Ahşap bazlı 3B baskıda gerçek zamanlı kusur tespiti için YOLO ve RT-DETR modellerinin karşılaştırmalı değerlendirmesi

3B baskılı ahşap parçaların kusursuz kalmasının önemi

3B baskı plastik oyuncaklardan gerçek ürünlere doğru ilerlerken, ahşap bazlı baskı sıcak görünümü ve iklim dostu cazibesiyle öne çıkıyor. Ancak her katmanı oluşturan gevşek ahşap tozundaki küçük kusurlar parçaları zayıflatabilir, yüzeyleri bozabilir ve malzeme israfına yol açabilir. Bu çalışma pratik bir soruyu gündeme getiriyor: yazıcı çalışırken sorunları düzeltebilecek kadar hızlı malzemeyi tespit edebilen en iyi modern yapay zeka araçları hangileri?

Ahşap tozu, kameralar ve gizli kusurlar

Araştırmacılar, ince ahşap tozu katmanlarını sererek ve bunları sıvı bağlayıcı ile yapıştırarak ahşap nesneler inşa eden özel bir 3B yazıcıyla çalıştılar. Her katman serildikten sonra yüksek çözünürlüklü bir kamera toz yatağının fotoğrafını çekti. Bu görüntüler, yabancı parçacıklar, merdaneden kaynaklanan çizgiler veya tozun eşit yayılmadığı bölgeler gibi tozdaki ince sorunları yakaladı. Yüzlerce böyle görüntüden ekip 599 örnekten oluşan bir veri seti oluşturdu ve kontaminasyon, sürüklenmiş toz, yetersiz yayılma ve merdane hareketlerindeki düzensizlikler de dahil olmak üzere altı ana kusur türünü işaretledi. Bu etiketlenmiş koleksiyon, birkaç rakip yapay zeka modelinin eğitim ve testinde temel oldu.

Makinelere tozdaki sorunları görmeyi öğretmek

Görüntüleri hızlı kalite kontrollerine dönüştürmek için ekip, resimdeki ilgi öğelerinin etrafına kutular çizen bir tür derin öğrenme olan nesne tespiti ağlarını kullandı. Hızıyla bilinen popüler bir aile olan YOLO’nun dört sürümünü, doğruluğa odaklanan daha yeni bir Transformer tabanlı model olan RT-DETR ile karşılaştırdılar. Tüm modeller aynı görüntü boyutu, eğitim turu sayısı ve temel ayarları kullanılarak eş şartlarda eğitildi. Amaç, her modelin toz yatağı kusurlarını ne kadar iyi bulup sınıflandırabildiğini ve her görüntüyü işlemelerinin ne kadar sürdüğünü ölçmekti.

Gerçek baskı verisinde hız ve doğruluk

Genel olarak, modeller bazı kusurları tespit etmede başarılı olurken diğerleriyle zorlandı. Eksik toz yama bölgeleri ve merdane sekmesi gibi sorunlar çok güvenilir şekilde tanınırken, küçük yabancı parçacıklar ve toz dokusundaki ince çizgiler arka plandan ayırmada çok daha zordu. YOLO modelleri arasında YOLOv11 en temiz tahminleri üretti; en yüksek doğru algılama payına ve daha az yanlış alarma sahipti, ancak önceki sürümlere göre daha yavaştı. YOLOv5 ve YOLOv8 daha dengeli bir profil sundu: gerçek zamanlı sıkı gereksinimler için yeterince hızlıydılar ve hâlâ sağlam doğruluk sağladılar; bu da onları yazıcı ile eş zamanlı çalışmak zorunda olan pratik izleme sistemleri için çekici kılıyor.

En doğru modele daha yakından bakış

Modern dil araçlarında kullanılanlara benzer bir Transformer tasarımına dayanan RT-DETR modeli, genel tespit doğruluğunda birinci çıktı. Tüm kategorilerde kusurları doğru şekilde bulmada en iyi skoru elde etti ve özellikle yaygın ama kritik bir sorun olan yetersiz toz yayılmasını yakalamada güçlüydü. Ancak bu ekstra titizlik bir maliyet getirdi: her görüntüyü en hızlı YOLO sürümlerinden birkaç kat daha uzun sürede analiz etti. Katman katman anlık yanıt gerektiren fabrikalar için bu tür gecikmeler, daha fazla hesaplama gücü eklenmedikçe kullanımını sınırlayabilir.

Daha akıllı 3B baskı için anlamı

Ahşap bazlı bir 3B yazıcı işleten biri için bu bulgular bir dizi seçenek sunuyor. Mümkün olduğunca çok kusuru yakalamak öncelikse ve küçük bir gecikme kabul edilebilirse RT-DETR en iyi seçimdir. Yazıcıyla gerçek zamanlı olarak eşit kalmak daha önemliyse, YOLOv5 veya YOLOv8 hız ve doğruluk arasında daha iyi bir denge sağlar; yanlış alarmlardan kaçınmanın kritik olduğu durumlar için ise YOLOv11 uygundur. Çalışma ayrıca mevcut sistemlerin özellikle küçük parçacıklar ve soluk çizgiler konusunda nerede yetersiz kaldığını gösteriyor. Belirli takasları ve boşlukları işaret ederek, iş atığını azaltabilecek ve ahşap bazlı 3B baskının güvenilirliğini artırabilecek daha akıllı, kamera tabanlı gözetim sistemlerinin gelecekteki tasarımlarına rehberlik etmeye yardımcı oluyor.

Atıf: 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

Anahtar kelimeler: ahşap 3B baskı, kusur tespiti, YOLO modelleri, RT-DETR, eklemeli üretim