Explainable Computer Vision Framework for Automated Pore Detection and Criticality Assessment in Additive Manufacturing

Resumen Técnico: Marco de Visión Computacional Explicable para la Detección Automatizada de Poros y la Evaluación de Criticidad en la Fabricación Aditiva

Planteamiento del Problema
La porosidad interna sigue siendo un modo de defecto primario en componentes fabricados mediante adición, lo que compromete significativamente la integridad estructural y limita la adopcción industrial. Si bien la tomografía computarizada (TC) permite la visualización de defectos internos, los métodos actuales de control de calidad dependen en gran medida de análisis manuales o semiautomatizados que carecen de una visión física sobre qué poros específicos representan el mayor riesgo. Además, los modelos tradicionales de aprendizaje automático utilizados para la predicción de fallos suelen funcionar como "cajas negras", ofreciendo predicciones sin una justificación mecanística. Esta opacidad impide que los ingenieros comprendan la base física de las evaluaciones de criticidad, lo que obstaculiza la confianza en los sistemas automatizados y dificulta la optimación efectiva de los procesos.

Metodología
El estudio propone un marco de visión computacional explicable diseñado para detectar poros en volúmenes tomográficos tridimensionales y evaluar su criticidad con transparencia mecanística. La metodología avanza a través de las siguientes etapas:

1. Preprocesamiento y Segmentación de Datos: Los datos de entrada consisten en cortes TIFF de escala de grises secuenciales reconstruidos en un conjunto de datos volumétricos 3D. Se aíslan los vóxeles de alta intensidad utilizando un umbral basado en la intensidad ($I_{thr} = 250$) para suprimir el ruido de fondo. El etiquetado de componentes conectados identifica regiones brillantes individuales. Se excluye el componente más grande, correspondiente al límite del espécimen o a artefactos de imagen. Los componentes restantes se clasifican como poros si su volumen ($A_k$) satisface la condición $2 < A_k < 0.01 A_{max}$, donde $A_{max}$ es el tamaño del componente conectado más grande.
2. Extracción de Características: Cada uno de los 500 poros identificados se caracteriza mediante descriptores geométricos y espaciales, incluyendo:
   • Tamaño: Conteo total de vóxeles.
   • Forma: Relación de aspecto y extensión.
   • Posición Espacial: Coordenadas del centroide y la distancia normalizada mínima desde el centroide del poro hasta la superficie del espécimen.
3. Construcción de la Red: Se construye una red de interacción de poros donde los poros actúan como nodos. Las conexiones (aristas) se establecen basándose en un criterio de distancia euclidiana basado en percentiles (específicamente el 20% más bajo de las distancias por pares) para asegurar una densidad de red consistente sin umbrales globales arbitrarios. Esto resultó en una red de 500 nodos y 24,950 aristas.
4. Aprendizaje Automático y Explicabilidad: Un modelo de aprendizaje automático supervisado predice una puntuación de criticidad escalar para cada poro utilizando los descriptores extraídos. Para interpretar el modelo, se emplean las explicaciones SHapley Additive exPlanations (SHAP). La importancia de las características se cuantifica mediante valores absolutos medios de SHAP, y la direccionalidad de las contribuciones se analiza mediante gráficos de beeswarm y de dependencia.

Resultos Clave
El análisis del volumen tomográfico segmentado y el subsiguiente modelo de aprendizaje automático arrojó los siguientes hallazgos:

• Dominancia de la Proximidad a la Superficie: El análisis SHAP revela que la distancia superficial normalizada es la característica dominante por excelencia, contribuyendo con una importancia más de un orden de magnitud mayor que todos los demás descriptores combinados. La salida del modelo es efectivamente aproximada por la contribución de la distancia superficial, con las otras características actuando como modificadores insignificantes.
• Relación Inversa con la Criticidad: Existe una relación inversa fuerte y casi lineal entre la distancia a la superficie y la criticidad predicha. Los poros ubicados más cerca de la superficie del espécimen exhiben puntuaciones de criticidad significativamente más altas, mientras que aquellos situados más profundamente en el material muestran puntuaciones progresivamente menores. Esto indica un mecanismo de fallo impulsado por el límite.
• Influencia Mínima del Tamaño y la Geometría: Contrario a las suposiciones convencionales, el tamaño del poro proporciona una influencia mínima en las predicciones de criticidad. Aunque los poros más grandes muestran una débil contribución positiva, no actúan como impulsores primarios. Los descriptores geométricos, incluyendo la relación de aspecto, la extensión y la posición axial, demuestran un impacto insignificante, con valores SHAP agrupados estrechamente alrededor de cero.
• Distribución Espacial: La red 3D reconstruida muestra que los poros están distribuidos a lo largo de toda la altura del espécimen, pero están fuertemente localizados cerca del límite radial exterior, formando una disposición anular con un núcleo escasamente poblado.

Significación y Reivindicaciones
El artículo sostiene que este marco interpretable permite una evaluación transparente de los defectos al desplazar el enfoque de las predicciones algorítmicas opacas hacia la comprensión física. La principal significación radica en la revelación de que la ubicación espacial (específicamente la proximidad al límite) gobierna la criticidad de los poros más que la morfología o el tamaño intrínseco del poro.

Este conocimiento mecanístico sugiere que las estrategias de aseguramiento de la calidad y los controles de proceso deben priorizar la mitigación de los defectos cercanos a la superficie sobre la reducción de la porosidad en el volumen (bulk). Al proporcionar información accionable sobre la base física de la criticidad, el marco respalda la toma de decisiones basada en datos para la optimización de procesos. Los autores posicionan este trabajo como un paso hacia la validación de mecanismos de criticidad impulsados por la superficie, proponiendo trabajos futuros para extender la metodología a través de diferentes sistemas de aleaciones y procesos de fabricación para validar su generalizabilidad.