Erklärbares Computer‑Vision‑Framework erkennt kritische Poren in 3D‑Additiven
In der additiven Fertigung stellen interne Poren ein zentrales Qualitätsproblem dar, das die strukturelle Leistung beeinträchtigt und die industrielle Akzeptanz limitiert. Obwohl automatisierte Defekterkennungssysteme existieren, fehlt ihnen bislang die Interpretierbarkeit, sodass Ingenieure die physikalische Basis von Kritikalitätsvorhersagen nicht nachvollziehen können.
Die vorliegende Studie präsentiert ein erklärbares Computer‑Vision‑Framework, das Poren in dreidimensionalen tomographischen Volumen erkennt und deren Kritikalität bewertet. Durch die Rekonstruktion von Graustufen‑Schnitten zu Volumendaten wurden mittels intensitätsbasierter Schwellenwert‑ und Komponenten‑Analyse 500 einzelne Poren identifiziert.
Jede Poreninstanz wurde anhand geometrischer Merkmale wie Größe, Aspektverhältnis, Ausdehnung und ihrer räumlichen Position zur Bauteilgrenze charakterisiert. Anschließend entstand ein Poren‑Interaktionsnetzwerk, das auf percentile‑basierten euklidischen Distanzkriterien beruht und 24.950 Verbindungen zwischen Poren aufzeigt.
Maschinelles Lernen wurde eingesetzt, um Kritikalitätswerte aus den extrahierten Merkmalen vorherzusagen. Durch SHAP‑Analyse konnten die individuellen Beitragswerte der Merkmale quantifiziert werden. Die Ergebnisse zeigen, dass die normalisierte Oberflächendistanz das Modell dominierend beeinflusst – mehr als ein Vielfaches stärker als alle anderen Parameter. Die Porengröße hat nur einen geringen Einfluss, während weitere geometrische Kennzahlen nahezu vernachlässigbar sind.
Die starke inverse Beziehung zwischen Oberflächennähe und Kritikalität deutet auf Grenz‑getriebene Versagensmechanismen hin. Dieses interpretierbare Framework ermöglicht eine transparente Defektbewertung und liefert umsetzbare Erkenntnisse für die Optimierung additiver Fertigungsprozesse.