基于图像处理的 LPBF 多孔结构内粉末残留特征识别与定量研究

为什么 3D 打印部件中的隐匿粉末很重要

金属 3D 打印正迅速从实验室走向飞机、汽车，甚至骨植入物。但在许多复杂的海绵状部件内部，残留的粉末颗粒可能被困且不可见，削弱结构并在使用中带来失效风险。本文提出了一种新的自动化方法，通过先进的 X 射线成像和智能图像处理来“看见”并测量这些隐匿粉末，旨在使金属 3D 打印零件更安全、更可靠。

多孔金属零件的前景与问题

激光粉末床熔化（LPBF）通过逐层熔化细粉末构建金属零件，能够实现复杂的多孔形状，适用于轻量化结构和仿骨植入物。本研究聚焦于一种多孔锌支架，其外环仿密质骨、内区仿松质骨。然而，在这种迷宫般的内部结构中，激光无法完全到达每一处角落，微小粉末颗粒可能未完全熔化或仅部分与壁面融合。这些残余物会堵塞流道、集中应力、影响材料在体内缓慢溶解的行为，甚至引发炎症。因此，检测并定量这些深埋在实心金属内部的粉末，对机械安全性和生物学性能都至关重要。

用 X 射线和数字切片看内部

在无损检测方法中，X 射线计算机断层扫描（CT）脱颖而出，因为它可以穿透致密金属并重建完整的三维视图。研究者以微米级分辨率对圆柱形锌支架进行扫描，将三维体积分解为数千张二维图像切片。他们选择了最能揭示内部周期结构的截面方向。在这些切片上，金属、空孔和残余粉末表现为不同灰度的区域。但手工逐张查看上千张图像、在商业软件中用肉眼设定阈值，既耗时又具有主观性，且在图像对比度低或切片间亮度漂移时常常不准确。

教计算机去寻找粉末

为克服这些限制，团队在 MATLAB 中构建了一个结合传统图像处理与深度学习的自动检测流程。首先对每张 CT 切片进行细致预处理：将图像标准化为统一格式、裁剪以去除空白背景、去噪、增强对比并锐化，使孔隙、实体骨架和粉末颗粒更清晰可辨。随后，设计的一种双阈值 Otsu 算法扫描灰度直方图，并自动将每个像素分为三类：开放孔隙、实体框架或粉末候选区。通过使用两个阈值而非一个，该方法更好地分离了金属实心与附着粉末之间常常重叠的微妙灰度差异。

为细节加入深度学习

仅靠阈值化仍会在边缘模糊和低对比区域表现不佳，因此作者训练了 U-Net 这一在医学影像中广泛使用的深度学习模型。他们先用双阈值方法生成初步标签，然后由专家对约 300 张具有代表性的切片手工精修，创建高质量的残余粉末示例。U-Net 从这些示例中学习识别 CT 切片中的粉末模式，包括自由颗粒、部分熔融并部分附着于壁面的颗粒，以及较大的粘结聚集体。在最终系统中，双阈值步骤提供粗略地图，U-Net 则清理边界并纠正细微错误。形态学操作进一步去除微小噪点，同时保留有意义的团聚体。

从图像到清理决策

一旦粉末区域被分割，软件就能重建其三维形态并测量体积、位置及颗粒大小分布，同时计算整体孔隙率。与比重瓶置换法的液体测量相比，基于 CT 的孔隙率值高度一致，且该新方法明显优于常用的 ImageJ 工作流程和完全人工检查。用 MATLAB 流程处理 1,463 张 CT 图像大约需要 12 分钟，而在 ImageJ 中需 4 小时、人工需 6 小时，识别准确率可达到约 86–89%。作者还通过改变阈值和添加噪声对系统进行压力测试，发现双阈值加 U-Net 的组合方法保持了鲁棒性。最后，他们将三维粉末分布图与一些简单规则关联，推荐合适的清理策略，例如对深通道中松散粉末使用超声震动，或对更强附着的颗粒采用化学处理加喷砂。

对更安全的 3D 打印部件意味着什么

简言之，该研究展示了如何将一叠灰度 X 射线切片转化为用于清理和鉴定复杂 3D 打印金属零件的实用指导。通过自动识别多孔结构内部粉末的分布与数量，并比人工专家快得多地完成这一工作，该方法为集成“检测—识别—清理”工具包奠定了基础。虽然当前工作聚焦于规则阵列的锌支架，但其基本思路——利用 CT 灰度差异与机器学习追踪残余粉末——可以扩展到其他金属和形状。随着金属 3D 打印进入关键植入物和高性能组件领域，这类智能检测流程将是确保内部不可见问题不危及安全与功能的关键。

引用: 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

关键词: 激光粉末床熔化, 多孔金属支架, 计算机断层扫描, 图像分割, 残余粉末