CN105980838A - 用于缺陷指示检测的方法 - Google Patents
用于缺陷指示检测的方法 Download PDFInfo
- Publication number
- CN105980838A CN105980838A CN201480067761.7A CN201480067761A CN105980838A CN 105980838 A CN105980838 A CN 105980838A CN 201480067761 A CN201480067761 A CN 201480067761A CN 105980838 A CN105980838 A CN 105980838A
- Authority
- CN
- China
- Prior art keywords
- instruction
- vct
- volume
- defect
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000007547 defect Effects 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims description 12
- 239000002131 composite material Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011960 computer-aided design Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 230000002146 bilateral effect Effects 0.000 claims 2
- 238000011022 operating instruction Methods 0.000 claims 1
- 238000002601 radiography Methods 0.000 claims 1
- 238000009877 rendering Methods 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 2
- 238000012552 review Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013316 zoning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/18—Investigating the presence of flaws defects or foreign matter
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5282—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to scatter
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/586—Detection of faults or malfunction of the device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
公开了用于检测零件中的潜在缺陷的方法、设备和计算机可读媒体。零件中的潜在缺陷可以自动地被检测,并且可以以各种方式报告给操作员,使得操作员可以回顾缺陷并且采取适当的措施。
Description
相关申请的交叉引用
本PCT实用新型专利申请要求美国专利申请序列号61/915239、标题为“Method for Defect Indication Detection”并且具有2013年12月12目的提交日的当前未决的临时申请的优先权和权益,其全部内容通过引用合并入本文中。
背景技术
公开的实施例一般关于一种或多种用于检测零件中的缺陷指示的方法,以及关于配置成实现所公开方法的选定方面的设备,以及配置成引起计算系统执行所公开方法的选定方面的计算机可读媒体(暂时的和非暂时的)。更具体地,但不作为限制,当前的实施例涉及利用基于体积计算机断层造影(VCT)的数据自动检测零件中的缺陷指示。如本文中所使用的,“缺陷指示”或“指示”可以指可以潜在地具有缺陷的体积的一个部分或区域。本文中将主要使用术语“指示”。
利用三维(3D)体积越来越多地执行的工业检查。例如,在受检下的复合航空器零件上可以执行VCT扫描,以生成3D堆叠,或者2D图像的“体积”,或者零件的“切片”。操作人员随后可以个别地回顾(review)每个2D切片,以便识别通常在复合零件中发现的缺陷指示,例如多孔性问题和分层。
3D模型的逐切片2D检查能够是耗时的、繁重的和/或易出错的。操作员可能被要求单独地并且彼此相关地回顾3D体积的大量2D切片,以确定在整个体积中是否存在缺陷。例如,操作员可能被要求观察在多个2D图像上出现的灰度级的微小变化。该过程是耗时的、冗长的并且容易出错的。同样有可能的是,分析跨操作员以及操作员移位例如由于操作员的疲劳的阶段之间将显著地发生改变。
使缺陷指示检测的方面自动化的先前尝试已具有各种问题。例如,为了减小光束硬化和散射伪影,零件的3D体积的像素或体素已经“归一化”为“标准”,例如铝杆(aluminum rod)。然而,将杆添加到视场可能使图像降级,并且该方法仅对线性计算机断层造影(CT)扫描起作用,并非VCT。此外,该方法要求在零件的形状和标准的形状之间有很少的几何变化或者无几何变化。
鉴于前面提到的挑战和问题,将期望尽可能使缺陷检测过程的许多步骤自动化,使得操作员犯错的可能性较小,每次位移将能够回顾多个零件,并且使得跨操作员和位移零件检查将更加一致。
发明内容
根据一个方面,一种用于通知用户复合零件中的潜在缺陷的基于VCT的方法可以包括获得代表复合零件的3D体积的VCT扫描数据,相对于包括光束硬化和/或散射伪影的复合零件的生成的背景对3D体积进行归一化,检测归一化的3D体积中的潜在缺陷的指示,并且将关于所述指示的信息输出给用户。
