三位打印的朋友们应该都见过这样的场景：一块打印了十几个小时的零件，第二天早上起来一看，喷头在空转，底座上搅着一大团像泡面一样的面条；或者一个表面光洁的模型，侧面长出一排排细小的疙瘩；再或者两个分开的部件之间拉着密密麻麻的蛛丝。这就是我们常说的spaghetti（面条失效）、zits（起粒/凸点）和stringing（拉丝）。过去大部分人的处理办法是守着打印机，听到了“嘶嘶”声马上冲过去暂停，或者靠运气。我在折腾了很长一段时间的3D打印机和视觉检测之后，发现用目标检测模型来自动识别这三类缺陷是完全可行的，而且能做得比肉眼更及时、更稳定。这篇就完整分享一下我基于YOLO26做自动识别方案的全过程，包括数据怎么采、模型怎么训、部署要避免哪些坑，以及最终实际跑起来的效果。

1. 3D打印失败的本质：先搞懂三类缺陷长什么样、怎么来的

做检测模型之前，第一件事不是急着跑代码，而是把要检测的目标彻底搞清楚。神经网络本质上就是个模式匹配器，你喂给它的数据里有什么特征，它就学什么特征。如果我自己都分不清spaghetti和支撑材料，那模型肯定也分不清。

1.1 三类缺陷的视觉特征与产生原因

先说spaghetti，这是最严重的一类缺陷。它不是某个局部的小瑕疵，而是整个打印件彻底失效的状态。视觉上就是打印平台或者热床上出现一团杂乱无章的细线，像一盘没有煮过的意大利面，严重的时候会跟着喷头来回移动，甚至缠绕到加热块上。生成的根本原因通常是首层没粘住、模型翘边、喷头堵塞后又恢复了挤出，或者切片软件里的支撑突然脱离。哪怕前面的层都印得好好的，只要中途某个地方零件翘起来撞到喷头，后续的路径就会全部错位，材料挤在空气里，慢慢积累成那团“面条”。这类缺陷一旦出现，几乎没有挽救余地，只能停止打印。

再说zits，中文常被叫做“起粒”或“凸点”。它指的是模型表面上出现一个个小小的、像痘痘一样的凸起物，尺寸大概在0.5到3毫米之间，位置随机但经常出现在圆弧表面、层高变化处和回抽结束的位置。产生zits的原因比较细碎：切片参数里的“回抽”设置不当，挤出机启停瞬间压力不稳，喷嘴在移动过程中有一点渗料，或者是切片缝（seam）的位置设置成“最近点”导致所有接缝堆在一起。视觉上它不是灾难性的，但非常影响表面质量，对需要展示外观的模型来说几乎不能接受。

最后是stringing，也就是拉丝。很多朋友把它和zits搞混，其实区别很明显：zits是在同一个点堆积出来的小疙瘩，stringing则是喷嘴在两点之间移动时，残留在喷嘴口的熔融塑料被拉成一条细丝，像蜘蛛网一样横跨在两个打印特征之间。常见于打印猫耳、模型文字、或者任何需要频繁移动喷头的区域。温度偏高、回抽距离不足、回抽速度太慢、耗材受潮，都是导致stringing的原因。PLA拉丝会是半透明的白色细线，PETG拉丝则更粗更黏，经常完全无法忽略。如果只是偶尔一两根细丝，后处理用热风枪吹一下就行，但如果模型表面全是丝，就说明参数需要整体调整了。

1.2 为什么一定要用视觉模型来检测

听到这里你可能会说，我自己守着打印机看屏幕也能发现啊。问题是人的注意力撑不了几十分钟，更不用说夜里睡觉的时候。哪怕加了网络摄像头，靠肉眼盯着画面判断，要么反应太慢，要么因为角度问题看不到细节，尤其像stringing这种极细的丝，在低分辨率画面里几乎不存在。

