引用论文

Guo Zhu, Bochuan Li, Chao Jiang. Deep learning model-driven pore detection for laser directed energy deposition under varying brightness and image size conditions. Additive Manufacturing Frontiers, Volume 4, Issue 2, 2025, 200216.

https://doi.org/10.1016/j.amf.2025.200216.

文章链接：

https://www.sciencedirect.com/science/article/pii/S2950431725000267

 1 研究背景及目的

AM过程中的孔隙问题已成为AM技术发展的重大挑战之一，过量孔隙的存在会使得AM零部件性能急剧下降，制约AM技术的推广与应用。为应对这一技术挑战，基于图像数据驱动的孔隙在线检测技术迅速发展并成为研究的热点。

然而，现存在线检测技术由于受限于单一检测环境和单一图像尺寸输入的约束，导致其预测精度和应用范围被严重限制。因此，本文提出了一种基于深度学习的AM在线孔隙检测方法有望能较好地处理上述问题。

 2 论文亮点

(1) LCNN模型具备一定的抗亮度变化干扰能力：LCNN模型即使在亮度检测环境发生变化的情况下依然能够保持孔隙状态的高精度稳定检测和局部孔隙率的准确预测；

(2) LCNN模型具备一定的适应输入图像尺寸多变的能力：无论是高孔隙率还是低孔隙率试样，LCNN模型都能准确预测局部孔隙率，并跟踪局部孔隙率的波动趋势。

 3 试验方法

以Inconel 718合金为原材料，结合激光直接能量沉积技术(Laser-Directed Energy Deposition，L-DED)，高速相机信息采集系统与深度学习(Deep learning)模型，从而提出一种基于深度学习模型的L-DED孔隙检测方法，该方法由基于U-net网络的语义分割模型与基于深度学习的孔隙属性预测模型(LCNN)组成。

“ 3D Science Valley 白皮书 图文解析

”

具体而言，基于U-net网络的语义分割模型通过分割熔池图像可获得清晰的熔池轮廓，为后续的熔池长度特征以及孔隙状态与局部孔隙率等孔隙属性的提取奠定良好的基础。基于深度学习的孔隙属性预测模型可借助深度学习模型去学习高速相机采集的熔池图像中的特征信息，从而在多变亮度检测环境和多尺寸图像输入条件下高效完成孔隙状态检测任务与局部孔隙率预测任务。

Fig. 1. The pore detection system setup of L-DED: (a) Schematic diagram; (b) Physical diagram
Fig. 2. The internal pore size extraction steps
Fig. 3. The proposed detection architecture, showing the U-net-based semantic segmentation model and CNN-based pore attribute prediction model

 4 研究结果

(1) 在多明亮度检测环境下，LCNN模型的孔隙状态检测的精度均保持在93.5%左右，模型的局部孔隙率预测的RMSE保持在0.42左右，且波动范围极小；
(2) LCNN模型83.9%的错误检测发生局部孔隙率低于0.1%的样本上；
(3) 当LCNN模型的输入熔池图像尺寸发生变化时，若是高孔隙率试样，模型的孔隙状态检测的精度依然保持在93%左右，局部孔隙率预测的RMSE依然保持在0.42左右。若是低孔隙率试样，模型的孔隙状态检测的精度依然能保持在96%左右，局部孔隙率预测的RMSE依然保持在0.09左右。

 5 结论

(1) 在多明亮度检测环境下，LCNN模型依然能够保持孔隙状态的高精度稳定检测和局部孔隙率的准确预测，模型具备一定的抗亮度变化干扰能力；
(2) LCNN模型对于局部孔隙率大于0.1%的样本具有可靠的检测能力，显示出LCNN模型在孔隙实时检测方面的极大潜力;
(3) 在多尺寸输入图像条件下，无论是高孔隙率还是低孔隙率试样，LCNN模型具有适应图像输入尺寸多变的能力，能够在不同尺寸的图像输入下实现高精度的稳定检测和准确预测。

 6 前景与应用

基于深度学习模型的L-DED孔隙检测方法可应对多亮度检测环境和多尺寸输入图像下的挑战，使得LCNN模型具有较强的适应性。模型可从复杂的熔池图像中学习到具体孔隙信息，为后续搭建整体闭环孔隙检测与控制平台奠定基础，当平台内的模型检测出孔隙时，控制平台快速响应，自动调节AM工艺参数以避免大规模孔隙的产生，实现从“检测”到“控制”的闭环质量优化，进而达到打印质量控制的目的。