根据另一方面,一种用于通知用户复合零件中的潜在缺陷的基于VCT的方法可以包括:从一个或多个计算机网络上的VCT采集设备导入(import)数据,所述数据代表多个相关联的零件;从导入的数据中分割数据的子集,所述子集代表多个相关零件的个别零件;执行辅助的缺陷识别,以便识别并分类子集中的潜在缺陷的指示;并且将被识别并被分类的潜在缺陷的指示报告给操作员。
在各种实施例中,设备可以配置成执行上述方法的选定方面。在各种实施例中,计算机可读媒体(暂时的和非暂时的)可以包括配置成引起一个或多个计算装置执行上述方法的选定方面的指令。
上面概括的所有特征仅将被理解为示范性的,并且可以从本文的公开中收集方法的许多更多特征和目的。因此,在不进一步阅读整个说明书、权利要求书和附带包含的附图的情况下,将理解该概述的非限定性解释。
附图说明
在以下说明中图示了实施例,其中:
图1是示出了根据各种实施例的用于通知操作员零件中的潜在缺陷的指示的基于VCT的方法的操作的流程图。
图2为另一流程图,示出了根据各种实施例的用于通知操作员零件中的潜在缺陷的指示的基于VCT的方法的实施例的操作。
图3描绘了根据各种实施例的通过各种归一化技术获得的示例结果。
图4描绘了根据各种实施例的复合零件的层模型(ply model)。
图5描绘了根据各种实施例的可以基于图4的层模型生成的示例的矢量场。
图6和7描绘了根据各种实施例的更多流程图,示出了用于通知操作员零件中的潜在缺陷的指示的方法的两种更多的实施例的操作,。
图8示意性地描绘了根据各种实施例的计算装置的示例组件,所述组件可以配置成执行本文中描述的各种方法的选定方面。
具体实施方式
现在将详细地参照所提供的实施例,在附图中图示了其一个或多个示例。通过解释说明的方式提供每个示例,不限制所公开的实施例。实际上,能够在当前的实施例中做出各种修改和改变,而无需偏离公开的范围或精神对本领域技术人员是显而易见的。例如,图示或描述为一个实施例的一部分的特征能够和另一实施例一起使用,以产生更另外的实施例。因此,意图本发明涵盖如处于附属的权利要求书及其等同物的范围之内的这类修改和改变。
图1以相当高的水平示意性地描绘了一种示例的基于VCT的方法100,该方法用于通知用户零件中的潜在缺陷的指示。下面将更加详细地描述和描绘方法100的各个方面。在方框102处,可以例如通过馈送一个或多个零件通过VCT扫描系统而获取VCT数据。在方框104处,VCT数据可以被导入数据库或者由其它的计算系统(例如,图8的800)可访问的存储器中,所述计算系统配置有当前披露的选定方面。在方框106处,导入的数据可以例如通过零件被分割。例如,与3D体积相关联的数据可以以其它方式从代表其它零件的体积的数据中区分或者隔离。在一些实施例中,连接的体积可以被选取、提取和自动裁切(autocrop)。
在方框108处,可以执行辅助缺陷识别(ADR)。如下面将更加详细描述的,在各种实施例中,ADR可以包括将3D体积的体素归一化到它本身,利用各种技术对体积去噪声,并且利用诸如区域生长的技术检测和/或分类潜在缺陷的指示。在方框110处,可以基于在方框108处执行的分析来确定受检下的零件是否满足预定的准则。如果答案是“是”(例如,零件示出无潜在缺陷的指示),则零件通过的指示可以被储存例如在“通过”数据库中。
另一方面,如果在方框110处答案是“否”,则在方框112处,各种信息可以被报告给操作员,使得操作员可以随后更严密地回顾潜在的缺陷,以确定零件是否真的不合格,或者自动感知的指示是否足够小使得零件应当通过。例如,在一些实施例中,计算系统可以例如在显示器上呈现零件的3D表示,其中检测到的指示叠加在其上,或者以其它方式呈现在该表示上。另外地或者备选地,在一些实施例中,操作员可以提供有与指示相关的数据,诸如与指示相关联的信号强度。在各种实施例中,“信号强度”可以指任何的指示将多么可能是可丢弃的度量。可以使用各种度量,诸如下降百分率(例如,从邻近的体素)、信噪比、对比度噪声比、幅度等。
在方框114处,基于在方框112处提供给操作员的数据,操作员可以确定零件是否应当通过(例如,指示不具有临界特性)或者是否应当不合格。操作员可以将他的或她的输入提供至计算系统,计算系统可以随后存储零件是否通过或不合格的指示。通过由一个或多个计算系统自动地执行操作108-112,可以使操作员免遭不得不单独地并且与相邻切片关联地回顾3D体积的每个2D切片,以确定零件中是否存在潜在缺陷的指示。
图2是方法200的一种更低水平的示意性描绘,方法200可以作为图1的方法100的一部分而被实现。方框106(分割)再次被描绘,以证明图2的操作可以(但不是被要求)出现在方法100中位置。如在图2的方框106下面示出的,分割可以包括选择连接的体积(例如,从多个连接的体积中)、提取该体积并且自动裁切该体积,使得消除其它的连接体积的部分。在各种实施例中,与方框106相关联的操作的输出可以包括用于检查的单个零件的3D体积。
在方框220处,自动裁切的体积可以被归一化,以减小和/或消除由如同光束硬化和散射的现象引入的伪影。在各种实施例中,体积可以被归一化到其本身。例如,在各种实施例中,可以生成零件的3D“背景”体积。背景模型可以被平滑,例如利用非局部均值滤波器,使得光束硬化和/或散射伪影以及边缘被保留。零件的3D体积的体素可以随后相对于背景体积逐体素地归一化。例如,在一些实施例中,可以从零件的3D体积中减去背景体积,有效地去除了光束硬化和散射伪影。所执行的与方框220相关联的操作也可以被称为“伪影去除”。在一些实施例中,与方框220相关联的各种操作的输出可以是预处理的零件。
图3描绘了从归一化零件的VCT扫描与固定在VCT扫描仪中的悬挂件开口(cutout)的示例结果300,固定装置和开口可以不利地影响归一化-因为零件具有均匀的密度,期望通过零件的切片应当是恒定的。在左侧上,VCT扫描相对于标准的铝杆被归一化。在右侧上,VCT扫描通过减去背景体积而被归一化,如结合图2所描述的那样。能够看出,左侧上的2倍σ(2σ)远大于右侧上的2倍σ。
返回来参照图2,在方框222处,在归一化的体积中可以检测到潜在缺陷的一个或多个指示。在一些实施例中,归一化的体积可以首先去噪声。VCT数量,例如CT扫描数量,可以随着最大CT路径长度而改变。这对于复杂的几何体尤其是真的。为了避免来自更长路径长度的噪声影响更低的路径长度区段,并且为了避免零件的不同区域中的假阳性率,基于相对于CT路径长度的变化的先验知识,对零件的3D体积可以逐切片地进行去噪声。
