Un recente lavoro di ricerca ha mostrato come i vision transformer possano migliorare il monitoraggio in tempo reale della qualità nelle stampanti FFF (Fused Filament Fabrication), superando i limiti dei sistemi di visione basati su reti convoluzionali tradizionali. L’obiettivo è individuare difetti e anomalie durante la stampa, direttamente dal flusso video, in modo da poter intervenire prima che il pezzo venga compromesso e riducendo così sprechi di tempo e materiale.
Come funzionano i vision transformer sulle immagini di stampa
I vision transformer trattano l’immagine della stampa come una sequenza di “patch” (piccoli riquadri), su cui applicano meccanismi di attenzione per capire quali regioni siano più rilevanti ai fini della qualità. Questo approccio consente di catturare relazioni a lungo raggio all’interno del frame, ad esempio tra una zona dove il filamento non aderisce correttamente e un’altra area da cui il difetto ha origine, migliorando la sensibilità del sistema rispetto a errori di estrusione, warping, stringing o layer shift.
Riconoscimento della qualità di stampa nel FFF
Nel lavoro citato, il modello basato su transformer viene addestrato a riconoscere lo stato di qualità della stampa FFF – per esempio “in regola”, “difetto incipiente” o “difetto grave” – a partire da sequenze di immagini acquisite in situ. Le prove sperimentali mostrano che i transformer possono raggiungere o superare le prestazioni dei modelli CNN nello stesso compito, mantenendo una maggiore robustezza a variazioni di illuminazione, orientamento del pezzo e inquadratura, fattori tipici di un ambiente di stampa reale.
Monitoraggio in tempo reale e requisiti computazionali
Un aspetto centrale è la possibilità di eseguire il modello in quasi tempo reale su hardware accessibile, così da integrarlo direttamente nei sistemi di controllo delle stampanti FFF o in gateway locali di fabbrica. Gli autori evidenziano che, utilizzando architetture di transformer compatte e tecniche di ottimizzazione (quantizzazione, pruning, batch ridotti), è possibile elaborare frame con frequenze sufficienti per intercettare i difetti entro pochi layer, abilitando logiche di pausa, stop o correzione automatica del processo.
Confronto con altri approcci di rilevamento anomalie in FFF
Negli ultimi anni sono stati proposti numerosi metodi per la rilevazione di anomalie nella stampa FFF basati su CNN, autoencoder, reti ricorrenti o modelli ibridi che combinano sensori ottici, termici e vibrazionali. I risultati riportati indicano che i vision transformer ottengono una migliore capacità di generalizzare su geometrie diverse con lo stesso modello, riducendo la necessità di dataset specifici per singolo pezzo e avvicinando la prospettiva di sistemi di controllo qualità “universali” per linee FFF multi‑prodotto.
Implicazioni per la produzione additiva industriale
L’uso di transformer per il monitoraggio della qualità in FFF si inserisce in una tendenza più ampia verso sistemi di controllo chiusi e autonomi nella produzione additiva, dove l’intelligenza artificiale analizza in continuo il processo e suggerisce o applica correzioni. In questo scenario, la combinazione di video in tempo reale, modelli transformer e logica di controllo della macchina potrebbe contribuire ad avvicinare la stampa FFF agli standard di affidabilità tipici di altre tecnologie produttive, facilitando l’adozione industriale per lotti più grandi e applicazioni critiche.
