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

Sintesi Tecnica: Framework di Computer Vision Spiegabile per il Rilevamento Automatizzato dei Pori e la Valutazione della Criticità nella Manifattura Additiva

Problema
La porosità interna rimane una delle principali modalità di difetto nei componenti prodotti mediante manifattura additiva, compromettendo significativamente l'integrità strutturale e limitandone l'adozione industriale. Sebbene la tomografia computerizzata (CT) permetta la visualizzazione dei difetti interni, gli attuali metodi di controllo qualità si affidano pesantemente ad analisi manuali o semi-automatizzate che mancano di un'intuizione fisica su quali pori specifici rappresentino il rischio maggiore. Inoltre, i modelli tradizionali di machine learning utilizzati per la previsione dei guasti funzionano spesso come "black box", offrendo previsioni senza una giustificazione meccanicistica. Questa opacità impedisce agli ingegneri di comprendere la base fisica delle valutazioni di criticità, ostacolando la fiducia negli sistemi automatizzati e impedendo l'ottimizzazione efficace del processo.

Metodologia
Lo studio propone un framework di computer vision spiegabile progettato per rilevare i pori in volumi tomografici tridimensionali e valutarne la criticità con trasparenza meccanicistica. La metodologia procede attraverso le seguenti fasi:

1. Pre-elaborazione dei Dati e Segmentazione: I dati di input consistono in slice TIFF in scala di grigi sequenziali ricostruite in un dataset volumetrico 3D. I voxel ad alta intensità vengono isolati mediante una soglia basata sull'intensità ($I_{thr} = 250$) per sopprimere il rumore di fondo. L'etichettatura dei componenti connessi identifica le singole regioni luminose. Il componente più grande, corrispondente al bordo del campione o ad artefatti di imaging, viene escluso. I restanti componenti sono classificati come pori se il loro volume ($A_k$) soddisfa la condizione $2 < A_k < 0.01 A_{max}$, dove $A_{max}$ è la dimensione del componente connesso più grande.
2. Estrazione delle Caratteristiche: Ciascuno dei 500 pori identificati è caratterizzato da descrittori geometrici e spaziali, tra cui:
   • Dimensione: Conteggio totale dei voxel.
   • Forma: Rapporto d'aspetto (aspect ratio) ed estensione (extent).
   • Posizione Spaziale: Coordinate del centroide e la distanza minima normalizzata dal centroide del poro alla superficie del campione.
3. Costruzione della Rete: Viene costruita una rete di interazione tra i pori in cui i pori agiscono come nodi. Le connessioni (archi) sono stabilite sulla base di un criterio di distanza euclidea basato sui percentili (specificamente il 20% più basso delle distanze a coppie) per garantire una densità di rete coerente senza soglie globali arbitrarie. Ciò ha portato a una rete di 500 nodi e 24.950 archi.
4. Machine Learning e Spiegabilità: Un modello di machine learning supervisionato predice un punteggio di criticità scalare per ogni poro utilizzando i descrittori estratti. Per interpretare il modello, vengono impiegati gli SHapley Additive exPlanations (SHAP). L'importanza delle caratteristiche è quantificata tramite i valori assoluti medi di SHAP, e la direzionalità dei contributi è analizzata tramite plot beeswarm e di dipendenza.

Risultati Chiave
L'analisi del volume tomografico segmentato e del successivo modello di machine learning ha prodotto i seguenti risultati:

• Dominanza della Prossimità Superficiale: L'analisi SHAP rivela che la distanza superficiale normalizzata è la caratteristica dominante, contribuendo con un'importanza superiore di un ordine di grandezza rispetto a tutti gli altri descrittori combinati. L'output del modello è efficacemente approssimato dal contributo della distanza superficiale, con le altre caratteristiche che agiscono come modificatori trascurabili.
• Relazione Inversa con la Criticità: Esiste una forte relazione inversa, quasi lineare, tra la distanza superficiale e la criticità predetta. I pori situati più vicino alla superficie del campione mostrano punteggi di criticità significativamente più elevati, mentre quelli situati più in profondità nel materiale mostrano punteggi progressivamente inferiori. Ciò indica un meccanismo di guasto guidato dal confine.
• Influenza Minima di Dimensione e Geometria: Contrariamente alle assunzioni convenzionali, la dimensione del poro fornisce un'influenza minima sulle previsioni di criticità. Sebbene i pori più grandi mostrino un debole contributo positivo, non agiscono come driver primari. I descrittori geometrici, inclusi l'aspect ratio, l'estensione e la posizione assiale, dimostrano un impatto trascurabile, con i valori SHAP strettamente raggruppati attorno allo zero.
• Distribuzione Spaziale: La rete 3D ricostruita mostra che i pori sono distribuiti lungo l'intera altezza del campione ma sono fortemente localizzati vicino al bordo radiale esterno, formando una disposizione anulare con un nucleo scarsamente popolato.

Significatività e Rivendicazioni
L'articolo sostiene che questo framework interpretabile consente una valutazione trasparente dei difetti spostando l'attenzione dalle previsioni algoritmiche opache alla comprensione fisica. La principale significatività risiede nella rivelazione che la posizione spaziale (specificamente la prossimità al confine) governa la criticità dei pori più della morfologia intrinseca o della dimensione del poro.

Questa intuizione meccanicistica suggerisce che le strategie di garanzia della qualità e i controlli di processo dovrebbero dare priorità alla mitigazione dei difetti superficiali rispetto alla riduzione della porosità bulk. Fornendo intuizioni azionabili sulla base fisica della criticità, il framework supporta decisioni basate sui dati per l'ottimizzazione del processo. Gli autori pongono questo lavoro come un passo verso la validazione dei meccanismi di criticità guidati dalla superficie, proponendo come lavoro futuro l'estensione della metodologia a diversi sistemi di leghe e processi di produzione per validarne la generalizzabilità.