在一些实施例中,例如为了保留边缘,可以采用双边滤波器,双边滤波器可以是自适应的或者可以不是自适应的。距离图可以被计算,以接近于3D VCT体积的给定切片中的最大路径长度。平滑功率可以通过类似性数值、范围数值(例如,最小边缘强度)、σr以及空间程度σs来确定。在一些实施例中,线性回归模型可以被经验地拟合到类似性数值和最大路径长度。在一些实施例中,可以使用以下方程:
σr=m×dmax+b
其中,m和b是线性模型的回归参数,并且dmax是切片中的最大路径长度。
与检测方框222相关联的操作也可以包括构建用于识别零件的外部(例如,边缘)的掩膜。可以例如全部在零件中以及在局部的邻近中确定零件的孔隙度。在一些实施例中,与方框222相关联的操作可以被用于识别“种子”或种子体素,其可以指示潜在缺陷的指示可能存在于3D体积中位置。在一些实施例中,可以以各种色调、颜色、亮度水平等对指示进行阴影化,以便将它们从相邻区域中区分出来。
在各种实施例中,其中潜在缺陷的指示被检测的3D体积的区域可以例如是“生长的”,以便包含全部的潜在缺陷的指示。以种子体素开始,运行区域生长算法,以便通过基于各种准则按顺序评估邻近的体素来使种子周围的区域“生长”。如果邻近的体素满足准则,则它们可以被加入,由此使潜在缺陷的指示的区域生长。与检测方框222相关联的区域生长操作可以是“最佳效果”操作。
在方框224处,指示可以被分类。在一些实施例中,分类可以包括将潜在缺陷的指示分类为足够有意义的,以便呈现给操作员。在一些实施例中,分类可以包括分析在与方框222相关联的操作期间被阴影化的像素/体素。关于那些阴影化的像素/体素可以做出各种分类决定。在一些实施例中,可以确定一组阴影化的像素/体素是否实际上指示多个单独的缺陷。在一些实施例中,可以确定两组独立的阴影化的像素/体素是否实际上指示单个大缺陷。在一些实施例中,潜在缺陷的指示在垂直于由3D体积的切片限定的平面的方向上可以是生长的。这些技术可以减小或消除假阳性。在一些实施例中,可以识别每个潜在缺陷的指示的信号区域。也可以识别每个潜在缺陷的指示的背景区域。
在一些实施例中,利用区域生长算法,潜在缺陷的指示可以是再次生长的。然而,这一次,指示可以是沿着在零件的计算机辅助设计(CAD)模型中定义的边界生长的。复合零件例如陶瓷基复合可以建立到层中。在许多情况下,这类零件中的潜在缺陷的指示不跨越层而延伸。复合零件的该特性可以被用于引导和/或辅助生长区域。与种子体素位于相同层上的体素可以比在邻近层上的体素更加有可能满足区域生长准则。
图4描绘了零件402的层模型图像400的示例。图5描绘了可以从图4的堆叠层模型生成的矢量场500。在各种实施例中,将被评估的每个体素vi可以与矢量场中的矢量Fi相关联,证明了其中潜在缺陷的指示不大可能生长进入的方向(例如,朝向相邻层)。对于将被评估的每个体素vi,从vi到源体素vj的生长方向Gi可以通过Gi=vi-vj计算。在各种实施例中,用户可以提供两对阈值,用于评估给定的体素vi是否应当被增加到生长区。一对可以是正交于生长方向Gi的粗(coarse)准则(例如,粗min和粗max)。另一对可以是平行于生长方向Gi的更严格的细标准(例如,细min和细max)。在每种情况下,最小值可以被选择成小于当前的像素/体素,并且最大值可以被选择成大于当前的像素/体素。在一些实施例中,组合准则C可以由以下公式确定:
C=(1-α)×C1+α×C2
其中,α是生长方向Gi和矢量方向Fi之间的内部乘积,C1是宽松对的阈值,并且C2是更严格对的阈值。C可以是用于评估中的体素的动态生成的阈值。
在各种实施例中,在与潜在缺陷的一个指示相关联的一个种子体素处开始的一个区域生长过程可能不与在与另一指示相关联的另一种子体素处开始的另一区域生长过程相互作用或发生干扰。因此,在各种实施例中,每个种子体素的区域生长过程都可以在多线程环境的其自身线程中被运行。在一些实施例中,与方框224相关联的操作的输出可以包括指示边界。
返回来参照图2,在方框226处,可以测量例如由与方框224相关联的操作输出的指示边界内的潜在缺陷的指示,以便为操作员提供充足的数据来确定如何解决潜在缺陷的指示。可以为每个指示确定费里特直径。也可以例如基于在与方框224相关联的操作中识别的每个指示的背景来计算信号强度。可以确定从邻近的CT像素/体素数值下降的百分率(或另一信号强度度量)。
在一些实施例中,对于操作员回顾,也可以应用“分区规则”,以确定指示是否值得被标记。分区规则可以包括用于零件的不同区域(即“区域”)的不同排除准则。例如,在零件的第一区域中检测的指示可能不大可能引起下游故障,例如由于那个区域中的缺陷可能不大可能影响下游的性能。然而,在第二区域(例如,零件的非常薄或易碎的部分,或者具有高内部残余应力的区域)中检测的指示可能更加有可能引起下游的性能问题,诸如零件不合格。因此,对于第一和第二区域可以分别使用不同的准则,以确定是否通知操作员那些指示。
在各种实施例中,与方框226相关联的操作的输出可以是以各种方式给操作员的一个或多个报告。在一些实施例中,零件的3D体积可以被呈现在显示装置上。满足上述分区规则的任何指示可以被叠加或者以其它方式被呈现在3D体积上。另外地或备选地,关于每个指示的原始数据-例如其信号强度,从邻近体素下降的百分率等-可以例如在扩展页中报告给操作员。操作员随后可以利用这种输出数据做出关于每个指示的决定(例如,它是足够有意义去排除零件吗?)。
图6比图1或2更加详细地描绘了一种示例的过程600,用于检测指示并且为操作员标记它们。在方框602处,可以生成零件掩膜,并且可以执行洞填充和腐蚀图像处理操作。在方框604处,例如可以执行Z域变换,以便将3D模型和生成的背景变换到Z域(例如,通过平均和标准偏差),使得它们能够被准确地结合。在一些实施例中,可以利用诸如下面的方程来执行该转化:
Z切片=(x-μ)/σ
其中,x代表一件事情,μ代表切片的平均值,并且σ代表切片的标准偏差。
在方框606处,例如利用非局部均值(图6中的“NLM”)滤波器,零件的3D体积可以自归一化,如上面关于与图2的方框220相关联的操作所描述的。如上所述,在一些实施例中,利用3D体积和计算的背景体积也可以执行Z-组合操作。例如,零件的3D体积和生成的背景都可以在Z-域上被减去。在方框608处,可以在3D体积上执行逆Z变换(Z-1)。
