Сравнительная оценка моделей YOLO и RT-DETR для обнаружения дефектов в режиме реального времени при 3D-печати на древесной основе

Почему важно сохранять безупречность деталей из 3D‑печати по дереву

По мере того как 3D‑печать переходит от пластиковых игрушек к реальным продуктам, печать на древесной основе выделяется тёплой эстетикой и экологичностью. Но мелкие дефекты в свободном древесном порошке, образующем каждый слой, могут ослабить прочность деталей, испортить поверхность и привести к потере материала. В этом исследовании ставится практический вопрос: какие современные инструменты ИИ лучше справляются с обнаружением таких дефектов достаточно быстро, чтобы можно было исправить проблему, пока принтер ещё работает?

Древесный порошок, камеры и скрытые дефекты

Исследователи работали с кастомным 3D‑принтером, который строит деревянные объекты путём раскатывания тонких слоёв древесного порошка и склеивания их жидким связующим. После каждого нанесения слоя высокоразрешающая камера фотографирует порошковую постель. Эти изображения фиксируют тонкие проблемы в порошке — попадание посторонних частиц, полосы от ролика или участки с неравномерным распределением. Из сотен таких снимков команда собрала датасет из 599 образцов и разметила шесть основных типов дефектов, включая загрязнение, соскребание порошка, недостаточное раскатывание и нерегулярное движение ролика. Эта размеченная коллекция стала основой для обучения и тестирования нескольких конкурирующих моделей ИИ.

Обучение машин замечать проблемы в порошке

Чтобы превратить изображения в быстрые проверки качества, команда использовала сети для обнаружения объектов — вид глубокого обучения, который рисует рамки вокруг интересующих элементов на снимке. Они сравнили четыре версии популярной семьи YOLO, известной своей скоростью, с более новой моделью на базе трансформера под названием RT-DETR, ориентированной на точность. Все модели обучались в сопоставимых условиях, с одинаковым размером изображений, числом эпох и базовыми настройками. Целью было измерить, насколько хорошо каждая модель находит и классифицирует дефекты в порошковой постели и сколько времени требуется на обработку одного изображения.

Скорость против точности на реальных данных печати

В целом модели хорошо справлялись с обнаружением одних дефектов и испытывали трудности с другими. Такие проблемы, как участки с отсутствием порошка и подпрыгивание ролика, распознавались очень надёжно, тогда как мелкие частицы и едва заметные полосы в текстуре порошка было гораздо сложнее отделить от фона. Среди моделей YOLO YOLOv11 давала самые чистые предсказания — наибольшую долю корректных обнаружений и меньше ложных срабатываний, но работала медленнее, чем более ранние версии. YOLOv5 и YOLOv8 предлагали более сбалансированный профиль: они были достаточно быстры для строгих требований реального времени и при этом обеспечивали достойную точность, что делает их привлекательными для практических систем мониторинга, которые должны идти в ногу с принтером.

Более подробный взгляд на самую точную модель

Модель RT-DETR, основанная на архитектуре трансформера, похожей на используемые в современных языковых инструментах, оказалась лучшей по общей точности обнаружения. Она показала наивысший результат по корректному нахождению дефектов во всех категориях и особенно хорошо справлялась с распространённой, но критичной проблемой недостаточного распределения порошка. Однако эта повышенная тщательность имела компромисс: анализ каждого изображения занимал в несколько раз больше времени, чем у самых быстрых версий YOLO. Для заводов, которым нужны мгновенные ответы слой за слоем, такие задержки могут ограничивать применение RT-DETR, если не увеличить вычислительные ресурсы.

Что это значит для более умной 3D‑печати

Для оператора 3D‑принтера на древесной основе эти результаты предлагают набор вариантов. Если приоритет — поймать как можно больше дефектов и допустима небольшая задержка, RT-DETR — лучший выбор. Если важнее успевать за принтером в реальном времени, YOLOv5 или YOLOv8 предоставляют более удачный баланс скорости и точности, а YOLOv11 подходит в случаях, когда ключевая цель — минимизировать ложные срабатывания. Исследование также указывает на слабые места текущих систем, особенно при работе с крошечными частицами и едва заметными полосами. Выявляя конкретные компромиссы и пробелы, работа помогает направлять дальнейшую разработку более интеллектуальных камерных систем‑надзирателей, способных сократить потери и повысить надёжность 3D‑печати на древесной основе.

Цитирование: 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

Ключевые слова: 3D‑печать древесных материалов, обнаружение дефектов, модели YOLO, RT-DETR, аддитивное производство