CN109521028B - 一种金属三维多层点阵结构内部宏观缺陷检测方法 - Google Patents
一种金属三维多层点阵结构内部宏观缺陷检测方法 Download PDFInfo
- Publication number
- CN109521028B CN109521028B CN201811474246.7A CN201811474246A CN109521028B CN 109521028 B CN109521028 B CN 109521028B CN 201811474246 A CN201811474246 A CN 201811474246A CN 109521028 B CN109521028 B CN 109521028B
- Authority
- CN
- China
- Prior art keywords
- size
- pixel point
- value
- fixed
- defects
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
Abstract
本发明公开了一种金属三维多层点阵结构内部宏观缺陷检测方法,通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的二维层析图像,从得到的二维层析图像中截取平行于点阵单元横向排布方向的横向断层截面二维灰度图,再通过三个横向相邻固定尺寸像素点集合灰度值总和之间的差值分布来判别缺陷的存在,且理论分析给出了相应的判别标准和依据。实验验证结果表明,与人工标记的缺陷进行对比,本发明对金属三维多层点阵结构样件的内部典型断层缺陷的识别率达到98.5%。
Description
技术领域
本发明涉及多层金属点阵结构材料内部缺陷检测技术领域,特别是一种金属三维多层点阵结构内部宏观缺陷检测方法。
背景技术
多孔金属材料是有效解决材料轻量化问题的一种结构-功能一体化材料,根据其内部单元结构分布规则程度可分为无序和有序两大类,其代表材料为金属泡沫结构材料和金属点阵结构材料,前者指含有无序泡沫气孔的特种金属材料,后者指具有有序微结构且呈周期排列的特种金属材料,且金属点阵结构材料的综合力学性能优于金属泡沫结构材料。由于金属点阵结构材料具有超轻、高比强度、高比刚度、减震等结构特性和高效散热隔热、耐火、吸声、电磁波吸收等功能特性,故其广泛应用于航空航天、武器装备、交通运输、医疗、机械、建筑、化工等行业。
增材制造技术是通过对材料自下而上进行逐层堆积粘合的一种制造方法,其设计和制造的自由度较大,能够有效解决复杂多层金属点阵结构材料的制备问题,国内外对其已经展开了大量相关研究。Mines R A W等使用选择性激光熔融技术(SLM)将Ti-6Al-4V钛合金制成的体心立方(BCC)点阵结构同传统铝蜂窝的机械性能进行比较,结果表明前者在结构性能上更具优势。Horn T J等用电子束熔化(EBM)技术将Ti-6Al-4V钛合金制造开孔点阵结构,并将其用于医疗类骨组织支架和低刚度植入物,对填充有不同尺寸和密度的菱形十二面体晶胞的棱柱棒进行四点弯曲测试。Taniguchi N等研究了不同孔径大小对由选择性激光熔融技术制造的孔隙率恒定多孔钛植入物的影响,得出了合适的孔径尺寸。Bai L等提出了一种体心四方晶格结构,用选择性激光熔融技术将Ti-6Al-4V钛合金制备优化的BCT结构和BCC参考结构试验样品,并分别对其进行准静态单轴研究试验来验证理论分析结果。
增材制造的本质就是将材料加热至熔融状态再进行逐层堆积冷却成型,而材料在加热熔融后又快速凝固产生了急剧的热变化,从而产生大量的残余应力造成结构翘曲、裂纹、断层等不良效应,这些不良效应在很大程度上降低了金属点阵结构的结构-功能性能。无损检测方法可以作为金属点阵结构性能可靠性、结构完整性的重要检测手段,其检测结果是新型材料设计、研制和改进的重要技术依据,也是结构质量控制和安全可靠性的有效技术支撑。对于具有复杂结构的金属三维多层点阵结构,常规无损检测方法的检测精度和适用对象限制了多层金属点阵结构内部缺陷检测的直观性和精准性,而工业CT能够在无损条件下,以二维断层或是三维立体图像清晰、直观的展示被检测物体内部结构和缺陷状况,能够很好实现金属三维多层点阵结构内部缺陷的直观呈现。但是,如何对于提高重构图像的精度以及在较大量图像中快速自动识别和定位缺陷仍需进一步研究。