传统的“堵头检测”更多靠的是加速度传感器或者挤出机电流的变化，但这种方法只能检测到喷嘴堵住这种严重的机械故障，对spaghetti的早期形态（比如首层脱离后悬空挤出）完全没有办法。Zits和stringing更是纯视觉的问题——它们对机器运行状态几乎没有影响，只在最终外观上体现出来。所以我们需要一个始终在线、能对每一帧画面做判断的视觉系统。目标检测模型正好干这个：给它一帧画面，它告诉你画面里有没有缺陷、缺陷在哪、属于哪一类、置信度多少。我把检测系统做成一个独立服务，放在打印机旁边，用摄像头对准打印区域，一旦检测到缺陷就切断打印机电源并推送告警，这样人该睡觉睡觉，该上班上班，模型替我看机器。

2. 数据集从零到一：采集、筛选、标注的实操记录

任何检测模型的核心都是数据。YOLO26的权重里已经包含了很多通用物体的特征，但它不知道“3D打印机的spaghetti”长什么样。所以我需要自己准备一批覆盖各种打印机、各种光线、各种打印阶段的数据，并完成标注。这个过程比我想象中更耗时，但有几条经验确实能让效率翻倍。

2.1 图像采集：角度、光线和相机选型

我采集数据用的不是工业相机，就是普通的USB免驱摄像头，1080p分辨率，架在打印机正面偏上的位置，大约45度俯视，能同时看到热床平面和已成型的模型侧面。这个角度对三类缺陷来说比较友好：spaghetti在热床上非常明显，zits在侧面光照下能看出凸起阴影，而stringing在两处结构之间形成的高光细丝正好能被捕捉到。

光线是很多人忽略的一个点。我在白天和晚上分别采集了一批数据，发现晚上关了打印舱灯、只靠环境光时，zits和stringing几乎完全融进背景里，不说人眼，连标注都很难看清。后来我在打印机附近加了一个常亮的白色LED补光灯，从正面偏侧的角度打光，让缺陷产生阴影，检测效果立刻就好了很多。另外，摄像头要尽量固定住，不要用那种可以随意掰动的手机支架，每次挪动都会导致标注框失效。我大概花了两周时间，前后采集了4000多张图片，里面既有正常打印过程的画面，也有故意触发缺陷拍下来的画面。故意制造缺陷的过程其实不复杂：把首层喷头Z轴抬高0.2mm，让耗材完全粘不住，几分钟后就开始拉丝成团；把回抽关闭，打印一个多突起的测试模型，就能稳定产出stringing；把切片缝设置成“随机”，挤出回抽压力没调好，就会冒出一堆zits。

采集完的图需要筛选。不是所有帧都有用，比如有些画面喷头刚好挡住了缺陷区域，有些画面热床温度高导致热噪点过多。我写了一个小的图像质量检查脚本，用方差判断模糊度，用直方图判断曝光是否异常，筛掉了大约15%的废图。剩下的照片按8:1:1分成训练集、验证集和测试集，保证同一个打印过程的不同帧不会同时出现在两个集里，否则模型会“背答案”。

2.2 标注策略与类别平衡的坑

标注工具我用的是labelImg，虽然界面老旧一点，但用顺了效率很高。三个类别里，spaghetti和zits的框相对好打，stringing最烦人——它经常是细长一条斜跨在画面上，如果框方向不是水平的话得打很多个点。YOLO的默认标注框是水平的矩形，对细长丝状物其实不太友好，所以我的策略是：如果一根丝比较长，就把它切成多个小矩形框，每个框尽量覆盖一段清晰的丝；如果丝很密很乱，干脆把整片区域标成一个大的stringing框。这样做模型精度会稍微下降一点，但对实时监控而言，只要能把区域框出来就够了。

另一个大坑是类别不平衡。我最初的数据里spaghetti占了一半以上，因为故意做破坏实验时留了很多素材，zits和stringing相对少，模型训练完一测，spaghetti的精确率很高，但zits经常漏检，stringing的误报又多。后来我对三类的数量做了平衡，每类保持大约1400个标注实例，zits不够就再去打印几个不同颜色、不同层高的测试块补拍。还有一个更隐蔽的问题：给同一目标重复标注的框大小差异很大。一个人今天标了个大框，明天状态不好标了很小的框，模型会对同一目标学到两种完全不同的尺度。我后来规定所有标注框都要紧贴目标外轮廓，宁可小一点不要框大，框大的背景噪声容易把模型带偏。

