美国劳伦斯利弗莫尔国家实验室（LLNL）的研究人员开发出一套基于摄像头的增材制造在线检测系统，让 3D打印机 在打印过程中逐层检查自己制造的零部件，及时发现断丝、直径变化与尺寸异常。相关论文发表于《npj先进制造》。研究团队把这套系统形容为给打印机装上了「眼睛背后的大脑」。
一、眼睛背后的大脑：摄像头逐层拍摄，机器学习自动量丝
这套系统目前主要用于直接墨水书写工艺。这种增材制造技术通过喷嘴把柔软或膏状材料挤出，形成只有零点几毫米粗的细丝，再按设计路径一层层堆叠。对于复杂的缓冲垫和衬垫类零件，丝束的粗细与排列方式直接决定性能，微小的间隙、断丝或直径变化都可能导致零件不达标。
传统检测方式的节奏是滞后的：必须等打印完成，把零件从设备上取下来，再通过X射线成像、机械测试等离线方法检验。这些手段既昂贵又耗时，而且往往只能在制造结束后才发现零件难以满足要求。LLNL的做法是把检测提前到打印过程中。摄像头在每层材料沉积时拍下图像，软件识别出最新打印的丝束并计算直径等尺寸参数，实现边打印边测量。
模型的训练数据来自近1.5万张人工标注图像，覆盖多种晶格几何结构。在55个零部件的测试中，自动测量结果与人工标注通常只相差几微米。速度差异更为悬殊：人工测量一张大型图像可能需要20分钟到1小时，而这套自动化流程只需几毫秒，平均约为人工的10万倍。
论文第一作者Brian Weston是LLNL的工程师、数字孪生方向的AI与机器学习负责人。他的表述是：「这是一次首轮筛查，它让我们在开展非常昂贵的测试之前就能看到问题，如果已经知道存在断丝或其他缺陷，可以更早判定零件不合格。」项目首席研究员Brian Giera是LLNL数据科学、人工智能与制造方向的副项目主任，研究由实验室定向研究与发展计划资助。
二、25厘米缓冲垫的2500张照片，找出了平均值掩盖的倾斜
为了验证系统在更大尺度上的能力，研究团队检测了一个边长约25厘米的缓冲垫。他们从其中一层采集了大约2500张图像，再拼接成一张反映零件内部结构的空间分布图。结果显示，打印丝束的直径从一侧向另一侧逐渐变化。
进一步分析表明，这种渐变可能源于打印平台相对于喷嘴存在轻微倾斜。这个发现的意义在于，如果只看整个零件的平均尺寸，这种系统性偏差几乎不可能被发现，因为它被平均值抹平了。逐层空间成像把「平均合格」和「处处合格」区分开来，这正是过程检测相对于成品抽检的核心价值。
研究团队同时说明了X射线计算机断层扫描的局限：CT能提供详细的三维结构信息，但对于尺寸较大的复杂零部件，其高分辨率检测能力会受到限制。而安装在打印机上的摄像头可以在制造过程中持续获取信息，也能检查一些难以完成完整CT扫描的大型零件。从数据角度看，这套系统相当于给设备装了一个过程黑匣子，把每一层的状态留成可追溯的数字记录。
三、为什么早发现值钱：报废时机与检测成本的账
这套系统的定位很明确：作为首轮筛查，把缺陷零件拦截在昂贵检测之前。一个有足够多缺陷的零件，可以在还躺在成型台上时就判定报废，节省时间与材料；检测结果也可以帮助判断后续是否需要动用X射线CT这类成本更高的方法。
成本账算得清楚。金属粉末价格可达每公斤数百美元，一次失败的打印还占用了数天机时；柔性缓冲垫这类零件虽然不用金属粉，但复杂晶格结构一旦出现断丝，机械性能就会直接不达标。把判定提前到打印中段，等于把损失控制在材料与机时的一部分，而不是等到全部工序完成。
更值得关注的是这套方法的迁移能力。研究团队从设计之初就考虑让它适配其他增材制造技术、传统减材制造工艺以及实验室的实验系统。项目首席研究员Giera的判断是，机上检测将显著降低制造成本、提升产出效率，并为所制造的零件提供更多信息。搭建系统所需的相机安装与标定、大规模打印与成像试验、标注数据集构建以及模型验证，这些初始投入形成了一个可复用的起点，未来适配新相机和新零件时，所需的新增训练数据会大幅减少。
