拉丝 · 翘曲 · 层裂 · 错位 ------ 实测三种算法，纹理分析法零漏检
|------------------------------------------------------------------------------------------------------------------------------|
| 拉丝、翘曲、层裂、错位......这些 3D 打印常见缺陷，人工目检不仅累眼睛，还容易漏 LabVIEW + NI Vision 开发了一套 FDM 缺陷检测系统，实测三种算法，其中纹理分析法的缺陷检出率做到了 100%------连毛刺都逃不过。 |
痛点：3D 打印的"隐形杀手"
FDM（熔融沉积成型）是目前应用最广泛的 3D 打印技术。它将三维模型切片，一层层挤出热塑性材料，逐层熔合。原理看似简单，实际生产中却问题频发：
| 缺陷类型 | 表现 | 后果 |
|---|---|---|
| 拉丝 | 喷头移动时拖出细丝 | 表面粗糙，需后处理 |
| 翘曲 | 边缘抬起变形 | 模型底部不平，甚至报废 |
| 层裂 | 层间结合不牢 | 强度下降，易断裂 |
| 错位 | 层间偏移 | 几何失真，不可用 |
传统检测方式------人工肉眼观察，存在三大硬伤：
效率低： 每层都要看，大尺寸模型耗时数小时。
易疲劳： 长时间盯着条纹，视觉疲劳后漏检率飙升。
难量化： "有点拉丝"和"严重拉丝"缺乏客观标准。
更本质的问题：即使打印机硬件正常，温度、速度、冷却参数不匹配也会产生缺陷。直接检测成型件本身，比监测设备状态更有工程价值------这正是视觉检测的切入点。
系统方案：LabVIEW + 工业相机
硬件配置
工业相机： 500万像素 CMOS，安装于打印头侧方。
光源： 环形 LED，消除阴影。
控制器： 工控机，安装 LabVIEW 2020 及 NI Vision Development Module。
软件流程
① 每打印完一层，相机触发拍照 → ② LabVIEW 调用 NI Vision 函数进行图像处理 → ③ 输出"正常/缺陷"判定，标注缺陷位置 → ④ 发现严重缺陷时自动暂停打印。
核心难点在于：如何把正常条纹和真实缺陷区分开？FDM 模型表面天然就有平行条纹（层纹），这不是缺陷。团队对比了三种图像处理算法。
算法一：邻域增强检测法 ------ 速度最快
利用 3D 打印条纹的周期性结构------正常层纹在局部区域内是规律排列的。通过局部二值化（Local Threshold）将图像转为黑白，再结合形态学膨胀操作，填充相邻层纹之间的间隙。这样，正常的平行条纹被"抹平"，而不规则的缺陷区域（拉丝、孔洞、翘曲边缘）则被保留。
关键步骤：
灰度化 → 中值滤波去噪 → 局部二值化（Niblack 算法，窗口大小根据层纹间距自适应）→ 形态学闭运算（先膨胀后腐蚀）→ 颗粒分析（Particle Analysis），获取缺陷的面积、圆度、长宽比 → 根据面积阈值判定缺陷。
结果：
单帧检测用时 ≈ 110 ms（约 9 帧/秒，满足在线实时性）；
检出率中等，对轻微拉丝敏感度不够；精度较低，缺陷边缘模糊。
适合场景：高速在线筛选，允许少量漏检，但要求实时反馈。
算法二：频域增强检测法 ------ 精度最高
将图像转换到频域（FFT）后，正常条纹对应低频分量（周期性纹理），而缺陷（拉丝、错位、毛刺）对应高频分量。设计一个梯形高通滤波器，抑制低频、保留高频，再反变换回空间域，缺陷就被"提取"出来了。
关键步骤：
图像扩边到 2 的幂次大小（提高 FFT 效率）→ 快速傅里叶变换（FFT）→ 频域中心化 → 应用梯形高通滤波器（半径截止频率=图像宽度/8，过渡带宽度=10 像素）→ 逆 FFT 得到缺陷增强图像 → 自适应阈值分割 + 形态学滤波。
结果：
单帧检测用时 ≈ 400 ms，实时性尚可；
检出率较低（高频分量中也包含纹理噪声，轻微缺陷可能被淹没）；精度极高，可达像素级。
适合场景：离线质量分析、失效根因定位，不要求秒级响应。
算法三：纹理分析检测法 ------ 检出率100%
