Forschung zur Erkennung und Quantifizierung charakteristischer interner Pulverreste in LPBF-porösen Strukturen basierend auf Bildverarbeitung

Warum verstecktes Pulver in 3D-gedruckten Bauteilen wichtig ist

Metall-3D-Druck wandert rasch aus dem Labor in Flugzeuge, Autos und sogar Knochenimplantate. Innerhalb vieler dieser filigranen, schwammartigen Bauteile können jedoch zurückgebliebene Pulverkörner eingeschlossen und unsichtbar bleiben, die die Struktur schwächen und im Betrieb zum Versagen führen können. Diese Arbeit stellt eine neue Methode vor, dieses verborgene Pulver automatisch „sichtbar“ zu machen und zu messen, indem fortschrittliche Röntgenbildgebung mit intelligenter Bildverarbeitung kombiniert wird, mit dem Ziel, 3D-gedruckte Metallteile sicherer und zuverlässiger zu machen.

Versprechen und Problem poröser Metallteile

Die Laser-Pulverbettfusion (LPBF) erzeugt Metallkomponenten Schicht für Schicht aus feinem Pulver und ermöglicht komplexe poröse Formen, die sich ideal für leichte Strukturen und knochenähnliche Implantate eignen. In dieser Studie konzentrieren sich die Autoren auf poröse Zinkgerüste, deren äußerer Ring dense Knocheneigenschaften nachbildet und deren Innenbereich das schwammartige Innere imitiert. In solchen labyrinthartigen Innenräumen kann der Laser jedoch nicht jeden Winkel vollständig erreichen, und winzige Pulverpartikel können ungeschmolzen oder nur teilweise an den Wänden haftend zurückbleiben. Diese Rückstände können Flusskanäle verstopfen, Spannungskonzentrationen erzeugen, das langsame Auflösungsverhalten im Körper stören und sogar Entzündungen hervorrufen. Die Erkennung und Quantifizierung dieses eingeschlossenen Pulvers tief im Metall ist daher sowohl für die mechanische Sicherheit als auch für die biologische Verträglichkeit entscheidend.

Mit Röntgenstrahlen und digitalen Schichten nach innen schauen

Unter den zerstörungsfreien Prüfverfahren sticht die Röntgen-Computertomographie (CT) hervor, weil sie in dichte Metalle hineinsehen und eine vollständige dreidimensionale Rekonstruktion erstellen kann. Die Forschenden scannten zylindrische Zinkgerüste mit Mikrometerauflösung und teilten das 3D-Volumen in Tausende von 2D-Bildern auf. Sie wählten Querschnitte in der Richtung, die das sich wiederholende Innenmuster am besten offenbart. Auf diesen Schichten erscheinen Metall, leere Poren und Restpulver als Bereiche mit unterschiedlichen Grauwerten. Das manuelle Durcharbeiten von über tausend Bildern und das visuelle Festlegen von Schwellwerten in kommerzieller Software ist jedoch langsam, subjektiv und oft ungenau—insbesondere bei geringem Bildkontrast oder bei Helligkeitsschwankungen von Schicht zu Schicht.

Dem Computer beibringen, das Pulver zu finden

Um diese Einschränkungen zu überwinden, entwickelte das Team eine automatisierte Erkennungs-Pipeline in MATLAB, die klassische Bildverarbeitung mit Deep Learning kombiniert. Zuerst wird jede CT-Schicht sorgfältig vorverarbeitet: Die Bilder werden auf ein einheitliches Format normiert, zum Entfernen leerer Hintergründe beschnitten, entrauscht, kontrastverstärkt und geschärft, sodass Poren, das feste Gerüst und Pulverkörner deutlicher hervorstechen. Dann durchsucht ein neu entwickelter zweifacher Otsu-Schwellwertalgorithmus das Grauwert-Histogramm und teilt automatisch jedes Pixel in drei Kategorien ein: offene Pore, festes Gerüst oder Pulverkandidat. Durch die Verwendung von zwei Schwellwerten anstelle von einem trennt die Methode feinere Grauwertunterschiede zwischen festem Metall und anhaftendem Pulver besser, die sich häufig in der Helligkeit überlappen.

