《JOURNAL OF INTELLIGENT MANUFACTURING》：Detection of random porosity using high-resolution in-situ monitoring and AI-based data mining in metal laser powder bed fusion
编辑推荐：
金属增材制造（AM）正越来越多地被用于高价值工业部件，使得原位监测和质量保证成为其更广泛部署的核心。孔隙，特别是熔合不足（LoF）缺陷，严重降低了激光粉末床熔融（LPBF）生产的零件质量。后处理X射线计算机断层扫描（CT）提供了准确的缺陷表征，但成本高、耗时长
金属增材制造（AM）正越来越多地被用于高价值工业部件，使得原位监测和质量保证成为其更广泛部署的核心。孔隙，特别是熔合不足（LoF）缺陷，严重降低了激光粉末床熔融（LPBF）生产的零件质量。后处理X射线计算机断层扫描（CT）提供了准确的缺陷表征，但成本高、耗时长，且不适用于制造过程中的纠正措施。本研究展示了LPBF零件中随机发生的LoF孔隙的逐层预测，针对现实工业相关工艺条件下的缺陷形成。该框架结合了高分辨率原位传感、基于CT的基准真实值和多层时空建模。逐层RGB图像由ScanIT（一种安装在刮刀上的接触式图像传感器）获取，该传感器在不中断LPBF过程的情况下捕获曝光后和再涂覆层。CT孔隙参考标签通过考虑变形的方法与原位数据对齐。比较了处理曝光后或再涂覆图像的单一流网络与执行两者特征级融合的双流网络。性能最佳的卷积神经网络-长短期记忆（CNN-LSTM）双流模型结合了空间特征提取和时间建模，达到了89%的准确率，精确率、召回率和F1分数在86%到88%之间。曝光后图像信息量丰富，而仅使用再涂覆图像表现不佳，尤其是对于小缺陷。检测概率分析显示，可可靠检测到等效直径约110 μm以上的孔隙。综合梯度表明，预测由物理上有意义的特征驱动，包括飞溅和粉末床不均匀性。总体而言，该框架展示了随机LoF孔隙的逐层预测，并支持从后处理检测向金属LPBF原位质量保证的过渡。
论文解读
金属增材制造（AM）在航空航天、生物医学等高价值领域应用日益广泛，激光粉末床熔融（LPBF）技术因其制造复杂零件的能力而备受关注。然而，LPBF过程中易产生随机孔隙，尤其是熔合不足（LoF）缺陷，严重降低零件疲劳寿命和结构完整性。传统后处理X射线计算机断层扫描（CT）虽能准确表征缺陷，但成本高、耗时长，无法实现制造过程中的实时纠正。因此，发展原位监测结合机器学习（ML）预测自然孔隙的方法成为关键。已有研究多针对人工诱导缺陷，对自然随机孔隙的预测面临数据对齐困难、类不平衡、小缺陷检测灵敏度低等挑战。本研究旨在解决这些不足，通过高分辨率原位监测和CT基准标签，实现逐层预测自然LoF孔隙。
研究人员利用ScanIT系统（刮刀式接触图像传感器）获取逐层RGB图像，包括曝光后和再涂覆后图像，结合CT扫描获取的孔隙基准，通过变形感知对齐方法（基于参考点的多项式回归）实现空间对齐。开发了多种ML模型（单流和双流），比较其性能。最佳模型为卷积神经网络-长短期记忆（CNN-LSTM）双流模型，结合空间特征提取和时间建模，准确率达89%，AUC达95%，可可靠检测等效直径约110 μm以上的孔隙。该研究的意义在于，实现了对真实工艺条件下随机孔隙的逐层预测，支持从后处理检测向原位质量保证的转变，为工业级LPBF零件质量监控提供新路径。论文发表在《JOURNAL OF INTELLIGENT MANUFACTURING》。