 关于团队

作者团队介绍

李博川（通讯作者），男，湖南大学机械与运载工程学院副教授，机械设计系主任，博士生导师。

近年团队发表文章

[1] Li B, Xu K, Jiang C. Anisotropy reduction and mechanical property improvement of additively manufactured stainless steel based on cyclic phase transformation[J]. Journal of Materials Science & Technology, 2024, 184: 1-14.(第一作者)

[2] Xu K, Huang S, Yu M, et al. Improving the fatigue property of 316L stainless steel through direct energy deposition technology[J]. International Journal of Fatigue, 2024, 183: 108270.(通讯作者)

[3] Xu K, Li B*, Jiang C*. Adjusting microstructure and improving mechanical property of additive manufacturing 316L based on process optimization. Materials Science and Engineering: A, 2023,870:144824. （通讯作者）

来源
AMF增材制造前沿 l

AI赋能增材制造技术专栏|湖南大学李博川副教授课题组：基于深度学习的激光沉积孔隙检测方法

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

 EOSTATE监控系统

借助可以实时采集生产过程中所有质量数据的EOSTATE监控系统，EOS能够为用户提供全方位、模块化的质量控制解决方案。

EOSTATE监控系统包含四个监控模块：Base、PowderBed、MeltPool 和 Exposure OT（光学断层扫描）。各个模块可以单独使用，也可以组合使用。通过这种全面又灵活的方式，EOSTATE可以满足不同行业的特殊需求，如航空航天、骨科医疗器械、汽车等制造行业。

 Exposure OT（光学断层扫描）模块

接下来，详细介绍EOSTATE Exposure OT 监测系统的工作原理以及应用前景。

EOSTATE Exposure OT 监测系统可以减少无损检测或有损检测等后期产品质量检测，从而降低产品批量生产的质量检测成本。此外，该监测系统还具有过程监控和记录功能。

在增材制造过程中，由于存在气流、铺粉和人为操作等多种影响因素，可能会出现随机的工艺不稳定情况。它们可能表现为未熔合、孔隙和裂纹等质量缺陷。这些缺陷会严重影响金属的疲劳性能，并可能导致零部件过早失效。针对这些缺陷的常规检测手段包括：X射线计算机断层扫描 (CT)、金相分析和机械性能测试。它们通常耗时较长且费用较高。

EOSTATE Exposure OT监测系统可以检测出工艺不稳定导致的异常，这些异常通常表现为“热点”或“冷点”。研究表明，这些异常点与X射线CT扫描发现的孔隙等缺陷存在一定相关性。通过合适的分析算法，可以将常规检测方法发现的缺陷与该监测系统识别的异常点建立明确的映射关系。

由此，EOSTATE Exposure OT监测系统可以实现对产品的内部缺陷的识别。同时，该监测系统也以可实时监控打印过程，对可能的质量问题进行现场分析评估。

 EOSTATE Exposure OT 工作原理

EOSTATE Exposure OT监测系统包含一台高速高分辨率sCMOS相机，它能够以“近红外范围”的波长频道收集打印过程中金属材料熔化产生的信号数据。然后，监测系统的软件程序会分析处理这些被收集的信号，按照一定算法判定某一区域的信号值是否落在设定的“正常范围”之外，并将相应的“异常点”标记出来。监测数据量的增加使得以更高精度识别各种因素对零件质量的影响成为可能。

此外，EOSTATE Exposure OT监测系统具有“自我学习”能力。这意味着随着它处理的数据越来越多，它也会变得越来越“聪明”。同样，在使用该系统的过程中，用户可以更深入地理解零件打印的具体参数，进而更准确地评估打印产品的质量和性能。

借助这种新的监测系统，EOS期待能够提高其对打印过程中可能的缺陷的识别能力，从而更有效地检出不合格产品。

EOSTATE Exposure OT 过程监测的原理

© 3D科学谷白皮书

 西门子工业回旋式喷嘴组件应用案例

EOS以工业回旋式喷嘴组件 (Siemens Pte Ltd) 为案例设计了一系列实验，以展示EOSTATE Exposure OT 如何检测产品打印过程中由于工艺不稳定造成的异常情况。借助EOSTATE Exposure OT，用户可以提高批量生产中的产品质量监测效率，缩短后期的质检工序，从长远来看可以大幅节约质量成本。

