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

Technische Samenvatting: Uitlegbaar Computer Vision Framework voor Automatische Poriedetectie en Criticaliteitsbeoordeling in Additive Manufacturing

Probleemstelling
Interne porositeit blijft een primaire defectmodus in additief vervaardigde componenten, wat de structurele integriteit aanzienlijk aantast en industriële adoptie beperkt. Hoewel computertomografie (CT) de visualisatie van interne defecten mogelijk maakt, vertrouwen huidige kwaliteitscontrolesystemen sterk op handmatige of semi-geautomatiseerde analyse die een gebrek heeft aan fysiek inzicht in welke specifieke poriën het grootste risico vormen. Bovendien functioneren traditionele machine learning-modellen die worden gebruikt voor faalvoorspelling vaak als "black boxes", waarbij ze voorspellingen doen zonder mechanistische rechtvaardiging. Deze ondoorzichtigheid verhindert dat ingenieurs het fysieke fundament van criticaliteitsbeoordelingen begrijpen, wat het vertrouwen in geautomatiseerde systemen belemmert en effectieve procesoptimalisatie in de weg staat.

Methodologie
De studie stelt een uitlegbaar computer vision framework voor dat is ontworpen om poriën in driedimensionale tomografische volumes te detecteren en hun criticaliteit met mechanistische transparantie te beoordelen. De methodologie verloopt via de volgende fasen:

1. Data Preprocessing en Segmentatie: De invoerdata bestaat uit opeenvolgende grijswaarden TIFF-slices die zijn gereconstrueerd tot een 3D volumetrische dataset. Hoge-intensiteit voxels worden geïsoleerd met behulp van intensiteitsgebaseerde drempelwaarde ($I_{thr} = 250$) om achtergrondruis te onderdrukken. Connected component labeling identificeert individuele heldere regio's. De grootste component, die overeenkomt met de specimengrens of beeldvormingsartefacten, wordt uitgesloten. Overgebleven componenten worden geclassificeerd als poriën als hun volume ($A_k$) voldoet aan de voorwaarde $2 < A_k < 0.01 A_{max}$, waarbij $A_{max}$ de grootte is van de grootste verbonden component.
2. Feature Extractie: Elke van de 500 geïdentificeerde poriën wordt gekarakteriseerd door geometrische en ruimtelijke beschrijvers, waaronder:
   • Grootte: Totaal aantal voxels.
   • Vorm: Aspect ratio en extent.
   • Ruimtelijke Positie: Centroid coördinaten en de minimale genormaliseerde afstand van de porie-centroid tot het specimenoppervlak.
3. Netwerkconstructie: Een porie-interactienetwerk wordt geconstrueerd waarbij poriën fungeren als knopen (nodes). Verbindingen (edges) worden tot stand gebracht op basis van een percentielgebaseerd Euclidische afstandscriterium (specifiek de laagste 20% van de paarwijze afstanden) om een consistente netwerkdensiteit te garanderen zonder willekeurige globale drempelwaarden. Dit resulteerde in een netwerk van 500 knopen en 24.950 edges.
4. Machine Learning en Uitlegbaarheid: Een supervised machine learning-model voorspelt een scalaire criticaliteitsscore voor elke porie met behulp van de geëxtraheerde beschrijvers. Om het model te interpreteren, worden SHapley Additive exPlanations (SHAP) toegepast. Feature belang wordt gekwantificeerd met behulp van gemiddelde absolute SHAP-waarden, en de directionaliteit van bijdragen wordt geanalyseerd via beeswarm- en dependency plots.

Belangrijkste Resultaten
De analyse van het gesegmenteerde tomografische volume en het daaropvolgende machine learning-model leverde de volgende bevindingen op:

• Dominantie van Oppervlakteproximiteit: SHAP-analyse onthult dat de genormaliseerde oppervlakteafstand de overweldigend dominante feature is, met een bijdrage die meer dan een orde grootte belangrijker is dan alle andere beschrijvers gecombineerd. De modeloutput wordt effectief benaderd door de bijdrage van de oppervlakteafstand, waarbij andere features fungeren als verwaarloosbare modulatoren.
• Inverse Relatie met Criticaliteit: Er is een sterke, bijna lineaire inverse relatie tussen oppervlakteafstand en voorspelde criticaliteit. Poriën die zich dichter bij het specimenoppervlak bevinden, vertonen aanzienlijk hogere criticaliteitsscores, terwijl poriën dieper in het materiaal een progressief lagere scores vertonen. Dit duidt op een door de rand gedreven faalmechanisme.
• Minimale Invloed van Grootte en Geometrie: In tegen tegenstelling tot conventionele aannames, heeft poriegrootte een minimale invloed op de voorspellingen van de criticaliteit. Hoewel grotere poriën een zwakke positieve bijdrage laten zien, fungeren zij niet als primaire drijvers. Geometrische beschrijvers, inclusief aspect ratio, extent en axiale positie, vertonen een verwaarloosbare impact, met SHAP-waarden die dicht rond nul geclusterd zijn.
• Ruimtelijke Distributie: Het gereconstrueerde 3D-netwerk laat zien dat poriën over de volledige hoogte van het specimen verdeeld zijn, maar sterk gelokaliseerd zijn nabij de buitenste radiale grens, waarbij ze een annulaire rangschikking vormen met een dun bezette kern.

Significantie en Claims
Het artikel claimt dat dit interpreteerbare framework in staat stelt tot transparante defectbeoordeling door de focus te verschuiven van op afstand ondoorzichtige algoritmische voorspellingen naar fysiek begrip. De primaire significantie ligt in de onthulling dat de ruimtelijke locatie (specifiek de nabijheid van de grens) de porie-criticaliteit meer bepaalt dan de intrinsieke poriemorfologie of grootte.

Dit mechanistische inzicht suggereert dat kwaliteitsborgingsstrategieën en procescontroles in additive manufacturing prioriteit moeten geven aan het mitigeren van nabij-oppervlakte defecten boven de reductie van bulkporositeit. Door inzichten te bieden in de fysieke basis van criticaliteit, ondersteunt het framework databedreven beslissingen voor procesoptimalisatie. De auteurs positioneren dit werk als een stap naar het valideren van oppervlaktegedreven criticaliteitsmechanismen, waarbij toekomstig werk wordt voorgesteld om de methodologie uit te breiden naar verschillende legeringssystemen en fabricageprocessen om generaliseerbaarheid te valideren.