Towards in-situ quality control in PBF-LB/m: Computer Vision and Eddy Current Testing based monitoring and sensor fusion strategies

Quality control in metal Laser Powder Bed Fusion (PBF-LB/m) remains costly and resource-intensive due to reliance on extensive post-build inspection and process variability. This work investigates an automated solution for layer-wise defect detection using Machine Learning (ML) applied to Computer Vision (CV) and Eddy Current Testing (ECT) data. The CV framework integrates a ResNet50 backbone with a temporal aggregation module based on Bidirectional Long Short-Term Memory (BiLSTM) networks and attention mechanisms to jointly model spatial and temporal dependencies across layers. For ECT, a standalone BiLSTM network with attention was implemented to capture temporal signal patterns associated with subsurface anomalies. An intermediate sensor fusion architecture combining both modalities was also explored. The CV model accurately detected surface-visible defects such as lack-of-fusion traces, surface texture variations and voids, whereas ECT showed potential for subsurface defect detection but suffered from hardware sensitivity and data handling limitations. The fusion approach did not improve predictive performance beyond the CV baseline due to increased noise from ECT signals. Future work will focus on enhancing ECT hardware, improving data synchronization, and refining fusion strategies to enable robust, fully integrated real-time quality monitoring in PBF-LB/m.

Il controllo qualità nella produzione additiva metallica mediante Laser Powder Bed Fusion (PBF-LB/m) rimane costoso e richiede molte risorse a causa della dipendenza da ispezioni post-build estese e della variabilità del processo. Questo lavoro indaga una soluzione automatizzata per il rilevamento dei difetti a livello di layer utilizzando il Machine Learning (ML) applicato a dati di Computer Vision (CV) e Eddy Current Testing (ECT). Il framework di CV integra un backbone ResNet50 con un modulo di aggregazione temporale basato su reti Bidirectional Long Short-Term Memory (BiLSTM) e meccanismi di attention per modellare congiuntamente le dipendenze spaziali e temporali tra i layer. Per ECT, è stata implementata una rete BiLSTM autonoma con attention per catturare i pattern temporali del segnale associati ad anomalie subsuperficiali. È stata inoltre esplorata un’architettura intermedia di sensor fusion combinando entrambe le modalità. Il modello CV ha rilevato con precisione difetti visibili in superficie, come tracce di lack-of-fusion, variazioni della texture superficiale e vuoti, mentre ECT ha mostrato potenziale per il rilevamento di difetti subsuperficiali, ma ha risentito della sensibilità dell’hardware e dei limiti nella gestione dei dati. L’approccio di fusione non ha migliorato le prestazioni predittive oltre il baseline di CV a causa dell’aumento del rumore proveniente dai segnali ECT. Il lavoro futuro si concentrerà sul miglioramento dell’hardware ECT, sull’ottimizzazione della sincronizzazione dei dati e sul perfezionamento delle strategie di fusione per abilitare un monitoraggio della qualità robusto e completamente integrato in tempo reale nel -LB/m.