这是本次测试的冠军算法。它不试图"去掉"正常条纹，而是直接判断图像局部区域的纹理特征是否属于"正常类"。
提取灰度共生矩阵（GLCM）的 Haralick 特征（包括对比度、相关性、能量、同质性、熵等共 13 维）。然后训练一个一类支持向量机（One-Class SVM）：只输入正常样本的特征，让 SVM 学习"正常纹理"的边界。检测时，任何落在边界外的窗口都被判为缺陷。
关键步骤：
将图像划分为滑动窗口（窗口大小=典型层纹周期的 2~3 倍）→ 对每个窗口计算 GLCM + Haralick 特征 → 用训练好的 One-Class SVM 预测 → 合并相邻的缺陷窗口，输出缺陷区域。
训练集： 100 张无缺陷的打印层图像（不同位置、不同光照）。
测试集： 包含拉丝、翘曲、层裂、错位、外侧毛刺等共 50 张缺陷图像。
|---------------------------------------------------------------------------------------------|
| 检出率：100%（50 张缺陷图全部检出，无一漏检） 误报率：约 3%（部分正常纹理被误判，可通过优化窗口步长降低） 连目标外侧的细小毛刺都能检出------这是前两种方法做不到的。 |
适合场景：对漏检零容忍的关键零部件检测，或作为终检站。
三种算法横向对比
| 指标 | 邻域增强法 | 频域增强法 | 纹理分析法 |
|---|---|---|---|
| 检出率 | 中（约85%） | 低（约70%） | 高（100%） |
| 速度 | 高（110ms/帧） | 中（400ms/帧） | 低（990ms/帧） |
| 精度 | 低（边界粗） | 高（像素级） | 中（窗口级） |
| 光照敏感度 | 高 | 中 | 低 |
| 可解释性 | 直观 | 较抽象 | 黑盒（特征组合） |
如何选择？
在线实时监测（每层都要检） → 邻域增强法
离线质量分析（研究缺陷机理） → 频域增强法
零缺陷出厂（医疗器械、航空航天件） → 纹理分析法
LabVIEW + NI Vision 工业视觉检测四大核心优势
优势一：视觉函数库完整，即拖即用
从图像采集（IMAQdx）、滤波处理（IMAQ Filters）、FFT 变换（IMAQ FFT）、形态学操作（IMAQ Morphology）到纹理分析（IMAQ GLCM），NI Vision 提供了超过 400 个原生 VI。开发者无需从零写算法，连线即可实现复杂的检测流程。
优势二：图形化编程，所见即所得
在 LabVIEW 中，三种检测方法可以做成并行的子 VI，通过一个单选按钮切换。调试时在图像上叠加缺陷标注，直接看到每一步的处理效果。这种直观的开发体验，远非文本语言可比。
优势三：与数据采集无缝融合，实现闭环控制
视觉检测结果可以实时写入 TDMS 文件，同时与喷嘴温度、热床温度、进丝速度等传感器数据关联。一旦检出缺陷，系统可以自动调整打印参数（如降低速度、升高温度），实现"工艺参数 + 视觉检测"的闭环控制------这是纯视觉方案无法做到的。
优势四：开发效率极高，两周从方案到验证
从拿到相机到跑通三种算法对比，团队仅用了两周时间。如果换成 C++ + OpenCV，光是配置开发环境、封装相机 SDK 就要一周。LabVIEW 让工程师把精力集中在检测逻辑本身，而不是底层细节。
交付能力
我们不只提供软件------从检测需求分析、相机选型与布设、光源方案设计，到算法定制开发、产线集成调试、操作培训，提供全流程技术服务。已成功服务于多个工业视觉检测项目，涵盖 3C 电子、汽车零部件、食品药品包装等领域。
写在最后
机器视觉不是要取代人的眼睛，而是要让人的经验变成可量化的算法。FDM 打印的层纹看似杂乱，实则有规律------只要找对数学模型，100% 检出率完全可以实现。
|-------------------------------------------------------------|
| 您的生产线是否也存在类似的"人眼疲劳、漏检高发"的痛点？ 联系我们，一起用 LabVIEW 打造适合您的视觉检测方案。 |