《Expert Systems with Applications》：Interpretable semi-supervised 3D deep anomaly detection for surface defect localization in wire-laser directed energy deposition using point clouds
编辑推荐：
线激光定向能量沉积（WL-DED）能够制造大尺寸金属部件，但经常出现工艺引起的表面缺陷，这些缺陷损害零件质量并增加后处理成本。自动化检测具有挑战性，因为缺陷多样且罕见，使得大规模标注数据集不切实际。本文提出一个可解释的半监督框架，用于利用激光扫描获取的高密度三
线激光定向能量沉积（WL-DED）能够制造大尺寸金属部件，但经常出现工艺引起的表面缺陷，这些缺陷损害零件质量并增加后处理成本。自动化检测具有挑战性，因为缺陷多样且罕见，使得大规模标注数据集不切实际。本文提出一个可解释的半监督框架，用于利用激光扫描获取的高密度三维点云对WL-DED部件进行表面检测和定位。工作流程包括点云预处理、基于块的 segmentation、体素化以及无缺陷表面形态的半监督表示学习。两种三维深度自编码器模型，即卷积自编码器（CAE）和变分自编码器（VAE），专门在正常块上进行训练，并通过体素级重建误差检测异常。缺陷通过将重建误差热图映射回原始表面进行定位，从而实现缺陷严重程度的定量可视化。在WL-DED薄壁样本上的实验结果表明，优化后的CAE达到86.09%的精确率，而VAE达到86.43%的精确率，并具有改进的缺陷定位能力（平均交并比mIoU达到0.7234）。激活图分析通过突出驱动异常响应的几何区域提供了可解释性。一项超参数研究表明，较低的体素分辨率和较小的块尺寸可提高鲁棒性并减少误报。所提出的框架能够推广到更复杂的多焊道、多层结构，只需最少的再训练，支持在增材制造质量保证中用于智能检测和决策的实际部署。
#### 研究背景与问题
线激光定向能量沉积（WL-DED）作为一种先进的增材制造技术，能够高效制造大尺寸金属构件，但在熔化和凝固的复杂热物理过程中常产生几何与形态缺陷，如堆垛、滴落、气孔、裂纹等，严重影响零件质量并增加后处理成本。传统表面缺陷检测方法依赖与CAD模型的几何比较或几何基元拟合，但受限于扫描噪声、对齐偏差以及对复杂自由曲面缺乏泛化能力。近年来，深度学习方法（如卷积神经网络）在分类任务中表现优异，但其监督范式需要大量精确标注的缺陷样本，而WL-DED过程中缺陷具有随机性和罕见性，使得标注数据集不切实际。为解决这一矛盾，研究人员转向半监督异常检测，仅从“正常”样本学习模型，识别偏离学习分布的实例。然而，现有3D点云异常检测工作多将数据转换为2D表示导致几何信息丢失，或缺乏决策过程的可解释性，形成“黑箱”问题。尤其是针对WL-DED表面缺陷的专用半监督框架仍属空白。因此，这项研究旨在开发一个集成高保真3D数字化与可解释半监督分析的工作流，填补这一技术空白。论文发表在《Expert Systems with Applications》。
#### 关键技术方法
研究人员采用FaroArm激光扫描仪获取28个WL-DED薄壁样本（由AMmake? LaserOne打印机以TC4钛合金线材打印，工艺参数包括激光功率、扫描速度和送丝速度）的高密度3D点云数据。