在方框610处,例如利用前面提到的自适应双边滤波器,可以执行上面描述的与图2的方框222相关联的去噪声。在方框612处,可以每个切片计算Z统计值,诸如平均值和标准偏差。
在方框614处,可以计算整体孔隙度。例如,在一些实施例中,可以在预处理的体积上执行整体阈值计算。在方框616处,例如通过计算高帽变换(top hat transform)并且随后将结果与阈值进行比较可以计算局部孔隙度。在方框618处,可以定义材料区域-即图像区域,其中很可能将发现很少缺陷或无缺陷。
在方框620处,种子区域(例如,在种子体素开始)可以被生长,如上所描述的。在一些实施例中,可以采用梯度和/或分水岭图像处理技术,以使区域生长。在方框622处,可以滤掉不满足各种准则的潜在缺陷的指示。在方框624处,可以计算潜在缺陷的其余指示的背景。在方框626处,例如利用诸如下面的方程,可以计算潜在缺陷的每个指示的信号强度(例如,下降百分率或者“SBR”):
SBR=(μb-σmin)/μb,
其中μb代表平均值,并且σmin代表标准偏差。在方框628处可以例如向操作员报告信号强度百分率下降,使得操作员能够决定应当采取什么样的进一步行动。
图7描绘了一种非常类似于图6的方法600的方法700,并且因此大多数方框被等同地标注。然而,方法600的方框620由方框720代替,其中方向矢量结合如上面所描述的层复合模型一起使用以便使区域生长。另外,方框622用方框722代替,其中根据零件的各个区域以及如上所述的与每个区域相关联的分区准则滤除不可适用的指示。最后,增加了新操作727,其中可以计算每个指示的各种量度(例如,Feret直径,弯曲的宽度)。
图8描绘了一种示例的计算系统800,该系统可以配置成实现选定公开的各种方面,包括但不局限于方法100、200、600和700的选定方面。计算系统800可以包括一个或多个总线801,其可以被用于可操作地耦合各种计算组件。各种计算组件可以包括但不局限于一个或多个处理器802、存储器804(RAM、ROM、HD等)、一个或多个输入/输出装置806(例如,键盘、鼠标、显示器、打印机等)、一个或多个通信接口808(例如,有线的或无线的)等等。在各种实施例中,计算系统800可以例如通过通信接口808从VCT扫描系统(未示出)接收VCT扫描数据,并且可以执行当前公开的选定方面,以便为了操作员回顾而在零件中标记指示。
为了说明的目的而提出结构和方法的以上描述。不意图是详尽的或者将结构和方法限制到所公开的准确形式和/或步骤,并且很明显,基于以上教导,许多修改和改变是可能的。本文中描述的特征可以被结合在任何组合中。本文中描述的方法的步骤可以以物理上可能的任何顺序被执行。应当理解,尽管已经图示和描述了复合结构的某些方式,但并不局限于此,而是仅将通过附属于此的权利要求书限制。
尽管本文中已经描述并图示多个发明实施例,但本领域技术人员将很容易想象出各种其它的部件和/或结构,用于执行功能和/或获得结果和/或本文中描述的一种或多种优点,并且这类改变和/或修改中的每一个被视为处于本文中所描述的实施例的范围之内。更一般地,本领域技术人员将很容易领会,本文中描述的所有参数、尺寸、材料和配置意味着是示范性的,并且实际的参数、尺寸、材料和/或配置将取决于发明的技术被用于的一个或多个特定应用。本领域技术人员将意识到或者能够利用仅仅常规试验确定出本文中描述的特定发明实施例的许多等同物。因此,将要理解,上述的实施例仅作为实例而被提出,并且处于所附的权利要求书及另外的等同物的范围之内,发明的实施例可以被实施,不同于如专门描述和要求保护的那些实施例。当前公开的发明实施例针对本文中描述的各个特征、系统、物品、材料、试剂盒和/或方法中的每一个。另外,如果这类特征、系统、物品、材料、试剂盒和/或方法不是互相矛盾的,则两个或多个这类特征、系统、物品、材料、试剂盒和/或方法的任何组合被包含在当前公开的发明范围之内。
包括最佳方式的示例用于公开实施例,并且也能够使本领域的任何技术人员实施设备和/或方法,包括制作和利用任何装置或系统并且执行任何包含的方法。这些示例不意图是详尽的或者将公开限制到所公开的准确步骤和/或方式,并且鉴于上面的教导,许多修改和改变是可能的。本文中描述的特征可以被结合在任何组合中。本文中描述的方法的步骤可以以物理上可能的任何顺序被执行。
所有的定义,如本文中所定义并使用的,应当被理解成控制字典上的定义、通过引用被包含的文献中的定义和/或所定义术语的普通含义。不定冠词“一”和“一个”,如本文中在说明书和权利要求书中使用的,除非清楚地相反指示,应当被理解成意味着“至少一个”。短语“和/或”,如本文中在说明书和权利要求书中使用的,应当被理解成指如此结合的元件中的“任一个或二者”,即在一些情况下元件结合地存在,并且在其它的情况下元件分离地存在。
同样应当理解,除非清楚地相反指示,在本文中要求保护的包含多于一个的步骤或行为的任何方法中,方法的步骤或行为的顺序不必局限于方法的步骤或行为被叙述的顺序。
Claims (15)
1.一种用于提供复合零件中的潜在缺陷的通知的基于体积计算机断层造影(VCT)的方法,包括:
获取(102)代表所述复合零件的三维(3D)体积的VCT扫描数据;
相对于包含光束硬化和/或散射伪影的所述复合零件的生成的背景将所述3D体积进行归一化(220);
在归一化的3D体积中检测(222)所述潜在缺陷的指示;以及
输出(112)关于所述指示的信息。
2.根据权利要求1所述的基于VCT的方法,其中所述输出包括在显示器(806)上呈现包含所述指示的所述复合零件的3D图像。
3.根据权利要求1所述的基于VCT的方法,还包括至少部分基于计算机辅助设计(CAD)模型确定(224)检测指示的边界,其中关于所述指示的所述信息包含关于所述边界的信息。
4.根据权利要求3所述的基于VCT的方法,还包括:
识别(222)所述指示的种子体素;以及
围绕所述种子体素执行(620,720)区域生长。
5.根据权利要求4所述的基于VCT的方法,其中所述CAD模型是所述复合零件的层模型(400),并且围绕所述种子体素的区域的生长受限于所述层模型。
