La stampa 3D del calcestruzzo non si gioca solo sulla dimensione della macchina o sulla velocità con cui l’ugello deposita il materiale. Il passaggio più delicato è un altro: capire se ciò che viene stampato è davvero conforme, stabile e utilizzabile come parte di un edificio.
Una review pubblicata sulla rivista Infrastructures analizza proprio questo tema: l’uso di computer vision, machine learning e tecniche di intelligenza artificiale per individuare difetti nei materiali cementizi stampati in 3D. Il lavoro si intitola “Computer Vision and Machine Learning Approaches for Defect Detection in 3D-Printed Cementitious Materials: A Systematic Review” ed è firmato da Muhammad Ali Musarat, Ruben Paul Borg, Jingjie Wei, Carl James Debono e Kamal Khayat. Le affiliazioni coinvolgono University of Malta, Riga Technical University e Missouri University of Science and Technology.
Va chiarito subito un punto: non si tratta del lancio di una nuova macchina o di un prodotto commerciale. Non risultano aziende direttamente coinvolte nello studio. I nomi centrali sono quelli delle università e dei ricercatori, mentre le aziende della stampa 3D edilizia come COBOD, ICON, CyBe Construction e PERI 3D Construction rappresentano il contesto industriale in cui sistemi di controllo di questo tipo potrebbero diventare utili. COBOD sviluppa la stampante da costruzione BOD2, ICON lavora su tecnologie robotiche per l’edilizia stampata in 3D, CyBe offre sistemi e servizi per 3D concrete printing, e PERI 3D Construction usa il sistema COBOD BOD2 in soluzioni edilizie integrate.
Perché il controllo dei difetti è così importante nella stampa 3D edilizia
Nella stampa 3D a filamento o a resina, un errore può significare una parte da rifare. Nella stampa 3D del calcestruzzo, un difetto può interessare un elemento strutturale, una parete, un giunto tra strati o una zona che verrà coperta e non sarà più visibile. Il rischio non è soltanto estetico.
Il calcestruzzo stampato in 3D viene depositato strato dopo strato. Ogni cordolo deve mantenere la propria forma, aderire allo strato precedente, sostenere il peso degli strati successivi e rispettare le dimensioni previste dal progetto. Se il materiale è troppo fluido, il muro può deformarsi. Se è troppo rigido, può non aderire bene. Se la portata è instabile, si possono creare vuoti, variazioni di spessore, cordoli discontinui o difetti locali.
La review sottolinea che la stampa 3D delle strutture cementizie presenta problemi specifici legati a interfacce deboli tra strati, porosità, delaminazione, cracking, ingresso di acqua o agenti aggressivi e incertezza sulle prestazioni a lungo termine. Le proprietà del materiale possono cambiare in base alla miscela, al tempo aperto, alla velocità di stampa, alle condizioni ambientali e alla maturazione del calcestruzzo.
Il cantiere è un ambiente difficile per l’ispezione automatica
Un sistema di visione artificiale in laboratorio lavora in condizioni controllate: luce stabile, sfondo noto, distanza fissa, materiali preparati con cura. Un cantiere è l’opposto. C’è polvere, umidità, luce variabile, vibrazione, materiale fresco, operatori, pompe, tubazioni, ombre e superfici bagnate.
Questo rende la stampa 3D edilizia molto diversa dalla manifattura additiva in metallo o in polimero dentro una camera chiusa. Un sensore montato vicino all’ugello deve distinguere un vero difetto da un riflesso, da una zona più umida, da un’ombra o da un cambio di colore dovuto alla miscela. Una telecamera fissa deve seguire una costruzione che cresce in altezza e può avere geometrie curve, aperture, rientranze e occlusioni.
Per questo la review insiste su un punto: l’ispezione deve diventare in situ, cioè integrata nel processo, ma deve anche essere robusta. Riconoscere un difetto su un campione pulito non basta. Serve un sistema capace di lavorare su stampanti diverse, materiali diversi e condizioni reali.
Che cosa cercano di vedere telecamere e algoritmi
I difetti più interessanti per il 3D concrete printing non sono tutti uguali. Alcuni sono geometrici: strati troppo alti o troppo bassi, cordoli schiacciati, spostamenti laterali, deformazioni, instabilità progressiva del muro. Altri sono superficiali: fessure, strappi, rugosità anomala, discontinuità, buchi o zone non uniformi. Altri ancora sono interni: vuoti, scarsa adesione tra strati, porosità o difetti non visibili a occhio nudo.
