Исследование распознавания и количественной оценки внутреннего остаточного порошка в пористой структуре LPBF на основе обработки изображений

Почему скрытый порошок в деталях 3D-печати имеет значение

Металлическая 3D-печать быстро переходит из лабораторий в авиацию, автомобилестроение и даже в производство имплантов. Но внутри многих таких сложных губчатых деталей остаются захваченные и невидимые зерна порошка, которые ослабляют конструкцию и повышают риск отказа при эксплуатации. В этой работе предложен новый способ автоматически «увидеть» и измерить этот скрытый порошок с помощью передовой рентгеновской томографии и интеллектуальной обработки изображений, с целью повысить безопасность и надежность 3D-печатных металлических деталей.

Перспективы и проблема пористых металлических деталей

Технология Laser Powder Bed Fusion (LPBF) формирует металлические компоненты послойно из тонкого порошка, что позволяет получать сложные пористые формы, идеальные для легких конструкций и имплантов, имитирующих кость. В этом исследовании авторы сосредоточились на пористых цинковых каркасах, у которых внешний кольцевой участок имитирует плотную кость, а внутренняя область — губчатую структуру. Однако в таких лабиринтоподобных полостях лазер не всегда достигает всех укромных мест, и мелкие частицы порошка могут оставаться неплавлеными или частично сплавленными со стенками. Эти остатки способны закупоривать каналы для текучих сред, концентрировать напряжения, нарушать процессы постепенного рассасывания материала в организме и даже вызывать воспаление. Поэтому обнаружение и количественная оценка такого захваченного порошка глубоко внутри металла важны как для механической безопасности, так и для биологической совместимости.

Заглянуть внутрь с помощью рентгена и цифровых срезов

Среди неразрушающих методов контроля компьютерная рентгеновская томография (КТ) выделяется тем, что может «видеть» внутри плотных металлов и восстанавливать полное трёхмерное представление. Исследователи отсканировали цилиндрические цинковые каркасы с микрометровым разрешением, разрезав 3D-объём на тысячи двумерных изображений. Они выбрали поперечные срезы в направлении, которое лучше всего выявляло повторяющийся внутренний узор. На этих срезах металл, пустые поры и остаточный порошок проявляются как области с разными уровнями серого. Но ручной просмотр более тысячи изображений и установка порогов «на глаз» в коммерческом ПО — медленный, субъективный и часто неточный процесс, особенно при низкой контрастности или при дрейфе яркости от среза к срезу.

Обучение компьютера находить порошок

Чтобы преодолеть эти ограничения, команда разработала автоматизированный конвейер обнаружения в MATLAB, комбинирующий классическую обработку изображений и глубокое обучение. Сначала каждый томографический срез тщательно предобрабатывается: изображения приводят к единому формату, обрезают для удаления пустого фона, устраняют шум, повышают контраст и повышают резкость, чтобы поры, твёрдый каркас и зерна порошка выглядели отчётливее. Затем специально разработанный двупороговый алгоритм Отсу анализирует гистограмму уровней серого и автоматически разделяет каждый пиксель на три класса: открытая пора, твёрдый каркас или кандидат в остаточный порошок. Использование двух порогов вместо одного позволяет лучше разделять тонкие различия в сером между плотным металлом и прилипшим порошком, которые часто перекрываются по яркости.

Добавление глубокого обучения для тонкой детализации

Один только пороговый метод всё ещё испытывает трудности с размытыми границами и низкоконтрастными областями, поэтому авторы натренировали U-Net, модель глубокого обучения, широко используемую в медицинской визуализации. Сначала они сгенерировали черновые метки с помощью двупорогового метода, затем эксперт вручную уточнил около 300 репрезентативных срезов, создав качественные примеры того, что является остаточным порошком, а что — нет. U-Net обучается на этих примерах распознавать порошковые структуры на КТ-срезах, включая свободные частицы, полуплазменные зерна, частично прикреплённые к стенкам, и более крупные спаянные кластеры. В итоговой системе двупороговый этап даёт грубую карту, а U-Net очищает границы и исправляет тонкие ошибки. Морфологические операции дополнительно удаляют мелкие шумовые пятна, сохраняя при этом значимые агломераты.

От изображений к решениям по очистке

После сегментации областей порошка программное обеспечение восстанавливает их 3D‑формы и измеряет такие характеристики, как объём, местоположение и распределение размеров частиц, а также вычисляет общую пористость. По сравнению с измерением пористости методом пикнометрии (вытеснением жидкости) показатели пористости по КТ хорошо согласуются, и новый метод явно превосходит как популярный рабочий процесс ImageJ, так и полностью ручную инспекцию. Обработка 1 463 КТ‑изображений занимает около 12 минут при использовании конвейера в MATLAB, в то время как в ImageJ это около 4 часов, а вручную — около 6 часов; точность распознавания достигает примерно 86–89%. Авторы также проверили стойкость системы, варьируя пороги и добавляя шум, и обнаружили, что комбинированный подход «двупороговый метод + U-Net» остаётся устойчивым. Наконец, они связывают 3D‑карты порошка с простыми правилами, рекомендующими соответствующие стратегии очистки — например, ультразвуковая вибрация для рыхлого порошка в глубоких каналах или химическая обработка в сочетании с дробеструйной очисткой для более прочно прикреплённых зерен.

Что это означает для более безопасных 3D-печатных деталей

Проще говоря, исследование показывает, как превратить стопки серых рентгеновских срезов в практические рекомендации по очистке и допуску сложных 3D-печатных металлических деталей. Автоматически выявляя, где и в каком объёме остаётся порошок внутри пористых структур, и делая это гораздо быстрее, чем эксперт-человек, метод закладывает основу интегрированного набора инструментов «обнаружить — идентифицировать — очистить». Хотя в настоящей работе внимание уделено регулярно паттернированным цинковым каркасам, базовая идея — использование различий уровней серого в КТ и машинного обучения для отслеживания остаточного порошка — может быть расширена на другие металлы и формы. По мере того как металлическая 3D-печать проникает в критические импланты и высокопроизводительные компоненты, такие интеллектуальные системы инспекции будут ключевыми для предотвращения того, чтобы невидимое внутри не ставило под угрозу безопасность и работоспособность.

Цитирование: 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

Ключевые слова: лазерное сплавление порошкового слоя, пористые металлические каркасы, компьютерная томография, сегментация изображений, остаточный порошок