另一方面，这个案例也展示了EOSTATE Exposure OT 如何通过数据采集来实现产品打印过程的记录和质量的可追溯性，以及对批次间稳定性的跟踪。

实验结果表明，EOSTATE Exposure OT 和MPM （熔池监控）系统都具有良好的灵敏度，可以检测到2%以内的激光功率和扫描速度的变化。实践证明，EOSTATE Exposure OT能够实现打印过程中的实时缺陷检测。此次实验将工业回旋式喷嘴样品的 OT 数据与该样品的X射线 CT 扫描检测结果进行了对比，并初步建立了两者的相关性。对比分析表明，当数据的平均灰度值极值和“热点”在连续多层中重叠出现时，该处的缺陷发生率更高。

灵敏度评估结果

归一化 OT信号和MPM轴向信号随激光功率的变化

归一化 OT信号和MPM轴向信号随扫描速度的变化

利用以上信息，质量工程师可以快速判定产品的质量状况，并最大程度降低额外的质量检测成本。凭借其过程控制和记录功能，EOSTATE Exposure OT可以跟踪产品批量生产的统计数据，实现对生产工艺稳定性的监测。对于分布式生产场景，该系统还可以将不同机器和地理位置纳入到过程跟踪当中。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文

本期，让我们走进某机械制造公司，了解高精度三维视觉检测技术如何助力工程机械的供应链高效运转。

 工程机械零部件
     外形尺寸检测痛点

传统方式下，一般采用人工测量，容易产生误差以及效率较低。

测量误差

由于大部分零配件具有不规则曲面形状，人工测量存在测量+估算的情况，导致有些零部件测量有误，需要返厂维修。

效率低下

以长2.4米，重2吨以上的减速机外壳为例，采用人工检测的方式，一个减速机外壳就需要检测员耗费2天时间才能完成检测。

 高精度三维视觉方案
     准确、高效完成检测

通过天远FreeScan UE激光手持三维扫描仪获取完整的减速机外壳的三维数据，并将其导入检测软件，即可快速检测整个零部件是否发生形变，以及测量一些装配点的重要尺寸。使用高精度三维视觉检测技术，准确率及效率大幅提升。

测量准确

天远FreeScan UE激光手持三维扫描仪具有计量级精度，最高精度0.02mm，配合摄影测量，体积精度可达0.02mm+0.025mm/m，使得检测结果准确，返工率直线降低，减少运输成本。

扫描数据

检测色谱图

高效快速

同样，以长2.4米，重2吨以上的减速机外壳为例，三维扫描+软件检测，仅需半小时。传统方式下，一个减速机外壳检测需要2天，现在一天能够检测多个减速机外壳。

准确、快速，高精度三维视觉检测技术成为了工程机械零配件外形尺寸检测中不可或缺的利器，使得供应方能够按照设计要求准确地交付零部件；同时，品牌方也可以通过三维检测报告高效地进行验收，从而推进工程机械供应链高效运转。

知之既深，行之则远。基于全球范围内精湛的制造业专家智囊网络，3D科学谷为业界提供全球视角的增材与智能制造深度观察。有关增材制造领域的更多分析，请关注3D科学谷发布的白皮书系列。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷 l 链接到3D科学谷网站原文。

而内部冷却结构说起来容易，做起来却十分不易，如何了解内部冷却结构是否达到要求，这就需要先进的技术检测手段。在这方面美国国家橡树岭实验室运用了中子计算机层析成像技术手段为我们揭示了增材制造技术所生产的涡轮叶片内部冷却通道的情况。

补充资料：根据科技信息中心《中子层析和相衬成像技术研究进展》一文，中子层析成像的实现过程大致分为两步，即获取包含被测物结构特征信息投影数据的扫描过程和根据所获投影数据按一定方法求出被测物断层特征量分布的图像重建与处理过程。其基本原理为：基于射线与物质的相互作用规律，利用射线穿过被测物，用一定方式对被测物体衰减后的射线进行测量，获得足够数据，对这些数据进行一定校正后，通过图像重建方法获取被测物断层的物理特征（如衰减系数）分布，并用数字化的计算机图像的形式表示出来。

资料下载，请加入3D科学谷3D产业链QQ群：529965687
更多信息或查找往期文章，请登陆www.51shape.com,在首页搜索关键词
网站投稿请发送至2509957133@qq.com