6.根据权利要求1所述的基于VCT的方法,还包括使用自适应双边滤波器对所述归一化的3D体积进行去噪声(610)。
7.根据权利要求1所述的基于VCT的方法,还包括使用非局部均值滤波器对所述归一化的3D体积进行去噪声(606)。
8.根据权利要求1所述的基于VCT的方法,还包括:
识别(224)所述指示的信号区域;以及
基于计算机辅助设计(CAD)模型识别(220)所述指示的背景。
9.根据权利要求8所述的基于VCT的方法,还包括基于所述指示的所述信号区域和所述背景计算(226)所述指示的信号强度。
10.根据权利要求9所述的基于VCT的方法,其中所述归一化包含生成(602)所述复合零件的零件掩模。
11.根据权利要求10所述的基于VCT的方法,还包括从所述复合零件的所述3D体积中减去(220)所述复合零件的生成的背景。
12.根据权利要求1所述的基于VCT的方法,其中所述检测包括计算(222)所述3D体积的整体和局部孔隙度。
13.一种用于通知用户复合零件中的潜在缺陷的系统(800),包括:
一个或多个处理器(802);
存储器(804),可操作地耦合到所述一个或多个处理器,所述存储器包含指令,响应于由所述一个或多个处理器运行指令,所述指令引起所述一个或多个处理器:
从一个或多个计算机网络上的VCT采集设备导入(104)数据,所述数据代表多个相关联的零件;
从导入的数据中分割(106)数据的子集,所述子集代表所述多个相关联零件中的个别零件;
执行(108)辅助的缺陷识别,以便在所述数据的子集中识别并且分类潜在缺陷的指示;以及
向操作员报告(112)所识别并且所分类的潜在缺陷的所述指示。
14.根据权利要求13所述的系统,其中辅助的缺陷识别包含相对于包含散射或光束硬化伪影的所述个别零件的生成的背景体积对所述数据的子集进行归一化(220)。
15.根据权利要求13所述的系统,其中辅助的缺陷识别包含使用自适应双边或非局部均值滤波器对所述数据的子集进行去噪声(222)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361915239P | 2013-12-12 | 2013-12-12 | |
US61/915239 | 2013-12-12 | ||
PCT/US2014/067895 WO2015088803A1 (en) | 2013-12-12 | 2014-12-01 | Method for defect indication detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105980838A true CN105980838A (zh) | 2016-09-28 |
CN105980838B CN105980838B (zh) | 2019-04-16 |
Family
ID=52144894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480067761.7A Active CN105980838B (zh) | 2013-12-12 | 2014-12-01 | 用于缺陷指示检测的方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US10203290B2 (zh) |
EP (2) | EP3080593B1 (zh) |
JP (1) | JP6283419B2 (zh) |
CN (1) | CN105980838B (zh) |
CA (1) | CA2933334C (zh) |
WO (1) | WO2015088803A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10677943B2 (en) * | 2016-12-16 | 2020-06-09 | Smiths Detection, Llc | System and method for monitoring a computed tomography imaging system |
US10929971B2 (en) * | 2017-12-21 | 2021-02-23 | Rolls-Royce Corporation | Representation-based hybrid model |
CN108830873B (zh) * | 2018-06-29 | 2022-02-01 | 京东方科技集团股份有限公司 | 深度图像物体边缘提取方法、装置、介质及计算机设备 |
US11809789B2 (en) * | 2019-11-06 | 2023-11-07 | Rtx Corporation | Parametric component design process |
DE102020112650A1 (de) | 2020-05-11 | 2021-11-11 | Volume Graphics Gmbh | Computerimplementiertes Verfahren zur Messung eines Objekts |
EP3954985A1 (en) * | 2020-08-04 | 2022-02-16 | Biometic S.r.l. | Industrial tomography apparatus and method for checking the composition of industrial products which comprise a plurality of primary parts |
CN111968095B (zh) * | 2020-08-19 | 2022-08-02 | 成都数之联科技股份有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
US11703440B2 (en) * | 2021-09-24 | 2023-07-18 | General Electric Company | Porosity of a part |
