告别3D打印失败：YOLO26自动识别spaghetti、zits和stringing三类缺陷
摘要
3D打印技术在制造业中广泛应用，但打印过程中出现的缺陷如拉丝（spaghetti）、表面疙瘩（zits）和细丝连接（stringing）等问题严重影响打印质量和效率。本文提出了一种基于YOLO26目标检测算法的3D打印缺陷自动检测系统。该系统使用包含4,696张训练图像、587张验证图像和587张测试图像的数据集，针对三类常见缺陷进行检测。实验结果表明，模型在mAP@0.5指标上达到0.959，其中spaghetti类召回率达0.985，zits类召回率达0.979，显示出优异的检测性能。通过混淆矩阵分析发现，模型对spaghetti和zits类识别准确率高，但对stringing类检测效果有待提升。研究表明，基于YOLO26的深度学习方法是实现3D打印缺陷自动检测的有效途径，可为3D打印质量控制和智能化生产提供技术支持。
关键词：3D打印；缺陷检测；YOLO26；目标检测；深度学习
详细功能展示视频
https://www.bilibili.com/video/BV1gioKBGEHh/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1gioKBGEHh/
目录
3、F1-置信度曲线（BoxF1_curve.png）编辑
4、召回率-置信度曲线（BoxR_curve.png）编辑
6、混淆矩阵（confusion_matrix.png & 归一化版）
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅参数实时调节（置信度和IoU阈值）
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
引言
1.研究背景
3D打印作为一种增材制造技术，近年来在航空航天、医疗、汽车、消费品等领域的应用日益广泛。与传统减材制造相比，3D打印具有设计自由度高、材料利用率高、适合小批量定制化生产等优势。然而，3D打印过程中由于材料特性、设备参数、环境因素等多方面影响，容易出现各种打印缺陷，导致打印件质量下降甚至打印失败。
常见的3D打印缺陷包括：
-
拉丝（spaghetti）：打印头移动过程中熔融材料被拉成细丝，附着在模型表面
-
表面疙瘩（zits）：打印件表面出现的凸起小点，影响表面质量
-
细丝连接（stringing）：不同部件之间由细丝连接，需要后期清理
传统缺陷检测依赖人工目视检查，效率低、主观性强、难以实现实时监控。随着计算机视觉和深度学习技术的发展，基于目标检测的自动缺陷检测系统成为研究热点。
1.研究意义
开发3D打印缺陷自动检测系统具有重要的理论和应用价值：
-
提高生产效率：实时检测可及时发现问题，避免无效打印
-
保证产品质量：客观准确的缺陷识别确保打印件质量
-
降低人工成本：减少人工检查环节，实现自动化质量控制
-
促进智能制造：为3D打印智能化、无人化生产提供技术支持
背景
目标检测是计算机视觉的核心任务之一，经历了从传统方法到深度学习方法的演进。传统方法如Haar级联、HOG特征结合SVM分类器等，依赖手工设计特征，泛化能力有限。2012年AlexNet的成功开启了深度学习时代，目标检测技术迎来快速发展。
当前主流目标检测算法可分为两类：
-
两阶段检测器：如R-CNN系列、Faster R-CNN，先产生候选区域再分类，精度高但速度慢
-
单阶段检测器：如YOLO系列、SSD，直接回归目标位置和类别，速度快适合实时应用
工业缺陷检测应用
深度学习在工业缺陷检测领域已取得显著成果：
-
表面缺陷检测：钢材、纺织品、电子产品表面缺陷识别
-
焊缝检测：X光图像中焊缝缺陷定位
-
PCB检测：印刷电路板元器件和焊点质量检测
在3D打印领域，已有研究尝试使用卷积神经网络进行打印过程监控和缺陷识别，但针对具体缺陷类型如spaghetti、zits、stringing的系统研究仍较少。
数据集介绍
本研究针对3D打印过程中最常见的三类缺陷进行检测：
| 类别名称 | 英文名称 | 缺陷描述 |
|---|---|---|
| 拉丝 | spaghetti | 打印头移动时熔融材料被拉成细丝，像意大利面一样附着在模型表面或打印平台上 |
| 表面疙瘩 | zits | 打印件表面出现的凸起小点，通常由于挤出不均匀或温度波动导致 |
| 细丝连接 | stringing | 不同打印部件之间由细丝连接，需要后期手工清理 |
3.2 数据采集与标注