目前,关于金属点阵结构的增材制造制备技术、单元的结构设计、力学性能和功能特性等研究较多,而关于由增材制造技术制备的金属点阵结构内部宏观缺陷的检测研究,国内外鲜有报道。
发明内容
本发明的目的是要提供一种金属三维多层点阵结构内部宏观缺陷检测方法,通过工业CT对其内部结构进行扫描检测,得到其横向断层截面的二维灰度图像,根据二维灰度图中像素点灰度值的分布特征,开展了缺陷自动识别定位的研究。
为达到上述目的,本发明是按照以下技术方案实施的:
一种金属三维多层点阵结构内部宏观缺陷检测方法,包括以下步骤:
step1、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的二维层析图像,从得到的二维层析图像中截取平行于点阵单元横向排布方向的横向断层截面二维灰度图,选取没有缺陷的灰度图进行固定像素点尺寸m×n判定,根据无缺陷灰度图内的像素点灰度值分布周期,将待选固定像素点尺寸m×n的横竖边界像素点个数设置在45和75之间,在不同尺寸下分别随机选取1000个对应固定像素点集合,分别求取不同尺寸下1000个随机固定像素点集合的灰度值总和的标准偏差,根据其标准偏差来确定固定像素点尺寸的最佳值:
其中,σij表示的是像素点尺寸为i×j时的标准偏差,xk表示的是像素点集合尺寸为i×j的1000个随机位置各集合像素点灰度值总和,μ表示的是xk的平均值,当标准偏差σij的值最小时,则认定对应的i×j为固定像素点尺寸m×n;
step2、选取三个横向相邻固定尺寸像素点集合A、B、C作为一个新集合G,固定像素点集合的尺寸为m×n,A、B、C分别为三个尺寸为m×n的像素点集合,其边缘像素点相邻且不重叠,集合G的尺寸为m×3n,其中Aij、Bij、Cij分别为固定尺寸像素点集合A、B、C中像素点灰度值,g为B固定尺寸像素点集合灰度值总和与AC两个固定尺寸像素点集合灰度值总和平均值的差值;
step3、用与集合G相同尺寸大小的模板遍历尺寸为M×M的横向断层截面二维灰度图,即重复step2,得到大小为(M-m+1)×(M-3n+1)像素点灰度值总和差值分布;
step4、在得到相邻三个固定尺寸像素点灰度值总和的差值分布后,对其进行纵向差分,得到大小为(M-m)×(M-3n+1)灰度值总和差值的纵向差分分布;
step5、对差分分布的纵向曲线进行分析得到缺陷的上下边缘点;
step6、求取复合边界条件的上边界点,并确定不同缺陷边界点的最右侧点并将其作为固定位置,根据差分值分布具体的计算路径和缺陷的特征判断缺陷边缘固定位置与灰度图中缺陷实际位置的关系,再对缺陷进行标注。
进一步,所述step5中上下边缘点确定方法为:当位于上方的三个相邻固定尺寸像素点集合不存在缺陷而在其正下方的三个相邻固定尺寸像素点集合存在缺陷时,即为缺陷的上边缘部位,其差值之间的纵向差分值的绝对值较大且为正;当位于上方的三个相邻固定尺寸像素点集合存在缺陷而在其正下方的三个相邻固定尺寸像素点集合不存在缺陷时,即为缺陷的下边缘部位,其差值之间的纵向差分值的绝对值较大且为负;当位于上方的三个相邻固定尺寸像素点集合与在其正下方的三个相邻固定尺寸像素点集合都存在缺陷或是都存在缺陷时,其差值之间的纵向差分值的绝对值较小;且纵向差分分布中缺陷的上下边缘点满足以下条件:
(1)选取差分值绝对值大于阈值a的局部最大值或最小值;
(2)找出两个局部最大值点之间的所有局部最小值点,并与第一个局部最大值点进行比较,最大值点与最小值点的数值相近,且两个点的横向坐标位置相差m*b±c,其中m为固定尺寸像素点的纵向尺寸,b为纵向连续缺陷个数,c为允许存在的误差范围。
进一步,所述固定尺寸像素点集合的尺寸m×n为59×59。
与现有技术相比,本发明通过三个横向相邻固定尺寸像素点集合灰度值总和之间的差值分布来判别缺陷的存在,且理论分析给出了相应的判别标准和依据。实验验证结果表明,与人工标记的缺陷进行对比,本发明对金属三维多层点阵结构样件的内部典型断层缺陷的识别率达到98.5%。
附图说明
图1为三个横向相邻固定尺寸像素点集合。
图2为缺陷在不同位置处示意图。
图3为缺陷部位灰度值总和差值横向分布。
图4为不同区域尺寸的标准偏差。
图5为本发明一种具体实施例中的待检测灰度图;a为y轴方向同时有一个单独缺陷和两个连续缺陷,b为y轴方向有三个连续缺陷。
