激光粉末床熔融（LPBF）原位粉末床缺陷检测：基于三维表面法线与深度映射的创新方法

本文推荐了一项针对激光粉末床熔融（LPBF）过程中粉末床缺陷原位监测的创新研究。研究人员通过融合光度立体视觉与结构光测量技术，成功计算出粉末床表面的法线图与深度差异图，并合成增强图像。实验结果表明，合成图像在熵、平均梯度和方差等指标上相比灰度图分别提升超过65.5%、39.8%和147.0%，显著提升了缺陷可视化效果，为LPBF制造精度提升与缺陷控制提供了重要技术支撑。

　　

在当今工业制造领域，激光粉末床熔融（Laser Powder Bed Fusion, LPBF）作为金属增材制造的重要技术，凭借其高制造精度、优异表面质量和复杂几何形状成型能力，在船舶、汽车、航空航天等行业获得广泛应用。然而，这一技术也面临着制造过程中的常见缺陷问题，尤其是粉末床缺陷，如铺粉不足、划痕等，这些缺陷直接影响最终零件的性能和质量。尽管LPBF技术具有显著优势，但研究人员在实际应用中仍面临两大挑战：一是缺乏高效的原位监测方法，二是监测数据的多样性有限。传统的工业相机只能捕获二维图像，无法提供粉末床的三维信息；而固定的照明方案虽然能增强某些特征的对比度，却难以检测到与深度相关的细微缺陷。这些局限性严重制约了LPBF技术在高精度制造中的应用。

为了突破这些技术瓶颈，来自华中科技大学材料成形与模具技术国家重点实验室的研究团队开展了一项创新性研究，提出了一种基于双传感器融合的原位粉末床监测方法。该研究成果发表在《Journal of Materials Research and Technology》上，为LPBF缺陷检测提供了新的解决方案。

研究团队采用的主要技术方法包括：基于双目立体视觉原理的三维扫描系统，配备两个高精度工业相机和一个工业投影仪；光度立体实验装置，使用四个表面光源从不同方向照明；以及图像处理算法，包括相位测量轮廓术、多频相位移时相展开算法和最小二乘法求解。实验使用316L不锈钢粉末，在HK-M125型LPBF设备上进行，模拟了正常粉末层、铺粉不足缺陷和划痕缺陷三种粉末床条件。

通过系统的实验研究，团队取得了以下重要结果：

在原始图像获取方面，研究使用三维扫描仪和表面光源阵列获得了三种类型的图像：灰度图像、深度图和法线图。灰度图像虽然保留了粉末床的表面纹理信息，但容易受到基底裸露区域的干扰，且在检测铺粉不足缺陷和划痕缺陷方面表现不佳。深度图由于相机安装位置的倾斜，原始深度图中粉末床呈现明显倾斜，需要通过进一步处理来识别缺陷。法线图通过光度立体法计算得到，在检测划痕缺陷方面表现出色，但同样受到基底裸露区域的影响。

在深度差异图计算方面，研究团队选择了一个极其平整且无缺陷的粉末床作为参考，将所有其他测量得到的深度图与参考深度图相减，生成深度差异图。结果表明，深度差异图对深度相关的粉末床缺陷非常敏感，能够清晰识别铺粉不足和划痕缺陷。

在三种图像的仿射变换方面，为了解决图像倾斜和包含大量无关信息的问题，所有图像都进行了仿射变换。通过识别基底上四个圆形安装孔的中心坐标，求解仿射变换矩阵的六个未知参数，然后使用双线性插值将整个原始图像变换为1000×1000像素的新图像。这一处理不仅使图像具有统一的尺度，而且只保留了基板上的有效成形区域，避免了过多无关信息的干扰。

在法线图和深度差异图的合成方面，研究人员将三通道法线图和深度差异图融合成单一图像。首先将深度差异图线性归一化到[0,1]范围，然后定义α通道来控制图像透明度，最后构建前景-背景混合图像。合成图像既保留了法线图的清晰度和纹理细节，又包含了深度差异图提供的深度信息，实现了高效直观的多源数据融合。

在缺陷特征增强评估方面，研究设计了定量评估框架，使用熵、平均梯度和方差三个定量指标来比较灰度图像和合成图像。结果表明，合成图像在所有定量指标上都比灰度图像有不同程度的提高：熵提高了65.5%-94.6%，平均梯度提高了39.8%-333.9%，方差提高了147.0%-765.3%。这些结果证明了所提出算法在增强缺陷特征对比度和边缘清晰度方面的有效性。

研究结论表明，这项研究成功提出了一种基于表面法线方向和深度信息的LPBF粉末床缺陷原位监测方法。通过建立原位光学监测系统，利用三维扫描仪和表面光源阵列获取原始图像，再通过图像处理和增强算法生成合成图像，实现了LPBF粉末床缺陷的原位监测。该监测方法使用的传感器易于集成到LPBF设备中，且可以在不干扰实际制造过程的情况下执行监测任务。

这项研究的重要意义在于：首先，提出了一种新颖的LPBF粉末床缺陷原位视觉监测方法，为研究人员提供了新类型的监测数据——法线图和深度图，这些可以进一步合成为对深度相关缺陷更敏感的增强图像。其次，开发了一种针对LPBF粉末床缺陷监测的图像合成方法，使合成图像在识别深度相关粉末床缺陷方面更加有效，特别是能够清晰揭示灰度图像难以区分的铺粉不足缺陷。最后，通过定量分析证明了合成图像在缺陷可视化方面的增强效果，为LPBF制造精度提升和缺陷控制提供了重要技术支撑。

展望未来，研究团队计划将进一步将所提出方法获得的图像与深度学习技术相结合，提高LPBF粉末床缺陷原位监测的智能化水平。包括通过在有增强图像上训练CNN模型，并结合扫描仪的三维重建结果，实现自动缺陷检测和精确定位；以及利用合成图像中包含的灰度信息、表面法线和深度信息，有效提高深度学习模型对不同类型缺陷的分类精度。这些进一步的研究将推动LPBF技术向更高质量、更高精度的方向发展。