CN111353247B - 陶瓷基复合材料平纹编织结构细观组分识别与重建方法 - Google Patents
陶瓷基复合材料平纹编织结构细观组分识别与重建方法 Download PDFInfo
- Publication number
- CN111353247B CN111353247B CN202010133621.2A CN202010133621A CN111353247B CN 111353247 B CN111353247 B CN 111353247B CN 202010133621 A CN202010133621 A CN 202010133621A CN 111353247 B CN111353247 B CN 111353247B
- Authority
- CN
- China
- Prior art keywords
- pixel
- xct
- value
- identifying
- gradient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011153 ceramic matrix composite Substances 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 15
- 239000000835 fiber Substances 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 7
- 239000000463 material Substances 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 239000000758 substrate Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008021 deposition Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229920002134 Carboxymethyl cellulose Polymers 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000010948 carboxy methyl cellulose Nutrition 0.000 description 1
- 229920006184 cellulose methylcellulose Polymers 0.000 description 1
- 238000012710 chemistry, manufacturing and control Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Treatment Of Fiber Materials (AREA)
Abstract
陶瓷基复合材料平纹编织结构细观组分识别与重建方法，通过卷积计算得到XCT切片中每个像素与周围邻近像素的关系，从而得到每个像素的图像梯度，组成结构张量，计算得到像素的方向角和相干性。将水平梯度、竖直梯度和原图像灰度值分别赋予HSB的三通道，并转化为RGB进行处理，获得图像孔洞分布。对方向角、相干性和原图像灰度值分别赋予HSB三通道，并转化为RGB进行处理，采用权重分配方式计算获得图像的经纱和纬纱。对于基体采用灰度值按10递进的方式进行数量统计，并根据设置区间像素数量的变化趋势筛选出属于基体的像素。本发明实施例中所采用的材料经纱和纬纱密度更大，基体分布不均匀。然而，所得的重建结果与实际模型吻合度较高。
Description
技术领域
本发明属于陶瓷基复合材料预制体细观结构识别领域，具体涉及陶瓷基复合材料平纹编织结构XCT切片细观组分识别以及重建方法。
背景技术
国内外对于CMCs XCT切片有限元重建方面，单向材料识别发展较为完善，比如采用基于监督分割技术的学习算法，纤维跟踪，模板匹配等，然而此类方法并不适用于平纹编织材料。目前基于计算机视觉的平纹编织复杂预制体自动识别算法，多停留在界面和基体沉积之前，此时结构内部只有经纱和纬纱，内部结构相对简单，无法真实复原沉积完成之后的材料，或者使用手动标记内部结构较为复杂的预制体，工作量大，不适用于大尺寸的XCT切片识别与重建，且对于标记人员的专业要求高。
