《Advanced Science》：Learning Moisture-Induced Damage From Vision: Diffusion Models for Real-Time Monitoring of Additive Manufacturing Processes
编辑推荐：
水分是聚合物制造中一个微妙但关键的因素，尤其在增材制造（Additive Manufacturing, AM）过程中。许多聚合物，包括热塑性聚氨酯（Thermoplastic Polyurethane, TPU），均具有高度吸湿性， readily吸收环境水分
水分是聚合物制造中一个微妙但关键的因素，尤其在增材制造（Additive Manufacturing, AM）过程中。许多聚合物，包括热塑性聚氨酯（Thermoplastic Polyurethane, TPU），均具有高度吸湿性， readily吸收环境水分，从而导致拉丝、孔隙和气泡等缺陷。这些缺陷会降低打印质量和力学性能，对增材制造作为可靠的 feliable下一代制造技术构成重大挑战。鉴于这些挑战，对制造制件进行实时监测和完整性评估已成为确保制造质量控制的必要手段。本研究开发了一种基于光学相机的熔融长丝制造（Fused Filament Fabrication, FFF）原位视觉监测系统，用于检测湿度诱导退化并评估打印制件质量。研究人员设计了一种基于扩散模型的异常检测框架来识别退化。该模型能够识别受水分影响的丝材，并从捕获图像中评估退化程度。此外，该系统证明检测到的异常分数与打印制件的力学性能密切相关，提供了一种非破坏性评估方法。这些结果表明，集成的视觉监测系统和生成式人工智能（Artificial Intelligence, AI）模型可为提高增材制造的可靠性提供坚实基础，并通过早期、非破坏性的缺陷检测支持资源高效的可持续性。
## 研究背景与问题
聚合物制造中的湿度控制一直是影响产品质量的关键因素。热塑性聚氨酯（TPU）作为最常用的熔融长丝制造（FFF）用热塑性弹性体（TPE），虽因高弹性、耐磨性和低熔点等优势被广泛应用，但其高度吸湿的特性导致的环境水分吸收会引发聚合物塑化（plasticization），造成表面质量和力学性能的显著退化。传统应对方法如丝材预干燥或干燥剂存储存在效果随时间衰减、操作繁琐且无法完全消除残留水分等局限。更为关键的是，现有研究多集中于湿度对打印件的一般性影响，实时监测技术则局限于欠/过挤出等表面形态明显的缺陷检测；而对于湿度诱导退化的量化评估，主要依赖热重分析（Thermogravimetric Analysis, TGA）等破坏性、离线表征方法。因此，通过视觉监测实时评估湿度诱导退化及其对力学性能的影响，仍是未解决的难题，这也正是本研究开展的核心动机。
## 主要技术方法
本研究采用的关键技术方法包括：（1）基于USB相机和LED光源的FFF打印原位视觉监测硬件系统，安装于Bambu FFF打印机打印头上；（2）U-Net图像分割模型（ResNet34骨干网络）用于提取感兴趣区域；（3）基于去噪扩散概率模型（Denoising Diffusion Probabilistic Model, DDPM）的异常检测框架，仅以干燥条件下打印的图像作为正常数据进行训练，通过逆向去噪过程重建图像并计算重建误差；（4）采用峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）作为量化重建性能的指标；（5）利用加速老化实验建立湿度损伤程度（以浸泡时间量化）与力学性能（杨氏模量）之间的关联图谱。
## 研究结果
### 2.1 水分吸收对TPU 3D打印的影响
研究人员首先系统研究了水分对TPU打印的基础影响。拉伸测试表明，经24小时水浸泡的丝材杨氏模量较干燥丝材降低20.7%，证实水分吸收的塑化效应。研究人员进一步发现打印件存在后硬化现象：空气中老化8天或50°C烤箱退火4小时可使干燥丝材打印件刚度分别提升105.4%和104.2%，其中4小时退火可等效替代长期空气老化。通过0-72小时系列浸泡实验，质量增加测试显示水分子在最初24小时内快速扩散，72小时趋于饱和（约0.894 wt.%）；对应的打印件杨氏模量呈快速下降后趋于平稳的趋势，且与水分含量呈线性关系。光学显微镜和扫描电子显微镜（SEM）分析揭示，随浸泡时间延长，打印件表面逐渐出现不规则形态和离散微孔，内部形成多孔拓扑结构，这种结构缺陷根据Gibson-Ashby模型降低了有效承载面积，是导致宏观力学性能下降的主要机制。
### 2.2 基于扩散模型的异常检测框架
针对制造场景中正常与异常数据严重不平衡的典型难题，研究人员采用仅基于正常（干燥）数据训练的扩散模型实现异常检测。该前向过程逐步添加高斯噪声，逆向过程通过U-Net迭代去噪重建。图像处理流程为：将640×360像素的原始图像裁剪为112×112像素聚焦于喷嘴尖端区域，经U-Net分割（平均交并比IoU=0.9710，Dice系数=0.9849）后进行归一化和亮度调整，输入扩散模型。结果显示，模型对干燥样本重建性能高，而对湿润样本因表面纹理不规则产生显著重建误差；且重建误差随浸泡时间延长而递增。以PSNR量化重建性能，干燥与湿润条件（24小时浸泡）间存在清晰区分，且PSNR与浸泡时间呈明确相关性。平均单幅图像处理时间176.9毫秒，满足实时性要求。
