En effektiv detektionsmodell baserad på YOLO för porfel i additiv tillverkning

Varför små hål spelar roll i 3D‑printad metall

Metalldelar tillverkade med 3D‑utskrift används i allt från flygplan och bilar till medicinska implantat. Men inuti dessa blanka komponenter kan osynliga defekter finnas: mikrobubblor och håligheter, så kallade porer, som försvagar metallen och kan leda till sprickor eller brott. I dag innebär kontroll ofta tidskrävande manuell inspektion av mikroskopbilder. Denna studie introducerar ett automatiserat sätt att upptäcka och mäta dessa mikroskopiska porer och att koppla dem direkt till hur delen har printats — en väg mot säkrare och mer pålitliga 3D‑printade metalldelar.

Att bygga metalldelar lager för lager

Arbetet fokuserar på en populär metod för metall‑3D‑utskrift som kallas selektiv lasersmältning, där en laser sveper över ett tunt lager metallpulver och smälter det för att bilda varje nytt skikt av en solid del. Denna metod möjliggör komplexa former och effektiv materialanvändning, vilket gör den attraktiv för krävande tillämpningar som rymd‑ och medicinteknik. Den intensiva uppvärmningen och avkylningen kan däremot fånga gas, lämna områden delvis osmälta eller skapa djupa så kallade "keyholes" i smältpoolen. Alla dessa mekanismer bildar porer — mikroskopiska tomrum i materialet — som koncentrerar spänning och minskar hållfasthet och utmattningslivslängd. Att kontrollera porositet är därför avgörande för att tillverka tillförlitliga utskrivna komponenter.

Att lära en dator att se dolda fel

I stället för att be experter granska varje mikroskopbild med blotta ögat byggde författarna ett automatiserat bildanalysystem baserat på en familj artificiella intelligens‑modeller kända som YOLO, som ofta används för snabb objektigenkänning. De samlade högupplösta optiska mikroskopbilder från 49 aluminiumlegeringsprov printade med olika laserstyrkor och svephastigheter och skapade en datamängd på 980 bilder. Varje por i dessa bilder ritades noggrant ut för hand för att fungera som referensdata. Utöver den standardiserade YOLOv5‑arkitekturen lade teamet till flera förbättringar: ett smartare schema för inlärningstakten under träning, en "attention"‑modul som hjälper nätverket att fokusera på pore‑lika mönster i stället för bakgrundstextur, och ett lättviktigt funktionsfusionsupplägg som håller modellen kompakt samtidigt som information från flera skalor kombineras.

Från bilder till precisa porstatistik

När modellen väl är tränad kan den både lokalisera varje por och avgränsa dess form i nya mikroskopbilder. Mjukvaran räknar sedan automatiskt hur många pixlar som tillhör porerna och jämför det med det totala antalet pixlar i metallregionen, vilket ger ett samlat porositetsvärde för varje provyta. Tester mot andra moderna YOLO‑varianter visade att den nya designen uppnådde högre noggrannhet i poreidentifiering samtidigt som beräkningskraven hölls måttliga, vilket gör den lämplig för typisk industridatorhall. När dess mätningar av porearea jämfördes med noggranna manuella uppskattningar låg skillnaderna inom cirka fem procent, vilket indikerar att den automatiserade metoden är tillförlitlig nog för rutinmässig kvantitativ analys.

Att koppla utskriftsinställningar till porebildning

Med automatiska poremätningar kunde forskarna undersöka hur två viktiga utskriftsparametrar — laserstyrka och svephastighet — påverkar porositeten. De fann att en ökning av laserstyrkan från mycket låga nivåer snabbt minskar antalet porer, eftersom pulvret smälter mer fullständigt och instängd gas får längre tid att komma ut. Men över en viss nivå leder ytterligare effektökning till instabila, våldsamt oscillera nde smältpooler som faktiskt skapar nya defekter. Svephastigheten uppvisar en liknande avvägning: att röra lasern för långsamt kan överhetta materialet, medan för hög hastighet förhindrar fullständig smältning och fångar gas. För att fånga dessa komplexa trender använde teamet ett matematiskt verktyg kallat Chebyshev‑polynom för att bygga en jämn yta som kopplar effekt och hastighet till porositet och uppnådde mycket god överensstämmelse med de experimentella uppgifterna.

Mot smartare, säkrare 3D‑printad metall

För icke‑specialister är huvudbudskapet att studien förvandlar mikroskopbilder till automatiska, tillförlitliga mätningar av hur "hålfri" en utskriven metalldel är, och sedan kopplar dessa mätningar tillbaka till de reglage ingenjörer faktiskt kan justera. Metoden inte bara identifierar och avgränsar porer utan kvantifierar också deras totala mängd och kartlägger vilka kombinationer av laserstyrka och svephastighet som håller porositeten låg. Även om det nuvarande arbetet bygger på polerade labbprover och optiska mikroskop kan samma idéer utvidgas till fabriksgolvövervakning och processoptimering. På lång sikt kommer sådana automatiserade, data‑drivna verktyg att bidra till att göra metall‑3D‑utskrift mer förutsägbar, mindre slösaktig och säkrare för kritiska tillämpningar.

Citering: Ni, R., Xu, S., Chen, H. et al. An effective detection model based on YOLO for pore defects in additive manufacturing. Sci Rep 16, 14379 (2026). https://doi.org/10.1038/s41598-026-43970-2

Nyckelord: additiv tillverkning, selektiv lasersmältning, felupptäckt, djuplärande, porositetsanalys