Original title:
Počítačové vidění pro sledování 3D tisku
Translated title:
Computer Vision for Monitoring of 3D Printing
Authors:
Melchiory, Matej ; Kostelník, Martin (referee) ; Smrž, Pavel (advisor) Document type: Bachelor's theses
Year:
2026
Language:
slo Publisher:
Vysoké učení technické v Brně. Fakulta informačních technologií Abstract:
[slo][eng]
Táto bakalárska práca sa zaoberá problematikou automatizovanej detekcie defektov pri procese 3D tlače metódou taveného nanášania (FDM). Cieľom je návrh a implementácia plne lokálneho monitorovacieho systému schopného v reálnom čase identifikovať vizuálne anomálie a autonómne na ne reagovať. Zvolený problém je riešený inovatívnou dvojkamerovou topológiou a nasadením detektorov objektov architektúry YOLOv8m, ktoré sú optimalizované pre beh na mikropočítači Raspberry Pi 5 vo forme zásuvného modulu pre systém OctoPrint. O stave procesu je používateľ informovaný asynchrónne prostredníctvom responzívnej webovej stránky a lokálnej dotykovej aplikácie na LCD displeji s priestorovou vizualizáciou G-kódu. Pri identifikácii anomálie systém upozorňuje operátora pomocou varovnej správy na e-mail alebo komunikačnú platformu Discord. Modely boli natrénované na dvoch vlastných obrazových datasetoch pokrývajúcich päť kategórií chýb. Na izolovanej testovacej sade dosiahol finálny model pre bočnú kameru priemernú presnosť (mAP@50) 70,1 %, pričom najvyššia úspešnosť lokalizácie bola zaznamenaná pri špagetovom defekte (83,0 %) a vláknení (82,1 %). Celková presnosť tohto modelu (Precision) sa ustálila na hodnote 67,4 % pri úplnosti (Recall) 71,4 %. Dedikovaný model pre hornú kameru, určený na jednorazovú inšpekciu prvej vrstvy, dosiahol priemernú presnosť 77,9 %. Hlavným prínosom práce je eliminácia závislosti od platených cloudových služieb a s tým aj ochrana súkromia dát a ďalej aj detekcia viacerých chýb tlače. Dosiahnuté výsledky potvrdzujú, že integrácia umelej inteligencie priamo na lokálne zariadenie (Edge AI) spoľahlivo znižuje materiálové straty a zvyšuje ekonomickú efektivitu aditívnej výroby.
This bachelor’s thesis deals with the issue of automated defect detection in the Fused Deposition Modeling (FDM) 3D printing process. The aim is to design and implement a fully local monitoring system capable of identifying visual anomalies in real-time and autonomously reacting to them. The selected problem is solved by an innovative dual-camera topology and the deployment of YOLOv8m architecture object detectors, which are optimized to run on a Raspberry Pi 5 microcomputer in the form of a plug-in for the OctoPrint system. The user is informed about the process status asynchronously via a responsive web page and a local touch application on an LCD screen with a spatial G-code visualization. Upon identifying an anomaly, the system alerts the operator via a warning message sent to an e-mail or the Discord communication platform. The models were trained on two custom image datasets covering five categories of errors. On the isolated test set, the final model for the side camera achieved a mean average precision (mAP@50) of 70,1 %, with the highest localization success recorded for the spaghetti defect (83,0 %) and stringing (82,1 %). The overall precision of this model settled at 67,4 % with a recall of 71,4 %. The dedicated model for the top camera, designed for a single-pass first layer inspection, achieved an average precision of 77,9 %. The main contribution of this work is the elimination of dependency on paid cloud services, thereby ensuring data privacy protection, as well as the capability to detect multiple printing errors. The achieved results confirm that integrating artificial intelligence directly onto a local device (Edge AI) reliably reduces material losses and increases the economic efficiency of additive manufacturing.
Keywords:
3D printing; anomaly detection; computer vision; convolutional neural networks; Edge AI; FDM; OctoPrint; Python; Raspberry Pi; YOLOv8
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/258842
guest ::