四、在线监测正在从可选项变成必选项
LLNL这套系统的价值，需要放在整个过程监测市场的扩张背景下理解。行业研究数据显示，激光增材制造监测市场2025年规模约12.7亿美元，预计到2035年达到71.4亿美元，2026年至2035年的复合增长率约为18.29%；3D打印无损检测市场2026年规模约38亿美元，到2034年有望达到172亿美元，复合增长率约20.8%。
人工智能与3D打印结合的部分增速更快。有机构测算，人工智能在3D打印领域的市场规模2026年约为5.128亿美元，到2036年将达到49.5亿美元，复合增长率约25.5%。其中深度学习与计算机视觉在2026年占据约38%的份额，是当前在生产设备上部署最广泛的AI形态；按应用划分，原位过程监测与缺陷检测占比约27%；按工艺划分，粉末床熔融占比接近44%；按终端划分，航空航天与国防约占33%，北美地区占约40%，亚太地区增速最快，复合增长率约28.4%。
头部用户的动作也印证了这一趋势。GE Aerospace、Rolls-Royce、Airbus等企业正在使用原位监测降低工艺波动；EOS与Nikon SLM Solutions等设备商的平台集成了光学断层扫描与熔池传感，实现逐层验证。监测能力正在从设备的加分项，变成进入高价值供应链的入场券。
| 监测路线 | 典型技术手段 | 主要监测目标 | 典型应用场景 |
|---|---|---|---|
| 熔池监测 | 高温计、高速成像、光学断层扫描 | 未熔合、匙孔、气孔、热不稳定 | 激光粉末床熔融、定向能量沉积 |
| 逐层图像监测 | 机上摄像头、机器学习图像分割 | 断丝、丝径变化、层间缺陷 | 直接墨水书写、材料挤出 |
| 铺粉床面监测 | 高分辨率相机、结构光扫描 | 铺粉缺陷、粉末床平整度 | 金属粉末床熔融 |
| 多物理场监测 | 声发射、振动、红外热像 | 工艺漂移、设备异常 | 大型构件、批量生产线 |
五、下一步：从看得见到改得动
行业的长期方向是从被动观察走向闭环制造，让传感器、人工智能分析软件与机床控制系统协同工作，在打印过程中识别偏差并实时调整工艺参数。LLNL这套系统目前仍处在看得见这一层，属于首轮筛查，但它已经解决了闭环所需的前置条件：把每一层的状态变成可测量、可判断、可追溯的数据。
下一步的验证已经排上日程。按照公开信息，这套检测装置将迁往堪萨斯城国家安全园区，在生产相关系统上开展测试，这意味着它将从实验室平台走向更接近真实生产的场景。
挑战同样明确。逐层成像会产生海量图像数据，存储与算力成本不容忽视；不同设备、不同材料、不同几何结构之间的模型泛化能力仍需验证；检测结果与零件最终力学性能之间的关联关系还需要更多数据支撑；此外，行业在在线监测的数据格式与判定标准上尚未形成统一规范。
对国内产业来说，这套思路有直接参考价值。直接墨水书写在柔性缓冲结构、生物支架、功能材料等方向已有明确需求，而把检测前移到打印过程，是这类工艺从样品试制走向批量应用的前置条件。需要注意的是，摄像头方案目前主要针对直接墨水书写工艺，金属粉末床的熔池监测属于另一套技术体系，两者不能直接套用。
总结
从打印完再检测，到边打印边检测，LLNL这套系统改变的不只是效率数字。当一台打印机能在第100层就告诉自己这个零件已经废了，增材制造的成本结构才开始真正向规模化生产靠拢。在线监测从可选变成必选，只是时间问题。
来源：劳伦斯利弗莫尔国家实验室、npj先进制造、科技日报、3D Printing.com