Eklemeli üretimde gözenek kusurları için YOLO tabanlı etkili bir tespit modeli

Neden 3B baskılı metallerde küçük delikler önemli?

3B yazıcılarla üretilen metal parçalar uçaklara, arabalara ve medikal implantlara girmeye başladı. Ancak bu parlak bileşenlerin içinde görünmez kusurlar saklanabilir: metalin zayıflamasına yol açan ve çatlak ya da arızaya neden olabilen küçük kabarcıklar ve delikler, yani gözenekler. Bugün bu tür kusurların kontrolü çoğunlukla mikroskop görüntülerinin yavaş ve elle incelenmesini gerektiriyor. Bu çalışma, bu mikroskobik gözenekleri otomatik olarak tespit edip ölçen ve doğrudan parçanın nasıl yazdırıldığıyla ilişkilendiren bir yöntem sunuyor; bu da daha güvenli, daha güvenilir 3B yazdırılmış metal parçalar için bir yol açıyor.

Metal parçaları katman katman yapmak

Çalışma, bir lazerin ince bir metal tozu tabakası üzerinde tarama yapıp her yeni kesiti oluşturmak için metalik tozu eritmesini temel alan popüler bir 3B metal yazdırma yöntemi olan seçici lazer eritme üzerine odaklanıyor. Bu yaklaşım karmaşık şekillere ve malzeme kullanımında verimliliğe izin veriyor; bu yüzden havacılık ve medikal cihazlar gibi zorlayıcı uygulamalar için çekici. Ancak yoğun ısıtma ve soğuma gazı tuzağa düşürebilir, kısmen erimiş bölgeler bırakabilir veya ergime havuzunda derin "anahtar deliği" oluşumlarına yol açabilir. Tüm bu yollar gözenekler—malzeme içinde dağılmış mikroskobik boşluklar—oluşmasına neden olur; bunlar gerilimi yoğunlaştırır ve mukavemet ile yorulma ömrünü azaltır. Bu nedenle porozitenin kontrolü, güvenilir baskılı bileşenler üretmek için elzemdir.

Bilgisayara gizli kusurları görmeyi öğretmek

Her mikroskop görüntüsünü uzmanlara gözle inceletmek yerine yazarlar, hızlı nesne tespiti için yaygın olarak kullanılan YOLO adlı yapay zekâ model ailesine dayanan otomatik bir görüntü analiz sistemi kurdular. Farklı lazer güçleri ve tarama hızlarıyla yazdırılmış 49 alüminyum alaşım örneğinden yüksek çözünürlüklü optik mikroskop görüntüleri topladılar ve 980 görüntüden oluşan bir veri seti oluşturdular. Bu görüntülerdeki her gözenek, doğruluk referansı (ground truth) olarak hizmet etmesi için zahmetle elle çerçevelendi. Standart YOLOv5 tasarımının üzerine ekip birkaç iyileştirme ekledi: eğitim sırasında modelin öğrenme hızını daha akıllıca yöneten bir zamanlama, ağın arka plan dokusundan ziyade gözenek benzeri desenlere odaklanmasına yardımcı olan bir "dikkat" modülü ve modeli kompakt tutarken ölçekler arası bilgiyi birleştiren hafif bir özellik füzyon şeması.

Görüntülerden hassas gözenek istatistiklerine

Eğitildikten sonra geliştirilmiş model, yeni mikroskop görüntülerindeki her gözenekleri hem bulabiliyor hem de şekillerini çizebiliyor. Yazılım daha sonra otomatik olarak gözeneklere ait piksel sayısını sayıyor ve bunu metal bölgedeki toplam piksel sayısıyla karşılaştırarak her örnek yüzeyi için genel bir porozite değeri elde ediyor. Diğer modern YOLO varyantlarına karşı yapılan testler, yeni tasarımın gözenekleri tanımlamada daha yüksek doğruluk sağlarken hesaplama gereksinimlerini mütevazı tuttuğunu gösterdi; bu da tipik endüstriyel donanımda kullanım için uygun olmasını sağlıyor. Gözenek alanı ölçümleri dikkatli manuel tahminlerle karşılaştırıldığında farklar yaklaşık yüzde beş içinde kaldı; bu da otomatik yöntemin rutin nicel analizler için yeterince güvenilir olduğunu gösteriyor.

Yazdırma ayarlarını gözenek oluşumuna bağlamak

Otomatik gözenek ölçümleri elde edildikten sonra araştırmacılar iki ana yazdırma ayarının—lazer gücü ve tarama hızının—poroziteyi nasıl şekillendirdiğini incelediler. Çok düşük seviyelerden lazer gücünü artırmanın gözenekleri hızla azalttığını buldular; çünkü toz daha tamamen eriyor ve tuzağa düşmüş gazın kaçması için daha fazla zaman oluyor. Ancak belirli bir noktadan sonra ilave güç artışları kararsız, şiddetle salınım yapan ergime havuzlarına neden oluyor ve bu durum yeni kusurlar yaratıyor. Tarama hızı benzer bir takas gösteriyor: lazer çok yavaş hareket ederse malzeme aşırı ısınabiliyor, çok hızlı hareket ederse tam erime engelleniyor ve gaz tuzağa düşüyor. Bu karmaşık eğilimleri yakalamak için ekip, güç ve hızı poroziteye bağlayan düzgün bir yüzey oluşturmak üzere Chebyshev polinomları adlı matematiksel bir araç kullandı ve deneysel verilerle mükemmel bir eşleşme elde etti.

Daha akıllı, daha güvenli 3B yazdırılmış metaller doğrultusunda

Uzman olmayanlar için ana mesaj, çalışmanın mikroskop görüntülerini bir yazdırılmış metal parçanın ne kadar "deliksiz" olduğunu otomatik ve güvenilir bir şekilde ölçen verilere dönüştürmesi ve ardından bu ölçümleri mühendislerin gerçekten değiştirebileceği yazdırma düğmelerine geri bağlamasıdır. Yöntem yalnızca gözenekleri tespit edip çerçevelemiyor, aynı zamanda bunların toplam miktarını niceliyor ve porozitenin düşük kaldığı lazer gücü ile tarama hızı kombinasyonlarını haritalıyor. Mevcut çalışma cilalanmış laboratuvar örnekleri ve optik mikroskoplara dayansa da aynı fikirler fabrika zemininde izleme ve süreç optimizasyonuna doğru genişletilebilir. Uzun vadede bu tür otomatik, veri odaklı araçlar metal 3B yazdırmayı daha öngörülebilir, daha az israfla ve kritik uygulamalar için daha güvenli hâle getirmeye yardımcı olacaktır.

Atıf: 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

Anahtar kelimeler: eklemeli üretim, seçici lazer eritme, kusur tespiti, derin öğrenme, porozite analizi