Laser Powder Bed Fusion (LPBF) enables the production of complex, high-performance metallic components for aerospace applications, but its industrial adoption is still limited by process instabilities that can compromise part quality and certification. Reliable in-situ monitoring strategies for process anomaly detection are therefore essential to ensure process robustness and repeatability. In this context, powder bed images acquired after laser exposure provide relevant information on the layer condition, although their analysis is challenging because of heterogeneous surface appearances, local brightness variations and subtle process anomalies with low contrast in grayscale images. This thesis investigates a deep learning-based strategy for anomaly detection in an aerospace industrial LPBF case study developed in collaboration with Avio Aero, involving data acquired under realistic production-related conditions and characterized by complex geometrical and process-related features. The work addresses challenging anomaly patterns in grayscale optical images by adapting a localization-oriented YOLOv8n-seg architecture to binary image-level anomaly classification, while preserving localized information on the predicted anomalous regions. The proposed strategy is compared with ResNet50, a well-established reference classification network. The models are evaluated on complete powder-bed images, while robustness is assessed using images perturbed by gamma correction, Gaussian noise and pixelation. On full resolution powder-bed images, YOLOv8n-seg achieved F1-scores above 0.95, whereas ResNet50 ranged between 0.879 and 0.919. Both models maintained high anomaly detection capability, with Recall values in the range 0.918-0.965. However, YOLOv8n-seg kept the False alarm rate (FAR) very low, between 0.000 and 0.020, while ResNet50 produced substantially more false alarms, with FAR values between 0.133 and 0.187. The robustness analysis further shows that the proposed approach remains stable under mild and moderate perturbations, representative of image-quality variations that may realistically occur in industrial monitoring conditions. These results highlight the potential of the proposed YOLO-based strategy for industrial LPBF monitoring, combining image-level nominal/anomalous classification with localized predictions.
La tecnologia Laser Powder Bed Fusion (LPBF) consente la produzione di componenti metallici complessi e ad alte prestazioni per applicazioni aerospaziali, ma la sua adozione industriale è ancora limitata da instabilità di processo che possono compromettere la qualità e la certificazione delle parti. Strategie affidabili di monitoraggio in-situ per il rilevamento di anomalie di processo sono quindi essenziali per garantire la robustezza e la ripetibilità del processo stesso. In questo contesto, le immagini del letto di polvere acquisite dopo l'esposizione al laser forniscono informazioni rilevanti sullo stato del layer, sebbene la loro analisi risulti complessa a causa dell’aspetto superficiale eterogeneo, variazioni locali di luminosità e anomalie di processo sottili, caratterizzate da basso contrasto nelle immagini in scala di grigi. Questa tesi propone una strategia basata su deep learning per il rilevamento di anomalie in un caso studio LPBF industriale in ambito aerospaziale sviluppato in collaborazione con Avio Aero, che include dati acquisiti in condizioni realistiche legate alla produzione e caratterizzati da geometrie complesse e condizioni di processo articolate. Il lavoro affronta pattern anomali complessi in immagini ottiche in scala di grigi adattando un’architettura YOLOv8n-seg orientata alla localizzazione a un compito di classificazione binaria a livello di immagine, preservando informazioni localizzate sulle regioni predette come anomale. La strategia proposta è confrontata con ResNet50, una rete di classificazione di riferimento consolidata. I modelli sono valutati su immagini dell’intero letto di polvere, mentre la robustezza è analizzata utilizzando immagini perturbate mediante correzione di luminosità, rumore gaussiano e riduzione della risoluzione. Su immagini del letto di polvere a piena risoluzione, YOLOv8n-seg ha raggiunto F1-score superiori a 0.95, mentre ResNet50 si è attestato tra 0.879 e 0.919. Entrambi i modelli hanno mantenuto un’elevata capacità di rilevamento delle anomalie, con valori di Recall nell’intervallo 0.918-0.965. Tuttavia, YOLOv8n-seg ha mantenuto valori di False alarm rate (FAR) molto bassi, tra 0.000 e 0.020, mentre ResNet50 ha mostrato FAR sostanzialmente maggiori, con valori compresi tra 0.133 e 0.187. L’analisi di robustezza mostra inoltre che l’approccio proposto rimane stabile in presenza di perturbazioni lievi e moderate, rappresentative di variazioni della qualità dell’immagine che possono realisticamente verificarsi in condizioni di monitoraggio industriale. Questi risultati evidenziano il potenziale della strategia proposta basata su YOLO per il monitoraggio industriale LPBF, combinando una classificazione nominale/anomala a livello di immagine con predizioni localizzate.
AI-driven in-situ monitoring in laser powder bed fusion for aerospace
Passerini, Pietro
2025/2026
Abstract
Laser Powder Bed Fusion (LPBF) enables the production of complex, high-performance metallic components for aerospace applications, but its industrial adoption is still limited by process instabilities that can compromise part quality and certification. Reliable in-situ monitoring strategies for process anomaly detection are therefore essential to ensure process robustness and repeatability. In this context, powder bed images acquired after laser exposure provide relevant information on the layer condition, although their analysis is challenging because of heterogeneous surface appearances, local brightness variations and subtle process anomalies with low contrast in grayscale images. This thesis investigates a deep learning-based strategy for anomaly detection in an aerospace industrial LPBF case study developed in collaboration with Avio Aero, involving data acquired under realistic production-related conditions and characterized by complex geometrical and process-related features. The work addresses challenging anomaly patterns in grayscale optical images by adapting a localization-oriented YOLOv8n-seg architecture to binary image-level anomaly classification, while preserving localized information on the predicted anomalous regions. The proposed strategy is compared with ResNet50, a well-established reference classification network. The models are evaluated on complete powder-bed images, while robustness is assessed using images perturbed by gamma correction, Gaussian noise and pixelation. On full resolution powder-bed images, YOLOv8n-seg achieved F1-scores above 0.95, whereas ResNet50 ranged between 0.879 and 0.919. Both models maintained high anomaly detection capability, with Recall values in the range 0.918-0.965. However, YOLOv8n-seg kept the False alarm rate (FAR) very low, between 0.000 and 0.020, while ResNet50 produced substantially more false alarms, with FAR values between 0.133 and 0.187. The robustness analysis further shows that the proposed approach remains stable under mild and moderate perturbations, representative of image-quality variations that may realistically occur in industrial monitoring conditions. These results highlight the potential of the proposed YOLO-based strategy for industrial LPBF monitoring, combining image-level nominal/anomalous classification with localized predictions.| File | Dimensione | Formato | |
|---|---|---|---|
|
2026_07_Passerini_Tesi.pdf
non accessibile
Descrizione: Testo Tesi
Dimensione
26.43 MB
Formato
Adobe PDF
|
26.43 MB | Adobe PDF | Visualizza/Apri |
|
2026_07_Passerini_Executive Summary.pdf
non accessibile
Descrizione: Testo Executive Summary
Dimensione
892.27 kB
Formato
Adobe PDF
|
892.27 kB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/261376