选区激光熔化技术(selective laser melting,SLM)作为增材制造技术的一种，正逐步成为国内外研究热点。SLM 技术以直径非常小的激光光斑作为能量源，采用“离散降维”的方法简化复杂制造[1]，SLM 成形原理如图1 所示。SLM 成形是在惰性保护气体氛围中，先铺粉，再依据零件截面的几何信息确定扫描路径，通过高功率激光沿设定的扫描路径熔化预先铺好的金属粉末，当完成一层的制造后，成形平台下降一定高度， 重复上述铺粉与熔化粉末的过程，直到零件加工完成[2]。与传统制造技术相比，SLM 技术具有以下几个特点：①可成形复杂零件，不受外形复杂程度约束[3]；②材料利用率高[4]；③SLM 成形制件的性能优良[5]；④后处理工序简单[6]。
图1 SLM 成形原理示意图
Fig.1 Schematic diagram of the SLM forming principle
目前SLM 技术已广泛应用于汽车、国防、生物医疗、航空航天等领域，并且产业规模仍在不断增长[7]。 但孔隙作为SLM 成形制件常见缺陷的一种，对SLM 成形制件的性能与可靠性具有重大的影响。 SLM 成形件难以完全消除孔隙缺陷，过多孔隙缺陷会使SLM 成形制件的伸长率、 疲劳等力学性能无法满足使用要求[8]，对成形件的性能与可靠性产生重大影响。
关于SLM 孔隙缺陷， 国内外学者做了大量研究。2017 年，南京航空航天大学顾冬冬等[9]采用数值模拟方法研究了不同激光扫描速度下的孔隙变化行为，结果表明，扫描速度在确定孔隙类型方面起着重要作用。 2018 年，华中科技大学段伟等[10]对钛合金TC4 激光熔覆过程进行数值模拟，分析了不同激光功率、焊接速度下激光熔覆过程中的温度场及应力场，并预测了缺陷可能出现的位置。 2019 年，丹麦技术大学Mohamad Bayat 等[11]采用数值和实验相结合的方法对选区激光熔化孔隙问题进行研究，分析了SLM 小孔诱导气孔的形成、演化和消失及其引发机制，结果表明，孔隙的形成与局部冷区的存在关系密切。 2023 年，华中科技大学材料成形与模具技术国家重点实验室徐晓静、伍缘杰等[12-13]针对SLM铺粉缺陷等问题，搭建了一种基于图像处理的SLM铺粉缺陷检测识别与分类系统， 该系统对铺粉缺陷的检测识别具有较高的识别精度与检测效率， 有助于提升SLM 生产效率和生产品质。2023 年，上海交通大学王洪泽等[14]基于实验观察到的小孔-渗透孔，建立了一个多物理有限体积模型， 其中小孔由于其不稳定性而穿透熔池， 小孔尖端过早地被凝固界面捕获，其形成可以归因于锁孔波动。 SLM 成形过程在封闭的成形室中进行， 许多重要信息不便于直接观察。 因此，国内外众多研究采用红外、X 射线等手段，对SLM 孔隙进行研究。 2020 年，美国劳伦斯利弗莫尔国家实验室Forien 等[15]利用高速红外二极管热像仪和高速光学成像信号， 对不同激光功率和速度的LPBF 打印进行了监测，结果表明，高温计信号和熔池尺寸随激光功率的增大和速度的减小而增大。 2020 年，清华大学赵沧等[16]使用高速X 射线成像对Ti-6Al-4V 中孔隙的形成过程进行了操作性观察，发现关键锁孔不稳定，在熔池中产生声波，为锁孔尖端附近的孔隙提供额外的驱动力， 使其远离锁孔并被捕获为缺陷。 