3. 训练YOLO26模型的完整流程：从零到收敛

数据准备好了以后，训练阶段反而显得比较顺。但其中有几个参数值得仔细聊一聊，因为它们直接影响了模型最终能不能拿来用。

3.1 环境准备和预训练权重的选择

YOLO26的推理代码我去掉了一些不必要的依赖，只需要一个干净的Python环境、PyTorch和OpenCV就可以。显卡是一块中等的消费级GPU，6GB显存，训练640x640输入分辨率的模型刚好够用。如果你的显卡显存小于6GB，我建议先别直接上，可以用云GPU，或者把输入分辨率降到512x512。虽然512尺寸下细小的stringing会更难检测，但总比跑不起来强。

关于预训练权重，我直接用官方提供的COCO预训练权重来初始化模型，而不是空模型从头训。YOLO26的骨干网络已经从自然图像里学到了大量底层特征（边缘、纹理、色彩梯度等），这些对3D打印缺陷场景同样有效。我对比过从零训练和用预训练权重微调的两个模型，前者的mAP@0.5大约低了7个百分点，而且收敛速度慢了不少。所以如果你看到某篇文章说“训练目标检测不需要预训练权重”，那多半是数据特别多或者类别特别偏门的情况，不在我们这个场景里适用。

3.2 训练参数：输入尺寸、批次、学习率和数据增强

下面直接贴一份我最终使用的训练配置，可以按需微调：

这里特别提一下冻结骨干训练。前90轮让整个模型参数不动骨干网络，只训练检测头和颈部网络，能够保留预训练特征，同时加速收敛。如果一上来就全网络微调，数据量又不大的话，很容易出现过拟合。后60轮解冻骨干，让底层特征也适应3D打印场景，mAP能再涨两三个点。学习率方面，我试过固定学习率训100轮，结果loss一直横盘在0.08左右，换成余弦退火后明显带动了最后阶段的收敛。数据增强里最有用的是灰度增强和Mosaic。因为实际部署时打印机的航拍灯角度可能变，灰度增强让模型不至于被光照变化干扰；Mosaic增强则让模型学会在包含大量背景杂物的区域识别目标，尤其是spaghetti这种大面积缺陷。

训练过程中我通常每5轮保存一次权重，然后直接看验证集的PR曲线。等到loss不再下降且验证集的mAP@0.5连续三轮没提升时，就提前终止。最终模型在验证集上的mAP@0.5大约在94.5%左右，mAP@0.5:0.95大概81.2%。这个成绩对三类缺陷来说已经够用，下面会专门讲实际部署时性能如何。

4. 部署到打印机旁边：实时监控与自动处置方案

模型训练好了，接下来最麻烦的是怎么稳稳地部署在生产现场。我这里说的“现场”就是普通工作室的桌面，没有工业级的恒光环境和固定床架，所以杂事特别多。从摄像头安装到告警逻辑，每一步都有值得说明的地方。

4.1 摄像头选型和安装角度

摄像头我推荐用至少1080p分辨率的定焦镜头。自动对焦的摄像头不一定好，因为打印过程中喷头会移动，对焦系统可能来回拉风箱，导致画面模糊。我的做法是手动固定焦距到打印区域，用延长USB线连接主机，这样画面不会因为对焦不稳定而影响检测。帧率不需要太高，10fps就足够，因为三缺陷都是慢速发展，每秒检测一次甚至都能抓住。但推流到网页上的预览帧率可以单独设成30fps，方便人肉监视。

安装角度前面提了45度俯视，这里再补充一点：不要正对热床中心，而是让摄像头偏向打印机的左侧或右侧。这样既能看清喷头运动路径，又能让zits在侧光下呈现立体感。同时摄像头最好离打印区域60cm左右，过近会导致画面边缘畸变严重，特别是广角摄像头会让直线变成弧线，影响标注框的准确性；过远则树小细节看不清楚。我用了一支普通镜头，焦距大概4mm，放在打印机框架上，畸变在可接受范围内。