主要技术方法包括：（1）点云预处理：手动去除噪声和异常点，并裁剪至有效表面；（2）基于表面法向Gabor滤波器的缺陷筛选：将3D几何转换为2D特征图，生成热图辅助识别候选正常区域，再经人工审查确保训练数据纯净；（3）基于块的 segmentation 与数据增强：将点云划分为3×3、4×4、5×5 mm的块，并对正常块进行随机旋转（±1.5°）以五倍扩充数据，最终获得32,148个训练块；（4）体素化：将每个块转换为二进制占用网格，设置三种分辨率（16×8×16、32×8×32、64×8×64）；（5）半监督3D深度自编码器：分别构建卷积自编码器（CAE）和变分自编码器（VAE），均仅用正常块训练，通过体素级重建误差检测异常，并利用重叠滑动窗口（75%重叠）实现全表面缺陷定位。（6）可解释性分析：提取编码器内部激活图，可视化模型对正常与异常区域的不同响应。
#### 研究结果
**4.1 模型训练**
CAE和VAE在所有配置下均快速收敛，训练损失在10–15个epoch内陡降，约70个epoch后稳定。16×8×16体素和3×3 mm块配置下，CAE和VAE的最终训练损失分别约为0.03和0.05。高输入分辨率导致更高的收敛损失，表明模型更难完美重建高维数据。
**4.2 缺陷识别**
通过将重建误差映射回原始点云生成热图，两种模型均能一致识别主要缺陷区域（边缘缺陷、大鼓包）并区分正常（蓝色低误差）与缺陷（黄色至红色高误差）区域。对重建误差进行阈值二值化后，CAE可靠检测主要缺陷，但对小缺陷部分分割不足；VAE表现出更高的敏感性和空间完整性，能更连续地分割边缘缺陷并捕获细微异常，这归因于其概率潜空间对正常周期性格纹的稳健建模。高体素分辨率（如64×8×64）导致大量误报，而低分辨率与小块尺寸的组合有利于鲁棒性。
**4.3 定量评估**
使用标注的真实数据，以精确率、召回率、F1-score和平均交并比（mIoU）评估。最佳配置为16×8×16体素和3×3 mm块：CAE达到86.09%精确率、0.7660 F1-score、0.6410 mIoU；VAE达到86.43%精确率、0.8335 F1-score、0.7234 mIoU。高体素分辨率导致精确率和mIoU系统性下降，原因是过拟合至细尺度噪声。VAE在定位精度上优于CAE，但推理时间更长（平均248.0 s vs 140.5 s），但相对于小时级别的打印周期，4分钟的延迟仍在可接受范围内。表面8–1因缺陷极少而出现召回率异常低，但VAE的高精确率仍体现其工业实用价值。
**4.4 模型解释**
通过可视化编码器各层的平均激活图发现：对于正常块，所有层激活强度极低；对于缺陷块，第一卷积层立即产生强局部响应，第二层激活强度最高并集中于缺陷区域。这种逐层放大表明模型层次化地学习了从局部几何不连续到抽象异常表征的特征。激活图的鲜明对比证实模型不是基于噪声伪影，而是基于有意义的几何特征进行判别。
**4.5 模型迁移性**
将最优VAE配置微调至多焊道、多层结构：仅从新结构部件中手动选取7个无缺陷点云块，经增强得到42个补丁，加入原始训练集。再训练后，模型成功检测出缺乏融合和焊道间结合缺陷，重建误差热图与视觉观察吻合。结果表明学习到的特征并非特定于薄壁几何，而是捕获了WL-DED表面的基本正常与异常形态，证实了强迁移能力。
#### 总结与讨论
该研究提出并验证了一个针对WL-DED表面缺陷的半监督3D深度学习框架，系统优化了体素分辨率和块尺寸等超参数，证明低分辨率与小块组合是最优配置。VAE在缺陷定位精度（mIoU达72.3%）上优于CAE（64.1%），精确率均超过86%。激活图分析提供了模型内部决策的可解释性。该框架可迁移至复杂结构，仅需少量微调。研究结论指出：通过定制3D CAE和VAE框架，建立了增材制造缺陷检测的稳健范式；定量重建误差热图为后处理加工和工艺参数优化提供了可操作的指导。未来工作将聚焦于集成至实时闭环控制系统、融合多模态传感器数据、开发自动数据清洗算法以消除手动审查需求。