图6为本发明一种具体实施例中的三个连续固定尺寸像素点集合灰度值总和的差值分布;a为y轴方向同时有一个单独缺陷和两个连续缺陷,b为y轴方向有三个连续缺陷。
图7为本发明一种具体实施例中的灰度值总和差值纵向差分;a为y轴方向同时有一个单独缺陷和两个连续缺陷,b为y轴方向有三个连续缺陷;其中A、B、C、D为具有典型特征的y轴方向差分曲线。
图8为本发明一种具体实施例中图7中的A、B、C、D为具有典型特征的y轴方向差分曲线的波形图;(a)为曲线A的波形图;(b)为曲线A的波形图;(c)为曲线A的波形图;(d)为曲线A的波形图。
图9为图7中缺陷边缘最右侧差分点;a为y轴方向同时有一个单独缺陷和两个连续缺陷,b为y轴方向有三个连续缺陷。
图10为对待检测灰度图中的缺陷进行定位标注图;a为y轴方向同时有一个单独缺陷和两个连续缺陷,b为y轴方向有三个连续缺陷。
图11为本发明一种具体实施例中钛合金三维多层点阵结构内部缺陷立体位置。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明,并不用于限定发明。
本实施例提供一种金属三维多层点阵结构内部宏观缺陷检测方法,本实施例以钛合金三维多层点阵结构为样件,检测具体步骤如下:
step1、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的二维层析图像,从得到的二维层析图像中截取平行于点阵单元横向排布方向的横向断层截面二维灰度图,选取没有缺陷的灰度图进行固定像素点尺寸m×n判定,根据无缺陷灰度图内的像素点灰度值分布周期,将待选固定像素点尺寸m×n的横竖边界像素点个数设置在45和75之间,在不同尺寸下分别随机选取1000个对应固定像素点集合,分别求取不同尺寸下1000个随机固定像素点集合的灰度值总和的标准偏差,根据其标准偏差来确定固定像素点尺寸的最佳值:
其中,σij表示的是像素点尺寸为i×j时的标准偏差,xk表示的是像素点集合尺寸为i×j的1000个随机位置各集合像素点灰度值总和,μ表示的是xk的平均值,当标准偏差σij的值最小时,则认定对应的i×j为固定像素点尺寸m×n;由图4可知,当固定像素点尺寸为59×59时得到的标准偏差最小,所以本实施例中将所用的固定像素点尺寸定为59×59。
step2、如图1所示,选取三个横向相邻固定尺寸像素点集合A、B、C作为一个新集合G,固定像素点集合的尺寸为m×n,A、B、C分别为三个尺寸为m×n的像素点集合,其边缘像素点相邻且不重叠,集合G的尺寸为m×3n,其中Aij、Bij、Cij分别为固定尺寸像素点集合A、B、C中像素点灰度值,g为B固定尺寸像素点集合灰度值总和与AC两个固定尺寸像素点集合灰度值总和平均值的差值;缺陷判别标准的建立推导过程如下:
为说明三个横向相邻固定尺寸像素点集合的左侧、中间、右侧分别有单个缺陷以及都没有缺陷时的灰度值总和差值分布特征,选取7个横向相邻的固定尺寸像素点集合,其中间部位的固定尺寸像素点集合含有缺陷,如图2所示。
假设固定像素点尺寸下所有不包含缺陷像素点集合的灰度值总和相同且为e,包含缺陷像素点集合的灰度值总和相同且为f。图2中E1、E2、E3、F、E4、E5、E6为7个相邻的固定尺寸的像素点集合,其中,E1、E2、E3、E4、E5、E6像素点集合不包含缺陷,其各自的像素点灰度值总和为e,F像素点集合包含缺陷,其像素点灰度值总和为f。按照上述遍历方式,从E1到E6可形成5个尺寸为m×3n的新集合,分别为G1、G2、G3、G4、G5,其中G1、G5集合不包含缺陷,G2、G3、G4集合分别在右侧、中间、左侧含有缺陷。按式(1)中求差值方法,依次求取这5个集合中像素点灰度值总和的差值,分别为g1、g2、g3、g4、g5:
由式(1)可知,G1、G5集合不含缺陷时,其相邻固定尺寸像素点集合灰度值总和的差值为0,而含有缺陷区域的G2、G3、G4的差值则满足下式:
-2g2=g3=-2g4 (2)
由式(2)可知,当含有缺陷的集合处于三个横向相邻像素点集合的中间位置时,其差值的绝对值是两边集合存在缺陷时差值绝对值的两倍,且符号相反。
对图2中含有缺陷的横向区域进行遍历求和,并求取缺陷所在横向区域所有三个横向相邻固定尺寸像素点集合灰度值总和之间的差值,其差值分布如图3所示,其中差值为f-e的三个相邻固定尺寸像素点集合存在缺陷,且缺陷位于中间部位,差值为(e-f)/2的三个相邻固定尺寸像素点集合存在缺陷且位于两边部位,而差值为0的三个相邻固定尺寸像素点集合不存在缺陷。
