面向增材制造的自动孔隙检测与关键性评估的可解释计算机视觉框架

内部孔隙是增材制造构件中至关重要的缺陷模式，可能损害结构性能并限制工业应用。虽然存在自动缺陷检测方法，但缺乏可解释性，导致工程师无法理解关键性预测的物理依据。本研究提出了一种用于三维体积数据孔隙检测和关键性评估的可解释计算机视觉框架。将顺序灰度切片重建为体数据集，并利用基于强度的阈值分割和连通组件分析识别出500个 individual 孔隙。对每个孔隙采用包括尺寸、长宽比、范围和相对于 specimen 边界位置的空间位置等几何描述符进行特征化。构建基于百分位的欧几里得距离准则的孔隙相互作用网络，得到24,950对 inter-pore 连接。机器学习模型从提取的特征预测孔隙关键性评分，并利用SHAP分析量化各特征的贡献。结果表明，标准化表面距离在模型预测中占主导地位，其重要性远高于所有其他描述符。孔隙尺寸贡献最小，几何参数几乎没有影响。孔隙距离表面距离的强烈逆关系揭示了边界驱动的失效机制。该可解释框架使缺陷评估透明化，并为增材制造的工艺优化和质量控制提供可操作性见解。