US20240070968A1 (en) * | 2022-08-26 | 2024-02-29 | General Electric Company | System and method of producing a computer-generated image of a component part using computed tomography |
CN117037128B (zh) * | 2023-10-08 | 2024-01-30 | 广东省农业科学院蔬菜研究所 | 一种蔬菜种子智能识别方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163589A (en) * | 1998-06-13 | 2000-12-19 | General Electric Company | Monte Carlo scatter correction method for computed tomography of general object geometries |
CN1449722A (zh) * | 2001-11-29 | 2003-10-22 | 株式会社东芝 | 计算机断层摄像装置 |
CN1565001A (zh) * | 2002-07-23 | 2005-01-12 | 通用电气公司 | 从投影数据得出运动信息的方法和设备 |
CN1584568A (zh) * | 2004-05-28 | 2005-02-23 | 哈尔滨工业大学 | 基于射线实时成像的缺陷深度检测方法 |
CN1853570A (zh) * | 2005-04-18 | 2006-11-01 | 通用电气公司 | Ct成像方法和系统 |
CN101095165A (zh) * | 2004-12-29 | 2007-12-26 | 皇家飞利浦电子股份有限公司 | 用于x射线投影的伪像校正的设备和方法 |
US20090279772A1 (en) * | 2008-05-12 | 2009-11-12 | General Electric Company | Method and System for Identifying Defects in NDT Image Data |
CN101688917A (zh) * | 2007-06-29 | 2010-03-31 | 皇家飞利浦电子股份有限公司 | 用于消除计算机断层摄影中的散射伪影的方法 |
US20100140485A1 (en) * | 2008-12-10 | 2010-06-10 | General Electric Company | Imaging system and method with scatter correction |
CN102901773A (zh) * | 2011-07-28 | 2013-01-30 | 通用电气公司 | 检查层状物体的系统及检查风力发电机叶片的系统 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6367551A (ja) | 1986-09-10 | 1988-03-26 | Nippon Steel Corp | 繊維補強複合材料中の繊維分散性評価法 |
US4891829A (en) | 1986-11-19 | 1990-01-02 | Exxon Research And Engineering Company | Method and apparatus for utilizing an electro-optic detector in a microtomography system |
JPS63243852A (ja) | 1987-03-31 | 1988-10-11 | Toshiba Corp | Ctスキヤナの画像再構成方式 |
JPH08140964A (ja) * | 1994-11-22 | 1996-06-04 | Hitachi Medical Corp | X線ct装置 |
US6041132A (en) * | 1997-07-29 | 2000-03-21 | General Electric Company | Computed tomography inspection of composite ply structure |
JPH11296700A (ja) | 1998-04-07 | 1999-10-29 | Toshiba Fa Syst Eng Corp | 3次元画像表示装置 |
JP2004062777A (ja) | 2002-07-31 | 2004-02-26 | Hitachi Ltd | 物品の解析サービス提供方、解析処理方法および解析用プログラム |
JP4131400B2 (ja) | 2003-08-01 | 2008-08-13 | トヨタ自動車株式会社 | 鋳造内部欠陥検査支援装置及び方法 |
JP4588414B2 (ja) * | 2004-10-28 | 2010-12-01 | 株式会社日立製作所 | 内部欠陥検査方法および装置 |
JP2006266754A (ja) | 2005-03-22 | 2006-10-05 | Sony Corp | X線断層撮像方法及びx線断層撮像装置 |
JP4523489B2 (ja) | 2005-05-30 | 2010-08-11 | 株式会社日立製作所 | 内部欠陥検査方法および内部欠陥検査装置 |
JP4414420B2 (ja) | 2006-10-27 | 2010-02-10 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | X線断層撮影装置およびアーチファクトの低減方法 |
JP4350738B2 (ja) | 2006-10-27 | 2009-10-21 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | X線断層撮影装置およびアーチファクトの低減方法 |
JP5405048B2 (ja) | 2007-07-10 | 2014-02-05 | 株式会社東芝 | X線コンピュータ断層撮影装置、再構成処理装置及び画像処理装置 |