step3、用与集合G相同尺寸大小的模板遍历尺寸为M×M的横向断层截面二维灰度图,即重复step2,得到大小为(M-m+1)×(M-3n+1)像素点灰度值总和差值分布;
step4、在得到相邻三个固定尺寸像素点灰度值总和的差值分布后,对其进行纵向差分,得到大小为(M-m)×(M-3n+1)灰度值总和差值的纵向差分分布;
step5、对差分分布的纵向曲线进行分析得到缺陷的上下边缘点;纵向差分值表示的是得到的所有三个相邻固定尺寸像素点集合灰度值总和之间差值的纵向变化程度。当位于上方的三个相邻固定尺寸像素点集合不存在缺陷而在其正下方的三个相邻固定尺寸像素点集合存在缺陷时,即为缺陷的上边缘部位,其差值之间的纵向差分值的绝对值较大且为正;当位于上方的三个相邻固定尺寸像素点集合存在缺陷而在其正下方的三个相邻固定尺寸像素点集合不存在缺陷时,即为缺陷的下边缘部位,其差值之间的纵向差分值的绝对值较大且为负;当位于上方的三个相邻固定尺寸像素点集合与在其正下方的三个相邻固定尺寸像素点集合都存在缺陷或是都存在缺陷时,其差值之间的纵向差分值的绝对值较小。对于同一缺陷,其上下边缘点对应的纵向差值的绝对值相近但是符号相反,对于上下边缘点之间的纵向距离与固定尺寸像素点集合的纵向尺寸和纵向连续缺陷的个数有关。
因此,纵向差分分布中缺陷的上下边缘点需要满足以下几个条件:
(1)选取差分值绝对值大于阈值a的局部最大值或最小值;
(2)找出两个局部最大值点之间的所有局部最小值点,并与第一个局部最大值点进行比较,最大值点与最小值点的数值相近,且两个点的横向坐标位置相差m*b±c,其中m为固定尺寸像素点的纵向尺寸,b为纵向连续缺陷个数,c为允许存在的误差范围。
step6、求取复合边界条件的上边界点,并确定不同缺陷边界点的最右侧点并将其作为固定位置,根据差分值分布具体的计算路径和缺陷的特征判断缺陷边缘固定位置与灰度图中缺陷实际位置的关系,再对缺陷进行标注。
为了验证本发明的可行性,选取两幅具有典型缺陷分布的灰度图对提出的缺陷识别方法进行验证,如图5所示:a图中y轴方向同时有一个单独缺陷和两个连续缺陷,b图中y轴方向有三个连续缺陷。
用59×177尺寸的模板分别对两幅图进行遍历,得到模板内像素灰度值总和的差值分布如图6所示。根据图3可知,当模板内包含的三个横向相邻像素点集合的中间集合存在缺陷时,其差值较大为正值,当两边集合中存在缺陷时,其差值较小为负值,当三个横向相邻集合都不存在缺陷时,其差值为0。在差值分布图中,不同的颜色代表不同的差值大小,其中红色表示差值较大,蓝色表示差值较小。在图6中,深红色区域表示的是模板内中间集合位置存在缺陷,深蓝色区域表示的是模板内两边集合位置存在缺陷。因此能根据差值分布图初步判定原始灰度图中存在缺陷的大概位置。但是由于原始灰度图中像素点灰度值分布不均匀,对得到的相邻固定尺寸像素点灰度值总和之间的差值分布也造成了一定的干扰,对缺陷位置的特征提取增加了一定的难度,因此需要对差值分布进行进一步分析。
对图6沿y轴方向进行差分,得到灰度和差值的y方向差分分布,如图7所示。y轴方向差分反映的是得到的所有三个相邻固定尺寸像素点集合灰度值总和之间差值的纵向变化程度,当得到的差分点位于缺陷的上下边缘点时,由于三个相邻固定尺寸像素点灰度值总和的差值发生急剧变化,导致y轴方向差分值的绝对值较大,通过对差分分布的y轴方向曲线进行分析,找出符合缺陷边界特征的分布点集合,根据边界分布点集合对缺陷进行识别定位。
本发明对图7中a-A、a-B、b-C、b-D四条具有典型特征的y轴方向差分曲线进行分析,图8中的(a)、(b)、(c)、(d)分别为以上四条曲线的波形图,设选取差分曲线局部最大值与最小值的绝对值阈值a为5。
图8(a)中绝对值大于阈值的局部最大值最小值共有5个,分别为a、b、c、e、f,其中,a、c、f为局部最大值点,b、e为局部最小值点,最大值点a、c之间有一个最小值点b,只需判断a和b之间的关系,a、b的横纵坐标符合缺陷上下边缘的条件,且横坐标差值为59,a、b之间有1个缺陷;最大值点c、f之间有一个最小值e,只需判断c和e之间的关系,c、e横纵坐标符合缺陷上下边缘的条件,且横坐标差值为118,c、e之间有2个连续缺陷,d点纵坐标值绝对值虽然接近阈值,但其横坐标值不符合缺陷特征,所以排除。图8(b)中绝对值大于阈值的局部最大最小值有2个,分别为a、b,a为局部最大值,b为局部最小值,a、b的横纵坐标符合缺陷上下边缘的条件,横坐标差值为58,a、b之间有1个缺陷。图8(c)中绝对值大于阈值的局部最大最小值有2个,分别为a、b,a为局部最大值,b为局部最小值,a、b的横纵坐标符合缺陷上下边缘的条件,横坐标差值为178,a、b之间有3个连续缺陷。图8(d)中绝对值大于阈值的局部最大最小值有2个,分别为a、b,a为局部最大值,b为局部最小值,a、b的横纵坐标符合缺陷上下边缘的条件,横坐标差值为60,a、b之间有1个缺陷。
对差分值分布中所有的y轴方向差分值进行分析,找出所有符合缺陷边缘特征的差分点,对符合边缘特征的差分点分布进行分析,找出不同缺陷位置的边缘点集合。分别在各个缺陷边缘特征点集合中选择一个固定点,根据差分值分布与原始灰度图之间的位置关系对灰度图中缺陷进行定位。
如图9所示,本发明选取缺陷边缘最右侧的差分点作为固定点,分别为aA,aB,aC,bA,bB。根据差分值的计算过程确定固定点与缺陷左上角定点的位置关系,确定原始灰度图中缺陷的位置,表1中列出了所选差分值固定点位置坐标以及对应的灰度图中连续缺陷个数和左上角坐标。
表1差分值固定点对应的连续缺陷个数和位置
用尺寸为59×59的方框,根据表1中固定点对应的y方向缺陷的连续个数对缺陷进行标注,若y方向有多个连续缺陷,则用等同个数的相邻方框对其进行标注,缺陷的识别标注结果如图10所示。
本发明通过人工标注的方法所有断层二维灰度图中342个缺陷,再通过本发明的算法对所有断层灰度图中的缺陷进行识别,能够对其中的337个缺陷进行识别定位,识别率达到98.5%。将所有的二维识别结果集中在一个三维立体图中得到金属点阵结构内部缺陷的分布情况。如图11所示,整个金属点阵结构的内部结构分为三层,共有21个缺陷部位,其中底层有3个缺陷部位,中层有7个缺陷部位,上层有11个缺陷部位。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (3)
1.一种金属三维多层点阵结构内部宏观缺陷检测方法,其特征在于,包括以下步骤:
step1、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的二维层析图像,从得到的二维层析图像中截取平行于点阵单元横向排布方向的横向断层截面二维灰度图,选取没有缺陷的灰度图进行固定像素点尺寸m×n判定,根据无缺陷灰度图内的像素点灰度值分布周期,将待选固定像素点尺寸m×n的横竖边界像素点个数设置在45和75之间,在不同尺寸下分别随机选取1000个对应固定像素点集合,分别求取不同尺寸下1000个随机固定像素点集合的灰度值总和的标准偏差,根据其标准偏差来确定固定像素点尺寸的最佳值:
其中,σij表示的是像素点尺寸为i×j时的标准偏差,xk表示的是像素点集合尺寸为i×j的1000个随机固定像素点集合的灰度值总和,μ表示的是xk的平均值,当标准偏差σij的值最小时,则认定对应的i×j为固定像素点尺寸m×n;
step2、选取三个横向相邻固定尺寸像素点集合A、B、C作为一个新集合G,固定像素点集合的尺寸为m×n,A、B、C分别为三个尺寸为m×n的像素点集合,其边缘像素点相邻且不重叠,集合G的尺寸为m×3n,其中Aij、Bij、Cij分别为固定尺寸像素点集合A、B、C中像素点灰度值,g为B固定尺寸像素点集合灰度值总和与AC两个固定尺寸像素点集合灰度值总和平均值的差值;
step3、用与集合G相同尺寸大小的模板遍历尺寸为M×M的横向断层截面二维灰度图,即重复step2,得到大小为(M-m+1)×(M-3n+1)像素点灰度值总和差值分布;
step4、在得到相邻三个固定尺寸像素点灰度值总和的差值分布后,对其进行纵向差分,得到大小为(M-m)×(M-3n+1)灰度值总和差值的纵向差分分布;
step5、对差分分布的纵向曲线进行分析得到缺陷的上、下边缘点;
step6、求取缺陷上、下边缘的条件的缺陷边缘点,并确定不同缺陷边缘点的最右侧点并将其作为固定位置,根据差分值分布具体的计算路径和缺陷的特征判断缺陷边缘固定位置与灰度图中缺陷实际位置的关系,再对缺陷进行标注。
2.根据权利要求1所述的金属三维多层点阵结构内部宏观缺陷检测方法,其特征在于:所述step5中上、下边缘点确定方法为:当位于上方的三个相邻固定尺寸像素点集合不存在缺陷而在其正下方的三个相邻固定尺寸像素点集合存在缺陷时,即为缺陷的上边缘点,其差值之间的纵向差分值的绝对值较大且为正;当位于上方的三个相邻固定尺寸像素点集合存在缺陷而在其正下方的三个相邻固定尺寸像素点集合不存在缺陷时,即为缺陷的下边缘点,其差值之间的纵向差分值的绝对值较大且为负;当位于上方的三个相邻固定尺寸像素点集合与在其正下方的三个相邻固定尺寸像素点集合都存在缺陷时,其差值之间的纵向差分值的绝对值较小;且纵向差分分布中缺陷的上下边缘点满足以下条件:
(1)选取差分值绝对值大于阈值a的局部最大值或最小值;
(2)找出两个局部最大值点之间的所有局部最小值点,并与第一个局部最大值点进行比较,最大值点与最小值点的数值相近,且两个点的横向坐标位置相差m*b±c,其中m为固定尺寸像素点的纵向尺寸,b为纵向连续缺陷个数,c为允许存在的误差范围。
3.根据权利要求1所述的金属三维多层点阵结构内部宏观缺陷检测方法,其特征在于:所述固定尺寸像素点集合的尺寸m×n为59×59。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811474246.7A CN109521028B (zh) | 2018-12-04 | 2018-12-04 | 一种金属三维多层点阵结构内部宏观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811474246.7A CN109521028B (zh) | 2018-12-04 | 2018-12-04 | 一种金属三维多层点阵结构内部宏观缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521028A CN109521028A (zh) | 2019-03-26 |
CN109521028B true CN109521028B (zh) | 2021-06-25 |
Family
ID=65794104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811474246.7A Active CN109521028B (zh) | 2018-12-04 | 2018-12-04 | 一种金属三维多层点阵结构内部宏观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521028B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411384B (zh) * | 2019-09-06 | 2021-02-26 | 南京航空航天大学 | 三维打印晶格点阵结构内部杆件的表面粗糙度的检测方法 |
CN111369508A (zh) * | 2020-02-28 | 2020-07-03 | 燕山大学 | 一种金属三维点阵结构的缺陷检测方法及系统 |
CN111340786B (zh) * | 2020-02-28 | 2022-09-16 | 燕山大学 | 一种复杂点阵结构内部缺陷的三维分割方法及系统 |
CN111739020B (zh) * | 2020-07-31 | 2020-12-01 | 成都数之联科技有限公司 | 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 |
CN112508841B (zh) * | 2020-09-09 | 2022-06-14 | 中国兵器科学研究院宁波分院 | 基于工业ct图像的点阵镂空结构尺寸偏差快速表征方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1259663A (zh) * | 1999-12-28 | 2000-07-12 | 上海宝钢集团公司 | 铸坯断面质量的自动评价方法 |
JP2001041899A (ja) * | 1999-07-27 | 2001-02-16 | Toshiba Corp | 紙葉類の汚れ具合識別装置 |
US6285449B1 (en) * | 1999-06-11 | 2001-09-04 | University Of Chicago | Optical method and apparatus for detection of defects and microstructural changes in ceramics and ceramic coatings |
JP2004045125A (ja) * | 2002-07-10 | 2004-02-12 | Matsushita Electric Ind Co Ltd | 欠陥検査方法及び装置 |
WO2015033692A1 (en) * | 2013-09-06 | 2015-03-12 | Canon Kabushiki Kaisha | Image processing method, image processing apparatus, image pickup apparatus, and non-transitory computer-readable storage medium |
CN106164653A (zh) * | 2014-03-31 | 2016-11-23 | 国立大学法人东京大学 | 检查系统和检查方法 |
CN107505396A (zh) * | 2017-09-12 | 2017-12-22 | 燕山大学 | 一种结构损伤在线实时监测方法及系统 |
-
2018
- 2018-12-04 CN CN201811474246.7A patent/CN109521028B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6285449B1 (en) * | 1999-06-11 | 2001-09-04 | University Of Chicago | Optical method and apparatus for detection of defects and microstructural changes in ceramics and ceramic coatings |
JP2001041899A (ja) * | 1999-07-27 | 2001-02-16 | Toshiba Corp | 紙葉類の汚れ具合識別装置 |
CN1259663A (zh) * | 1999-12-28 | 2000-07-12 | 上海宝钢集团公司 | 铸坯断面质量的自动评价方法 |
JP2004045125A (ja) * | 2002-07-10 | 2004-02-12 | Matsushita Electric Ind Co Ltd | 欠陥検査方法及び装置 |
WO2015033692A1 (en) * | 2013-09-06 | 2015-03-12 | Canon Kabushiki Kaisha | Image processing method, image processing apparatus, image pickup apparatus, and non-transitory computer-readable storage medium |
CN106164653A (zh) * | 2014-03-31 | 2016-11-23 | 国立大学法人东京大学 | 检查系统和检查方法 |
CN107505396A (zh) * | 2017-09-12 | 2017-12-22 | 燕山大学 | 一种结构损伤在线实时监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Using the Standard Deviation of a Region of Interest in an Image to Estimate Camera to Emitter Distance;Angel E. Cano-García 等;《Sensors (Basel)》;20121231;第12卷(第5期);第5687-5704页 * |
基于CT的数字体散斑法测量物体内部三维变形场;毛灵涛 等;《光学学报》;20151231(第3期);第119-128页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109521028A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521028B (zh) | 一种金属三维多层点阵结构内部宏观缺陷检测方法 | |