关键技术方法：样本来源为20个AlSi10Mg样品，采用Prima Additive LPBF系统打印。主要技术包括：1）ScanIT系统，以21 μm/像素分辨率获取曝光后和再涂覆后RGB图像，不中断过程；2）Nikon MCT225 CT系统，以7.7 μm体素重建孔隙基准；3）变形感知对齐方法，通过21个参考点建立二阶多项式回归模型，校正零件变形；4）ML模型：3DCNN双流、CNN-LSTM双流、CNN-LSTM单流（仅曝光后或仅再涂覆后），采用焦点损失处理类不平衡，数据增强（随机旋转、翻转、亮度对比度抖动）。
研究结果：
**Model performance: comparison and considerations**
通过比较不同模型在测试集上的分类指标，发现CNN-LSTM双流模型表现最佳，准确率89%，精确率、召回率、F1分数介于86%-88%，AUC约95%。3DCNN双流模型次之，准确率约86%，AUC约93%。单流模型中，仅曝光后图像（CNN-LSTM-postExp）表现良好，准确率约85%；仅再涂覆后图像（CNN-LSTM-postRec）性能显著下降，准确率低于80%，精确率仅70%，召回率超过80%，表明类不平衡导致大量假阳性。检测概率分析显示，CNN-LSTM双流模型D90（90%检测概率对应的缺陷尺寸）约110 μm，而单流再涂覆模型D90达185 μm。预测概率分布表明，CNN-LSTM双流模型对大缺陷（等效直径>0.20 mm）预测置信度高，对小缺陷（<0.15 mm）变异性较大；单流再涂覆模型预测变异性最大，部分归因于再涂覆图像的非系统性偏移。
**Model interpretability**
通过集成梯度（IG）分析，揭示模型预测的物理驱动因素。对于大LoF缺陷，IG热图显示预测主要受飞溅颗粒和粉末床不均匀性等特征驱动，证实了模型学习的物理合理性。双流模型中，曝光后和再涂覆后分支贡献均衡；单流曝光后模型也能有效识别，而单流再涂覆模型对部分缺陷产生假阴性，可能与图像偏移有关。
总结讨论部分：本研究指出，假阳性预测多源于可见过程异常（如飞溅、粉末床不平整），这些异常不一定演变为最终孔隙，但可作为风险指示。假阴性多与小缺陷及对齐不确定性相关。当前框架对约110 μm以上缺陷可靠，更小缺陷的检测受限于传感器分辨率（21 μm/像素）、层间重熔或对齐误差。ScanIT系统的高分辨率（21 μm/像素）和集成照明设计降低了对外部条件的敏感性，但材料特性（如反射率、氧化倾向）可能影响模型泛化，未来需通过迁移学习或领域适应策略推广至不同材料或几何形状。
研究结论部分翻译：
- 所提出的框架结合了高分辨率原位成像与基于CT的基准标记，通过ScanIT系统实现了逐层获取曝光后和再涂覆后RGB图像，且不中断LPBF过程，同时利用考虑零件变形的CT标签提供准确监督训练数据。
- 双流建模对准确缺陷预测最有效：CNN-LSTM双流模型达到最佳性能，预测准确率89%，AUC 95%，假阳性和假阴性率平衡，类分离能力强。3DCNN双流模型结果相近但略逊，可能因其捕获层间时间动态的能力有限。
- 使用智能刮板获取的曝光后数据信息丰富：CNN-LSTM-postExp模型取得良好结果，表明曝光后图像携带强预测信息。
- 仅靠再涂覆后数据不足以做出可靠模型决策：CNN-LSTM-postRec模型表现不佳，精确率低、变异性高，表明再涂覆后图像单独用于孔隙预测可靠性较低。
- 孔隙检测灵敏度取决于缺陷尺寸：检测概率分析显示，CNN-LSTM双流模型可可靠识别等效直径约110 μm以上的孔隙，这支持其在工业监测场景中的潜力，同时突出了当前对小缺陷的灵敏度极限，其关键性取决于应用、尺寸、形态、位置和载荷条件。
- 模型可解释性提供了决策驱动特征的物理洞察：集成梯度分析揭示，对大LoF的预测由飞溅沉积和粉末床不均匀性等相关模式驱动，增强了对ML管道的信任。