数据采集自多种3D打印设备和不同打印参数下的实际打印过程，确保数据多样性：
-
拍摄设备：工业相机、智能手机等多种设备
-
拍摄角度：俯视、侧视、多角度拍摄
数据标注使用LabelImg等工具进行人工标注，标注格式为YOLO格式（类别ID + 归一化边界框坐标）。标注过程由经验丰富的3D打印操作人员完成，并进行交叉验证确保标注质量。
3.3 数据集划分
数据集总规模为5,870张图像，按以下比例划分：
| 数据集 | 图像数量 | 占比 | 用途 |
|---|---|---|---|
| 训练集 | 4,696 | 80% | 模型训练和参数优化 |
| 验证集 | 587 | 10% | 模型选择和超参数调优 |
| 测试集 | 587 | 10% | 最终性能评估 |
训练结果
1、性能指标分析（来自 results.png）
1. 训练趋势
-
train/box_loss、cls_loss、dfl_loss 持续下降，说明模型在训练集上拟合良好
-
val/box_loss、cls_loss、dfl_loss 也在下降，未出现明显过拟合
-
metrics/precision(B) 和 recall(B) 逐步上升，最终分别接近 0.08 和 0.10（注意数值较小，可能是因为类别不均衡或目标小）
2. mAP 指标
-
mAP50 从 0.06 上升到 0.09（第100 epoch）
-
mAP50-95 从 0.09 上升到 0.21（第110 epoch）
-
说明模型在中等IoU阈值下表现尚可，但在高IoU下仍有提升空间
2、精度-召回曲线（BoxPR_curve.png）
-
spaghetti: 召回率 0.985
-
zits: 召回率 0.979
-
stringing: 召回率 0.912
-
all classes mAP@0.5: 0.959
-
说明模型对前两类召回率极高，但对
stringing稍弱，可能因为该类样本较少或特征不明显
3、F1-置信度曲线（BoxF1_curve.png）
-
各类别F1分数在置信度0.3~0.6之间达到峰值（0.96~0.97）
-
说明模型在该区间内平衡了精度和召回
-
建议推理时置信度阈值设置在 0.4~0.5 左右
4、召回率-置信度曲线（BoxR_curve.png）
-
召回率随置信度升高而下降
-
在置信度为0时，召回率最高（0.96~0.99）
-
说明模型对低置信度目标也有较好的检出能力
5、精度-置信度曲线（BoxP_curve.png）
-
精度随置信度升高而上升
-
在置信度接近1时，精度达到1.0
-
说明高置信度预测的可靠性极高
6、混淆矩阵（confusion_matrix.png & 归一化版）
原始混淆矩阵（数值）：
| 真实 \ 预测 | spaghetti | zits | stringing | background |
|---|---|---|---|---|
| spaghetti | 899 | 28 | 4 | 62 |
| zits | 0 | 126 | 3 | 40 |
| stringing | 0 | 0 | 0 | 0 |
| background | 0 | 0 | 0 | 0 |
归一化混淆矩阵：
| 真实 \ 预测 | spaghetti | zits | stringing | background |
|---|---|---|---|---|
| spaghetti | 0.97 | 0.96 | 0.87 | 0.13 |
| zits | 0.00 | 0.04 | 0.22 | 0.00 |
| stringing | 0.00 | 0.00 | 0.62 | 0.00 |
| background | 0.03 | 0.04 | 0.16 | 0.00 |
混淆矩阵分析：
-
spaghetti：识别效果最好，只有少量被误判为背景
-
zits：部分被误判为
stringing或背景 -
stringing：表现最差，实际样本为0，说明该类在训练集中可能缺失或标注不一致
-
background：部分背景被误判为缺陷，说明存在假阳性
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
详细功能展示视频
https://www.bilibili.com/video/BV1gioKBGEHh/
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
8
0- 0
已为社区贡献236条内容
所有评论(0)