"熔池动力学：多源熔池数据集助力增材制造视觉分析与机器学习应用"

研究团队针对金属增材制造(AM)中熔池监测数据分散、缺乏标准化的问题，整合了来自23个机构的32个数据集（总计1.9TB原始数据），构建了48.6GB的Melt-Pool-Kinetics数据集。通过图像裁剪、去噪、灰度化等处理，该资源支持机器学习在缺陷检测、微观结构预测等领域的应用，为AM过程优化与控制研究提供了重要基础。

　　

在金属增材制造领域，熔池作为材料超热熔化区域，其动态特性直接影响零件质量。然而，不同材料、工艺参数和传感配置导致的多样性，使得熔池数据的标准化成为行业难题。传统研究中，研究人员往往受限于单一来源的数据，难以开发具有广泛适用性的分析模型。这种数据碎片化现状严重制约了机器学习在缺陷检测、微观结构预测等关键应用中的潜力。

针对这一挑战，McGill University（加拿大麦吉尔大学）的研究团队William Jabbour、Mutahar Safdar等人开展了开创性工作。他们系统收集了来自全球23个机构的32个数据集，构建了名为Melt-Pool-Kinetics的综合资源。这项发表在《Scientific Data》的研究，通过标准化处理1.9TB原始数据，最终形成48.6GB的HDF5格式数据集，覆盖激光粉末床熔融(LPBF)、定向能量沉积(DED)等多种工艺，涉及Inconel 718(IN718)、316L不锈钢等7种材料。

研究团队采用多阶段技术方案：首先通过关键词检索从Zenodo、哈佛Dataverse等平台获取数据；其次采用分层采样策略（每1024帧为批次）处理超2万帧的大型数据集；最后开发了包含裁剪、灰度转换（含Jet色彩映射逆变换）、去噪（高斯核9×9）和宏像素分解（5×5波长阵列）的标准化流程。特别设计的双阶段熔池定位算法（局部30×30窗口搜索结合全局阈值）有效解决了飞溅干扰问题。

数据来源与分布特征
研究整合的数据主要来自北美和欧洲机构，其中国家标准与技术研究院(NIST)贡献最大（图2）。值得注意的是，75%数据来自DED工艺（如激光金属沉积LMD），77.42%采用红外成像系统（图3）。这种分布反映了当前开放数据的集中趋势，但也暴露出LPBF工艺数据相对不足的现状。

数据处理与质量控制
针对不同噪声类型（空白帧/随机噪声/传感器噪声），研究建立了三级过滤机制。如图10所示，通过保持熔池特征的同时去除低强度像素噪声（阈值<49），显著提升了数据质量。对于特殊格式如宏像素数据（源16），开发了波长特异性掩模分解技术，将250×250图像转换为25个49×49的单通道光谱图像（图11-12）。

数据集架构与应用验证
发布的HDF5文件采用四级结构（图13）：原始数据（Layer I）、处理后数据（Layer II）、时空标记数据（Layer III）和多样性子集（Layer IV）。技术验证显示，通过ResNet50特征提取和k-means聚类（3<>_G平均达1.089（公式2），显著优于随机采样。

这项研究的意义在于：首次建立了跨工艺、跨材料的熔池标准数据集，解决了AM领域长期存在的数据孤岛问题。通过提供原始数据与处理版本的双重访问路径（含完整元数据表），既支持特定工艺的深入研究，又为开发通用型机器学习模型（如领域基础模型）创造了条件。数据集的可扩展架构（支持未来新增数据）和多样性子集设计，将显著降低AI模型的训练成本，推动增材制造向智能化方向发展。