Le tecniche di computer vision possono aiutare soprattutto sui difetti visibili o geometrici. Una camera RGB può osservare superficie, profilo del cordolo e continuità della deposizione. Un sensore di profondità può misurare altezza, larghezza e deformazione. Un sistema a luce strutturata può ricostruire il profilo 3D. Una termocamera può evidenziare differenze di temperatura che, in certi casi, indicano giunti freddi o anomalie nella maturazione. Tecniche acustiche, ultrasoniche o radar possono invece essere utili per difetti interni, anche se sono più difficili da integrare in modo semplice nel processo di stampa.
Uno studio su Automation in Construction ha proposto un metodo di monitoraggio inline basato su tre passaggi: acquisizione dell’immagine, segmentazione delle linee tra strati e caratterizzazione locale dello strato con individuazione di anomalie. Questo tipo di approccio mostra bene la direzione del settore: trasformare la forma del cordolo in un dato misurabile e non solo in un’immagine da guardare dopo la stampa.
Dalla visione artificiale classica al deep learning
Le prime tecniche di ispezione si basano su elaborazioni più tradizionali: riconoscimento dei bordi, analisi del contrasto, texture, segmentazione dell’immagine e misure geometriche. Sono metodi utili perché possono essere interpretati abbastanza facilmente: si misura l’altezza del layer, si confronta la larghezza del cordolo, si cerca una variazione anomala nella superficie.
Il machine learning e il deep learning aggiungono un livello diverso. Algoritmi come YOLO, YOLOv5, YOLOv8 o RT-DETR possono essere addestrati a riconoscere categorie di difetti partendo da immagini annotate. La review indica proprio YOLO e RT-DETR tra gli approcci più efficienti per il rilevamento in tempo reale e il monitoraggio della qualità nelle strutture cementizie stampate in 3D.
Uno studio pubblicato su Materials and Structures ha usato YOLOv5 per analizzare in tempo reale la deformazione del filamento estruso nel 3D concrete printing, concentrandosi su parametri come altezza dello strato, angolo dello strato e curvatura. In quel lavoro, le misure reologiche del calcestruzzo sono state usate per affinare l’analisi visiva, collegando quindi immagine, materiale e comportamento di stampa.
Questo è un punto importante: l’algoritmo non deve solo “vedere” un muro. Deve capire se la forma che vede è compatibile con il materiale, la velocità, la portata, il tempo di presa e la stabilità della struttura.
Il problema dei dataset piccoli
Il limite principale non è la mancanza di algoritmi. È la mancanza di dati affidabili, condivisi e confrontabili. La review ha usato un approccio sistematico basato su PRISMA, consultando Web of Science e Scopus per il periodo tra 2014 e maggio 2025. La ricerca iniziale ha individuato 110 articoli, ma dopo la selezione solo 11 sono rimasti nella valutazione finale. Questo numero ridotto mostra che il tema è ancora poco maturo rispetto all’importanza che potrebbe avere in cantiere.
Un modello addestrato su una sola stampante, una sola miscela cementizia e un solo set di condizioni ambientali può funzionare molto bene nel laboratorio che lo ha prodotto, ma fallire su un altro impianto. Cambia il colore del materiale, cambia la geometria dell’ugello, cambia la rugosità, cambia la luce, cambia la velocità di deposizione, cambiano gli aggregati e cambia il modo in cui il calcestruzzo si deforma.
Per un uso reale servono dataset pubblici o almeno condivisi tra gruppi di ricerca, con immagini annotate, sensori sincronizzati, descrizione della miscela, parametri di stampa, condizioni ambientali e risultati meccanici. Senza questa base, ogni studio rischia di dimostrare un sistema valido solo per il proprio caso.
Riconoscere un difetto non basta: bisogna capire se conta davvero
Un altro punto centrale riguarda il legame tra difetto visibile e prestazione strutturale. Non ogni irregolarità superficiale è un problema grave. Allo stesso tempo, una debolezza interna può non essere evidente dalla superficie.
Per esempio, un cordolo con una lieve variazione estetica può essere accettabile se non compromette geometria, adesione e durabilità. Una piccola fessura, invece, può diventare critica se indica un problema di ritiro, di interfaccia tra strati o di maturazione. Un vuoto interno può essere più pericoloso di una superficie poco regolare, ma non sempre una telecamera lo vede.