发明内容
本发明针对现有技术中的不足，提供一种陶瓷基复合材料平纹编织结构细观组分识别与重建方法。通过卷积计算得到XCT切片中每个像素与周围邻近像素的关系，从而得到每个像素的图像梯度，组成XCT切片的结构张量，并计算得到像素位置的方向角和像素的相干性。对所得结果图像采用RGB三通道方式获得图像的孔洞，采用RGB三通道权重分配方式获得图像的经纱和纬纱，对于基体采用灰度值按10递进的方式，筛选出属于基体的像素。本发明实施例中所采用的材料经纱和纬纱密度更大，基体分布不均匀。然而，采用本方法所得的重建结果与实际模型吻合度较高。
为实现上述目的，本发明采用以下技术方案：
陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于，包括如下步骤：
步骤1：对平纹编织结构进行XCT扫描，得到展示纤维平面的连续XCT切片；
步骤2：通过卷积计算得到XCT切片中每个像素与周围邻近像素的关系，从而得到每个像素的图像梯度，组成XCT切片的结构张量，并计算得到像素位置的方向角和像素的相干性；
步骤3：基于图像梯度以及XCT切片灰度值，确定用于识别孔洞的灰度阈值，并基于孔洞的灰度阈值识别XCT切片中的孔洞；
步骤4：将XCT切片的灰度划分为多个灰度区间，统计各区间内的像素数量，据此确定用于识别基体的灰度阈值，并基于基体的灰度阈值识别XCT切片中的基体；
步骤5：基于像素位置的方向角、像素的相干性及XCT切片灰度值，识别XCT切片中的经纱和纬纱；
步骤6：将连续的XCT切片按照步骤2～5进行识别，得到一系列结果图片，并据此建立平纹编织结构的三维模型。
为优化上述技术方案，采取的具体措施还包括：
进一步地，所述步骤2中，基于卷积的方式求得x和y方向梯度并得出图像结构张量：根据XCT切片的图像特征，首先选取待卷积XCT切片的感兴趣区域像素尺寸m*m，函数的自变量范围为、[-m，m]；通过对高斯核进行一阶求导，并将高斯核的一阶导数与高斯核相乘，得到x方向梯度；将高斯核与一阶导数相乘得到y方向梯度；分别使用XCT切片与x和y方向梯度相乘，得到XCT切片x方向梯度fx和y方向梯度fy，并通过公式(1)得到XCT切片的结构张量T：
根据式(1)求出矩阵的两个特征值，最大特征值为λmax，最小特征值为λmin；假设单位向量u与最大特征值λmax求出的特征向量共线，则：
u＝(cos(Angle)，sin(Angle)) (6)
式(2)中，Angle是对应特征向量的角度，通过特征向量与单位向量的对应关系，根据式(3)求出当前像素位置的方向角Angle：
根据式(4)计算像素的相干性C：
式(4)中，相干性值为1时，表明此像素位置仅有一个方向，为0时表明是各向同性的。
进一步地，所述步骤3中，将XCT切片的x方向梯度、y方向梯度和XCT切片灰度值使用HSB三色通道的方法赋值，并将其转换为RGB通道显示图像；将RGB通道显示图像与XCT切片进行对比，根据RGB通道显示图像的孔洞像素分布，确定XCT切片中识别孔洞的灰度阈值，并根据孔洞的灰度阈值提取XCT切片中属于孔洞的像素。
进一步地，所述步骤3中，将x方向梯度赋给H值，y方向梯度赋给S值，XCT切片灰度值赋给B值，并将其转换为RGB通道显示图像。
进一步地，所述步骤4中，将XCT切片的灰度按设定值递进的方式分为多个灰度区间，提取每个区间内的像素并进行数量统计，根据统计结果并结合基体分布特征确定用于识别基体的灰度阈值，并根据基体的灰度阈值提取XCT切片中属于基体的像素。
进一步地，所述步骤5中，将像素位置的方向角、像素的相干性及XCT切片灰度值使用HSB三色通道的方法赋值，并将其转换为RGB通道显示图像；对RGB通道显示图像使用高斯平滑的方法弱化噪声后，将G通道替换为75％G通道和25％B通道的加权，并将B通道归0；比较R和G两通道大小，R值较大的部分为经纱，反之，则为纬纱。
进一步地，所述步骤5中，像素位置的方向角赋给H值，像素的相干性赋给S值，XCT切片灰度值赋给B值，并将其转换为RGB通道显示图像。
进一步地，所述步骤6中，将经纱和纬纱识别完成的图片作为识别结果的底版，分别将孔洞和基体的像素位置赋予底版，并修改为对应的像素类别，完成XCT切片的组分识别；对于连续的XCT切片识别后所得的一系列结果图片，分别提取不同组分的像素类别与位置，写入.txt文件，导入三维建模软件，得到平纹编织结构的三维模型。
本发明的有益效果是：
