《Materials Today Communications》：A Review on Defect Detection and Classification in Powder-Based Additive Manufacturing of Metals Using Machine Learning: Challenges, Methods and Future Directions
编辑推荐：
摘要翻译：金属粉末基增材制造（AM），主要包括粉末床熔融（PBF）、定向能量沉积（DED）和粘结剂喷射（BJ），通过提供极大的设计自由度、材料效率和零件定制化，已经革新了现代制造。然而，冶金缺陷仍然是该技术更广泛采用的重大障碍，尤其是在安全关键行业中。传统无损
摘要翻译：金属粉末基增材制造（AM），主要包括粉末床熔融（PBF）、定向能量沉积（DED）和粘结剂喷射（BJ），通过提供极大的设计自由度、材料效率和零件定制化，已经革新了现代制造。然而，冶金缺陷仍然是该技术更广泛采用的重大障碍，尤其是在安全关键行业中。传统无损检测（NDT）与原位监测方法提供了部分解决方案，但往往面临高成本、可扩展性有限以及在复杂几何结构中检测亚表面或工艺诱发缺陷的困难。在过去十年中，机器学习（ML）模型作为替代方案出现，提供自动特征提取、模式识别和实时缺陷分类。本综合性叙述综述综合了最先进的ML方法，并分析其在检测、分类和缓解金属粉末基AM缺陷中的应用。该综合还得出一个跨工艺发现：ML-缺陷证据集中于PBF，而DED和BJ仍研究较少。同时，探讨了实时与原位监测技术的最新进展，包括振动、声学、热学、光学和多传感器框架，重点关注这些技术与ML的集成以实现闭环过程控制。若干关键挑战，特别是与数据稀缺、传感器限制、预测不确定性和置信度校准以及复杂模型可解释性相关的挑战，仍有待解决，并成为重点强调的未来研究方向。还提出了一个四阶段路线图，从离线缺陷检测，经原位监测和闭环校正，推进到工业资格认证和可认证的零缺陷制造。
研究背景：粉末基金属增材制造（AM）主要包括粉末床熔融（PBF）、定向能量沉积（DED）和粘结剂喷射（BJ），具有设计自由度高、材料效率高和零件定制化强等优势，但孔隙、开裂、未熔合等冶金缺陷仍限制其在安全关键行业中的推广。传统无损检测（NDT）与原位监测只能部分解决问题，且存在成本高、可扩展性有限、亚表面或工艺诱发缺陷检测困难等不足。近十年机器学习（ML）被用于自动特征提取、模式识别和实时缺陷分类。既有综述或聚焦PBF-LB与粉末馈送DED，或泛谈ML在AM中的应用，或只讨论单一传感模态，缺乏以缺陷为中心、跨PBF-LB、PBF-EB、DED和BJ的综合分析。因此，研究人员开展本叙述性综述，整合缺陷形成、常规检测、ML分类、实时原位监测和闭环控制，并提出挑战与路线图，为高密度金属部件和零缺陷制造提供参考。
研究设计与结论：研究人员开展全面叙述性综述而非系统综述或元分析，基于Scopus文献计量和相关文献筛选，分析ML在粉末基金属AM缺陷检测、分类和缓解中的应用。结论是：ML与实时/原位多传感监测结合可实现自动检测、分类和预测控制，但证据明显集中于PBF-LB，DED较少，PBF-EB和BJ仍稀疏；数据稀缺、传感器限制、预测不确定性与置信校准、复杂模型可解释性等仍是关键挑战；据此提出四阶段成熟度路线图，具有过程特定研究优先级和资格认证路径意义。
关键技术方法（不超过250字）：研究人员采用Scopus数据库进行文献计量检索（2015—2025年，覆盖AM/3D printing、粉末工艺及ML算法），检索结果仅用于出版物趋势统计；主体为相关性导向的叙述性综述，优先选择同行评议实验/计算研究和相关综述，按PBF-LB/M、PBF-EB/M、DED、BJ及ML范式组织，比较传感模态、数据集、评价指标和实时性。研究未设原始实验样本队列；涉及公开数据集/基准来源包括NIST AM-Bench、NIST AMMT、ORNL Peregrine、RAISE-LPBF-Laser等。
研究结果：
无监督学习：通过自编码器、K-means、自组织映射（SOM）和层次K-means等对熔池图像或声发射信号进行异常标记与聚类，为监督分类提供标签；结论是无监督适合无标签数据，但定位精度和稳健性有限。
半监督学习：利用少量标记样本和大量未标记数据，采用伪标签、平均教师、一致性正则、半监督卷积自编码器、交叉模态知识转移（CMKT）和高斯混合模型（GMM）等，在PBF-LB和DED-LB中用于局部孔隙、层漂移和表面质量监测；结论是在有限标签下可接近全监督性能并降低标注依赖。
