Jämförande utvärdering av YOLO- och RT-DETR-modeller för realtidsdefektdetektion i träbaserad 3D-utskrift

Varför det är viktigt att hålla 3D-utskrivna trädelar felfria

När 3D-utskrift går från plastleksaker till verkliga produkter framträder träbaserad utskrift för sin varma estetik och klimatvänliga profil. Men små brister i det lösa träpulvret som bildar varje lager kan försvaga detaljer, skada ytor och orsaka materialspill. Denna studie ställer en praktisk fråga: vilka moderna AI-verktyg är bäst på att upptäcka dessa defekter tillräckligt snabbt för att åtgärda problemen medan skrivaren fortfarande arbetar?

Träpulver, kameror och dolda fel

Forskarna arbetade med en specialbyggd 3D-skrivare som skapar träföremål genom att sprida tunna lager träpulver och sammanfoga dem med ett flytande bindemedel. Efter att varje lager spridits fotograferas pulverbädden med en högupplöst kamera. Dessa bilder fångar subtila problem i pulvret, såsom främmande partiklar, ränder från valsen eller fläckar där pulvret inte har spridits jämnt. Av hundratals sådana bilder byggde teamet en datamängd med 599 prover och markerade sex huvudsakliga defekttyper, inklusive kontaminering, draget pulver, otillräcklig utbredning och oregelbundna valsrörelser. Denna märkta samling blev grunden för att träna och testa flera konkurrerande AI-modeller.

Att lära maskiner att se problem i pulvret

För att omvandla bilder till snabba kvalitetskontroller använde teamet objektigenkänningsnätverk, en form av djupinlärning som ritar rutor runt intressanta objekt i en bild. De jämförde fyra versioner av en populär familj kallad YOLO, som är känd för sin hastighet, med en nyare Transformer-baserad modell kallad RT-DETR som fokuserar på noggrannhet. Alla modeller tränades under matchade förhållanden, med samma bildstorlek, antal träningsomgångar och grundinställningar. Målet var att mäta hur väl varje modell kunde hitta och klassificera defekter i pulverbädden och hur lång tid det tog att bearbeta varje bild.

Hastighet kontra noggrannhet på verkliga utskriftsdata

Överlag var modellerna skickliga på att upptäcka vissa defekter medan de hade svårare med andra. Problem som fläckar med saknat pulver och att valsen hoppar upptäcktes mycket säkert, medan små främmande partiklar och subtila ränder i pulverytan var betydligt svårare att skilja från bakgrunden. Bland YOLO-modellerna gav YOLOv11 de renaste prediktionerna, med störst andel korrekta upptäckter och färre falsklarm, men den var långsammare än tidigare versioner. YOLOv5 och YOLOv8 erbjöd en mer balanserad profil: de var tillräckligt snabba för strikta realtidskrav och levererade ändå god noggrannhet, vilket gör dem attraktiva för praktiska övervakningssystem som måste hänga med skrivaren.

Närmare granskning av den mest noggranna modellen

RT-DETR-modellen, som bygger på en Transformer-design liknande de som används i moderna språkverktyg, hamnade i topp vad gäller total detekteringsnoggrannhet. Den uppnådde bästa resultat för korrekt upptäckt av defekter över alla kategorier och var särskilt stark på att fånga det vanliga men kritiska problemet med otillräcklig pulverspridning. Denna extra noggrannhet kom dock till priset av längre analys­tider: den tog flera gånger längre tid per bild än de snabbaste YOLO-varianterna. För fabriker som behöver omedelbara svar lager efter lager kan sådana fördröjningar begränsa användningen om inte mer beräkningskraft tillsätts.

Vad detta innebär för smartare 3D-utskrift

För den som driver en träbaserad 3D-skrivare erbjuder dessa resultat flera alternativ. Om att fånga så många defekter som möjligt är högsta prioritet och en liten fördröjning är acceptabel, är RT-DETR det bästa valet. Om det är viktigare att hänga med skrivaren i realtid ger YOLOv5 eller YOLOv8 en bättre balans mellan hastighet och noggrannhet, medan YOLOv11 passar fall där att undvika falsklarm är avgörande. Studien visar också var dagens system brister, särskilt med mycket små partiklar och svaga ränder. Genom att peka på specifika avvägningar och luckor hjälper arbetet att styra framtida utformning av smartare, kamera­baserade övervakningslösningar som kan minska spill och förbättra tillförlitligheten i träbaserad 3D-utskrift.

Citering: 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

Nyckelord: trä 3D-utskrift, defektdetektion, YOLO-modeller, RT-DETR, additiv tillverkning