### 2.3 评估退化程度与力学性能的实时监测系统
研究人员建立了PSNR与力学性能的关联。以PSNR为横坐标、杨氏模量为纵坐标，针对即打印态和退火态分别构建映射关系，结果显示两者呈正相关，且分布在±3%偏移带内。为进一步验证真实场景的适应性，研究人员设计了干燥、干燥+湿润、湿润+干燥、湿润四种丝材组合条件，通过热熔丝连接器实现过渡。结果表明：模型准确识别干燥为正常，其余为异常；能捕捉PSNR值的突变以反映退化水平转换；混合条件样本的PSNR和杨氏模量均处于中间范围，符合Voigt模型理论预测。值得注意的是，湿润→干燥转换的样本PSNR和力学性能略低于干燥→湿润样本，这是因为后部层沉积于已退化表面需数层才能恢复，模型成功捕捉了这种非对称性。
### 2.4 框架泛化能力评估
为检验泛化性，研究人员在PLA和Nylon丝材上验证了该模型。Nylon吸水量约为TPU的10倍，其湿润条件下表面恶化更严重，模型虽仅训练于TPU数据，仍能区分Nylon的干燥/湿润条件，表明其学习到了"正常"打印路径的通用形态特征；而PLA因吸湿量低、视觉差异不明显，模型未能区分。这揭示了该框架适用于存在可辨识视觉差异场景的前提条件，同时也指出通过针对目标应用重新训练或微调可进一步提升性能。
## 讨论与结论
本研究成功展示了一种面向FFF 3D打印的基于视觉的实时监测系统，专门用于检测微妙的湿度诱导异常。研究确认TPU丝材的水分吸收可导致表面质量显著退化及约20%的力学性能降幅，显微镜图像证实了吸收水分蒸发引起的表面不规则性和内部微孔是力学退化的结构基础。该AI驱动框架通过U-Net分割和扩散模型重建，以PSNR为指标，不仅在干燥与湿润条件间实现区分，还能评估损伤程度——这种微妙视觉差异本需高分辨率显微镜识别，而本框架仅用低成本USB相机即可实现实时非破坏性检测。整个推理过程仅176.9毫秒/图像的突出效率，使实时监测成为可能。通过将实验建立的湿度损伤程度与力学性能关联图谱相结合，系统能够在无物理测试条件下非破坏性地评估最终制件的力学性能。
从可持续性视角，该工作通过早期非破坏性缺陷检测减少材料浪费、能耗和试错实践，支持资源高效制造。实时评估能力还为基于诊断信息的工艺参数优化补偿提供了可能。虽然本研究以TPU为验证对象，但该数据驱动方法经针对目标应用的数据集重新训练或微调后，有望扩展至其他高吸湿性材料及FFF打印机，前提是异常情况下存在可辨识的视觉差异。未来研究方向包括：确定不同材料下当前-setup可检测的可辨识视觉差异具体阈值；多相机或多角度成像以捕获更全面的视觉信息以检测更微妙异常；以及框架对更广泛制造缺陷（以可辨识视觉异常表现者）的泛化能力。研究人员预期该研究将提升3D打印生产质量，并扩展其在先进制造领域的工业应用价值。
研究结论翻译如下："This study successfully demonstrates a novel vision-based real-time monitoring system for FFF 3D printing, specifically devised to detect subtle moisture-induced anomalies."（本研究成功展示了一种面向FFF 3D打印的新型基于视觉的实时监测系统，专门设计用于检测微妙的湿度诱导异常。）"Our investigation reveals that moisture absorption in TPU filaments leads to significantly degraded surface quality and up to about 20% reduction in mechanical performance compared to dry filaments."（研究表明，与干燥丝材相比，TPU丝材中的水分吸收导致表面质量显著退化，力学性能降低高达约20%。）"The microscopy images confirmed that the evaporation of absorbed moisture induced surface irregularities and internal micropores, which cause mechanical degradation in printed parts."（显微镜图像证实，吸收水分的蒸发引起表面不规则和内部微孔，从而导致打印制件的力学退化。）"To monitor these moisture-induced defects, we have devised an AI-driven in situ visual monitoring framework."（为监测这些湿度诱导缺陷，研究人员设计了一种AI驱动的原位视觉监测框架。）"The model not only distinguishes between dry and humidified conditions but also successfully evaluates the extent of damage, where immersion time was employed as a metric to represent the damage."（该模型不仅区分干燥和湿润条件，还成功评估了损伤程度，其中浸泡时间被用作表征损伤的指标。）"By leveraging the rapid inference and high sensitivity to subtle differences in AI-driven frameworks, the proposed approach enables the real-time and nondestructive detection of such degradation using only a cost-effective USB camera."（通过利用AI驱动框架的快速推理和对微妙差异的高敏感性，所提出方法仅使用低成本USB相机即可实现此类退化的实时非破坏性检测。）"