监督学习：在标记光学、热学和声学数据上训练支持向量机、卷积神经网络（CNN）和图神经网络（GNN）等，用于层图像、热成像、同轴熔池图像和声信号缺陷分类；结论是精度较高但依赖高质量标签。
强化学习：采用近端策略优化、Q-learning和深度Q网络等调整扫描速度、激光参数和轨迹，以控制熔池深度、热均匀性和相对密度；结论是强化学习面向过程调节而非仅缺陷标注，但计算需求较高。
机器学习方法比较分析：归纳无监督、监督、半监督和强化学习的适用条件与局限，指出没有单一ML方法适用于所有缺陷任务；评价需考虑类别不平衡、决策阈值、召回率和精确率等；趋势为数据高效、混合和可迁移模型，基础模型与大视觉语言模型仍处早期。
物理信息机器学习、混合物理机器学习代理与数字孪生使能控制：物理信息机器学习（PIML）是跨学习策略，物理信息神经网络（PINN）将控制方程及边界/初始条件残差纳入训练；混合代理结合机理与ML；数字孪生闭环包括传感、同步、状态估计、预测、约束控制和参数调整；结论是这些框架有前景，但闭环与认证仍需实验验证。
实时与原位缺陷检测技术进展：综述振动、声学、热学、光学和多传感器监测与ML结合，实现实时检测和过程控制；光学/热学提供空间信息，声学/振动捕获动态异常，多传感互补但存在同步、融合和计算复杂度问题；闭环需将模型输出连接可执行工艺参数。
当前挑战与未来研究方向：高质量标准化数据集缺乏、数据基础设施不足、实时传感器限制、跨机器/材料泛化、可解释性和不确定性校准等问题突出；提出自监督、迁移、主动学习、少样本学习、生成数据、公开基准和跨机器验证等方向。
视觉Transformer与基础/多模态模型：近期AM研究应用二维Transformer、跨注意力多传感融合和视觉Transformer后处理显微表征；多模态检索增强生成与大语言模型结合用于零样本异常识别仍属概念验证；需验证跨机器/材料泛化、缺失模态稳健性、不确定性和边缘部署。
跨工艺证据差距与成熟度路线图：ML缺陷证据偏重PBF-LB，DED较少，PBF-EB和BJ稀疏；提出四阶段累积路线：过程特定数据基础与离线检测、跨构建/机器/材料验证的原位监测、安全闭环校正并证明缺陷减少、生产规模资格认证和可认证零缺陷制造；PBF-LB优先跨机器验证和闭环，其他工艺需先建立数据与传感证据。
从机器学习缺陷分类到资格认证与零件验收：测试准确率不等于工业资格；需依据ISO/ASTM 52920、52904、52953、52908、52967等标准路径，ML可支持筛查和针对性检查，但不应自主验收；需明确预期用途、操作域、决策阈值、代表性验证、不确定度、版本管理和再验证。
讨论部分总结：第6节强调，挑战应围绕AM特定证据组织，包括可靠缺陷真值与标签效率、跨机器/材料泛化和多模态传感、部署与反馈约束；未来需发展数据高效学习、跨机器/材料验证、多模态监测、闭环控制、不确定度校准和标准化资格认证。作者指出，PBF-LB的成熟度不能直接推广到全部粉末基AM，过程特定证据和验证门槛是路线图核心。
研究结论（译）：第一，过去十年ML应用于粉末基AM缺陷检测与分类的文献持续增长，反映学术兴趣加速；该趋势既体现粉末基AM监测复杂性带来的挑战，也体现CNN、自编码器和生成模型等ML技术的进展，预计将支持更准确、高效和实时的缺陷检测框架。第二，最重要的是，现有证据在粉末基AM各工艺间分布不均：PBF-LB主导ML缺陷文献，DED证据较少，PBF-EB和BJ专门研究仍稀疏；这一不平衡本身是有用发现，并定义过程特定研究差距，PBF-LB已展示的成熟度不应推广至整个粉末基AM。第三，粉末基金属AM通过复杂几何、材料效率和零件定制化革新现代制造，但孔隙、开裂和未熔合仍是重大挑战；传统NDT和原位监测提供部分方案，但受成本、可扩展性和亚表面缺陷检测限制；ML与实时振动、声学、热学、光学和多传感器监测集成，可实现自动、有效的缺陷检测、分类和预测控制；尽管存在数据集有限、传感器约束、预测不确定性与置信校准、模型可解释性等挑战，该集成仍为实现高质量、无缺陷和工业可扩展的粉末基金属AM提供实用途径。第四，所提路线图定义四个累积阶段：过程特定数据基础与离线检测；跨构建、机器和材料验证的原位监测；安全闭环校正并证明缺陷减少；生产规模资格认证和可认证零缺陷制造。该路线图分配不同优先事项：PBF-LB应推进跨机器验证和闭环控制，而DED、PBF-EB和BJ需先建立更强的过程特定数据集和传感证据，才能支持可比的部署声明。