JP2010038878A (ja) | 2008-08-08 | 2010-02-18 | Toshiba It & Control Systems Corp | 断層撮影装置 |
JP5125902B2 (ja) | 2008-09-02 | 2013-01-23 | 株式会社島津製作所 | X線ct装置 |
JP2010201089A (ja) | 2009-03-05 | 2010-09-16 | Kgt Inc | 医療用三次元画像におけるアーティファクトの自動削除処理方法、自動削除処理装置及び自動削除処理プログラム |
US8442301B2 (en) * | 2009-04-30 | 2013-05-14 | General Electric Company | Nondestructive inspection method and system |
JP6081139B2 (ja) | 2011-12-26 | 2017-02-15 | 東芝メディカルシステムズ株式会社 | 超音波診断装置、医用画像処理装置、及び医用画像処理方法 |
DE102013104720A1 (de) * | 2012-05-07 | 2013-11-07 | Werth Messtechnik Gmbh | Computertomografie-Verfahren und Anordnung zur Bestimmung von Merkmalen an einem Messobjekt |
US10746671B2 (en) * | 2015-03-06 | 2020-08-18 | Ge Sensing & Inspection Technologies Gmbh | Imaging system and method with scatter correction |
-
2014
- 2014-12-01 JP JP2016538055A patent/JP6283419B2/ja active Active
- 2014-12-01 US US15/100,567 patent/US10203290B2/en active Active
- 2014-12-01 WO PCT/US2014/067895 patent/WO2015088803A1/en active Application Filing
- 2014-12-01 EP EP14816524.4A patent/EP3080593B1/en active Active
- 2014-12-01 CN CN201480067761.7A patent/CN105980838B/zh active Active
- 2014-12-01 EP EP21201240.5A patent/EP3957984A1/en active Pending
- 2014-12-01 CA CA2933334A patent/CA2933334C/en active Active
-
2018
- 2018-12-27 US US16/233,161 patent/US10481108B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163589A (en) * | 1998-06-13 | 2000-12-19 | General Electric Company | Monte Carlo scatter correction method for computed tomography of general object geometries |
CN1449722A (zh) * | 2001-11-29 | 2003-10-22 | 株式会社东芝 | 计算机断层摄像装置 |
CN1565001A (zh) * | 2002-07-23 | 2005-01-12 | 通用电气公司 | 从投影数据得出运动信息的方法和设备 |
CN1584568A (zh) * | 2004-05-28 | 2005-02-23 | 哈尔滨工业大学 | 基于射线实时成像的缺陷深度检测方法 |
CN101095165A (zh) * | 2004-12-29 | 2007-12-26 | 皇家飞利浦电子股份有限公司 | 用于x射线投影的伪像校正的设备和方法 |
CN1853570A (zh) * | 2005-04-18 | 2006-11-01 | 通用电气公司 | Ct成像方法和系统 |
CN101688917A (zh) * | 2007-06-29 | 2010-03-31 | 皇家飞利浦电子股份有限公司 | 用于消除计算机断层摄影中的散射伪影的方法 |
US20090279772A1 (en) * | 2008-05-12 | 2009-11-12 | General Electric Company | Method and System for Identifying Defects in NDT Image Data |
US20100140485A1 (en) * | 2008-12-10 | 2010-06-10 | General Electric Company | Imaging system and method with scatter correction |
CN102901773A (zh) * | 2011-07-28 | 2013-01-30 | 通用电气公司 | 检查层状物体的系统及检查风力发电机叶片的系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2017500560A (ja) | 2017-01-05 |
US20190137421A1 (en) | 2019-05-09 |
CA2933334C (en) | 2020-09-22 |
US10203290B2 (en) | 2019-02-12 |
CA2933334A1 (en) | 2015-06-18 |
JP6283419B2 (ja) | 2018-02-21 |
WO2015088803A1 (en) | 2015-06-18 |
