Ein effektives Erkennungsmodell auf Basis von YOLO für Porenfehler in der additiven Fertigung

Warum winzige Löcher in 3D‑gedrucktem Metall wichtig sind

Metallteile, die im 3D‑Druck hergestellt werden, finden Einzug in Flugzeuge, Autos und medizinische Implantate. Doch in diesen glänzenden Bauteilen können unsichtbare Fehler lauern: winzige Blasen und Löcher, sogenannte Poren, die das Metall schwächen und zu Rissen oder Versagen führen können. Bisher bedeutet die Prüfung auf solche Defekte oft eine langsame, manuelle Inspektion von Mikroskopaufnahmen. Diese Studie stellt eine automatisierte Methode vor, um diese mikroskopischen Poren zu erkennen und zu vermessen und sie direkt mit den Druckparametern zu verknüpfen – ein Weg zu sichereren, zuverlässigeren 3D‑gedruckten Metallteilen.

Metallteile Schicht für Schicht herstellen

Die Arbeit konzentriert sich auf ein verbreitetes metallisches 3D‑Druckverfahren, das selektive Laserschmelzen, bei dem ein Laser eine dünne Schicht Metallpulver abfährt und schmilzt, um jeweils eine neue Schicht des Bauteils zu formen. Dieses Verfahren erlaubt komplexe Geometrien und eine effiziente Materialnutzung, weshalb es für anspruchsvolle Anwendungen wie Luftfahrt und Medizintechnik attraktiv ist. Allerdings können die intensiven Aufheiz‑ und Abkühlvorgänge Gas einschließen, Bereiche nur unvollständig schmelzen lassen oder tiefe „Keyholes“ im Schmelzbad erzeugen. All diese Mechanismen bilden Poren – mikroskopische Hohlräume im Material –, die Spannungen bündeln und Festigkeit sowie Ermüdungslebensdauer reduzieren. Die Kontrolle der Porosität ist daher wesentlich, um vertrauenswürdige gedruckte Bauteile herzustellen.

Dem Computer beibringen, verborgene Fehler zu sehen

Statt Experten jede Mikroskopaufnahme visuell prüfen zu lassen, entwickelten die Autoren ein automatisiertes Bildanalyse‑System auf Basis einer Familie künstlicher Intelligenzmodelle namens YOLO, die für schnelle Objekterkennung weit verbreitet sind. Sie sammelten hochauflösende optische Mikroskopbilder von 49 Aluminiumlegierungsproben, die mit unterschiedlichen Laserleistungen und Scan­geschwindigkeiten gedruckt wurden, und erzeugten so einen Datensatz von 980 Bildern. Jede Pore in diesen Bildern wurde mühsam von Hand nachgezeichnet, um als Ground Truth zu dienen. Auf den Standardentwurf von YOLOv5 bauten die Forschenden mehrere Verbesserungen auf: einen geschickteren Lernratenplan für das Training, ein „Attention“-Modul, das dem Netzwerk hilft, sich auf porenähnliche Muster statt auf Hintergrundtextur zu konzentrieren, und ein leichtgewichtiges Feature‑Fusion‑Schema, das das Modell kompakt hält und gleichzeitig Informationen über mehrere Skalen kombiniert.

Von Bildern zu präzisen Porenstatistiken

Nach dem Training kann das verbesserte Modell sowohl jede Pore lokalisieren als auch ihre Form in neuen Mikroskopbildern nachzeichnen. Die Software zählt dann automatisch die Anzahl der Pixel, die zu Poren gehören, und vergleicht diese mit der Gesamtzahl der Pixel in der Metallregion, wodurch für jede Probenoberfläche ein Gesamtporositätswert entsteht. Tests gegen andere moderne YOLO‑Varianten zeigten, dass das neue Design eine höhere Genauigkeit bei der Identifikation von Poren erreichte und dabei die Rechenanforderungen moderat hielt, was es für typische industrielle Hardware geeignet macht. Verglichen mit sorgfältigen manuellen Schätzungen lagen die Abweichungen der Porenflächenmessungen bei etwa fünf Prozent, was darauf hindeutet, dass die automatisierte Methode für routinemäßige quantitative Analysen zuverlässig genug ist.

Druck­einstellungen mit Porenbildung verknüpfen

Mithilfe der automatischen Porenmessungen untersuchten die Forschenden, wie zwei Schlüsseldruckparameter – Laserleistung und Scan­geschwindigkeit – die Porosität beeinflussen. Sie fanden heraus, dass das Erhöhen der Laserleistung von sehr niedrigen Werten die Porenanzahl schnell reduziert, weil das Pulver vollständiger schmilzt und eingeschlossene Gase länger entweichen können. Jenseits eines bestimmten Punktes führen weitere Leistungssteigerungen jedoch zu instabilen, heftig oszillierenden Schmelzbädern, die tatsächlich neue Defekte erzeugen. Die Scan­geschwindigkeit zeigt einen ähnlichen Zielkonflikt: Bewegt sich der Laser zu langsam, kann das Material überhitzen, bewegt er sich zu schnell, verhindert dies vollständiges Schmelzen und führt zum Einschluss von Gas. Um diese komplexen Trends zu erfassen, verwendete das Team ein mathematisches Hilfsmittel, die Tschebyschew‑Polynome, um eine glatte Fläche zu erstellen, die Leistung und Geschwindigkeit mit der Porosität verknüpft und eine ausgezeichnete Übereinstimmung mit den experimentellen Daten erreicht.

Auf dem Weg zu intelligenteren, sichereren 3D‑gedruckten Metallen

Für Nicht‑Spezialisten lautet die Kernbotschaft: Die Studie verwandelt Mikroskopaufnahmen in automatische, zuverlässige Messgrößen dafür, wie „lochrück“ ein gedrucktes Metallteil ist, und knüpft diese Messungen an die am Druckprozess veränderbaren Einstellungen. Die Methode erkennt und konturiert nicht nur Poren, sondern quantifiziert auch deren Gesamtmenge und zeigt, welche Kombinationen aus Laserleistung und Scan­geschwindigkeit die Porosität niedrig halten. Obwohl die aktuelle Arbeit auf polierten Laborproben und optischen Mikroskopen beruht, könnten dieselben Konzepte auf die Fabriküberwachung und Prozessoptimierung ausgeweitet werden. Langfristig werden solche automatisierten, datengetriebenen Werkzeuge dazu beitragen, das Metall‑3D‑Drucken vorhersehbarer, weniger verschwenderisch und sicherer für kritische Anwendungen zu machen.

Zitation: Ni, R., Xu, S., Chen, H. et al. An effective detection model based on YOLO for pore defects in additive manufacturing. Sci Rep 16, 14379 (2026). https://doi.org/10.1038/s41598-026-43970-2

Schlüsselwörter: additive Fertigung, selektives Laserschmelzen, Fehlererkennung, Deep Learning, Porositätsanalyse