La review mette in evidenza proprio questa necessità: i sistemi futuri non dovranno limitarsi a produrre mappe colorate dei difetti, ma dovranno collegare le anomalie a resistenza a compressione, qualità del legame tra strati, durabilità, servizio dell’elemento e sicurezza.
È qui che la ricerca deve passare da “computer vision” a “controllo di processo”. Un sistema utile non deve dire soltanto “c’è un difetto”, ma aiutare a decidere cosa fare: continuare, rallentare, correggere la portata, cambiare velocità, fermare la stampa o scartare l’elemento.
Dal monitoraggio al controllo automatico
La prospettiva più interessante è il controllo in tempo reale. Se una camera vede che il cordolo si sta allargando troppo, il sistema può ridurre la portata o aumentare la velocità. Se lo strato è troppo basso, può aumentare l’estrusione. Se la parete inizia a deformarsi, può modificare il tempo tra gli strati o interrompere la costruzione.
Questa è la differenza tra ispezione e controllo. L’ispezione registra un problema. Il controllo prova a correggerlo prima che diventi un difetto permanente.
Uno studio su Sustainability ha proposto un metodo di valutazione della qualità del calcestruzzo stampato in 3D basato su analisi della texture con Linear Binary Pattern e uso dell’entropia come metrica per misurare variazioni tra gli strati. Il lavoro mostra che strati deformati o con discontinuità possono produrre valori di entropia più alti, quindi la texture può diventare un indicatore numerico della qualità superficiale.
Un altro studio dedicato alla precisione in tempo reale nella stampa 3D del calcestruzzo evidenzia come i modelli di visione e machine learning possano analizzare immagini e video del processo per individuare difetti e deviazioni, con l’obiettivo di abilitare regolazioni automatiche dei parametri di stampa.
La standardizzazione resta il passaggio obbligato
La stampa 3D edilizia non potrà crescere solo con dimostratori ben fotografati. Per entrare nel mercato delle costruzioni servono norme, procedure di qualifica, controlli ripetibili e responsabilità chiare. In questo quadro rientra lo standard ISO/ASTM 52939:2023, dedicato alla manifattura additiva per le costruzioni e ai principi di qualificazione per elementi strutturali e infrastrutturali. Lo standard si applica alle tecnologie additive in edilizia per elementi portanti e non portanti, in ambito residenziale e commerciale, con un approccio orientato al processo.
Lo standard non risolve da solo il problema dei difetti, ma definisce un contesto in cui processi, qualità e operazioni devono essere controllati. Per questo l’integrazione di sensori, visione artificiale e AI può diventare una parte naturale della qualifica: non solo “stampare”, ma dimostrare che la stampa è stata eseguita entro limiti verificati.
In futuro, un sistema di stampa 3D del calcestruzzo potrebbe produrre non solo un muro, ma anche un pacchetto di dati: immagini, mappe dimensionali, temperature, tempi, velocità, portate, allarmi e correzioni automatiche. Quel pacchetto potrebbe essere importante quanto il componente stesso.
Le aziende del settore hanno bisogno di qualità misurabile
Le aziende che costruiscono macchine e case stampate in 3D hanno già dimostrato che il processo può uscire dal laboratorio. COBOD dichiara per il sistema BOD2 una struttura modulare adatta a diversi lavori di stampa 3D edilizia e specifiche come altezza di stampa fino a 8,1 m, larghezza fino a 14,6 m e velocità massima fino a 1 m/s.
ICON lavora su un approccio più integrato, con robotica, software e progetti abitativi stampati in 3D. CyBe Construction propone stampanti, software e servizi per il 3D concrete printing, con strumenti come Chysel e Artysan per preparare e controllare i modelli destinati alla macchina.
Queste aziende non sono coinvolte nella review, ma rappresentano bene il tipo di mercato in cui la qualità automatizzata diventa essenziale. Più le stampanti diventano grandi, mobili e usate in contesti reali, più diventa necessario sapere in ogni momento cosa sta succedendo al materiale.
Perché una telecamera economica può non bastare
Una semplice camera RGB è economica e facile da montare, ma può essere limitata. La superficie del calcestruzzo fresco può riflettere la luce in modo irregolare. Il colore cambia con l’umidità. Le ombre del portale o del braccio robotico possono confondere l’algoritmo. La polvere può sporcare la lente. La luce del sole può variare durante la giornata.
Per questo la direzione più solida sembra essere il multimodal sensing, cioè l’uso combinato di più sorgenti dati. Una camera vede la superficie. Un sensore di profondità misura il profilo. Una termocamera osserva differenze termiche. Un sistema ultrasonico può indagare difetti non visibili. I dati del processo, come portata, pressione, velocità e tempo tra strati, completano il quadro.