Deep Learning für feine Details

Allein durch Schwellwertbildung gibt es weiterhin Probleme an unscharfen Kanten und in Bereichen mit geringem Kontrast, daher trainieren die Autoren ein U-Net, ein Deep-Learning-Modell, das in der medizinischen Bildgebung weit verbreitet ist. Zuerst erzeugen sie Entwurfslabel mit ihrer doppelt-otsuschen Methode und lassen dann einen Experten rund 300 repräsentative Schichten manuell verfeinern, um hochwertige Beispiele dafür zu erstellen, was Restpulver ist und was nicht. Das U-Net lernt aus diesen Beispielen, Pulvermuster in den CT-Schichten zu erkennen, einschließlich freier Partikel, halbverschmolzener Körner, die teilweise an den Wänden haften, und größerer verbundener Klumpen. Im finalen System liefert der doppelte Schwellwertschritt eine grobe Karte, und das U-Net säubert die Grenzen und korrigiert subtile Fehler. Morphologische Operationen entfernen zusätzlich winzige Rauschpunkte, während bedeutungsvolle Agglomerate erhalten bleiben.

Von Bildern zu Entscheidungen über die Reinigung

Sobald die Pulverbereiche segmentiert sind, rekonstruiert die Software deren 3D-Formen und misst Eigenschaften wie Volumen, Lage und Partikelgrößenverteilung, während sie auch die Gesamtporosität berechnet. Im Vergleich mit einer Pyknometer-Flüssigkeitsverdrängungsmessung stimmen die CT-basierten Porositätswerte eng überein, und die neue Methode übertrifft deutlich sowohl den verbreiteten ImageJ-Workflow als auch die vollständig manuelle Inspektion. Die Verarbeitung von 1.463 CT-Bildern dauert mit der MATLAB-Pipeline etwa 12 Minuten gegenüber 4 Stunden in ImageJ und 6 Stunden von Hand, während die Erkennungsgenauigkeit ungefähr 86–89 % erreicht. Die Autoren testeten das System außerdem auf Belastbarkeit, indem sie Schwellwerte variierten und Rauschen hinzufügten, und fanden heraus, dass der kombinierte Ansatz aus Doppel-Schwellenwert und U-Net robust bleibt. Schließlich verknüpfen sie die 3D-Pulverkarten mit einfachen Regeln, die geeignete Reinigungsstrategien empfehlen, etwa Ultraschallvibration für lose Pulver tief in Kanälen oder chemische Behandlung plus Strahlen für stärker anhaftende Körner.

Was das für sicherere 3D-gedruckte Teile bedeutet

Einfach gesagt zeigt die Studie, wie man Stapel von grauen Röntgenschnitten in praktische Empfehlungen für Reinigung und Qualifizierung komplexer 3D-gedruckter Metallteile überführt. Indem automatisch erkannt wird, wo und wie viel Pulver in porösen Strukturen verbleibt — und das deutlich schneller als ein menschlicher Experte — legt die Methode den Grundstein für ein integriertes „Erkennen-Identifizieren-Reinigen“-Toolkit. Während die aktuelle Arbeit auf regelmäßig gemusterte Zinkgerüste fokussiert ist, ließe sich die zugrundeliegende Idee — CT-Grauwertunterschiede und maschinelles Lernen zur Verfolgung von Restpulver zu nutzen — auf andere Metalle und Formen ausdehnen. Wenn der Metall-3D-Druck in kritische Implantate und hochleistungsfähige Bauteile vorstößt, werden derartige intelligente Inspektionspipelines entscheidend dafür sein, sicherzustellen, dass das, was wir innen nicht sehen, Sicherheit und Funktion nicht beeinträchtigt.

Zitation: Shi, W., Cao, S., Hou, Q. et al. Research on characteristic recognition and quantification of internal powder residue in LPBF porous structure based on image processing. Sci Rep 16, 13247 (2026). https://doi.org/10.1038/s41598-026-40479-6

Schlüsselwörter: Laser-Pulverbettfusion, poröse Metallgerüste, Computertomographie, Bildsegmentierung, Restpulver