Onderzoek naar karakteristieke herkenning en kwantificering van interne poederresten in poröse LPBF-structuren op basis van beeldverwerking

Waarom verborgen poeder in 3D-geprinte onderdelen ertoe doet

Metalen 3D-printen verschuift snel van het laboratorium naar vliegtuigen, auto’s en zelfs botimplantaten. Maar binnen veel van deze ingewikkelde, sponsachtige onderdelen kunnen poederkorreltjes blijven vastzitten en onzichtbaar blijven, waardoor de constructie verzwakt en het risico op falen in gebruik toeneemt. Dit artikel presenteert een nieuwe manier om dat verborgen poeder automatisch te "zien" en te meten, met behulp van geavanceerde röntgenbeelden en slimme beeldverwerking, met als doel metalen 3D-geprinte onderdelen veiliger en betrouwbaarder te maken.

De belofte en het probleem van poröse metalen onderdelen

Laser Powder Bed Fusion (LPBF) bouwt metalen componenten laag voor laag uit fijn poeder en maakt complexe poröse vormen mogelijk die ideaal zijn voor lichtgewicht constructies en botnabootsende implantaten. In deze studie richten de auteurs zich op poröse zinksteigers waarvan de buitenring dicht bot imiteert en het binnenste gebied de sponsachtige kern nabootst. In zulke doolhofachtige interieurs kan de laser echter niet elk hoekje en gaatje volledig bereiken, en kunnen kleine poederdeeltjes ongesmolten blijven of slechts deels aan de wanden vastzitten. Deze resten kunnen vloeistofkanalen verstoppen, spanningen concentreren, het oplossingsgedrag van het materiaal in het lichaam verstoren en zelfs ontstekingen veroorzaken. Het detecteren en kwantificeren van dit opgesloten poeder diep in het vaste metaal is daarom essentieel voor zowel mechanische veiligheid als biologische prestaties.

Inzien met röntgen en digitale plakjes

Onder niet-destructieve inspectiemethoden springt röntgencomputertomografie (CT) eruit omdat het in dichte metalen kan kijken en een volledige driedimensionale reconstructie kan maken. De onderzoekers scannten cilindrische zinksteigers met micrometerrésolutie en splitsten het 3D-volume in duizenden 2D-beelden. Ze kozen dwarsdoorsneden in de richting die het herhalende interne patroon het best onthulde. Op deze plaatjes verschijnen metaal, lege poriën en restpoeder als gebieden met verschillende grijswaarden. Handmatig meer dan duizend beelden doorlopen en drempels visueel instellen in commerciële software is echter traag, subjectief en vaak onnauwkeurig—vooral wanneer het contrast laag is of de helderheid van plakje naar plakje verschuift.

Een computer leren het poeder te vinden

Om deze beperkingen te boven te komen bouwde het team een geautomatiseerde detectiepipeline in MATLAB die klassieke beeldverwerking combineert met deep learning. Eerst wordt elke CT-plak zorgvuldig voorbewerkt: de beelden worden gestandaardiseerd naar een gemeenschappelijk formaat, bijgesneden om lege achtergrond te verwijderen, ontstoord, in contrast verbeterd en verscherpt zodat poriën, het solide skelet en poederkorrels duidelijker uitkomen. Vervolgens scant een nieuw ontworpen dual-threshold Otsu-algoritme het grijswaardenhistogram en splitst elke pixel automatisch in drie categorieën: open porie, vast raamwerk of kandidaat-poeder. Door twee drempels te gebruiken in plaats van één, onderscheidt de methode subtiele grijsverschillen tussen massief metaal en vastzittend poeder beter, die vaak in helderheid overlappen.

Deep learning toevoegen voor fijne details

Alleen drempelwaardes gebruiken blijft moeite hebben met vage randen en laag-contrastgebieden, dus trainen de auteurs een U-Net, een veelgebruikt deep-learningmodel in medische beeldvorming. Ze genereren eerst conceptlabels met hun dual-threshold-methode en laten vervolgens een expert ongeveer 300 representatieve plakjes handmatig verfijnen, waarmee hoogwaardige voorbeelden ontstaan van wat wel en niet restpoeder is. De U-Net leert van deze voorbeelden poedermotieven in de CT-plakjes te herkennen, inclusief losse deeltjes, halfgesmolten korrels deels vast aan de wanden en grotere gebonden klusters. In het eindsysteem levert de dual-thresholdstap een grove kaart, en de U-Net werkt de grenzen bij en corrigeert subtiele fouten. Morfologische bewerkingen verwijderen verder kleine ruisvlekjes terwijl betekenisvolle agglomeraten behouden blijven.

Van beelden naar beslissingen over reiniging

Zodra de poedergedeelten zijn gesegmenteerd, reconstructeert de software hun 3D-vormen en meet eigenschappen zoals volume, locatie en deeltjesgrootteverdeling, en berekent ook de totale porositeit. Vergeleken met een pycnometer-meting met verplaatsing door vloeistof stemmen de CT-gebaseerde porositeitswaarden nauw overeen, en de nieuwe methode presteert duidelijk beter dan zowel de populaire ImageJ-workflow als volledig handmatige inspectie. Het verwerken van 1.463 CT-beelden duurt ongeveer 12 minuten met de MATLAB-pipeline, tegenover 4 uur in ImageJ en 6 uur met de hand, terwijl de herkenningsnauwkeurigheid ongeveer 86–89% bereikt. De auteurs testten het systeem ook door drempels te variëren en ruis toe te voegen, en vonden dat de gecombineerde dual-threshold-plus-U-Net-aanpak robuust blijft. Ten slotte koppelen ze de 3D-poederkaarten aan eenvoudige regels die geschikte reinigingsstrategieën aanbevelen, zoals ultrasone vibratie voor los poeder diep in kanalen of chemische behandeling plus blasten voor sterker vastzittende korrels.

Wat dit betekent voor veiliger 3D-geprinte onderdelen

Kort gezegd laat de studie zien hoe stapels grijze röntgensneden kunnen worden omgezet in praktische richtlijnen voor het reinigen en kwalificeren van complexe 3D-geprinte metalen onderdelen. Door automatisch te signaleren waar en hoeveel poeder in poröse structuren achterblijft, en dat veel sneller te doen dan een menselijke expert, legt de methode de basis voor een geïntegreerde "detecteer-identificeer-reinig" toolkit. Hoewel het huidige werk zich richt op regelmatig gepatroonde zinksteigers, kan het onderliggende idee—het gebruik van CT-grijswaarden en machine learning om restpoeder te volgen—uitgebreid worden naar andere metalen en vormen. Nu metalen 3D-printen doorgroeit naar kritische implantaten en hoogpresterende componenten, zullen dergelijke intelligente inspectiepijplijnen cruciaal zijn om te waarborgen dat wat we binnenin niet kunnen zien de veiligheid en werking niet ondermijnt.

Bronvermelding: 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

Trefwoorden: laser powder bed fusion, poröse metalen steigers, computertomografie, beeldsegmentatie, restpoeder