La review indica proprio la combinazione di sensori, dataset migliori, definizioni comuni dei difetti e validazione su stampanti e cantieri diversi come passaggi necessari per rendere questi sistemi affidabili.
Definire i difetti con lo stesso linguaggio
Un problema meno spettacolare, ma decisivo, è il vocabolario. Che cosa significa “sovraestrusione” in una parete stampata in 3D? Quanto deve essere deformato uno strato per essere considerato fuori tolleranza? Una fessura superficiale è sempre un difetto? Una discontinuità visiva tra due strati indica sempre un cattivo legame?
Senza definizioni condivise, ogni gruppo di ricerca crea le proprie categorie. Questo rende difficile confrontare algoritmi, prestazioni e risultati. Un modello può dichiarare alta accuratezza perché riconosce bene i difetti definiti nel proprio dataset, ma quei difetti possono non corrispondere a quelli usati da un altro laboratorio o da un’impresa.
Per il settore servono quindi classi di difetto standardizzate: geometria fuori tolleranza, deformazione dello strato, interruzione del cordolo, discontinuità superficiale, cracking, delaminazione, vuoto interno, errore di adesione, difetto di estrusione, collasso locale. Ogni categoria dovrebbe essere collegata a una soglia tecnica e, quando possibile, a una conseguenza meccanica.
Il valore dei falsi allarmi e dei difetti mancati
Nel machine learning si parla spesso di accuratezza, ma in cantiere contano molto anche falsi positivi e falsi negativi. Un falso positivo è un allarme su un difetto che non esiste o non è grave. Troppi falsi positivi rallentano la stampa, creano sfiducia negli operatori e possono rendere il sistema inutilizzabile. Un falso negativo è peggiore: il sistema non vede un difetto reale, e il problema resta dentro la struttura.
Per questo un sistema industriale dovrà dichiarare non solo “quanto è preciso”, ma anche quanto è veloce, quanti difetti perde, quanti allarmi inutili produce e come si comporta in condizioni difficili. In un edificio abitabile o in una infrastruttura, la soglia di tolleranza non può essere la stessa di un prototipo da esposizione.
Il futuro: una stampante che vede, misura e corregge
La direzione più probabile è una stampa 3D del calcestruzzo con più livelli di controllo. Il primo livello è la visione: telecamere e sensori osservano il processo. Il secondo è l’interpretazione: gli algoritmi identificano scostamenti e difetti. Il terzo è la decisione: il sistema stabilisce se il difetto è accettabile. Il quarto è la correzione: la macchina modifica parametri o ferma la costruzione.
Questo passaggio è importante perché la stampa 3D edilizia è spesso presentata come automazione del cantiere, ma senza controllo qualità automatico resta una tecnologia semi-automatica. La macchina depone il materiale, ma l’affidabilità dipende ancora troppo dall’operatore, dall’esperienza e dall’ispezione visiva.
La review pubblicata su Infrastructures mostra che la ricerca si sta muovendo nella direzione giusta, ma anche che il settore è ancora agli inizi: pochi studi selezionati, dataset limitati, necessità di prove in condizioni reali e mancanza di un collegamento sistematico tra difetti rilevati e prestazioni strutturali.
Un tema meno vistoso delle case stampate, ma più importante per il mercato
Le immagini delle case stampate in 3D attirano attenzione, ma la maturità del settore dipenderà da cose meno visibili: controllo, documentazione, sensori, modelli, standard e dati. Una stampante più grande non rende automaticamente più sicura una costruzione. Una parete più rapida da produrre non è utile se non si sa come verificarla.
Computer vision e machine learning possono diventare strumenti chiave per portare la stampa 3D del calcestruzzo fuori dalla fase dimostrativa. Non sostituiranno l’ingegneria strutturale, le norme o i controlli di laboratorio, ma possono aggiungere un livello di monitoraggio continuo che oggi manca in molti processi.
Il punto non è far “guardare” la stampante come farebbe una persona. Il punto è trasformare ogni strato depositato in dati: geometria, texture, temperatura, continuità, deformazione, posizione e rischio. Solo così il 3D concrete printing potrà avvicinarsi a una produzione più controllata, più documentabile e più adatta a edifici reali.
In altre parole, la prossima sfida della stampa 3D edilizia non è solo costruire muri. È costruire muri che la macchina sappia misurare mentre li costruisce.