4.2 推理、告警与停机机制

部署时我写了一个Python服务，核心逻辑很简单：用OpenCV读取摄像头帧，送入YOLO26模型推理，得到检测框后做后处理。后处理包括三件事：一是过滤置信度低于0.35的框；二是同类框用NMS合并，保留最高分的那个；三是根据类别做不同的“触发策略”。

spaghetti的触发策略是：连续3帧检测到置信度0.7以上的spaghetti框，且框面积占画面的5%以上，就判定失败，立即执行G-code指令关闭热床和挤出机，然后通过继电器切断打印机电源。这里连续3帧是为了防止单帧误检，比如喷头反光偶尔被当成面条。zits的触发策略相对保守，因为zits的出现不一定代表打印失败，更多时候只是表面瑕疵。我做成“打印完成后统计zits数量，超过每层10个则提示调参”。stringing则更复杂，因为轻微拉丝在高光下容易被误报，我把置信度阈值调到0.5，并且要求框长度超过图像宽度的20%才算有问题，这样轻微的几根细丝不会频繁触发告警。

另外，告警不只是弹窗。我把检测结果写进一个本地文件，每30秒推送到手机；一旦触发spaghetti停机，立刻发送一条高优先级推送。整个推理速度在CPU上大概是300ms一帧，在GPU上不到30ms，所以10fps的视频流完全能实时处理。这里有个坑：USB摄像头长时间运行会出现帧缓冲堆积，画面滞后十几秒。解决方法是每隔1小时自动重启摄像头采集线程，或者用包管理工具自动重启一下服务，避免内存泄漏导致推理越来越慢。

5. 实测效果与问题排查：从“能跑”到“好用”

模型在验证集上表现不错，真正放到打印机旁跑起来之后还是会遇到各种意料之外的情况。我总结了一些典型的场景，希望能帮你少走弯路。

5.1 误报和漏报的真实场景

最典型的误报是喷头停在边缘时，有一坨融化的耗材挂在喷嘴口，看起来和spaghetti非常像。其实它不是面条，是普通的渗料，过一会儿就会滴在热床上。一开始模型频繁在这里触发报警，我把spaghetti的面积阈值调大了一点，同时在检测框的中心接近喷头指定位置时稍微降低置信度加权，因为喷嘴附近本来就是容易“长”怪东西的区域。另一个误报是热床上残留下来的上一次打印的支撑材料或者小碎料，模型会把它们识别成缺陷。这个解决不了，只能每次打印前人工清理热床。为了尽量降低影响，我在摄像头画面里画了一个“打印区域”多边形，只检测这个区域内的缺陷，热床边缘的杂物就不参与了。

漏报最麻烦的情况是黑色耗材。黑色塑料在暗淡背景下几乎不反射光，尤其是PRUSA和PETG黑料，拉丝和zits都非常难检测出来。我试过调高曝光、加补光灯，效果都不够好。最终的办法是增加训练数据，专门打印了两个黑色耗材的缺陷样本，把对比度调到很低的画面也标进去，模型的鲁棒性才上来。总的说，目前这套系统在正常光照下，spaghetti检测的准确率约96%，zits约89%，stringing约87%。漏报主要出现在细丝太细且重叠严重时，这时候人会看不出，模型也很难做到完美。

5.2 性能优化和后续可扩展的方向

如果你觉得当前的模型还不够准，可以从两个方向继续优化。第一是继续“难例挖掘”：把每次误报、漏报的图片保存下来，定期加入训练集重新训练，这是最有效的闭环。我目前的版本就是这样反复迭代了三轮，缺陷识别率提升了近6个百分点。第二是检查自己的数据是否过于单一。我最初只用了一台打印机、一个型号的耗材，后来借了朋友的双喷头打印机和不同品牌的耗材，补拍了2000多张，模型的泛化能力明显上升。

运行效率上，如果将来要同时监控多台打印机，可以把YOLO26的backend换成TensorRT优化，把推理时间再压到10ms以内；或者用带NPU的嵌入式设备，功耗低也不占桌面空间。另外也可以挂上“打印进度判断”功能，识别模型目前在第几层，再针对不同阶段优先关注不同的缺陷类型，比如底层的spaghetti风险高，中层的zits开始出现，顶层的stringing会更频繁。这样做能进一步减少误报。

这套系统我前前后后跑了两个多月，最大的体会是：缺陷检测这件事，模型不一定要做到学术级的完美，足够稳定、能长期跑不崩溃，比单张图片的精确率更重要。把那些容易漏、容易误的场景补进训练集，让模型跟着你的使用场景一起长大，才是真正“告别3D打印失败”的门道。