Сухоставський, ВадимСкиба, МиколаПоліщук, ОлегЛісевич, СвітланаSukhostavskyi, VadymSkyba, MykolaPolishchuk, OlehPolishchuk, AndriiLisevych, Svitlana2025-10-182025-10-182025Методи контролю якості FDM 3D-друку на основі візуального моніторингу: огляд останніх розробок / В. Сухоставський, М. Скиба, О. Поліщук, С. Лісевич // Herald of Khmelnytskyi National University. Technical Sciences. – 2025. – Vol. 353, No. 3.2. – P. 237-245.https://elar.khmnu.edu.ua/handle/123456789/19656Забезпечення якості деталей, виготовлених за технологією FDM 3D-друку (пошарове наплавлення), залишається складним завданням з огляду на високу ймовірність виникнення дефектів під час процесу. Для вирішення цієї проблеми активно розвиваються системи візуального моніторингу, що забезпечують контроль якості безпосередньо в ході FDM-друку. Стаття являє собою всебічний огляд новітніх розробок методів візуального моніторингу для забезпечення якості FDM-друку. Розглянуто спектр апаратних засобів: від стандартних вебкамер для загального нагляду за процесом у реальному часі до спеціалізованих пристроїв: ендоскопічних камер для детального огляду важкодоступних зон, інфрачервоних тепловізорів для виявлення температурних аномалій, лазерних сенсорів LiDAR для високоточного контролю геометрії та 3D-сканерів для повного відтворення тривимірної форми надрукованих виробів. Наведено приклади практичної реалізації таких підходів, зокрема систем з відкритим кодом (open-source), інтегрованих у настільні 3D-принтери, а також промислових рішень, вбудованих у професійні FDM-установки. Окрім того, проаналізовано сучасні програмні алгоритми для обробки візуальних даних, з акцентом на передові методи комп’ютерного зору. Зазначено, що новітні підходи машинного навчання – передусім згорткові нейронні мережі та моделі типу «трансформер» – здатні автоматично розпізнавати поширені дефекти друку (такі як відшарування шарів, недостатня подача філаменту, утворення «спагеті»-дефектів (ниткоподібних напливів), деформація виробу (warping) тощо) у режимі реального часу на основі аналізу зображень або відеопотоку. У роботі порівнюються різні стратегії моніторингу за точністю виявлення дефектів, охопленням типів проблем, швидкістю реакції та складністю інтеграції, що дозволяє окреслити переваги й обмеження кожного підходу. Насамкінець обговорено перспективи розвитку даного напряму, зокрема використання багатосенсорних систем для більш всеосяжного виявлення дефектів, вдосконалення універсальності та надійності алгоритмів, впровадження зворотного зв’язку в реальному часі (автоматичне коригування чи зупинка друку при виявленні відхилень), а також інтеграцію інтелектуальних систем моніторингу в типове обладнання FDM-друку у контексті концепції Індустрії 4.0.Ensuring the quality of parts produced by fused deposition modeling (FDM) 3D printing is a critical challenge given the high likelihood of process anomalies and defects. In response, visual monitoring has emerged as a key approach for in-situ quality control of FDM printing. This review article provides a comprehensive overview of the latest developments in visual monitoring methods for FDM print quality assurance. It examines a range of hardware setups, from standard webcams for general real-time oversight to specialized devices such as endoscopic cameras for detailed close-up views, infrared thermal cameras for detecting temperature anomalies, LiDAR sensors for precise geometric measurements, and 3D scanners for capturing the full three-dimensional shape of printed parts. It also highlights practical implementations of these methods, including open-source solutions (e.g., accessible monitoring systems integrated into consumer-level printers) and industrial-grade systems built into professional FDM machines. In addition, the state-of-the-art software algorithms for analyzing visual data are reviewed, with emphasis on advanced computer vision techniques. Modern deep learning approaches, particularly convolutional neural networks and emerging vision transformer models, have demonstrated the ability to automatically identify common printing defects (such as layer delamination, filament under-extrusion, stringing, and warping) in real time from image or video streams. The various monitoring strategies are compared in terms of detection accuracy, scope of detectable issues, response speed, and integration complexity, highlighting each approach’s strengths and limitations. Finally, the paper discusses future perspectives, including the integration of multiple sensor modalities for more comprehensive defect detection, the development of more robust and generalizable machine learning models, the implementation of real-time feedback control to correct or halt prints upon fault detection, and the broader incorporation of intelligent monitoring systems into standard FDM workflows in line with Industry 4.0 trends in smart manufacturing.uk3D-друкFDMконтроль якостівізуальний моніторингмашинний зірдефекти друкукамеритепловізор3D-сканування3D printingFDMquality controlvisual monitoringmachine visionprint defectscamerasthermal imaging3D scanningСтаття678.05