Moreover, by mapping the immersion time to the mechanical property measurements established through experiments, the system enables the nondestructive assessment of the final part's mechanical properties without physical testing."（此外，通过将浸泡时间映射到实验建立的力学性能测量，系统实现了无需物理测试的最终制件力学性能非破坏性评估。）"From a sustainability perspective, this work demonstrates how AI-driven, real-time monitoring can support more resource-efficient and reliable manufacturing by enabling early, nondestructive detection of defects, which results in reducing material waste, energy consumption, and trial-and-error practices."（从可持续性角度，该工作展示了AI驱动的实时监测如何通过实现早期、非破坏性的缺陷检测来支持资源更高效、更可靠的制造，从而减少材料浪费、能耗和试错实践。）"Furthermore, the ability to evaluate moisture-induced degradation in situ opens up the possibility for real-time process parameter optimization to compensate for such effects by providing diagnostic information, which will be addressed in future studies."（此外，原位评估湿度诱导退化的能力为通过提供诊断信息来实时优化工艺参数以补偿此类影响开辟了可能性，这将在未来研究中解决。）"While this study validates the framework using TPU filaments in FFF printing, the results establish a foundational proof of concept for monitoring moisture-induced defects."（虽然本研究使用FFF打印中的TPU丝材验证了框架，但结果为监测湿度诱导缺陷建立了基础概念验证。）"This data-driven methodology holds potential for other highly hygroscopic materials and other FFF-based printers through the required retraining or fine-tuning of the segmentation and diffusion model with datasets tailored to the target application, in the condition that discernible visual differences are present under anomaly cases."（这种数据驱动方法经针对目标应用的数据集重新训练或微调分割和扩散模型后，对其他高吸湿性材料和其他基于FFF的打印机具有潜力，前提是异常情况下存在可辨识的视觉差异。）"Therefore, further research is required to determine the specific thresholds of discernible visual difference that the current setup can detect across various materials."（因此，需要进一步研究以确定当前设置在各种材料中可检测的可辨识视觉差异具体阈值。）"Additionally, it would be interesting to investigate whether multi-camera or multi-angle imaging can capture the comprehensive visual information required to detect even more subtle visual anomalies."（此外，调查多相机或多角度成像是否能捕获检测更微妙视觉异常所需的全面视觉信息将是有趣的。）"Lastly, future work should investigate the framework's generalizability to a broader range of manufacturing defects that manifest as discernible visual anomalies."（最后，未来工作应调查框架对表现为可辨识视觉异常的更广泛制造缺陷的泛化性。）"Overall, we expect this research to enhance production quality and expand the industrial utility of 3D printing in the advanced manufacturing fields."（总体而言，研究人员预期该研究将提高先进制造领域的生产质量并扩展3D打印的工业效用。）
