Benchmarking of Deep Learning Algorithms for In-Situ Defect Detection in Laser-Powder Bed Fusion

Abstract

O processo Laser Powder Bed Fusion (LPBF) é uma técnica de manufatura aditiva metálica em que um feixe laser funde seletivamente finas camadas de pó, possibilitando componentes leves e com geometrias complexas para aplicações aeroespaciais, de energia e biomédicas que seriam difíceis ou inviáveis por usinagem convencional. A mesma flexibilidade que torna o LPBF atraente, entretanto, introduz variabilidade e defeitos internos como falta de fusão, porosidade, cavidades por keyhole e hotspots de superaquecimento que muitas vezes não são visíveis após a fabricação, mas podem comprometer severamente o desempenho mecânico. Sistemas industriais integram, por isso, módulos de tomografia óptica (OT) que registram imagens térmicas camada a camada, oferecendo a possibilidade de monitoramento de qualidade in situ sem depender de tomografia computadorizada (CT) lenta e cara; ainda assim, transformar essas imagens em decisões confiáveis sobre defeitos é desafiador, pois os hotspots são eventos raros, a relação entre intensidade térmica e severidade do defeito é não linear, e as anotações validadas por especialistas são custosas. Trabalhos existentes reportam modelos de aprendizado profundo promissores para monitoramento de LPBF, mas a indústria ainda não dispõe de uma metodologia científica e reprodutível para decidir quais arquiteturas, codificadores e estratégias de treinamento detectam hotspots em condições realistas. Esta tese aborda essa lacuna ao reformular a tarefa de detecção de hotspots como um problema de benchmarking: é investigado se modelos de segmentação semântica conseguem identificar de forma consistente hotspots associados a superaquecimento em imagens de OT quando versões de dados, divisões de validação cruzada e hiperparâmetros são rigidamente controlados. No contexto da Indústria 4.0 do Fraunhofer IPT, é construído um conjunto de dados com 150 instâncias de hotspots validadas por especialistas a partir de cinco construções em LPBF, convertendo formatos proprietários, gerando máscaras binárias de pixels e organizando divisões balanceadas em seções que respeitam a morfologia dos defeitos. A partir esse conjunto, é implementada uma estratégia de benchmarking em três estágios que padroniza pré-processamento, aumentos de dados, registro de experimentos e análise estatística, comparando quatro arquiteturas de segmentação com múltiplos codificadores sob condições de treinamento idênticas, seguida de otimização direcionada de hiperparâmetros e avaliação do impacto de aumentos. Todas as configurações são avaliadas com validação cruzada multi-fold e múltiplas sementes aleatórias, produzindo 15 modelos independentes por configuração para quantificar a variabilidade e evitar conclusões enganosas sobre inicializações ou divisões específicas. A configuração de melhor desempenho (UNet++ com EfficientNet-B0, taxa de aprendizado 10−4 e lote 16, sem aumentos de dados) atinge valor médio de IoU de 0,701, coeficiente Dice de 0,863, precisão 0,802 e sensibilidade 0,934, com baixa variância entre folds e sementes, indicando que o aprendizado profundo é viável para priorizar a revisão de hotspots em LPBF. Ao mesmo tempo, o benchmark evidencia limitações importantes, como a dependência de uma única máquina e arranjo sensor, o tratamento binário focado apenas em hotspots e a persistência de problemas de escassez de dados e deslocamento de domínio, o que motiva extensões futuras para defeitos multiclasse, monitoramento multimodal e generalização entre máquinas.

Laser Powder Bed Fusion (LPBF) is a metal additive manufacturing process in which a focused laser selectively melts thin layers of powder, enabling lightweight, geometrically complex components for aerospace, energy, and medical applications that would be difficult or impossible to obtain by conventional machining. However, the same flexibility that makes LPBF attractive also introduces process variability and internal defects, such as lack of fusion, pores, keyhole-induced cavities, and overheating hotspots, that often remain invisible after production but can severely compromise mechanical performance. Industrial systems therefore integrate optical tomography (OT) modules that record layer-wise thermal images of the build, offering the possibility of in-situ quality monitoring without resorting to slow and expensive computed tomography (CT) inspection; yet, turning these images into reliable defect decisions is challenging, because hotspot patterns are sparse, the relation between intensity and defect severity is non-linear, and expert-validated labels are costly to obtain. Existing works report promising deep learning models for LPBF monitoring, but industry still lacks a scientifically grounded, reproducible methodology to decide which architectures, encoders, and training settings can truly detect hotspot defects under realistic conditions. This thesis addresses that gap by reframing hotspot detection as a benchmarking problem, asking whether semantic segmentation models can consistently segment overheating-related hotspots in OT images when dataset versions, cross-validation splits, and hyperparameters are strictly controlled. Within Fraunhofer IPT’s Industry 4.0 context, a curated dataset of 150 expertvalidated hotspot instances from five LPBF builds is built, converted from proprietary formats, and finally used to generate pixel-accurate masks and construct balanced patch-based splits that respect defect morphology. On top of this dataset, a three-stage benchmarking strategy is implemented, which standardizes preprocessing, data augmentation, logging, and statistical analysis, and then compares four segmentation architectures with multiple encoder backbones under identical training conditions, followed by targeted hyperparameter optimization and an assessment of augmentation impact. All configurations are evaluated with multi-fold, multi-seed cross-validation, producing 15 independent models per setting to quantify variability and avoid misleading conclusions driven by random initialization or unrepresentative splits. The best-performing configuration (UNet++ with an EfficientNet-B0 encoder, trained with a learning rate of 10−4 and batch size 16 without augmentation) achieves mean Intersection over Union (IoU) 0.701, Dice coefficient 0.863, precision 0.802, and recall 0.934, with low variance across folds and seeds, indicating that deep learning is feasible for prioritizing hotspot review in LPBF. At the same time, the benchmark reveals important limitations, such as dependence on a single machine and sensor setup, binary treatment of defects focused only on hotspots, and the persistence of data scarcity and domain shift issues, which motivates future extensions toward multi-class defects, multi-modal monitoring, and cross-machine generalization.