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

Resumo Técnico: Estrutura de Visão Computacional Explicável para Detecção Automatizada de Poros e Avaliação de Criticidade em Manufatura Aditiva

Definição do Problema
A porosidade interna permanece como um dos principais modos de defeito em componentes manufaturados aditivamente, comprometendo significativamente a integridade estrutural e limitando a adoção industrial. Embora a tomografia computadorizada (CT) permita a visualização de defeitos internos, os métodos atuais de controle de qualidade dependem fortemente de análises manuais ou semiautomatizadas que carecem de insight físico sobre quais poros específicos representam o maior risco. Além disso, os modelos tradicionais de aprendizado de máquina usados para a previsão de falhas frequentemente funcionam como "caixas pretas", oferecendo previsões sem justificativa mecanística. Essa opacidade impede que engenheiros compreendam a base física das avaliações de criticidade, dificultando a confiança em sistemas automatizados e obstruindo a otimização do processo.

Metodologia
O estudo propõe uma estrutura de visão computacional explicável projetada para detectar poros em volumes tomográficos tridimensionais e avaliar sua criticidade com transparência mecanística. A metodologia procede através das seguintes etapas:

1. Pré-processamento e Segmentação de Dados: Os dados de entrada consistem em fatias TIFF de tons de cinza sequenciais reconstruídas em um conjunto de dados volumétricos 3D. Voxels de alta intensidade são isolados usando limiarização baseada em intensidade ($I_{thr} = 250$) para suprimir o ruído de fundo. A rotulagem de componentes conectados identifica regiões brilhantes individuais. O maior componente, correspondente ao limite do espécime ou artefatos de imagem, é excluído. Os componentes restantes são classificados como poros se seu volume ($A_k$) satisfizer a condição $2 < A_k < 0,01 A_{max}$, onde $A_{max}$ é o tamanho do maior componente conectado.
2. Extração de Características: Cada um dos 500 poros identificados é caracterizado por descritores geométricos e espaciais, incluindo:
   • Tamanho: Contagem total de voxels.
   • Forma: Razão de aspecto (aspect ratio) e extensão (extent).
   • Posição Espacial: Coordenadas do centroide e a distância normalizada mínima do centroide do poro até a superfície do espécime.
3. Construção de Rede: Uma rede de interação de poros é construída onde os poros atuam como nós. Conexões (arestas) são estabelecidas com base em um critério de distância euclidiana baseado em percentil (especificamente os 20% mais baixos das distâncias pareadas) para garantir uma densidade de rede consistente sem limiares globais arbitrários. Isso resultou em uma rede de 500 nós e 24.950 arestas.
4. Aprendizado de Máquina e Explicabilidade: Um modelo de aprendizado de máquina supervisionado prevê um escore de criticidade escalar para cada poro usando os descritores extraídos. Para interpretar o modelo, utiliza-se SHapley Additive exPlanations (SHAP). A importância das características é quantificada usando valores absolutos médios de SHAP, e a direcionalidade das contribuições é analisada via gráficos de beeswarm e de dependência.

Resultos Principais
A análise do volume tomográfico segmentado e o subsequente modelo de aprendizado de máquina geraram os seguintes achados:

• Dominância da Proximidade de Superfície: A análise SHAP revela que a distância de superfície normalizada é a característica predominantemente dominante, contribuindo com uma importância mais de uma ordem de magnitude maior do que todos os outros descritores combinados. O resultado do modelo é efetivamente aproximado pela contribuição da distância de superfície, com outras características atuando como modificadores negligenciáveis.
• Relação Inversa com a Criticidade: Existe uma relação inversa forte e quase linear entre a distância de superfície e a criticidade prevista. Poros localizados mais próximos da superfície do espécime exibem escores de criticidade significativamente mais altos, enquanto aqueles localizados mais profundamente no material mostram escores progressivamente menores. Isso indica um mecanismo de falha impulsionado pelo limite.
• Influência Mínima de Tamanho e Geometria: Contrariamente às suposições convencionais, o tamanho do poro fornece influência mínima nas previsões de criticidade. Embora poros maiores apresentem uma fraca contribuição positiva, eles não atuam como drivers primários. Descritores geométricos, incluindo razão de aspecto, extensão e posição axial, demonstram impacto negligenciável, com valores SHAP fortemente agrupados em torno de zero.
• Distribuição Espacial: A rede 3D reconstruída mostra que os poros estão distribuídos ao longo de toda a altura do espécime, mas estão fortemente localizados próximos ao limite radial externo, formando um arranjo anular com um núcleo esparsamente povoado.

Significância e Alegações
O artigo afirma que esta estrutura interpretável permite uma avaliação transparente de defeitos ao deslocar o foco de previsões algorítmicas opacas para a compreensão física. A principal significância reside na revelação de que a localização espacial (especificamente a proximidade da borda) governa a criticidade do poro mais do que a morfologia intrínseca ou o tamanho do poro.

Este insight mecanístico sugere que as estratégias de garantia de qualidade e controles de processo na manufatura aditiva devem priorizar a mitigação de defeitos próximos à superfície em vez da redução da porosidade volumétrica (bulk porosity). Ao fornecer insights acionáveis sobre a base física da criticidade, a estrutura apoia decisões baseadas em dados para a otimização do processo. Os autores posicionam este trabalho como um passo em direção à validação de mecanismos de criticidade impulsionados pela superfície, sendo proposto trabalho futuro para estender a metodologia através de diferentes sistemas de ligas e processos de manufatura para validar a generalizabilidade.