Recherche sur la reconnaissance et la quantification caractéristiques des résidus de poudre internes dans une structure poreuse LPBF basée sur le traitement d'image

Pourquoi la poudre cachée dans les pièces imprimées en 3D compte

L'impression 3D métal sort rapidement du laboratoire pour équiper des avions, des voitures et même des implants osseux. Mais à l'intérieur de nombreuses pièces complexes, en forme d'éponge, des grains de poudre peuvent rester piégés et invisibles, affaiblissant la structure et augmentant le risque de défaillance en service. Cet article présente une nouvelle méthode pour « voir » et mesurer automatiquement cette poudre cachée, en utilisant une imagerie par rayons X avancée et un traitement d'image intelligent, dans le but de rendre les pièces métalliques imprimées en 3D plus sûres et plus fiables.

La promesse et le problème des pièces métalliques poreuses

La fusion sur lit de poudre laser (LPBF) construit des composants métalliques couche par couche à partir d'une poudre fine, permettant des formes poreuses complexes idéales pour des structures allégées et des implants imitant l'os. Dans cette étude, les auteurs se concentrent sur des échafaudages en zinc poreux dont l'anneau extérieur imite l'os dense et dont la région intérieure imite l'intérieur spongieux. Toutefois, dans de tels intérieurs labyrinthiques, le laser ne peut pas atteindre entièrement chaque recoin, et de minuscules particules de poudre peuvent rester non fondues ou seulement partiellement fusionnées aux parois. Ces résidus peuvent obstruer les canaux fluides, concentrer les contraintes, perturber la dissolution lente du matériau dans le corps et même provoquer une inflammation. Détecter et quantifier cette poudre piégée profondément à l'intérieur du métal massif est donc essentiel pour la sécurité mécanique et la performance biologique.

Regarder à l'intérieur avec des rayons X et des coupes numériques

Parmi les méthodes d'inspection non destructive, la tomodensitométrie (CT) se distingue car elle peut voir à l'intérieur des métaux denses et reconstruire une vue tridimensionnelle complète. Les chercheurs ont numérisé des échafaudages cylindriques en zinc à une résolution micrométrique, découpant le volume 3D en milliers d'images 2D. Ils ont choisi des coupes dans la direction qui révélait le mieux le motif interne répétitif. Sur ces coupes, le métal, les pores vides et la poudre résiduelle apparaissent comme des régions de niveaux de gris différents. Mais parcourir manuellement plus d'un millier d'images et définir des seuils à l'œil dans un logiciel commercial est lent, subjectif et souvent inexact — surtout lorsque le contraste de l'image est faible ou que la luminosité varie d'une coupe à l'autre.

Apprendre à un ordinateur à trouver la poudre

Pour surmonter ces limites, l'équipe a construit un pipeline de détection automatisé dans MATLAB qui combine traitement d'image classique et apprentissage profond. D'abord, chaque coupe CT est soigneusement prétraitée : les images sont standardisées dans un format commun, recadrées pour supprimer le fond vide, débruitées, rehaussées en contraste et affûtées afin que pores, squelette solide et grains de poudre ressortent plus clairement. Ensuite, un algorithme Otsu double-seuil nouvellement conçu analyse l'histogramme des niveaux de gris et répartit automatiquement chaque pixel en trois catégories : pore ouvert, structure solide ou candidat poudre. En utilisant deux seuils au lieu d'un, la méthode sépare mieux les différences subtiles de gris entre le métal solide et la poudre collée, qui se chevauchent souvent en luminosité.

Ajouter l'apprentissage profond pour les détails fins

Le seuillage seul peine encore avec des bords flous et des régions à faible contraste, si bien que les auteurs entraînent un U-Net, un modèle d'apprentissage profond largement utilisé en imagerie médicale. Ils génèrent d'abord des étiquettes provisoires avec leur méthode à double seuil puis un expert affine environ 300 coupes représentatives à la main, créant des exemples de haute qualité de ce qui est ou n'est pas de la poudre résiduelle. Le U-Net apprend à partir de ces exemples à reconnaître les motifs de poudre sur les coupes CT, y compris les particules libres, les grains semi-fondus partiellement attachés aux parois et les amas plus larges agglomérés. Dans le système final, l'étape double-seuil fournit une carte grossière, et le U-Net épure les contours et corrige les erreurs subtiles. Des opérations morphologiques suppriment en outre les petits spots de bruit tout en préservant les agglomérats significatifs.

Des images aux décisions de nettoyage

Une fois les régions de poudre segmentées, le logiciel reconstruit leurs formes 3D et mesure des propriétés telles que le volume, la localisation et la distribution des tailles de particules, tout en calculant la porosité globale. Comparées à une mesure par pycnomètre par déplacement de fluide, les valeurs de porosité basées sur la CT concordent étroitement, et la nouvelle méthode surpasse clairement à la fois le flux de travail populaire ImageJ et l'inspection entièrement manuelle. Le traitement de 1 463 images CT prend environ 12 minutes avec le pipeline MATLAB, contre 4 heures dans ImageJ et 6 heures à la main, tandis que la précision de reconnaissance atteint environ 86–89 %. Les auteurs ont aussi testé la robustesse du système en variant les seuils et en ajoutant du bruit, et ont constaté que l'approche combinée double-seuil-plus-U-Net reste robuste. Enfin, ils relient les cartes 3D de poudre à des règles simples recommandant des stratégies de nettoyage adaptées, comme la vibration ultrasonique pour la poudre lâche en profondeur de canaux ou un traitement chimique suivi d'un sablage pour les grains plus fortement attachés.

Ce que cela signifie pour des pièces imprimées en 3D plus sûres

En termes simples, l'étude montre comment transformer des piles de coupes CT en nuances de gris en recommandations pratiques pour le nettoyage et la qualification de pièces métalliques imprimées en 3D complexes. En repérant automatiquement où et combien de poudre reste à l'intérieur de structures poreuses, et en le faisant bien plus rapidement qu'un expert humain, la méthode jette les bases d'une boîte à outils intégrée « détecter-identifer-nettoyer ». Bien que le travail actuel se concentre sur des échafaudages en zinc à motif régulier, l'idée sous-jacente — utiliser les différences de niveaux de gris de la CT et l'apprentissage machine pour suivre la poudre résiduelle — pourrait être étendue à d'autres métaux et géométries. À mesure que l'impression 3D métal pénètre les implants critiques et les composants haute-performance, de tels pipelines d'inspection intelligents seront essentiels pour garantir que ce que nous ne voyons pas à l'intérieur ne compromet pas la sécurité et la fonction.

Citation: 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

Mots-clés: fusion sur lit de poudre laser, échafaudages métalliques poreux, tomodensitométrie, segmentation d'image, poudre résiduelle