Investigación sobre el reconocimiento característico y la cuantificación de residuos internos de polvo en estructura porosa LPBF basada en procesamiento de imágenes

Por qué importa el polvo oculto en piezas impresas en 3D

La impresión 3D de metal está pasando rápidamente del laboratorio a aviones, automóviles e incluso implantes óseos. Pero dentro de muchas de estas piezas intrincadas, con estructura tipo esponja, pueden quedar granos de polvo atrapados e invisibles que debilitan la estructura y aumentan el riesgo de fallo en servicio. Este artículo presenta una nueva forma de "ver" y medir automáticamente ese polvo oculto, utilizando imágenes avanzadas por rayos X y procesamiento inteligente de imágenes, con el objetivo de hacer las piezas metálicas impresas en 3D más seguras y fiables.

La promesa y el problema de las piezas metálicas porosas

La fusión por lecho de polvo láser (LPBF) construye componentes metálicos capa por capa a partir de polvo fino, lo que permite formas porosas complejas ideales para estructuras ligeras e implantes que imitan el hueso. En este estudio, los autores se centran en andamios porosos de zinc cuyo anillo exterior imita el hueso denso y cuya región interior reproduce el interior esponjoso. Sin embargo, en esos interiores laberínticos el láser no puede alcanzar por completo todos los recovecos, y pequeñas partículas de polvo pueden permanecer sin fundir o sólo parcialmente unidas a las paredes. Estos residuos pueden obstruir canales fluidos, concentrar tensiones, alterar la forma en que el material se disuelve lentamente en el cuerpo e incluso provocar inflamación. Detectar y cuantificar ese polvo atrapado en el interior del metal sólido es por tanto esencial tanto para la seguridad mecánica como para el rendimiento biológico.

Mirar el interior con rayos X y rebanadas digitales

Entre los métodos de inspección no destructivos, la tomografía computarizada (TC) por rayos X destaca porque puede ver dentro de metales densos y reconstruir una vista tridimensional completa. Los investigadores escanearon andamios cilíndricos de zinc a resolución micrométrica, segmentando el volumen 3D en miles de imágenes 2D. Eligieron secciones transversales en la dirección que mejor revelaba el patrón interno repetitivo. En estas rebanadas, el metal, los poros vacíos y el polvo residual aparecen como regiones con distintos niveles de gris. Pero revisar manualmente más de mil imágenes, fijando umbrales a ojo en software comercial, es lento, subjetivo y a menudo inexacto, especialmente cuando el contraste de la imagen es bajo o el brillo varía de una rebanada a otra.

Enseñar a una computadora a encontrar el polvo

Para superar estas limitaciones, el equipo construyó una canalización de detección automatizada en MATLAB que combina procesamiento clásico de imágenes con aprendizaje profundo. Primero, cada rebanada de TC se preprocesa cuidadosamente: las imágenes se estandarizan a un formato común, se recortan para eliminar fondos vacíos, se eliminan ruidos, se mejora el contraste y se agudizan para que poros, esqueleto sólido y granos de polvo destaquen con mayor claridad. Luego, un algoritmo Otsu de doble umbral diseñado específicamente explora el histograma de niveles de gris y divide automáticamente cada píxel en tres categorías: poro abierto, estructura sólida o candidato a polvo. Al usar dos umbrales en lugar de uno, el método separa mejor las sutiles diferencias de gris entre el metal sólido y el polvo adherido, que a menudo se solapan en brillo.

Añadir aprendizaje profundo para detalles finos

El umbralado por sí solo todavía tiene dificultades con bordes difusos y regiones de bajo contraste, por lo que los autores entrenan una U-Net, un modelo de aprendizaje profundo ampliamente usado en imagen médica. Primero generan etiquetas preliminares con su método de doble umbral y luego un experto refina a mano unas 300 rebanadas representativas, creando ejemplos de alta calidad de lo que es y no es polvo residual. La U-Net aprende de estos ejemplos a reconocer patrones de polvo en las rebanadas de TC, incluyendo partículas libres, granos semi-fundidos parcialmente adheridos a las paredes y aglomerados más grandes ligados. En el sistema final, el paso de doble umbral proporciona un mapa grueso y la U-Net limpia los contornos y corrige errores sutiles. Operaciones morfológicas eliminan además pequeños puntos de ruido preservando los aglomerados significativos.

De las imágenes a decisiones sobre limpieza

Una vez segmentadas las regiones de polvo, el software reconstruye sus formas 3D y mide propiedades como volumen, ubicación y distribución del tamaño de partículas, además de calcular la porosidad global. En comparación con una medida por picnómetro por desplazamiento de fluido, los valores de porosidad basados en TC coinciden de forma estrecha, y el nuevo método supera claramente tanto el flujo de trabajo popular en ImageJ como la inspección totalmente manual. Procesar 1.463 imágenes de TC lleva aproximadamente 12 minutos con la canalización en MATLAB, frente a 4 horas en ImageJ y 6 horas a mano, mientras que la precisión de reconocimiento alcanza aproximadamente el 86–89%. Los autores también sometieron el sistema a pruebas de esfuerzo variando umbrales y añadiendo ruido, y encontraron que el enfoque combinado de doble umbral más U-Net se mantiene robusto. Finalmente, vinculan los mapas 3D de polvo a reglas simples que recomiendan estrategias de limpieza adecuadas, como vibración ultrasónica para polvo suelto en canales profundos o tratamiento químico más granallado para granos más fuertemente adheridos.

Qué significa esto para piezas impresas en 3D más seguras

En términos sencillos, el estudio muestra cómo convertir pilas de rebanadas grises por rayos X en orientación práctica para limpiar y calificar piezas metálicas complejas impresas en 3D. Al detectar automáticamente dónde y cuánto polvo queda dentro de estructuras porosas, y haciéndolo mucho más rápido que un experto humano, el método sienta las bases para un conjunto integrado de herramientas de "detectar-identificar-limpiar". Aunque el trabajo actual se centra en andamios de zinc con patrón regular, la idea subyacente —usar diferencias de niveles de gris en TC y aprendizaje automático para rastrear polvo residual— podría extenderse a otros metales y geometrías. A medida que la impresión metálica 3D avanza hacia implantes críticos y componentes de alto rendimiento, estas canalizaciones de inspección inteligentes serán clave para garantizar que lo que no vemos en el interior no comprometa la seguridad y la función.

Cita: 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

Palabras clave: fusión por lecho de polvo láser, andamios metálicos porosos, tomografía computarizada, segmentación de imágenes, polvo residual