И.И. Наумов1, Р.Р. Ибадов2, А.Е. Мерзликина3

1-3 Донской государственный технический университет (г. Ростов-на-Дону, Россия)
1 naumov-85@yandex.ru; 2ragim_ibadov@mail.ru; 3 angelinka-levchenko@mail.ru

Постановка проблемы. Селективное лазерное плавление (СЛП/SLM) позволяет изготавливать сложные металлические детали высокого качества, но его широкое внедрение ограничено из-за отсутствия оперативного автоматизированного контроля качества в процессе печати. Дефекты (микротрещины, поры, непровары, пережоги, деформации) обычно выявляются только после завершения изготовления детали, что приводит к браку продукции до 35-50% и значительным потерям ресурсов. Многие критические дефекты формируются внутри объема или между слоями и не обнаруживаются визуальными методами, а существующие системы мониторинга зависят от оператора и не обеспечивают стабильной оптимизации процесса в реальном времени. В итоге отсутствие высокоточного послойного мониторинга остается ключевым барьером для надежного применения СЛП в ответственных отраслях промышленности.

Цель. Разработать интеллектуальную систему автоматизированного оптического мониторинга СЛП на основе машинного зрения и глубокого обучения, обеспечивающую послойное выявление и классификацию дефектов изделий в реальном времени с высокой точностью и автоматической коррекцией технологических параметров печати.

Результаты. Рассмотрен прототип оптической системы с гиперспектральной, поляризационной и RGB камерами, обрабатывающий слой СЛП за 380 мс с разрешением 4,2 мкм. Анализ выполнен с помощью трех моделей глубокого обучения (U-Net, Mask R-CNN, YOLOv8). Показано, что ансамбль моделей достигает точности свыше 97% и F1-score 96,5%. Подчеркнуто, что датасет из 100 изображений с 1000 дефектами на разных материалах использовался для обучения. Установлено, что валидация показала 94% точность обнаружения дефектов и 2–3% ложных срабатываний. Подготовлены документы для регистрации программного обеспечения и изобретения.

Практическая значимость. Внедрение рассмотренной системы снижает брак изделий на 40–60% (с 35-50% до 5–15%) за счет раннего выявления их дефектов. Контроль ускоряется в 100 раз (с 30–60 мин до 380 мс/слой), сокращая время выпуск продукции на 2-3 недели. При этом достигается экономия материалов и энергии на 30–40%. Система обнаруживает скрытые дефекты, повышая надежность изделий, предназначенных для авиации и медицины. Автоматическая коррекция параметров обеспечивает стабильное качество партий таких изделий.

Наумов И.И., Ибадов Р.Р., Мерзликина А.Е. Оптический мониторинг селективного лазерного плавления // Наукоемкие технологии. 2026. Т. 27. № 1. С. 29−37. DOI: https://doi.org/ 10.18127/ j19998465-202601-03

1. Yang W., Gan X., He J. Defect identification of 316l stainless steel in selective laser melting process based on deep learning. Processes. 2024. V. 12. № 6. P. 1054.
2. Chen H.Y., Lin C.C., Horng M.H., Chang L.K., Hsu J.H., Chang T.W., Tsai M.C. Deep Learning Applied to Defect Detection in Powder Spreading Process of Magnetic Material Additive Manufacturing. Materials. 2022. V. 15. №16. P. 5662.
3. Mehta M., Shao C. Federated learning-based semantic segmentation for pixel-wise defect detection in additive manufacturing. Journal of Manufacturing Systems. 2022. V. 64. P. 197–210.
4. Caggiano A., Zhang J., Alfieri V., Caiazzo F., Gao R., Teti R. Machine learning-based image processing for on-line defect recognition in additive manufacturing. CIRP annals. 2019. V. 68. № 1. P. 451–454.
5. Luo S., Ma X., Xu J., Li M., Cao L. Deep learning based monitoring of spatter behavior by the acoustic signal in selective laser melting. Sensors. 2021. V. 21. № 21. P. 7179.
6. Fathizadan S., Ju F., Lu Y. Deep representation learning for process variation management in laser powder bed fusion. Additive Manufacturing. 2021. V. 42. P. 101961.
7. Westphal E., Seitz H. A machine learning method for defect detection and visualization in selective laser sintering based on convolutional neural networks. Additive Manufacturing. 2021. V. 41. P. 101965.
8. Manivannan S. Automatic quality inspection in additive manufacturing using semi-supervised deep learning. Journal of Intelligent Manufacturing. 2023. V. 34. № 7. P. 3091–3108.
9. Klippstein S.H., Heiny F., Pashikanti N., Gessler M., Schmid H.J. Powder spread process monitoring in polymer laser sintering and its influences on part properties. Jom. 2022. V. 74. № 3. P. 1149–1157.
10. Cheng L., Jiang Z., Wang H., Ma C., Zhang A., Du H., Zhang Y. Low-rank adaptive transfer learning based for multi-label defect detection in laser powder bed fusion. Optics and Lasers in Engineering. 2025. V. 184. P. 108683.
11. Ouidadi H., Guo S., Zamiela C., Bian L. Real-time defect detection using online learning for laser metal deposition. Journal of Manufacturing Processes. 2023. V. 99. P. 898–910.
12. Lin X., Shen A., Ni D., Fuh J.Y.H., Zhu K. In Situ Defect Detection in Selective Laser Melting Using a Multi-Feature Fusion Method. IFAC-PapersOnLine. 2023. V. 56. № 2. P. 4725–4732.
13. Wang R., Cheung C.F., Wang C. Unsupervised defect segmentation in selective laser melting. IEEE Transactions on Instrumentation and Measurement. 2023. V. 72. P. 1–10.
14. Luo S., Ma X., Xu J., Li M., Cao L. Deep learning based monitoring of spatter behavior by the acoustic signal in selective laser melting. Sensors. 2021. V. 21. № 21. P. 7179.
15. Kolosova Z.A., Kolosova O.P., Shnayder D.A. Obtaining a Set of Vibrational Signals from Rolling Bearings with Varying Degrees of Local Defect Development in the Outer Ring. Advanced Engineering Research (Rostov-on-Don). 2025. V. 25. № 3. P. 242–255.