A Novel Spatter Detection Algorithm for Real-Time Quality Control in Laser-Directed Energy Deposition-Based Additive Manufacturing
Notice bibliographique
Résumé
Laser-Directed Energy Deposition (LDED) has recently been widely used for 3D-printing metal components and repairing high-value parts. One key performance indicator of the LDED process is represented by melt pool stability and spatter behavior. In this research study, an off-axis vision monitoring system is employed to characterize spatter formation based on different anomalies in the process. This study utilizes a 1 kW fiber laser-based LDED system equipped with a monochrome high-dynamic-range (HDR) vision camera and an SP700 Near-IR/UV Block visible bandpass filter positioned at various locations. To extract meaningful features from the original images, a novel image processing algorithm is developed to quantify spatter counts, orientation, area, and distance from the melt pool under harsh conditions. Additionally, this study analyzes the average number of spatters for different laser power settings, revealing a strong positive correlation. Validation experiments confirm over 93% detection accuracy, underscoring the robustness of the image processing pipeline. Furthermore, spatter detection is employed to assess the impact of spatter formation on deposition continuity. This research study provides a method for detecting spatters, correlating them with LDED process parameters, and predicting deposit quality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».