摘要：低温沉积（LDM）食品3D打印过程中易受到挤出温度、速度、物料流变性能等多因素耦合影响，导致堵料、过量挤出、干涉等多种缺陷，影响打印质量。为实现对缺陷的高效识别，本文搭建了基于工业相机的视觉监测平台，并构建了多类别喷嘴挤出缺陷图像数据集。针对缺陷尺寸小、类间差异不显著等问题，提出了一种融合ResNet与Swin Transformer的双通道多尺度特征提取网络，并引入多尺度注意力融合模块以提升识别精度。实验结果表明，所提模型能有效识别各类挤出缺陷，对堵料、过量、颗粒状和干涉类别的预测精度分别为98.20%、97.89%、94.90%和96.10%，正常挤出为97.61%；单张图像平均检测时间为0.2秒。整体准确率为97.53%，宏召回率为97.62%，较ResNet34分别提升4.11和4.00个百分点，展现出优异的识别性能与实时性，可为食品3D打印质量控制提供可靠数据支撑。
文章目录
1 材料与方法
1.1 材料与仪器
1.2 实验方法
1.2.1 喷嘴挤出缺陷定义及数据采集
1.2.2 构建双通道多尺度特征融合缺陷识别模型
1.2.2.1 全局特征提取模块
1.2.2.2 局部特征提取模块
1.2.2.3 多尺度特征融合模块
1.2.3 Swin Transformer模块消融实验
1.2.4 DCMSFF特征融合模块的消融实验
1.2.5 模型训练环境与参数设置
1.2.6 模型性能评价指标
1.3 数据处理
2 结果分析
2.1 训练过程分析
2.2 Swin Transformer模块消融结果
2.3 DCMSFF特征融合模块消融结果
3 结论
