Forskning om karaktärsigenkänning och kvantifiering av internt pulverrester i LPBF-porös struktur baserad på bildbehandling

Varför dolt pulver i 3D-printade delar spelar roll

Metall-3D-printning går snabbt från laboratoriet till flygplan, bilar och till och med benimplantat. Men inne i många av dessa intrikata, svamp-liknande delar kan kvarvarande pulverkorn bli instängda och osedda, vilket försvagar konstruktionen och ökar risken för fel i bruk. Denna artikel presenterar ett nytt sätt att automatiskt "se" och mäta det dolda pulvret med avancerad röntgenavbildning och smart bildbehandling, med målet att göra 3D-printade metalldelar säkrare och mer pålitliga.

Löftet och problemet med porösa metallkomponenter

Laser Powder Bed Fusion (LPBF) bygger metallkomponenter lager för lager från fint pulver, vilket möjliggör komplexa porösa former som är idealiska för lätta konstruktioner och implantat som efterliknar ben. I denna studie fokuserar författarna på porösa zinkstommar vars yttre ring imiterar tät benstruktur och vars inre region imiterar det svampiga inre. I sådana labyrintiska inre utrymmen når dock lasern inte helt alla skrymslen, och små pulverpartiklar kan förbli osmälta eller endast delvis förenade med väggarna. Dessa rester kan täppa igen vätskeflöden, koncentrera spänningar, påverka hur materialet långsamt löser upp sig i kroppen och till och med framkalla inflammation. Att upptäcka och kvantifiera detta instängda pulver djupt inne i det solida metallet är därför avgörande för både mekanisk säkerhet och biologisk funktion.

Insyn med röntgen och digitala skivor

Bland icke-destruktiva inspektionsmetoder sticker röntgenbaserad datortomografi (CT) ut eftersom den kan se in i täta metaller och rekonstruera en full tredimensionell bild. Forskarna skannade cylindriska zinkstommar med mikrometerupplösning och delade 3D-volymen i tusentals 2D-bilder. De valde tvärsnitt längs den riktning som bäst avslöjade det upprepade interna mönstret. På dessa skivor framträder metall, tomma porer och kvarvarande pulver som regioner med olika grånivåer. Men att manuellt gå igenom över tusen bilder och ställa in tröskelvärden för hand i kommersiell programvara är långsamt, subjektivt och ofta otillförlitligt—särskilt när bildkontrasten är låg eller ljusstyrkan varierar mellan skivor.

Lära en dator att hitta pulvret

För att övervinna dessa begränsningar byggde teamet en automatiserad detektionspipeline i MATLAB som kombinerar klassisk bildbehandling med djupinlärning. Först förbehandlas varje CT-skiva noggrant: bilderna standardiseras till ett gemensamt format, beskärs för att ta bort tom bakgrund, brusreduceras, kontrastförbättras och skärps så att porer, fast skelett och pulverkornen framträder tydligare. Därefter skannar en nyutvecklad dubbeltröskel-Otsu-algoritm grånivåhistogrammet och delar automatiskt upp varje pixel i tre kategorier: öppen por, fast ramverk eller kandidat för pulver. Genom att använda två trösklar i stället för en separerar metoden bättre subtila gråskillnader mellan fast metall och fastnat pulver, vilka ofta överlappar i ljusstyrka.

Lägga till djupinlärning för finare detaljer

Enbart tröskelvärdesättning har fortfarande problem med suddiga kanter och regioner med låg kontrast, så författarna tränar en U-Net, en djupinlärningsmodell som är vanligt använd inom medicinsk bildanalys. De genererar först utkastsetiketter med sin dubbeltröskelmetod och låter sedan en expert förfina omkring 300 representativa skivor för hand, vilket skapar högkvalitativa exempel på vad som är respektive inte är restpulver. U-Net lär sig av dessa exempel att känna igen pulvermönster i CT-skivorna, inklusive fria partiklar, delvis smälta korn som delvis sitter fast vid väggarna och större sammanfogade kluster. I det slutliga systemet ger dubbeltröskelsteget en grov karta, och U-Net städar upp gränserna och korrigerar subtila fel. Morfologiska operationer tar bort små brusfläckar samtidigt som meningsfulla agglomerat bevaras.

Från bilder till beslut om rengöring

När pulverregionerna har segmenterats rekonstruerar programvaran deras 3D-former och mäter egenskaper såsom volym, läge och partikelstorleksfördelning, samtidigt som den beräknar den totala porositeten. Jämfört med en pyknometerbaserad vätskeförskjutningsmätning överensstämmer CT-baserade porositetsvärden nära, och den nya metoden överträffar tydligt både den populära ImageJ-arbetsflödet och helt manuell inspektion. Att bearbeta 1 463 CT-bilder tar cirka 12 minuter med MATLAB-pipelinen, jämfört med 4 timmar i ImageJ och 6 timmar för hand, medan igenkänningsnoggrannheten når ungefär 86–89%. Författarna stresstestade också systemet genom att variera tröskelvärden och lägga till brus, och fann att den kombinerade dubbeltröskel-plus-U-Net-metoden förblir robust. Slutligen knyter de 3D-pulverkartorna till enkla regler som rekommenderar lämpliga rengöringsstrategier, såsom ultraljudsvibration för löst pulver djupt i kanaler eller kemisk behandling plus blästring för mer starkt fästa korn.

Vad detta innebär för säkrare 3D-printade delar

Enkelt uttryckt visar studien hur staplar av grå röntgenskivor kan omvandlas till praktisk vägledning för rengöring och godkännande av komplexa 3D-printade metalldelar. Genom att automatiskt upptäcka var och hur mycket pulver som finns kvar i porösa strukturer, och göra det mycket snabbare än en mänsklig expert, lägger metoden grunden för ett integrerat "upptäck-identifiera-rengör"-verktyg. Medan det nuvarande arbetet fokuserar på regelbundet mönstrade zinkstommar kan den underliggande idén—att använda CT-grånivåskillnader och maskininlärning för att spåra restpulver—utsträckas till andra metaller och former. När metall-3D-printning rör sig in i kritiska implantat och högpresterande komponenter kommer sådana intelligenta inspektionspipelines att vara avgörande för att säkerställa att det vi inte kan se inuti inte komprometterar säkerheten och funktionen.

Citering: 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

Nyckelord: laser powder bed fusion, porösa metallstommar, datortomografi, bildsegmentering, restpulver