Desenvolvimento de rede neural para análise de defeitos em PBF-LB/M

Abstract

Para avaliar parâmetros de processo e a qualidade de peças produzidas por Fusão a Laser em Leito de Pó, do inglês Laser Powder Bed Fusion (LPBF), seções transversais metalográficas são comumente preparadas e examinadas por microscopia óptica para detectar defeitos como poros e trincas. Entretanto, esse procedimento é trabalhoso e frequentemente depende de limiarização manual, o que pode introduzir variabilidade, especialmente entre diferentes materiais. Além disso, a distinção manual entre poros e trincas é demorada e difícil de aplicar em larga escala. Este trabalho apresenta o desenvolvimento e o treinamento de um modelo U-Net para a segmentação semântica de defeitos em imagens de microscopia óptica de amostras produzidas por LPBF. O modelo foi treinado para gerar máscaras em nível de pixel destinadas à classificação de defeitos relacionados ao processo, incluindo poros de gás, poros por falta de fusão, trincas frias e trincas quentes. As máscaras de anotação foram criadas a partir de imagens provenientes de dois experimentos distintos. Em seguida, foram realizadas a preparação do conjunto de dados, a definição da rede neural e o treinamento do modelo. A avaliação quantitativa indicou coeficientes Dice próximos a 80% para as classes de defeitos mais frequentes. A inspeção qualitativa sugeriu resultados promissores para a localização de trincas quentes nos exemplos examinados. De modo geral, os resultados indicam que a segmentação semântica baseada em U-Net é uma abordagem promissora para a detecção automatizada de defeitos em imagens de microscopia óptica de seções transversais de amostras produzidas por LPBF. Em particular, o desempenho observado para trincas quentes sugere que o modelo pode servir como uma ferramenta de apoio em estudos sobre a formação de trincas, embora aprimoramentos sejam necessários para representar melhor as classes de defeitos menos frequentes e permitir que o modelo aprenda suas características de forma mais adequada.

To evaluate process parameters and assess part quality in laser powder bed fusion (LPBF), metallographic cross-sections are commonly prepared and examined by optical microscopy to detect defects such as pores and cracks. However, this procedure is labor-intensive and often relies on manual thresholding, which can introduce variability, particularly across different materials. In addition, manually distinguishing between pores and cracks is time-consuming and difficult to scale. This work presents the development and training of a U-Net model for semantic defect segmentation in optical microscopy images of LPBF specimens. The model was trained to generate pixel-level masks for classifying process-related defects, including gas pores, lack-of-fusion pores, cold cracks, and hot cracks. Annotation masks were created from images originating from two separate experiments, followed by dataset preparation, network definition, and model training. Quantitative evaluation showed Dice scores close to 80% for the most frequent defect classes. In contrast, gas pores and cold cracks were underrepresented in the dataset, preventing adequate training and reliable quantitative assessment for these classes. Qualitative inspection suggested promising behavior for hot-crack localization in the examined examples. Overall, the results indicate that U-Net-based semantic segmentation is a promising approach for automated defect detection in optical microscopy images of LPBF cross- sections. In particular, the observed performance for hot cracks suggests that the model could serve as a useful support tool in studies of crack formation, although further improvements are required to better represent and learn less frequent defect classes.