面向生物打印自主实时校正的不确定性感知神经网络

《Additive Manufacturing》:Uncertainty-Aware Neural Networks for Autonomous Real-time Correction in Bioprinting

【字体: 大 中 小 】 时间:2026年03月31日 来源:Additive Manufacturing 11.1

编辑推荐:

  生物打印中生物材料固有的不稳定性常导致几何保真度低及频繁打印失败。尽管传统策略依赖被动的前处理优化,但其无法在实时层面上补偿随机扰动。本研究引入了一种智能闭环控制系统,以实现基于挤出水凝胶的生物打印中的自主校正。其核心是一个多任务深度神经网络——打印可靠性原位

  
生物打印中生物材料固有的不稳定性常导致几何保真度低及频繁打印失败。尽管传统策略依赖被动的前处理优化,但其无法在实时层面上补偿随机扰动。本研究引入了一种智能闭环控制系统,以实现基于挤出水凝胶的生物打印中的自主校正。其核心是一个多任务深度神经网络——打印可靠性原位监测网络(Printing Reliability In-Situ Monitoring Network, PRISMNet),该网络直接从实时视频流中同时预测一系列校正控制参数,包括连续型和分类型输出。关键创新在于模型集成了不确定性量化(Uncertainty Quantification)技术,使其在自信时能果断校正,而在面对模糊情况时保持保守姿态,从而防止模型引发的错误。通过将此模型与基于卡尔曼滤波(Kalman Filter)的校正模块集成,研究人员建立了一个动态调整打印参数的鲁棒反馈回路。实验结果表明,这种主动控制策略显著优于开环系统,有效纠正了材料堆积和不连续等常见缺陷。该系统成功提高了复杂水凝胶构建体的几何保真度,验证了其实际效用,并为自主生物打印提供了一种可扩展的解决方案。
三维生物打印技术作为生物医学工程的核心,在组织工程、药物筛选及个性化医疗领域展现出巨大潜力,能够制造具有定制生物力学特性的复杂组织构建体。然而,生物墨水(Bio-ink)的结构不稳定性及其动态流变特性是主要挑战。由于水凝胶基材料机械强度较低,难以承受重力和环境扰动,常出现材料堆积、缠绕、结构坍塌、线条蜿蜒或不连续等缺陷,导致最终构建体严重偏离计算机辅助设计。传统开环打印系统缺乏实时传感和反馈,无法即时补偿这些随机缺陷,成为限制生物打印可靠性和可扩展性的主要障碍。尽管研究人员探索了通过优化生物墨水流变性质、使用光抑制添加剂或优化打印参数等前处理策略,以及利用有限元分析进行预判补偿的计算模型,但这些方法多为被动适应或计算昂贵,无法应对打印过程中的动态扰动,且难以实现实时调整。近年来,机器视觉在3D打印缺陷检测中广泛应用,但直接将从熔融沉积建模(Fused Deposition Modeling, FDM)中优化的经典控制器(如比例-积分-微分控制器,Proportional-Integral-Derivative, PID)迁移至生物打印面临根本障碍。生物墨水具有低粘度、高含水量和复杂流变行为,其缺陷具有独特性和随机性,而依赖线性误差反馈的经典控制器难以控制高度非线性、时变及多参数耦合的水凝胶挤出动态。因此,亟需一种具备细腻感知能力和自主非线性决策能力的控制系统。为此,研究人员开发了一种不确定性感知深度神经网络,旨在通过实时视觉反馈实现闭环自主校正。

研究人员主要采用了以下关键技术方法:首先,构建了一个基于USB摄像头的实时视觉监测系统,将其安装在挤出式生物打印机的打印头附近,以同步捕捉喷嘴尖端的沉积情况。其次,构建了包含64种独特参数组合的大型标注水凝胶打印数据集,使用6% w/v海藻酸钠水凝胶作为生物墨水,通过Python脚本控制打印速度、挤出率和打印高度进行数据采集和批量标注。第三,开发了名为“打印可靠性原位监测网络”(PRISMNet)的多任务深度神经网络,该网络基于修改后的EfficientNetV2-BiFPN架构,集成了卷积块注意力模块(Convolutional Block Attention Module, CBAM)以增强特征融合,并利用广义平均池化(GeM)层处理特征图,通过双任务头同时进行状态分类和参数回归,同时引入不确定性量化机制。第四,集成了基于卡尔曼滤波的校正模块,将神经网络的离散输出平滑为稳定的执行命令,并设计了包含触发阈值、置信度累积和时间控制的决策逻辑,生成G代码指令以动态调整打印参数。

研究结果方面,在“实时监测系统建立与数据集生成”部分,研究人员通过优化打印参数组合构建了11,298张标注图像,定义了预测偏差指数(Predicted Deviation Index, PDI)以量化打印质量偏差,确立了通过图像特征判断打印状态和优化参数的基准。在“PRISMNet的架构、训练与性能”部分,PRISMNet在分类任务中达到了96.2%-96.7%的准确率,在回归任务中实现了0.877-0.907的决定系数(R2),显著优于ResNet50、MobileNetV3-Large等基准模型,证实了其在分类精度和不确定性估计方面的卓越性能。在“基于PRISMNet和闭环系统的实时检测与校正”部分,研究人员开发了异步闭环控制系统。对于标准的“之字形”图案,系统能在约25-40秒内识别并纠正非均匀沉积和挤出不足缺陷,通过卡尔曼滤波平滑控制信号,将 settling time(稳定时间)缩短至约5秒,优于PID控制器的15秒。对于未见过的复杂几何形状如蜂窝、螺旋、双正方形和实心正方形填充,系统均能有效纠正断裂、挤出不足或过度挤出缺陷。例如,实心正方形填充密度从52.3%±11.5%提升至87.7%±8.7%。对于多层支架,网格保真度得分(Grid Fidelity Score, GFS)从68.1%±11.6%提升至85.8%±10.5%。在材料泛化性测试中,系统成功校正了Pluronic F127牺牲墨水和GelMA/海藻酸钠复合墨水的缺陷,证明了其对不同流变特性的鲁棒性。在3D结构打印中,对于半月板和空心圆柱模型,系统显著降低了高度和宽度误差,有效防止了因重力导致的结构坍塌。此外,通过Grad-CAM可视化分析证实,PRISMNet在正常打印时表现为全局监控模式,而在出现缺陷时注意力迅速集中至特定异常区域,显示出基于物理 awareness 的任务导向注意力机制。

在讨论部分,研究人员指出PRISMNet的成功在于将不确定性感知深度学习与鲁棒控制理论相结合。该系统的概率输出能力使其能够避免标准深度学习模型“自信地犯错”的问题,仅在置信度高时执行校正,否则采取保守的不干预策略,防止因错误干预导致的材料浪费。PRISMNet结合BiFPN和CBAM模块,有效融合高层语义信息与低层细粒度纹理,平衡了特征提取的准确性与实时闭环控制所需的低延迟。相比传统PID控制器的振荡和缓慢收敛,PRISMNet实现了快速且平滑的校正。系统的强泛化能力表明其学习了水凝胶挤出的通用视觉物理规律,而非记忆特定缺陷模式。尽管当前固定角度摄像头在高3D结构中存在遮挡挑战,但确保初始层的高保真度足以避免累积误差,从而实现多层结构的成功制造。研究结论部分总结道,该研究提出并验证了一个自主校正框架,通过超越传统PID控制并展示在多种生物墨水中的多功能性,代表了生物制造从传统开环自动化向更智能、自适应制造迈进的重要一步,为克服挤出式生物打印的制造瓶颈提供了清晰路径。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号