《Applied Food Research》:Image-Based Geometric Fidelity Assessment of 3D Food Printed Inks and Designs
编辑推荐:
3D食品打印(3D food printing, 3DFP)能够制造具有可定制形状和营养的 Novel foods,然而对于多样化的墨水配方和设计几何结构实现一致的几何保真度仍然是一个基本挑战。传统的保真度评估依赖于手动图像分析或有监督深度学习模型,这些方法效
3D食品打印(3D food printing, 3DFP)能够制造具有可定制形状和营养的 Novel foods,然而对于多样化的墨水配方和设计几何结构实现一致的几何保真度仍然是一个基本挑战。传统的保真度评估依赖于手动图像分析或有监督深度学习模型,这些方法效率低且保真度评估的可扩展性有限。本研究提出了一种自动化的、免训练的分割方法,用于评估土豆泥(Mashed Potato, MP)和豌豆蛋白(Pea Protein, PP)墨水的保真度,并与手动方法进行了验证。八种具有不同成分与水比例(MP_1:3–1:6;PP_1:2.5–1:4 w/w)的墨水被打印为三种具有不同几何特征(圆角形、立方体形、悬臂形)的设计。手动保真度评估表明,MP_1:4 和 PP_1:3 墨水在长度尺寸和总体面积上打印出的保真度最高。由于含水量过高或过低导致机械性能较差的墨水因坍塌、横向扩散或过沉积而实现了低保真度。自动化测量流程显示出与手动方法在 ±5% 范围内的一致性,一致性相关系数(Concordance Correlation Coefficient, CCC)为 0.975–0.995,Deming 回归斜率接近统一。总体而言,研究结果展示了一种用于跨不同墨水快速免训练评估打印保真度的自动化工作流,这为加速 3DFP 应用中的墨水配方开发和打印质量控制提供了有效手段。
《Applied Food Research》刊载的该研究针对3D食品打印(3D food printing, 3DFP)在多样化墨水配方与设计几何结构下难以实现一致几何保真度的瓶颈问题展开。目前传统保真度评估依赖手动图像分析或有监督深度学习,存在效率低、可扩展性受限及需大量标注的缺陷,且流变学(Rheological)性质无法完全预测几何特异性打印结果,软质食品表面的3D扫描也易失准。为此,研究人员开展了一项基于图像的自动化、免训练分割方法研究,旨在验证其在土豆泥(Mashed Potato, MP)和豌豆蛋白(Pea Protein, PP)墨水及不同设计下的保真度评估能力,以建立可转移、无标注的图像化工具。研究结论表明该自动化流程与手动测量在±5%内一致,一致性相关系数(Concordance Correlation Coefficient, CCC)达0.975–0.995,Deming回归斜率近1,能有效识别具备适宜屈服应力(Yield stress, τ?)与存储模量(Storage modulus, G′)的中间配比墨水(MP_1:4、PP_1:3),为3DFP墨水筛选与质量控制提供了高效手段。
作者采用的关键技术方法包括:设计三种参数化CAD几何模型(Rounded、Cubic、Overhang)以测试不同特征;制备八种不同固水比的MP与PP墨水;利用应力控制旋转流变仪进行振幅扫描与流动扫描以获取粘弹性及τ?;使用Procusini 3.0双系统打印机在固定参数下打印;通过双相机固定位获取顶视与前视图像;采用ImageJ手动测量与基于预训练Segment Anything Model(SAM, ViT-B编码器)的Python自动化流水线进行分割及尺寸(D?、D?、A)提取;运用Deming回归与Lin's CCC进行方法比对统计。
研究结果如下:
3.1. Manual Evaluation of Formulation-Dependent Print Fidelity
研究人员通过手动测量发现,墨水配方与设计几何共同影响保真度。中间水比例的MP_1:4、PP_1:3在各设计中尺寸(D?、D?)与面积(A)偏离CAD最小;高水或低水配方因重力坍塌或挤出过度导致显著偏差,如MP_1:6与PP_1:4面积膨胀达43%–53%,MP_1:3与PP_1:2.5则出现高度异常增加。Rounded设计因空心结构侧向扩散面积普遍偏大,Overhang设计对刚度敏感,低G′墨水跨度(D?)收缩而面积增大。
3.2. Rheological Characterization of Inks
研究人员通过流变学表征解释了保真度差异的机制。所有墨水均表现剪切稀化(Shear-thinning)。MP墨水τ?范围为45–247 Pa,PP墨水为457–1260 Pa,后者需更高应力启动流动。MP_1:4(τ?=106 Pa)与PP_1:3(τ?=793 Pa)处于中间屈服应力区间,兼顾挤出流畅与沉积定型。存储模量(G′)随含水量增加而下降,低G′(高水)导致Overhang悬垂偏转与横向铺展,高G′(低水)虽抗塌陷但因高τ?致表面粗糙与过堆积,证实需挤出阶段与沉积后力学平衡方能高保真。
3.3. Method Comparison Analysis
研究人员对比自动化SAM流程与手动ImageJ测量,百分比差异显示D?、D?、A偏差均控制在±5%内且无系统性偏向。Deming回归显示D?: y=0.996x-0.011(CCC=0.995, R2=0.991),A: y=0.993x+5.023(CCC=0.990, R2=0.979),D?因手动线测与SAM全边界提取差异略大(y=0.953x+1.087, CCC=0.975, R2=0.953)。结果验证预训练SAM无需微调即可跨材料与几何复现人工测量。
3.4. Limitations
研究人员指出局限在于未量化打印机硬件波动性,保真度评估限于打印后立即成像而未涵盖长期蠕变、干燥收缩,且基于2D平面投影仅提供部分3D结构信息。
讨论部分总结指出,印刷一致性与墨水固水比、几何特征紧密关联,中间流变属性(τ?与G′适中)是保真前提;传统RL或ML方法受限于域偏移与标注,而SAM-base流程克服了此障碍。研究验证了免训练图像分割在3DFP质量控制中的可行性,缩短开发周期并降低对操作者的依赖。
结论部分翻译:本研究利用MP和PP墨水在三种基准设计几何中量化了挤出式3D打印的印后几何保真度,比较了手动与自动化预训练图像分割流程。两种流程均在三种设计中识别出相同的配方依赖性趋势,MP_1:4与PP_1:3(w/w)与CAD偏离最小。此图像排序与独立流变表征一致,两配方均处于中间屈服应力范围(τ?=106±8.5 Pa与793±6.3 Pa),支持平滑挤出与稳定印后形状保持,强化了分割流程能识别具备可靠打印所需力学的配方。自动化流程在所有尺寸参数内以±5%复现手动测量且无方向偏倚,Deming回归确认此一致性:D?近统一斜率与可忽略偏移(CCC=0.995, R2=0.991),D?(CCC=0.975, R2=0.953)与A(CCC=0.990, R2=0.979)。综上,结果深入揭示了墨水材料与力学如何支配打印保真度,并验证了免训练流程。于食品制造应用,其提供了可扩展质控工具以筛选新配方,免去标注与重训练负担,从而缩短开发周期并减少对操作者依赖的检查。
要不要我帮你把这篇论文解读里的关键专业术语(如CCC、τ?、G′等)整理成一个带简要解释的词汇表,方便你后续查阅?