US10481108B2 (en) | 2019-11-19 |
EP3080593A1 (en) | 2016-10-19 |
CN105980838B (zh) | 2019-04-16 |
EP3957984A1 (en) | 2022-02-23 |
EP3080593B1 (en) | 2021-11-24 |
US20160305895A1 (en) | 2016-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105980838A (zh) | 用于缺陷指示检测的方法 | |
US11276162B2 (en) | Surface defect identification method and apparatus | |
Jin et al. | 3D convolutional neural networks with graph refinement for airway segmentation using incomplete data labels | |
Gobert et al. | Porosity segmentation in X-ray computed tomography scans of metal additively manufactured specimens with machine learning | |
Peng et al. | Automatic 3D neuron tracing using all-path pruning | |
WO2015067208A1 (zh) | 检查方法和设备 | |
US9888896B2 (en) | Determining a three-dimensional model dataset of a blood vessel system with at least one vessel segment | |
CN108765409A (zh) | 一种基于ct图像的候选结节的筛选方法 | |
CA2899146A1 (en) | Method for the non-destructive testing of the volume of a test object and testing device configured for carrying out such a method | |
Perciano et al. | Insight into 3D micro-CT data: exploring segmentation algorithms through performance metrics | |
JP4651370B2 (ja) | 放射線画像処理の方法 | |
Galvez-Hernandez et al. | Phase segmentation of uncured prepreg X-Ray CT micrographs | |
Donahue et al. | Deep learning for automated defect detection in high-reliability electronic parts | |
Yu et al. | Applying multifractal spectrum combined with fractal discrete Brownian motion model to wood defects recognition | |
Swiderska-Chadaj et al. | Convolutional neural networks for lymphocyte detection in immunohistochemically stained whole-slide images | |
EP2827298A1 (en) | Method and computer program for filtering and particularly segmenting and/or analyzing anatomic structures in a digital image | |
Sparkman et al. | A supervised learning approach for prediction of x-ray computed tomography data from ultrasonic testing data | |
Vergés et al. | 3D reconstruction and quantification of porous structures | |
Mutiargo et al. | Defect detection using trainable segmentation | |
Heylen et al. | 3D total variation denoising in X-CT imaging applied to pore extraction in additively manufactured parts | |
CN112633286B (zh) | 一种基于危险品相似率和识别概率的智能安检系统 | |
Udomchaiporn et al. | 3-D MRI brain scan feature classification using an oct-tree representation | |
Martinez et al. | Impartial: Partial annotations for cell instance segmentation | |
Ribeiro et al. | Optimum-path forest applied for breast masses classification | |
Chady et al. | Multisource system for NDT of welded elements exploited in aircraft industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |