CN111340786A - 一种复杂点阵结构内部缺陷的三维分割方法及系统 - Google Patents
一种复杂点阵结构内部缺陷的三维分割方法及系统 Download PDFInfo
- Publication number
- CN111340786A CN111340786A CN202010127077.0A CN202010127077A CN111340786A CN 111340786 A CN111340786 A CN 111340786A CN 202010127077 A CN202010127077 A CN 202010127077A CN 111340786 A CN111340786 A CN 111340786A
- Authority
- CN
- China
- Prior art keywords
- defect
- dimensional
- rectangular frame
- image
- segmentation
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种复杂点阵结构内部缺陷的三维分割方法及系统。该方法包括:获取构件的多张断层图像;构件为复杂点阵结构;对于第k张断层图像,采用集合灰度均值法对断层图像的缺陷进行识别,得到标记缺陷的缺陷图;缺陷图中采用标记矩形框标记缺陷;根据缺陷图中标记矩形框的位置坐标,对缺陷图中标记矩形框的图像进行二值化分割,得到第k张断层图像对应的二维序列图像;二维序列图像中包含分割后的缺陷;采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。本发明可以实现对复杂点阵结构内部的未熔合缺陷进行三维分割,提高分割的准确度。
Description
技术领域
本发明涉及缺陷分割领域,特别是涉及一种复杂点阵结构内部缺陷的三维分割方法及系统。
背景技术
随着对节能的需求日益增长,对轻量化部件的需求增加,在航空航天中,部件重量的降低使燃料的消耗和使用降低。在汽车行业中,部件重量减少10%可以减少6-8%的燃料消耗,而点阵结构是实现这些目标的较好方法。3D打印的复杂点阵结构是一种具有周期性排列的新型多孔材料,具有体积密度小、比表面积大、比力学性能高等特点,目前在航空航天、石油化工、冶金方面有着广泛的应用。由于增材制造技术(3D打印)具有较高的设计自由度和速度,为点阵结构的制造提供了有力的技术支撑。但是打印材料自身的缺陷、打印过程中相变与金属粉末的融化和凝固等现象可能导致缺陷的出现,且缺陷的数量和类型难以控制,使点阵结构的表面状态及性能有所下降,甚至会对工业应用产生不利的影响。因此,对结构件进行无损检测及评估尤为重要。
目前利用X射线的穿透性,可以获得样件的内部结构信息。无损检测是CT技术的一个主要应用。虽然基于CT技术的无损检测可以确定结构体内是否有缺陷,但是无法知晓缺陷在点阵结构体内的具体形貌细节特征。同时,为更准确的判断缺陷对点阵结构功能性能的影响,需要对缺陷在结构体内的形貌、分布、大小特征等有充分的认识,因此不能凭借单张二维CT断层图像来表征缺陷,非常有必要从三维角度对内部缺陷进行重构,并将局部缺陷分割提取出来,进行三维综合表征分析。
现有技术中针对3D打印的复杂点阵结构现有的研究主要包括构件拓扑结构的优化、各种打印参数对点阵结构性能的影响、不同因素对点阵结构疲劳性能的影响等,而对打印构件所产生的一些缺陷表征、评估缺陷对构件产生的影响等研究较少。由于点阵结构具有空间规律性,当结构材料组分相同时,在CT断层图像中则体现为点阵结构部分灰度值几乎相同,孔隙部分为背景灰度。因此,当结构内部出现典型的未熔合/过融合等微小缺陷时,缺陷部位的灰度值不变化,只是二维和三维形态特征发生改变;当结构内部出现断裂缺陷时,缺陷部位的灰度和背景灰度相同,目前基于灰度值分割的研究方法尚不能够对点阵结构的缺陷进行直接分割,更不能对缺陷进行三维分割提取。
发明内容
本发明的目的是提供一种复杂点阵结构内部缺陷的三维分割方法及系统,以实现对复杂点阵结构内部的未熔合缺陷的三维分割提取,为进一步表征该类缺陷提供技术依据。
为实现上述目的,本发明提供了如下方案:
一种复杂点阵结构内部缺陷的三维分割方法,包括:
获取构件的多张断层图像;所述构件为复杂点阵结构;
对于第k张断层图像,采用集合灰度均值法对所述断层图像的缺陷特征进行提取,并进行缺陷识别,得到标记缺陷的缺陷图;所述缺陷图中采用标记矩形框标记缺陷;
根据所述缺陷图中所述标记矩形框的位置坐标,对所述缺陷图中标记矩形框的图像进行二值化分割,得到所述第k张断层图像对应的二维序列图像;所述二维序列图像中包含分割后的缺陷;
采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
可选的,所述获取构件的多张断层图像,具体包括:
获取所述构件的多张CT扫描图像;多张CT扫描图像为对所述构件一个周期完整扫描得到的图像;
对所有的CT扫描图像进行重构,得到所述构件的三维视图;
将所述三维视图沿着剖切方向顺序剖切,依次得到所述构件的多张断层图像。
可选的,所述对于第k张断层图像,采用集合灰度均值法对所述断层图像的缺陷特征进行提取,并进行缺陷识别,得到标记缺陷的缺陷图,具体包括:
确定矩形框的尺寸;
根据所述矩形框对所述第k张断层图像进行遍历框选,得到多个像素点集合;所述矩形框每一次框选对应得到一个像素点集合,所述像素点集合为所述矩形框内部的像素点集合;
利用公式计算每一个像素点集合的差异值;其中,gB为像素点集合Bij的差异值,Aij为像素点集合Bij前一次框选的像素点集合,Cij为像素点集合Bij后一次框选的像素点集合,m为所述矩形框的横向尺寸,n为所述矩形框的纵向尺寸,i为所述矩形框中横向第i个像素点,j为所述矩形框中纵向第j个像素点;
将差异值大于差异阈值的像素点集合确定为缺陷所在位置;
根据所述缺陷所在位置利用所述矩形框进行框选标记,得到标记缺陷的缺陷图。
可选的,所述根据所述缺陷图中所述标记矩形框的位置坐标,对所述缺陷图中标记矩形框的图像进行二值化分割,得到所述第k张断层图像对应的二维序列图像,具体包括:
根据所述缺陷图中所述标记矩形框的位置坐标,确定所述缺陷图中的非缺陷位置;所述非缺陷位置为所述缺陷图中除去所述标记矩形框剩余的部分;
将所述缺陷图中的非缺陷位置标记为黑色;
对所述标记矩形框中的图像根据像素阈值采用二值化分割,得到分割缺陷的二维序列图像。
可选的,所述采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像,具体包括:
利用光线透射法,按照按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
本发明还提供一种复杂点阵结构内部缺陷的三维分割系统,包括:
断层图像获取模块,用于获取构件的多张断层图像;所述构件为复杂点阵结构;
缺陷识别模块,用于对于第k张断层图像,采用集合灰度均值法对所述断层图像的缺陷特征进行提取,并进行缺陷识别,得到标记缺陷的缺陷图;所述缺陷图中采用标记矩形框标记缺陷;
二值化分割模块,用于根据所述缺陷图中所述标记矩形框的位置坐标,对所述缺陷图中标记矩形框的图像进行二值化分割,得到所述第k张断层图像对应的二维序列图像;所述二维序列图像中包含分割后的缺陷;
三维重构模块,用于采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
可选的,所述断层图像获取模块具体包括:
CT扫描图像获取单元,用于获取所述构件的多张CT扫描图像;多张CT扫描图像为对所述构件一个周期完整扫描得到的图像;
重构单元,用于对所有的CT扫描图像进行重构,得到所述构件的三维视图;
剖切单元,用于将所述三维视图沿着剖切方向顺序剖切,依次得到所述构件的多张断层图像。
可选的,所述缺陷识别模块具体包括:
矩形框确定单元,用于确定矩形框的尺寸;
框选单元,用于根据所述矩形框对所述第k张断层图像进行遍历框选,得到多个像素点集合;所述矩形框每一次框选对应得到一个像素点集合,所述像素点集合为所述矩形框内部的像素点集合;
差异值计算单元,用于计算每一个像素点集合的差异值,公式为:其中,gB为像素点集合Bij的差异值,Aij为像素点集合Bij前一次框选的像素点集合,Cij为像素点集合Bij后一次框选的像素点集合,m为所述矩形框的横向尺寸,n为所述矩形框的纵向尺寸,i为所述矩形框中横向第i个像素点,j为所述矩形框中纵向第j个像素点;
缺陷定位单元,用于将差异值大于差异阈值的像素点集合确定为缺陷所在位置;
标记单元,用于根据所述缺陷所在位置利用所述矩形框进行框选标记,得到标记缺陷的缺陷图。
可选的,所述二值化分割模块具体包括:
非缺陷位置确定单元,用于根据所述缺陷图中所述标记矩形框的位置坐标,确定所述缺陷图中的非缺陷位置;所述非缺陷位置为所述缺陷图中除去所述标记矩形框剩余的部分;
非缺陷位置标记单元,用于将所述缺陷图中的非缺陷位置标记为黑色;
二值化分割单元,用于对所述标记矩形框中的图像根据像素阈值采用二值化分割,得到分割缺陷的二维序列图像。
可选的,所述三维重构模块具体包括:
光线投射重构单元,用于利用光线透射法,按照按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
针对点阵结构内部出现的未熔合缺陷,是一种新的结构且新的缺陷形式,使用本发明的方法及系统可以很好的实现点阵结构缺陷的三维分割。而且,本发明得到的包括所有缺陷的三维分割结果能更准确的表征缺陷三维特征及缺陷在构件内部的分布情况,为构件的健康评估提供了有力的技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明复杂点阵结构内部缺陷的三维分割方法的流程示意图;
图2为锥束CT扫描系统的示意图;
图3为标记缺陷的缺陷图;
图4为缺陷提取后的示意图;
图5为分割缺陷的二维序列图像;
图6为包括所有缺陷的三维分割图像;
图7为本发明复杂点阵结构内部缺陷的三维分割系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明复杂点阵结构内部缺陷的三维分割方法的流程示意图。如图1所示,本发明复杂点阵结构内部缺陷的三维分割方法包括以下步骤:
步骤100:获取构件的多张断层图像。构件为复杂点阵结构。具体的,采用锥束CT扫描系统对构件进行扫描。图2为锥束CT扫描系统的示意图,如图2所示,采用锥束CT扫描系统进行扫描时,X射线源穿过构件,投影到面探测器上,且在扫描的过程中,旋转台旋转360°,即实现对构件的一个周期完整扫描过程,进而得到多张CT扫描图像。扫描得到的是投影图像,使用VGstudiomax软件采用一定的投影算法对投影图像(即所有的CT扫描图像)重构得到构件的三维视图。
然后,对重构出三维视图的构件沿x-y、y-z、x-z三个方向剖切,同一缺陷信息在不同切面的表现形式不同,但考虑沿x-y剖切得到的断层图像缺陷信息更为具体,所包含的有效像素更多,所以重构出的点阵结构沿x-y方向剖切,剖切间距(剖切层之间的距离)为0.1mm,最终得到多张灰度断层序列图像,即本步骤的多张断层图像。
步骤200:对于第k张断层图像,采用集合灰度均值法对断层图像的缺陷进行识别,得到标记缺陷的缺陷图。缺陷图中采用标记矩形框标记缺陷。对于每一张断层图像均需要进行缺陷识别,以任意一张断层图像为例,说明缺陷识别的过程。具体过程如下:
(1)确定矩形框的尺寸。矩形框也可以称为像素框,用于框选一定范围内的像素,进而识别该矩形框内是否包括缺陷。矩形框尺寸的确定可以通过矩形框对应的所有像素点集合的标准偏差确定。具体的,设当前矩形框的尺寸为i×j,则根据断层图像的尺寸可以计算得到整个断层图像包括S个矩形框,即包括S个像素点集合,则矩形框对应的所有像素点集合的标准偏差σij为:
其中,eijk为S个像素点集合中第k个像素点集合的灰度值总和,μij为S个像素点集合的灰度值总和。
按照设定规则更新矩形框的尺寸,并计算其他尺寸的矩形框对应的所有像素点集合的标准偏差,将标准偏差最小值对应的矩形框的尺寸确定为本发明的矩形框尺寸。
(2)根据所述矩形框对所述第k张断层图像进行遍历框选,得到多个像素点集合。例如,按照从断层图像左上角向右下角遍历的顺序进行遍历框选。所述矩形框每一次框选对应得到一个像素点集合,所述像素点集合为所述矩形框内部的像素点集合。
(3)利用公式计算每一个像素点集合的差异值;其中,gB为像素点集合Bij的差异值,Aij为像素点集合Bij前一次框选的像素点集合,Cij为像素点集合Bij后一次框选的像素点集合,m为所述矩形框的横向尺寸,n为所述矩形框的纵向尺寸,i为所述矩形框中横向第i个像素点,j为所述矩形框中纵向第j个像素点。
(4)将差异值大于差异阈值的像素点集合确定为缺陷所在位置。
(5)根据所述缺陷所在位置利用所述矩形框进行框选标记,得到标记缺陷的缺陷图。如图3所示,图3为标记缺陷的缺陷图。
步骤300:根据缺陷图中标记矩形框的位置坐标,对缺陷图中标记矩形框的图像进行二值化分割,得到第k张断层图像对应的二维序列图像。二维序列图像中包含分割后的缺陷。具体过程为:
首先,根据缺陷图中标记矩形框的位置坐标即矩形框四个角的位置坐标,确定缺陷图中的非缺陷位置。非缺陷位置为缺陷图中除去标记矩形框剩余的部分。
然后,将缺陷图中的非缺陷位置标记为黑色,即将矩形框外灰度值置0。由于背景与目标之间灰度值差异较小,因此,将非缺陷位置灰度值置0后,缺陷图中只包含标记矩阵框内的信息,此时便实现对于缺陷的提取过程。如图4所示,图4为缺陷提取后的示意图。
最后,对标记矩形框中的图像根据像素阈值采用二值化分割,得到分割缺陷的二维序列图像。标记矩形框中包含完整的缺陷信息,因此,对标记矩形框中的图像进行二值化处理,将目标区域(即缺陷区域)从图像中分割出来。如图5所示,图5为分割缺陷的二维序列图像。在对目标区域(缺陷区域)与背景区域(非缺陷区域)采用二值化分割过程中,像素阈值(即分割阈值)的选取采用Otsu阈值法。Otsu阈值原理具体步骤为:
1)假设根据灰度直方图的灰度等级为M,其中灰度值为i的像素个数为ni个,则对直方图归一化;
2)将灰度值为0~t分为C1类,将灰度值由t+1~M分为C2类,则C1与C2类的概率分别为:
C1类与C2类的灰度均值为:
3)求两类的类间方差分别为:
4)计算0~t灰度级范围与t+1~M灰度级范围像素的方差:
g=w1*w2*(u1-u2)^2 (7)
5)i++,重复步骤4),直到i=M,结束循环(图像的灰度级为M,对灰度级进行遍历,计算当前灰度值下前景背景类间概率);
6)将最大g值作为类间差法的最优阈值,即像素阈值。
对每一张断层图像执行步骤200-步骤300,便可以得到每一张断层图像对应的二维序列图像。
步骤400:采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。具体的,本发明采用光线透射法对所有断层图像对应的二维序列图像进行三维重构,具体过程如图6所示,图6为光线透射法的流程图。光线透射法在图像的合成中采用由前向后的方式,由公式(8)描述:
Cnow、αnow分别为第i个采样点的颜色值和不透明度,Cin、αin分别为进入第i个采样点的颜色值和不透明度,Cout、αout分别为从第i个采样点后的颜色值和不透明度。
本步骤的三维重构是在VC++与OpenGL的结合软件基础上实现的。本步骤的输出是3D打印复杂点阵结构内部缺陷的三维可视化,即从三维点阵结构中分割出来的缺陷,如图6所示,图6为包括所有缺陷的三维分割图像。
从重构出点阵结构内部缺陷的三维分割图像可以更直观的获得缺陷的三维形状信息,其外形不规则,但几乎所有缺陷外形相同,表明其为同一类型缺陷,且产生该缺陷的原因应该属于同一因素。此外,该缺陷分布无规律性,在点阵结构的左上角位置缺陷分布较为集中,其它部位较为分散。由结果分析得,本发明有效的分割出了3D打印点阵结构内部缺陷。
图7为本发明复杂点阵结构内部缺陷的三维分割系统的结构示意图。如图7所示,本发明复杂点阵结构内部缺陷的三维分割系统包括以下结构:
断层图像获取模块701,用于获取构件的多张断层图像;所述构件为复杂点阵结构。
缺陷识别模块702,用于对于第k张断层图像,采用集合灰度均值法对所述断层图像的缺陷特征进行提取,并进行缺陷识别,得到标记缺陷的缺陷图;所述缺陷图中采用标记矩形框标记缺陷。
二值化分割模块703,用于根据所述缺陷图中所述标记矩形框的位置坐标,对所述缺陷图中标记矩形框的图像进行二值化分割,得到所述第k张断层图像对应的二维序列图像;所述二维序列图像中包含分割后的缺陷。
三维重构模块704,用于采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
作为另一实施例,本发明复杂点阵结构内部缺陷的三维分割系统中所述断层图像获取模块701具体包括:
CT扫描图像获取单元,用于获取所述构件的多张CT扫描图像;多张CT扫描图像为对所述构件一个周期完整扫描得到的图像。
重构单元,用于对所有的CT扫描图像进行重构,得到所述构件的三维视图。
剖切单元,用于将所述三维视图沿着剖切方向顺序剖切,依次得到所述构件的多张断层图像。
作为另一实施例,本发明复杂点阵结构内部缺陷的三维分割系统中所述缺陷识别模块702具体包括:
矩形框确定单元,用于确定矩形框的尺寸。
框选单元,用于根据所述矩形框对所述第k张断层图像进行遍历框选,得到多个像素点集合;所述矩形框每一次框选对应得到一个像素点集合,所述像素点集合为所述矩形框内部的像素点集合。
差异值计算单元,用于计算每一个像素点集合的差异值,公式为:其中,gB为像素点集合Bij的差异值,Aij为像素点集合Bij前一次框选的像素点集合,Cij为像素点集合Bij后一次框选的像素点集合,m为所述矩形框的横向尺寸,n为所述矩形框的纵向尺寸,i为所述矩形框中横向第i个像素点,j为所述矩形框中纵向第j个像素点。
缺陷定位单元,用于将差异值大于差异阈值的像素点集合确定为缺陷所在位置。
标记单元,用于根据所述缺陷所在位置利用所述矩形框进行框选标记,得到标记缺陷的缺陷图。
作为另一实施例,本发明复杂点阵结构内部缺陷的三维分割系统中所述二值化分割模块703具体包括:
非缺陷位置确定单元,用于根据所述缺陷图中所述标记矩形框的位置坐标,确定所述缺陷图中的非缺陷位置;所述非缺陷位置为所述缺陷图中除去所述标记矩形框剩余的部分。
非缺陷位置标记单元,用于将所述缺陷图中的非缺陷位置标记为黑色;
二值化分割单元,用于对所述标记矩形框中的图像根据像素阈值采用二值化分割,得到分割缺陷的二维序列图像。
作为另一实施例,本发明复杂点阵结构内部缺陷的三维分割系统中所述三维重构模块704具体包括:
光线投射重构单元,用于利用光线透射法,按照按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种复杂点阵结构内部缺陷的三维分割方法,其特征在于,包括:
获取构件的多张断层图像;所述构件为复杂点阵结构;
对于第k张断层图像,采用集合灰度均值法对所述断层图像的缺陷特征进行提取,并进行缺陷识别,得到标记缺陷的缺陷图;所述缺陷图中采用标记矩形框标记缺陷;
根据所述缺陷图中所述标记矩形框的位置坐标,对所述缺陷图中标记矩形框的图像进行二值化分割,得到所述第k张断层图像对应的二维序列图像;所述二维序列图像中包含分割后的缺陷;
采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
2.根据权利要求1所述的复杂点阵结构内部缺陷的三维分割方法,其特征在于,所述获取构件的多张断层图像,具体包括:
获取所述构件的多张CT扫描图像;多张CT扫描图像为对所述构件一个周期完整扫描得到的图像;
对所有的CT扫描图像进行重构,得到所述构件的三维视图;
将所述三维视图沿着剖切方向顺序剖切,依次得到所述构件的多张断层图像。
3.根据权利要求1所述的复杂点阵结构内部缺陷的三维分割方法,其特征在于,所述对于第k张断层图像,采用集合灰度均值法对所述断层图像的缺陷特征进行提取,并进行缺陷识别,得到标记缺陷的缺陷图,具体包括:
确定矩形框的尺寸;
根据所述矩形框对所述第k张断层图像进行遍历框选,得到多个像素点集合;所述矩形框每一次框选对应得到一个像素点集合,所述像素点集合为所述矩形框内部的像素点集合;
利用公式计算每一个像素点集合的差异值;其中,gB为像素点集合Bij的差异值,Aij为像素点集合Bij前一次框选的像素点集合,Cij为像素点集合Bij后一次框选的像素点集合,m为所述矩形框的横向尺寸,n为所述矩形框的纵向尺寸,i为所述矩形框中横向第i个像素点,j为所述矩形框中纵向第j个像素点;
将差异值大于差异阈值的像素点集合确定为缺陷所在位置;
根据所述缺陷所在位置利用所述矩形框进行框选标记,得到标记缺陷的缺陷图。
4.根据权利要求1所述的复杂点阵结构内部缺陷的三维分割方法,其特征在于,所述根据所述缺陷图中所述标记矩形框的位置坐标,对所述缺陷图中标记矩形框的图像进行二值化分割,得到所述第k张断层图像对应的二维序列图像,具体包括:
根据所述缺陷图中所述标记矩形框的位置坐标,确定所述缺陷图中的非缺陷位置;所述非缺陷位置为所述缺陷图中除去所述标记矩形框剩余的部分;
将所述缺陷图中的非缺陷位置标记为黑色;
对所述标记矩形框中的图像根据像素阈值采用二值化分割,得到分割缺陷的二维序列图像。
5.根据权利要求1所述的复杂点阵结构内部缺陷的三维分割方法,其特征在于,所述采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像,具体包括:
利用光线透射法,按照按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
6.一种复杂点阵结构内部缺陷的三维分割系统,其特征在于,包括:
断层图像获取模块,用于获取构件的多张断层图像;所述构件为复杂点阵结构;
缺陷识别模块,用于对于第k张断层图像,采用集合灰度均值法对所述断层图像的缺陷特征进行提取,并进行缺陷识别,得到标记缺陷的缺陷图;所述缺陷图中采用标记矩形框标记缺陷;
二值化分割模块,用于根据所述缺陷图中所述标记矩形框的位置坐标,对所述缺陷图中标记矩形框的图像进行二值化分割,得到所述第k张断层图像对应的二维序列图像;所述二维序列图像中包含分割后的缺陷;
三维重构模块,用于采用体绘制方法,按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
7.根据权利要求6所述的复杂点阵结构内部缺陷的三维分割系统,其特征在于,所述断层图像获取模块具体包括:
CT扫描图像获取单元,用于获取所述构件的多张CT扫描图像;多张CT扫描图像为对所述构件一个周期完整扫描得到的图像;
重构单元,用于对所有的CT扫描图像进行重构,得到所述构件的三维视图;
剖切单元,用于将所述三维视图沿着剖切方向顺序剖切,依次得到所述构件的多张断层图像。
8.根据权利要求6所述的复杂点阵结构内部缺陷的三维分割系统,其特征在于,所述缺陷识别模块具体包括:
矩形框确定单元,用于确定矩形框的尺寸;
框选单元,用于根据所述矩形框对所述第k张断层图像进行遍历框选,得到多个像素点集合;所述矩形框每一次框选对应得到一个像素点集合,所述像素点集合为所述矩形框内部的像素点集合;
差异值计算单元,用于计算每一个像素点集合的差异值,公式为:其中,gB为像素点集合Bij的差异值,Aij为像素点集合Bij前一次框选的像素点集合,Cij为像素点集合Bij后一次框选的像素点集合,m为所述矩形框的横向尺寸,n为所述矩形框的纵向尺寸,i为所述矩形框中横向第i个像素点,j为所述矩形框中纵向第j个像素点;
缺陷定位单元,用于将差异值大于差异阈值的像素点集合确定为缺陷所在位置;
标记单元,用于根据所述缺陷所在位置利用所述矩形框进行框选标记,得到标记缺陷的缺陷图。
9.根据权利要求6所述的复杂点阵结构内部缺陷的三维分割系统,其特征在于,所述二值化分割模块具体包括:
非缺陷位置确定单元,用于根据所述缺陷图中所述标记矩形框的位置坐标,确定所述缺陷图中的非缺陷位置;所述非缺陷位置为所述缺陷图中除去所述标记矩形框剩余的部分;
非缺陷位置标记单元,用于将所述缺陷图中的非缺陷位置标记为黑色;
二值化分割单元,用于对所述标记矩形框中的图像根据像素阈值采用二值化分割,得到分割缺陷的二维序列图像。
10.根据权利要求6所述的复杂点阵结构内部缺陷的三维分割系统,其特征在于,所述三维重构模块具体包括:
光线投射重构单元,用于利用光线透射法,按照按照所有断层图像的顺序对所有断层图像对应的二维序列图像进行三维重构,得到包括所有缺陷的三维分割图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010127077.0A CN111340786B (zh) | 2020-02-28 | 2020-02-28 | 一种复杂点阵结构内部缺陷的三维分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010127077.0A CN111340786B (zh) | 2020-02-28 | 2020-02-28 | 一种复杂点阵结构内部缺陷的三维分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340786A true CN111340786A (zh) | 2020-06-26 |
CN111340786B CN111340786B (zh) | 2022-09-16 |
Family
ID=71182022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010127077.0A Active CN111340786B (zh) | 2020-02-28 | 2020-02-28 | 一种复杂点阵结构内部缺陷的三维分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340786B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508841A (zh) * | 2020-09-09 | 2021-03-16 | 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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766336A (zh) * | 2015-04-16 | 2015-07-08 | 中北大学 | 一种固体发动机三维ct缺陷提取及标记方法 |
CN109521028A (zh) * | 2018-12-04 | 2019-03-26 | 燕山大学 | 一种金属三维多层点阵结构内部宏观缺陷检测方法 |
CN110044927A (zh) * | 2019-04-23 | 2019-07-23 | 华中科技大学 | 一种空间编码光场对曲面玻璃表面缺陷的检测方法 |
-
2020
- 2020-02-28 CN CN202010127077.0A patent/CN111340786B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766336A (zh) * | 2015-04-16 | 2015-07-08 | 中北大学 | 一种固体发动机三维ct缺陷提取及标记方法 |
CN109521028A (zh) * | 2018-12-04 | 2019-03-26 | 燕山大学 | 一种金属三维多层点阵结构内部宏观缺陷检测方法 |
CN110044927A (zh) * | 2019-04-23 | 2019-07-23 | 华中科技大学 | 一种空间编码光场对曲面玻璃表面缺陷的检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508841A (zh) * | 2020-09-09 | 2021-03-16 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111340786B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102613438B1 (ko) | 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템 | |
TWI767108B (zh) | 用於檢查半導體試樣的方法與系統及在其上紀錄相關指令的電腦可讀取媒體 | |
KR102176335B1 (ko) | 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템 | |
CN111512324B (zh) | 半导体样品的基于深度学习的检查的方法及其系统 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
TWI539150B (zh) | 用於偵測檢查圖像中之缺陷的系統、方法及電腦程式產品 | |
CN103940708B (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
KR102384568B1 (ko) | 반도체 시편의 검사에 사용가능한 훈련 세트의 생성 | |
CN106327451A (zh) | 一种古生物化石的图像修复方法 | |
CN109410139A (zh) | 一种文物内部和表面病害数字化分析评估方法 | |
CN114693660A (zh) | 一种基于ict的固体火箭发动机装药计算网格生成方法 | |
CN111340786B (zh) | 一种复杂点阵结构内部缺陷的三维分割方法及系统 | |
CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
He et al. | IDART: An improved discrete tomography algorithm for reconstructing images with multiple gray levels | |
Bi et al. | A novel method for 3D crack edge extraction in CT volume data | |
Pirillo | Study on segmentation techniques for geometric measurements in industrial computed tomography | |
CN117541579B (zh) | 一种封装支架缺陷检测方法及系统 | |
Rodriguez et al. | Adaptive thresholding by region of interest applied to quality control of gas electron multiplier foils | |
Spaeth et al. | A Markov Random Field Model for Texture-based Segmentation of Small Cracks in Thin InconelTubes | |
CN117853408A (zh) | 一种基于超分辨率技术的车身涂装质量检测系统和方法 | |
JP2022013667A (ja) | 半導体試料の画像のセグメンテーション | |
CN117437476A (zh) | 一种3d打印点阵结构的内部缺陷检测方法 | |
CN116482019A (zh) | 一种基于几何特征识别的机器零部件生产检测系统 | |
Zhang et al. | Image-based crack detection and properties retrieval for high-speed railway bridge |
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 |