2021 年，美国佐治亚理工学院Elliott W 等[17]使用CT 检测得到的拉伸样品，研究了孔隙率与拉伸性能之间的关系，结果表明，总伸长率和均匀伸长率是受孔隙率影响最显著的拉伸性能。2022 年，英国伦敦大学学院Huang YZ 等[18]利用同步加速器X 射线成像，揭示了激光粉末层熔融成形过程中锁孔和气孔的行为。 2022 年，新加坡国立大学Wang 等[19]采用X-CT 扫描SLM 打印件的孔隙，深入研究孔隙影响零件的拉伸行为。2022 年，瑞士联邦材料科学与技术研究所Pandiyan 等[20]采用由4 个传感器(背反射(BR)、可见光、红外(IR)和结构声发射(AE))组成的传感系统，对SLM 成形过程中的孔隙进行原位监测。
当前，国内外学者围绕SLM 成形孔隙缺陷，开展了较为充分的研究，研究内容包括工艺参数对孔隙的影响以及孔隙行为分析等，采用的方法主要有数值模拟、机器视觉等，近些年，还涌现了众多采用X 射线等新型手段观测SLM 孔隙的研究，但是现有的SLM 孔隙观测研究基本都是仅针对SLM 孔隙成形过程或者SLM 孔隙成形结果单方面开展的，关于两者之间差异的研究较为缺乏。
本文针对高温合金材料GH4169 开展SLM 孔隙缺陷研究， 获取监测SLM 成形过程的可见光图像与检测SLM 成形结果的CT 图像， 从SLM 成形的过程监测与结果检测两个方面对SLM 孔隙进行研究，分析SLM 成形孔隙随层厚的演变规律。
1 实验材料与方法
1.1 实验准备
该研究的材料为GH4169， 是一种沉淀强化的镍基高温合金，具有良好的加工、焊接性能，能够制造各种形状复杂的零部件，在航天航空、核能、模具等领域应用广泛。 其主要化学成分如表1 所示。
表1 GH4169合金成分
Tab.1 Chemical composition of GH4169 superalloy
?
采用的SLM 打印设备为课题组特别定制BLT S210， 在原设备基础上增加了可见光检测相机，并且集成了扫描检测功能。 当完成1 层激光扫描使金属粉末熔化凝固后， 相机自动拍摄1 张打印凝固完成后的可见光图像。拍摄的可见光图像中，单个像素的实际尺寸约为40 μm，接近1 个粉粒的尺寸，相当于1 个可见光图像像素代表1 个粉粒。 在统计代表孔隙像素的个数时，数量越少，统计误差越大，因此，本文针对孔隙开展的研究，只适合大尺寸孔隙(孔隙尺度在100 μm 及以上)。 对打印的GH4169 合金拉伸件试样图像进行研究， 拉伸件形状尺寸如图2 所示。 相机拍摄的可见光图像存储在BLT S210 设备中，通过CT 扫描，得到该批次样品的CT 图像。获取打印件可见光图像与CT 图像流程如图3 所示。
图2 拉伸件样品设计示意图
Fig.2 Schematic diagram of sample design for stretched parts
图3 可见光图像与CT 图像流程图
Fig.3 Flow chart for obtaining visible light images and CT images
在该批次的拉伸件打印件中，基于视觉分析，38号打印件的孔隙较多较为明显，因此选取38 号打印件的可见光图像与CT 图像进行分析。 38 号打印件的工艺参数如表2 所示。
表2 38号打印件工艺参数表
Tab.2 Process parameters for print No. 38
?
从图像中能提取关于孔隙的信息， 最直观的就是孔隙周长与面积，周长用C 表示，面积用S 表示，因此本文选取孔隙的周长C 与面积S 作为特征参数。仅有周长与面积两个特征参数，只是对孔隙的大小维度进行了分析。 为了更深入地了解孔隙的演变规律，增加圆度这一特征参数，对孔隙的形态变化进行分析，圆度用R 表示，通过下式计算：
式中，R 为与1 个完美圆的相似程度， 取值范围在(0,1)，值越接近1，表示与圆的相似性越高。 因此，需要从图像中提取孔隙的信息有C 与S。
1.2 图像处理
从设备获取可见光图像后，选取38 号打印件图像。获取到的原始可见光图像中，白色区域为孔隙缺陷，打印件内黑色区域为填充部分，介于白色与黑色的灰色区域对孔隙缺陷的提取有干扰作用。因此，需要进行图像增强处理，以突出孔隙缺陷特征，屏蔽其他干扰信息。
对38 号打印件的可见光图像， 尝试了几种图像增强处理， 最终选定Gamma 变换处理。 Gamma变换表达式为：
式中，Vout 为变化后的灰度值；Vin 为原灰度值；Count、γ 为常数。 Gamma 变换属于非线性变换，在Gamma 变化中，输出图像灰度值与输入图像灰度值呈指数关系。设置参数：Count=0.000 000 05，γ=4，该参数设置可使得输出结果也在0~255 范围内。Gamma变换依据像素点自身差异进行区分，图像中的孔隙部分不会产生严重的失真，并且是通过指数的方式差异化， 具有很强的区分能力。 经过Gamma 变换后，原图的灰色区域与黑色区域均被压缩至黑色区域，而白色区域基本保留，达到了突出孔隙缺陷、抑制其他区域干扰信息的要求。
在完成对可见光图像的增强处理后， 对图像进行二值化处理。对可见光图像进行二值化处理，对比发现阈值设置为130 效果较好。 可见光图像原图、Gamma 变换后的可见光图像及二值图像对比如图4(a)所示。 CT 图像原材料填充背景为白色，孔隙缺陷为黑色，经过二值化后的图像孔隙为黑色，填充材料为白色。 设置不同阈值，经过对比，最终设置CT图像的二值化阈值为63。 CT 图像原图与二值图像对比如图4(b)所示。
图4 图像处理前后对比：(a)可见光图像原图(上)，Gamma 变换图像(中)，二值图像(下)，(b)CT 图像原图(左)，二值图像(右)Fig.4 Comparison of images before and after image processing:(a)original image of visible light image(top),gamma transform image(middle),binary image(bottom),(b)original CT image(left),binary image(right)
1.3 可见光图像与CT 图像对应孔隙确定
SLM 成形过程中，第N+1 层的铺粉与打印对第N(或及以下)层有影响，成形过程中的第N 层与成形完成后该层的成形情况有所不同。SLM 成形过程中，在第N 层出现的孔隙，可被相机捕捉，但受到后续成形的影响，孔隙可能被填充。 同时，原本在打印过程中第N 层未出现的孔隙， 在经历后续的成形后，可能在第N 层出现一个新的孔隙，这两种情况都会导致可见光图像与CT 图像中的孔隙不对应。
为了研究孔隙的演变规律，需要从可见光图像与CT 图像中找出一组相对应的孔隙。 采用视觉观察方法， 在可见光图像与CT 图像的二值图像中寻找对应的孔隙缺陷。经过视觉观察，最终在11-17 号可见光图像与8-16 号CT 图像中同一区域内找到一组相对应且较为完整的孔隙缺陷图像， 提取11-17 号可见光图像与8-16 号部分CT 图像，如图5所示，将该特定孔隙作为目标孔隙进行后续研究。
图5 38 号打印件的可见光图像(上)与CT 图像(下)
Fig.5 Visible light images(top)and CT images(bottom)of print No.38
在可见光图像中，拍摄的前5 层打印为基板与打印件的连接部分，第5 层后开始打印样品。 根据工艺参数可知，铺粉层厚为0.03 mm，因此可见光图像11-17 号对应的实际样品层数为6-12 层，对应的实际层厚分别为0.18 和0.36 mm。 CT 图像中，1.5 mm 的打印件等间距拍摄了59 张图像， 打印件被分成60 等分， 则相邻两张CT 图像层厚间距为0.025 mm。因此CT 图像中8 号与16 号图像对应的层厚分别为0.2 和0.4 mm。 目标孔隙层厚如表3 所示。 可见光图像与CT 图像中目标孔隙随层厚变化如图6 所示。
表3 可见光图像与CT图像目标孔隙层厚
Tab.3 Target pore layer thickness of visible light images
and CT images
?
图6 38 号打印件：(a)可见光图像孔隙随层厚变化，(b)CT 图像目标孔隙随层厚变化
Fig.6 Print No.38:(a)variation in pore with layer thickness in visible light images,(b)variation in pore with layer thickness in CT images
1.4 目标孔隙周长与面积提取
采用了一种基于卷积操作的孔隙周长与面积提取方法。 首先，用切片提取出二值图像中包含目标孔隙缺陷的小范围矩形区域。 再定义一个行列数与划分区域相同的flag 标签矩阵，矩阵中的元素排列与提取的小矩形区域一致，并且对flag 矩阵中的元素做如下设置：若像素点为孔隙缺陷区域，则flag列表中该像素点的对应位置的值设置为1； 若像素点不为孔隙缺陷区域， 则flag 矩阵中该像素点的对应位置的值设置为0。
其次，定义卷积核kernel，卷积核kernel 的表达式如式(3)所示，令kernel 卷积核与flag 标签矩阵做卷积操作。 本文中进行的卷积操作并不是一般常见的卷积运算， 在kernel 卷积核与flag 标签矩阵卷积前， 先判定与kernel 卷积核进行卷积的3×3 卷积区域中心元素为0 还是为1：中心元素为0，表明该点为非孔隙区域，结果用0 代替；中心元素为1，表明该点为孔隙区域，则进行卷积运算。
最后，根据卷积结果进行分类讨论。 kernel 卷积核与flag 标签矩阵中孔隙区域卷积运算结果result只有1、2、3、4、5，5 种，根据这5 种结果进行讨论，讨论分析如图7 所示。
图7 卷积结果分类讨论
Fig.7 Discussion for convolutional result classification
综上所述，在计算周长时，统计代表周长像素个数表达式为∑(5-result)；在计算面积时，统计代表面积像素个数表达式为∑(number of pixels)。
2 实验结果及讨论
2.1 可见光图像与CT 图像目标孔隙结果统计
对38 号打印件可见光图像11-17 号图像中的目标孔隙提取周长与面积， 统计可见光二值图像中目标孔隙代表周长和面积的像素个数。 使用ImageJ 软件测量单个像素点的实际尺寸， 测量结果表明， 每个像素代表的实际长度为0.040 7 mm。将孔隙转换为实际大小，并计算孔隙圆度，结果如表4 所示。 采用同样的方法对CT 图像序号8-16图像中的目标孔隙提取周长与面积， 统计代表孔隙周长与面积的像素个数。 测量出CT 图像中每个像素的长度为0.018 46 mm。 将孔隙的周长与面积转换为实际大小，并计算孔隙圆度，如表5所示。
表4 可见光图像孔隙特征参数实际值统计结果
Tab.4 Statistical results of actual values of pore characteristic parameters in visible light images
?
表5 CT 图像孔隙特征参数实际值统计结果
Tab.5 Statistical results of actual values of pore characteristic parameters in CT images
?
2.2 可见光图像与CT 图像特征参数对比分析
可见光图像代表孔隙在未受到后续成形影响时的结果， 而CT 图像则代表孔隙在受到后续打印成形影响后的结果，通过对比两种图像中的孔隙特征参数随层厚的变化， 分析N+1 层的成形对第N(或及以下)层孔隙的影响。 根据表4 与表5，标出目标孔隙所在层厚位置，如图8(a)所示。
图8 可见光图像与CT 图像目标孔隙特征参数随层厚变化图：(a)层厚示意图，(b)孔隙周长变化图，(c)孔隙面积变化图，(d)孔隙圆度变化图
Fig.8 Variation in target pore characteristic parameters with layer thickness in visible light images and CT images:(a)Schematic diagram of layer thickness,(b)variation in pore perimeter,(c)variation in pore area,(d)variation in pore roundness
可见光图像与CT 图像目标孔隙的周长随层厚变化如图8(b)所示，目标孔隙的周长在孔隙演变的前半部分为可见光图像中的周长大于CT 图像中的周长， 而后半部分则是CT 图像中目标孔隙的周长大于可见光图像中的周长， 两者大约在层厚0.29 mm处交汇。 可见光图像中的孔隙比CT 图像中的孔隙更先出现，也比CT 图像中的孔隙更早湮灭。
可见光图像与CT 图像目标孔隙面积随层厚变化如图8(c)所示。在前半部分，可见光图像中目标孔隙的面积大于CT 图像中的目标孔隙面积， 后半部分CT 图像的目标孔隙面积大于可见光图像中目标孔隙的面积， 二者同样是在层厚0.29 mm 左右相交。同样，可见光图像中比CT 图像中的孔隙更早出现，也比CT 图像中的孔隙更早湮灭，可见光图像中孔隙消失后，CT 图像中的孔隙仍会在后续的打印层出现。
从图8(b~c)中可以发现，在孔隙存在的前半部分，可见光图像中孔隙周长与面积较CT 图像更大，在孔隙后半部分，可见光图像中孔隙的周长与面积较CT 图像更小，表明孔隙形成的前半部分，第N+1层的成形对第N(或及以下)层孔隙具有缩小作用，后半部分具有扩大作用。
可见光图像中比CT 图像中的孔隙更先出现，同时比CT 图像中的孔隙更先湮灭， 可见光图像中孔隙消失后，CT 图像中的孔隙仍会在后续的打印层出现， 但此时CT 图像中的孔隙也将消失， 表明CT 图像中的孔隙相较于可见光图像中的孔隙变化有滞后。
可见光图像与CT 图像目标孔隙圆度随层厚变化如图8(d)，目标孔隙圆度随层厚在可见光图像与CT 图像中的变化趋势均为先下降，后上升。 可见光图像与CT 图像中，孔隙的圆度均为整体两边高，中间低， 因为两边是孔隙的形成与湮灭阶段， 孔隙较小，接近粉粒尺度，形貌趋于圆形，因此圆度较大。而中间部分，孔隙较大，远大于粉粒尺度，孔隙易于形成其他形貌，因此圆度较小。可见光图像中孔隙的圆度整体大于CT 图像中孔隙圆度，表明第N+1 层的成形具有减小第N(或及以下)层孔隙圆度的作用。
3 结论
(1)可见光图像中的孔隙出现与湮灭的所在层厚均小于CT 图像， 表明CT 图像孔隙特征参数随层厚变化滞后于可见光图像。
(2)在孔隙存在的前半部分，可见光图像中孔隙周长与面积较CT 图像更大，表明第N+1 层的成形对第N（或及以下）层孔隙具有缩小作用，在孔隙存在的后半部分， 可见光图像中孔隙的周长与面积较CT 图像更小，表明第N+1 层的成形对第N(或及以下)层孔隙具有扩大作用。
(3)可见光图像中孔隙的圆度整体大于CT 图像中孔隙圆度， 表明第N+1 层的成形作用使得第N(或及以下)层孔隙的圆度有所减小。
[1] WU B,JI X,ZHOU J, et al. In situ monitoring methods for selective laser melting additive manufacturing process based on images—A review[J].China Foundry,2021,18(4):256-285.
[2] 陶攀，李怀学，许庆彦，等. 激光选区熔化工艺过程数值模拟的国内外研究现状[J].铸造，2017,66(7):695-701.TAO P,LI H X,XU Q Y,et al.Research status of numerical simulation of selective laser melting process at home and abroad[J].Foundry,2017,66(7):695-701.
[3] TAPIA G,ELWANY A.A review on process monitoring and control in metal-based additive manufacturing[J].Journal of Manufacturing Science&Engineering.2014,136(6):60801.
[4] 王红军.增材制造的研究现状与发展趋势[J].北京信息科技大学学报(自然科学版).2014,29(3):20-24.WANG H J.Research status and development tendency of additive manufacturing[J].Journal of Beijing Information Science&Technology University,2014,29(3):20-24.
[5] 王黎.选择性激光熔化成形金属零件性能研究[D].武汉：华中科技大学，2012.WANG L. Research on the performance in selective laser melting of metallic part[D].Wuhan: Huazhong University of Science and Technology,2012.
[6] 张安峰，李涤尘，梁少端，等. 高性能金属零件激光增材制造技术研究进展[J].航空制造技术，2016,517(22):16-22.ZHANG A F,LI D C,LIANG S D,et al.Development of laser Additive manufacturing of high-performance metal parts[J].Aeronautical Manufacturing Technology,2016,517(22):16-22.
[7] 王磊，卢秉恒. 我国增材制造技术与产业发展研究[J]. 中国工程科学，2022,24(4):202-211.WANG L,LU B H. Development of additive manufacturing technology and industry in China[J].Strategic Study of CAE,2022,24(4):202-211.
[8] 李军，刘婷婷，廖文和，等.激光选区熔化GH3536 高温合金成形特征与缺陷研究[J].中国激光，2023,50(12):211-220.LI J, LIU T T, LIAO W H, et al. Forming characteristics and defects of GH3536 superalloy by selective laser melting[J].Chinese Journal of Lasers,2023,50(12):211-220.
[9] XIA M, GU D, YU G, et al. Porosity evolution and its thermodynamic mechanism of randomly packed powder-bed during selective laser melting of Inconel 718 alloy[J].International Journal of Machine Tools and Manufacture,2017,116:96-106.
[10] 段伟，殷亚军，周建新，等. 钛合金TC4 激光熔覆成形的数值模拟研究[J].热加工工艺，2018,47(16):155-159.DUAN W,YIN Y J,ZHOU J X,et al.Numerical simulation study on laser cladding forming of TC4 titanium alloy[J].Hot Working Technology,2018,47(16):155-159.
[11] BAYAT M, THANKI A, MOHANTY S, et al. Keyhole-induced porosities in laser-based powder Bed fusion(L-PBF)of Ti6Al4V:High-fidelity modelling and experimental validation[J]. Additive Manufacturing,2019,30:100835.
[12] 徐晓静. 基于机器视觉的激光选区熔化铺粉缺陷自动检测与分类研究[D].武汉：华中科技大学，2021.XU X J.Research on automatic detection and classification of defects of SLM powder Bed based on machine vision[D].Wuhan:Huazhong University of Science and Technology,2021.
[13] 伍缘杰，徐晓静，计效园，等. 基于图像处理的SLM 铺粉缺陷检测识别与分类研究 [J]. 特种铸造及有色合金，2023, 43(1):23-28.WU Y J,XU X J, JI X Y, et al. Defect recognition and classification of SLM powder spreading based on image processing[J].Special Casting&Nonferrous Alloys,2023,43(1):23-28.
[14] GUO L, WANG H, LIU H, et al. Understanding keyhole induced-porosities in laser powder bed fusion of aluminum and elimination strategy[J]. International Journal of Machine Tools and Manufacture,2023,184:103977.
[15] FORIEN J, CALTA N P., DEPOND P J, et al. Detecting keyhole pore defects and monitoring process signatures during laser powder bed fusion:A correlation between in situ pyrometry and ex situ X-ray radiography[J].Additive Manufacturing,2020,35:101336.
[16] ZHAO C,PARAB N D,LI X,et al. Critical instability at moving keyhole tip generates porosity in laser melting[J].Science,2020,370(6520):1080-1086.
[17] JOST E W,MIERS J C,ROBBINS A,et al.Effects of spatial energy distribution-Induced porosity on mechanical properties of laser powder Bed fusion 316 L stainless steel[J].Additive Manufacturing,2021:101875.
[18] HUANG Y Z,FLEMING T G,CLARK S J,et al.Keyhole fluctuation and pore formation mechanisms during laser powder bed fusion additive manufacturing[J].Nature Communications,2022,13(1),1170.
[19] WANG X, ZHAO L P, FU J Y H, et al. Effects of statistical pore characteristics on mechanical performance of selective laser melted parts:X-ray computed tomography and micromechanical modeling[J].Materials Science&Engineering:A,2022,834:142515.
[20] PANDIYAN V, MASINELLI G, CLAIRE N , et al. Deep learning-based monitoring of laser powder bed fusion process on variable time-scales using heterogeneous sensing and operando X-ray radiography guidance[J].Additive Manufacturing,2022,58:103007.