Wits et al. | Porosity testing methods for the quality assessment of selective laser melted parts | |
CN104697467B (zh) | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 | |
CN109360204B (zh) | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 | |
CN108559995B (zh) | 一种平面上激光熔覆工艺参数优化的方法 | |
CN108492282B (zh) | 基于线结构光与多任务级联卷积神经网络的三维涂胶检测 | |
CN107358636B (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
CN105842885A (zh) | 一种液晶屏缺陷分层定位方法及装置 | |
CN105004742B (zh) | 一种像质计及应用该像质计的射线检测质量判定方法 | |
CN114354639B (zh) | 一种基于3d点云的焊缝缺陷实时检测方法及系统 | |
Khanzadeh et al. | A methodology for predicting porosity from thermal imaging of melt pools in additive manufacturing thin wall sections | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
Tang et al. | In situ 3D monitoring and control of geometric signatures in wire and arc additive manufacturing | |
CN115601347A (zh) | 基于灰度纹理分析的钢板表面缺陷检测方法 | |
CN116500086B (zh) | 一种基于深度学习的铜复铝散热底板生产评价方法及系统 | |
US11724315B2 (en) | Systems and methods for defect detection and correction in additive manufacturing processes | |
CN109300127A (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
CN107843818A (zh) | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 | |
CN115546125A (zh) | 一种基于点云信息的增材制造熔敷层的误差检测并对轨迹纠偏的方法 | |
Guerra et al. | In-process dimensional and geometrical characterization of laser-powder bed fusion lattice structures through high-resolution optical tomography | |
CN107993235B (zh) | 一种基于图像处理技术的波纹阻火盘波高测量方法 | |
Sağbaş | Effect of orientation angle on surface quality and dimensional accuracy of functional parts manufactured by multi jet fusion technology | |
CN115953387A (zh) | 一种基于深度学习的射线图像焊缝缺陷检测方法 | |
WO2021227288A1 (zh) | 蜂窝产品的几何形态评估方法和检测及评估系统 | |
CN114529536A (zh) | 一种实木质量检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |