Dlaczego ważne jest zachowanie bezbłędności wydruków 3D z drewna

W miarę jak druk 3D przechodzi od plastikowych zabawek do realnych produktów, druk na bazie drewna wyróżnia się ciepłym wyglądem i ekologicznym potencjałem. Jednak drobne wady w luźnym proszku drzewnym, który tworzy każdą warstwę, mogą osłabić części, zepsuć powierzchnie i prowadzić do strat materiału. W tym badaniu postawiono praktyczne pytanie: które współczesne narzędzia AI są najlepsze w szybkim wykrywaniu tych wad, na tyle szybko, by można było naprawić problem, gdy drukarka wciąż pracuje?

Proszek drzewny, kamery i ukryte wady

Naukowcy pracowali z niestandardową drukarką 3D, która buduje obiekty drewniane przez rozprowadzanie cienkich warstw proszku drzewnego i sklejanego ciekłym spoiwem. Po rozprowadzeniu każdej warstwy wysokorozdzielcza kamera fotografowała łóżko proszkowe. Te obrazy rejestrowały subtelne problemy w proszku, takie jak obce zanieczyszczenia, smugi od wałka czy obszary, gdzie proszek nie rozłożył się równomiernie. Z setek takich zdjęć zespół zbudował zbiór danych składający się z 599 próbek i oznaczył sześć głównych typów wad, w tym zanieczyszczenia, przesunięty proszek, niewystarczające rozprowadzenie i nieregularne ruchy wałka. Ta oznakowana kolekcja stała się podstawą do trenowania i testowania kilku konkurencyjnych modeli AI.

Nauczanie maszyn rozpoznawania problemów w proszku

Aby przekształcić obrazy w szybkie kontrole jakości, zespół zastosował sieci do detekcji obiektów, rodzaj głębokiego uczenia, które rysuje ramki wokół interesujących elementów na zdjęciu. Porównano cztery wersje popularnej rodziny YOLO, znanej ze swojej szybkości, z nowszym modelem opartym na Transformerach o nazwie RT-DETR, który koncentruje się na dokładności. Wszystkie modele trenowano w jednakowych warunkach, używając tych samych rozmiarów obrazu, liczby epok treningowych i podstawowych ustawień. Celem było zmierzenie, jak dobrze każdy model potrafi znajdować i klasyfikować wady na łóżku proszkowym oraz ile czasu zajmuje przetworzenie pojedynczego obrazu.

Szybkość kontra dokładność na rzeczywistych danych z druku

Ogólnie modele świetnie radziły sobie z wykrywaniem niektórych wad, a z innymi miały trudności. Problemy takie jak brakujące fragmenty proszku czy podskakiwanie wałka rozpoznawano bardzo niezawodnie, podczas gdy drobne zanieczyszczenia i subtelne smugi w strukturze proszku były znacznie trudniejsze do odróżnienia od tła. Wśród modeli YOLO, YOLOv11 dawał najczystsze przewidywania, z największym odsetkiem poprawnych detekcji i mniejszą liczbą fałszywych alarmów, ale działał wolniej niż wcześniejsze wersje. YOLOv5 i YOLOv8 oferowały bardziej zrównoważony profil: były wystarczająco szybkie dla rygorystycznych wymagań w czasie rzeczywistym, a jednocześnie dostarczały solidnej dokładności, co czyni je atrakcyjnymi do praktycznych systemów monitoringu, które muszą nadążać za drukarką.

Bliższe spojrzenie na model o najwyższej dokładności

Model RT-DETR, oparty na architekturze Transformer podobnej do używanej we współczesnych narzędziach językowych, okazał się najlepszy pod względem ogólnej dokładności detekcji. Osiągnął najwyższy wynik w poprawnym wykrywaniu wad we wszystkich kategoriach i był szczególnie silny w wychwytywaniu powszechnego, ale krytycznego problemu niewystarczającego rozprowadzenia proszku. Jednak ta dodatkowa dokładność miała swoją cenę: analiza każdego obrazu zajmowała kilkakrotnie więcej czasu niż najszybsze wersje YOLO. W zakładach, które potrzebują natychmiastowych reakcji warstwa po warstwie, takie opóźnienia mogą ograniczać jego zastosowanie, chyba że zwiększy się moc obliczeniową.

Co to oznacza dla inteligentniejszego druku 3D

Dla osoby obsługującej drukarkę 3D na bazie drewna te wyniki oferują zestaw opcji. Jeśli priorytetem jest wykrycie jak największej liczby wad i akceptowalne jest niewielkie opóźnienie, RT-DETR jest najlepszym wyborem. Jeśli ważniejsze jest nadążanie za drukarką w czasie rzeczywistym, YOLOv5 lub YOLOv8 zapewniają lepszy kompromis między szybkością a dokładnością, natomiast YOLOv11 nadaje się do sytuacji, w których kluczowe jest unikanie fałszywych alarmów. Badanie pokazuje też, gdzie obecne systemy zawodzą, szczególnie w przypadku drobnych fragmentów zanieczyszczeń i słabych smug. Wskazując konkretne kompromisy i luki, praca pomaga ukierunkować przyszłe projekty inteligentnych, kamerowych systemów nadzorczych, które mogą ograniczać odpady i poprawiać niezawodność druku 3D na bazie drewna.

Cytowanie: 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

Słowa kluczowe: druk 3D z drewna, wykrywanie wad, modele YOLO, RT-DETR, produkcja addytywna