1.通过图像的梯度与结构张量，解决了经纬纱密度大的平纹编织结构的经纱和纬纱识别问题，整体的准确率高，且操作简单；
2.结合图像的x和y方向梯度，得出了属于孔洞的像素位置，计算量小，效率高；
3.采用灰度值区间提取的方式，得出了属于基体的像素位置，计算量小，效率高；
4.经纱、纬纱、基体、孔洞的位置分别确定之后，将基体和孔洞的位置分别赋予经纬纱的识别结果图片，最终得出每一张XCT切片的不同组分，将一系列切片进行像素映射的方式可获得材料的三维模型。此模型不仅可以用于有限元分析，也可以用于组分参数和体积比的计算。整体过程自动化程度高，且适用于大尺寸试件XCT切片的快速识别与重建。
附图说明
图1a～1c是平纹编织结构XCT切片：图1a是X-Y方向；图1b是Y-Z方向；图1c是X-Z方向。
图2a、2b是孔洞像素：图2a是RGB三色通道表示孔洞；图2b是灰度值小于105表示孔洞。
图3a、3b是经纬纱与基体灰度值区间表示：图3a是经纬纱灰度值105-130；图3b是基体灰度值130-255。
图4a是XCT切片；图4b是RGB表示的经纬纱方向图；图4c是结果图。
图5a～5d是三维有限元模型结果图，图5a和5c是未进行细观结构识别时，30张500*500连续切片的三维重建图，分别是从上往下看和从下往上看的结果图；图5b和5d是分别是与5a和5c对应的细观结构识别完成后重建的有限元模型结果图。
具体实施方式
为实现平纹编织各细观组分的高精度识别，本发明基于卷积的方式求得x和y方向梯度并得出图像结构张量，根据图像的特征，首先选取待卷积XCT切片的感兴趣区域像素尺寸m*m，函数的自变量范围为[-m，m]。通过对高斯核进行一阶求导，并将高斯核的一阶导数与高斯核相乘，得到x方向梯度；将高斯核与一阶导数相乘得到y方向梯度。分别使用图像与得到的x和y方向梯度进行相乘，得到了图像x方向梯度fx和y方向梯度fy，并通过公式(1)得到了图像的结构张量T。
根据式(1)求出矩阵的两个特征值，最大特征值为λmax，最小特征值为λmin。假设单位向量u与最大特征值λmax求出的特征向量共线，则：
u＝(cos(Angle)，sin(Angle)) (10)
式中的Angle是对应特征向量的角度，通过特征向量与单位向量的对应关系，即可求出当前像素位置的方向角，如式(3)。像素的相干性公式如式(4)，相干性值为1时，表明此像素位置仅有一个方向，为0时表明是各向同性的。将方向、相干性，原图像灰度值，以HSB表示彩色图像，并以RGB三色分量表示，进行图像处理。所得结果的类别之间连续性较差，进一步对RGB图像使用高斯平滑的方法弱化噪声，感兴趣区域设置为n*n。
所得结果图像中，蓝色分量主要出现在图像中的纤维边缘，无法为经纱和纬纱的分布提供准确信息。但直接丢弃将会丢失一部分图像方向信息，因此将G通道替换为75％G通道和25％B通道的加权，并将B通道归0。比较R和G两通道大小，R值较大的部分为经纱，反之，则为纬纱。
此外，对于孔洞部分，根据图像X方向梯度、Y方向梯度以及原图像灰度值，将三类值分别赋予HSB通道，并以RGB颜色模式显示，可以较为明显的突出属于孔洞的位置区域。经过对比，发现与XCT切片灰度值小于105的像素区域吻合度较高。因此，认为此灰度值范围内的像素属于孔洞。
对于基体部分，将图像的灰度以按10递进的方式提取每个区间内的像素，并进行数量统计。发现在130以后，像素数量发生了急剧减少，且所得的结果图像高度符合基体分布，因此，将此范围内的像素归为基体区。
将经纱和纬纱识别完成的图片作为识别结果的底版，分别将孔洞和基体的像素位置赋予底版，并修改为对应的像素类别，完成了切片的组分识别。
将连续的XCT切片按照上述步骤进行识别，所得一系列结果图片，分别提取不同组分的像素类别与位置，写入.txt文件，导入三维建模软件，即可以得到平纹编织结构的三维模型。所得三维模型也可以仅采用一次计算，同时获得不同组分的体积比、尺寸参数和形状参数。
接下来结合实例和附图进行进一步说明。
对于平纹编织结构，使用水切割的方式将试件进行小块切割，长为15mm，宽为10mm，厚度与板材一致。将此样品放置于Zeiss Xradia Versa 520的设备下进行XCT扫描，分辨率为18.042微米，所得的XCT切片如图1a～1c。可以看出，在X-Y方向和X-Z方向得到的是纤维的横截面，纤维密度较大；然而在Y-Z方向得到的是纤维的平面，纤维密度小，视觉效果更加清晰。因此，为实现材料的不同组分的高精度识别并得到三维重建模型，将从Y-Z方向开展工作。
从Y-Z方向来看，经纱和纬纱成分没有差异，只有方向上的区别。通过卷积计算来得到每个像素与周围邻近像素的关系，从而得到切片每个像素的图像梯度，通过所得结果组成图像的结构张量，计算得到图像的相干性以及方向。因此，将采用此方法来求图像中分别属于经纱和纬纱的像素。同时，切片中可以明显区分的像素依次是孔洞，基体和具有方向性的经纬纱。首先对平纹编织结构XCT切片的孔洞和基体进行识别。
对于孔洞部分，首先求得XCT切片的x方向梯度(水平方向梯度)、y方向梯度(垂直方向梯度)和原图XCT切片灰度值，将上述值使用HSB(Hue，色度；Saturation，饱和度；Brightness亮度)三色通道的方式赋值，具体为x方向梯度赋给H值，y方向梯度赋给S值，XCT切片灰度值赋给B值，并将其转换为RGB通道显示图像，可以得到图2a。与原灰度图进行对比，发现灰度值小于105的像素与经过图像梯度计算之后得到的孔洞像素分布高度一致，如图2b所示。通过灰度值的方式提取属于孔洞的像素，计算量小，效率高。
在编织复合材料中，从图1a中也可以看出，两侧的孔洞相对较少，中间孔洞相对较多。一个是因为随着CVI工艺沉积时间延长，从外层进入预制体内部的孔洞逐渐被堵塞，另一个原因是为使得界面和基体充分渗入到材料内部而没有把多层纤维布压紧实。这也就导致了材料内部的边缘部分属于基体的高度聚集区。
同时，从图1b中也可以看出，纤维束的边缘部分亮度相对纤维束明显。因此，将XCT切片的灰度值按照10递进的关系进行统计，这里将灰度值小于105的像素记为孔洞像素，灰度值均设置为0，所得结果如表1，表中没有的区域值像素数量小于500，此处忽略不计。其中，像素在120-130的数量最大，而大于灰度值130的像素数量逐渐减小，因此将XCT切片灰度分为三段，小于105的是孔洞，120-130的为经纬纱，值大于130的设定为基体高密度区或者纯基体，如图3a、3b。
表1灰度值与像素数量
对于经纬纱的像素，采用图像梯度计算的结构张量的算法得到。假设f(x，y)是图像函数，感兴趣区域的像素尺寸为7*7，此处的方差设置为3。根据公式(1)得到结构张量，公式(3)得到像素位置的方向角，公式(4)得到像素的相干性。图4a为XCT切片。将方向角、相干性、原图像灰度值，分别赋予HSB的三个通道，具体为图像方向赋给H值，相干性赋给S值，XCT切片灰度值赋给B值，并以RGB颜色模式显示。所得结果的类别之间连续性较差，进一步对RGB图像使用高斯平滑的方法弱化噪声，感兴趣区域设置为3*3，方差设置为1，得到图4b。从图中可以看出，所的图像的RGB三色分量相差明显，同时G和B分量的值相差不大，然而在纤维的边缘区，B分量起到了一定的主导作用。根据实验得出，将G和B分量进行权重计算，即0.75倍的G分量与0.25倍的B分量的加和赋给G分量，将B分量归零。并根据R和G分量的比较，R分量大的像素归为经纱，G分量大的归为纬纱。并按照上述孔洞和基体所得的像素位置索引进行对应赋值，即得最后结果图，如图4c。
在扫描所得切片中，选择30张连续的XCT切片，尺寸为500*500，使用上述方法进行切片细观组分识别，将分割结果转化为每种组分对应的彩色图像。根据在Vgstudio 3.0软件中的计算，每张切片的厚度大约为0.02mm，将每个像素对应的类别进行统计，并保存在‘txt’文件中，导入APDL 18.2，采用像素映射的方法，得到了具有高保真度材料的三维有限元模型，前后结果对比如图5a～5d。
通过这个重建的模型得到了材料的形状与几何参数。统计三维模型中的经纱、纬纱、基体和孔洞所占的像素数量并与总的像素数量相除，可得到三种组分所占的体积分数，如表2。
表2组分体积比
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于，包括如下步骤：
步骤1：对平纹编织结构进行XCT扫描，得到展示纤维平面的连续XCT切片；
步骤2：通过卷积计算得到XCT切片中每个像素与周围邻近像素的关系，从而得到每个像素的图像梯度，组成XCT切片的结构张量，并计算得到像素位置的方向角和像素的相干性；
步骤3：基于图像梯度以及XCT切片灰度值，确定用于识别孔洞的灰度阈值，并基于孔洞的灰度阈值识别XCT切片中的孔洞；
步骤4：将XCT切片的灰度划分为多个灰度区间，统计各区间内的像素数量，据此确定用于识别基体的灰度阈值，并基于基体的灰度阈值识别XCT切片中的基体；
步骤5：基于像素位置的方向角、像素的相干性及XCT切片灰度值，识别XCT切片中的经纱和纬纱；
步骤6：将连续的XCT切片按照步骤2～5进行识别，得到一系列结果图片，并据此建立平纹编织结构的三维模型。
2.如权利要求1所述的陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于：所述步骤2中，基于卷积的方式求得x和y方向梯度并得出图像结构张量：根据XCT切片的图像特征，首先选取待卷积XCT切片的感兴趣区域像素尺寸m*m，函数的自变量范围为、[-m，m]；通过对高斯核进行一阶求导，并将高斯核的一阶导数与高斯核相乘，得到x方向梯度；将高斯核与一阶导数相乘得到y方向梯度；分别使用XCT切片与x和y方向梯度相乘，得到XCT切片x方向梯度fx和y方向梯度fy，并通过公式(1)得到XCT切片的结构张量T：
根据式(1)求出矩阵的两个特征值，最大特征值为λmax，最小特征值为λmin；假设单位向量u与最大特征值λmax求出的特征向量共线，则：
u＝(cos(Angle)，sin(Angle)) (2)
式(2)中，Angle是对应特征向量的角度，通过特征向量与单位向量的对应关系，根据式(3)求出当前像素位置的方向角Angle：
根据式(4)计算像素的相干性C：
式(4)中，相干性值为1时，表明此像素位置仅有一个方向，为0时表明是各向同性的。
3.如权利要求2所述的陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于：所述步骤3中，将XCT切片的x方向梯度、y方向梯度和XCT切片灰度值使用HSB三色通道的方法赋值，并将其转换为RGB通道显示图像；将RGB通道显示图像与XCT切片进行对比，根据RGB通道显示图像的孔洞像素分布，确定XCT切片中识别孔洞的灰度阈值，并根据孔洞的灰度阈值提取XCT切片中属于孔洞的像素。
4.如权利要求3所述的陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于：所述步骤3中，将x方向梯度赋给H值，y方向梯度赋给S值，XCT切片灰度值赋给B值，并将其转换为RGB通道显示图像。
5.如权利要求2所述的陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于：所述步骤4中，将XCT切片的灰度按设定值递进的方式分为多个灰度区间，提取每个区间内的像素并进行数量统计，根据统计结果并结合基体分布特征确定用于识别基体的灰度阈值，并根据基体的灰度阈值提取XCT切片中属于基体的像素。
6.如权利要求2所述的陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于：所述步骤5中，将像素位置的方向角、像素的相干性及XCT切片灰度值使用HSB三色通道的方法赋值，并将其转换为RGB通道显示图像；对RGB通道显示图像使用高斯平滑的方法弱化噪声后，将G通道替换为75％G通道和25％B通道的加权，并将B通道归0；比较R和G两通道大小，R值较大的部分为经纱，反之，则为纬纱。
7.如权利要求6所述的陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于：所述步骤5中，像素位置的方向角赋给H值，像素的相干性赋给S值，XCT切片灰度值赋给B值，并将其转换为RGB通道显示图像。
8.如权利要求6所述的陶瓷基复合材料平纹编织结构细观组分识别与重建方法，其特征在于：所述步骤6中，将经纱和纬纱识别完成的图片作为识别结果的底版，分别将孔洞和基体的像素位置赋予底版，并修改为对应的像素类别，完成XCT切片的组分识别；对于连续的XCT切片识别后所得的一系列结果图片，分别提取不同组分的像素类别与位置，写入.txt文件，导入三维建模软件，得到平纹编织结构的三维模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010133621.2A CN111353247B (zh) | 2020-02-28 | 2020-02-28 | 陶瓷基复合材料平纹编织结构细观组分识别与重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010133621.2A CN111353247B (zh) | 2020-02-28 | 2020-02-28 | 陶瓷基复合材料平纹编织结构细观组分识别与重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353247A CN111353247A (zh) | 2020-06-30 |
| CN111353247B true CN111353247B (zh) | 2021-10-26 |
Family
ID=71195890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010133621.2A Active CN111353247B (zh) | 2020-02-28 | 2020-02-28 | 陶瓷基复合材料平纹编织结构细观组分识别与重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353247B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986143B (zh) * | 2020-07-06 | 2021-09-21 | 南京航空航天大学 | 一种陶瓷基复合材料的细观结构表征方法 |
| CN111986130B (zh) * | 2020-07-16 | 2024-03-15 | 南京航空航天大学 | 一种编织陶瓷基复合材料xct切片数据杂质颗粒的去除方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715477A (zh) * | 2015-03-05 | 2015-06-17 | 浙江工业大学之江学院 | 基于多尺度和多区域的机织物编织密度的图像分析方法 |
| CN106469454A (zh) * | 2016-09-21 | 2017-03-01 | 南京航空航天大学 | 一种复合材料细观结构的计算机图形识别技术和三维建模方法 |
| CN110348429A (zh) * | 2019-08-02 | 2019-10-18 | 南京航空航天大学 | 一种平纹编织结构经纱与纬纱识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NZ714921A (en) * | 2013-06-03 | 2020-03-27 | Nanalysis Corp | Magnet assemblies |
-
2020
- 2020-02-28 CN CN202010133621.2A patent/CN111353247B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715477A (zh) * | 2015-03-05 | 2015-06-17 | 浙江工业大学之江学院 | 基于多尺度和多区域的机织物编织密度的图像分析方法 |
| CN106469454A (zh) * | 2016-09-21 | 2017-03-01 | 南京航空航天大学 | 一种复合材料细观结构的计算机图形识别技术和三维建模方法 |
| CN110348429A (zh) * | 2019-08-02 | 2019-10-18 | 南京航空航天大学 | 一种平纹编织结构经纱与纬纱识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353247A (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112907528B (zh) | 一种基于点云转图像的复材铺丝表面缺陷检测与识别方法 | |
| CN109658381B (zh) | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 | |
| CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| CN106940889B (zh) | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 | |
| JP4420821B2 (ja) | 組織学的アセスメント | |
| CN106204509B (zh) | 基于区域特性的红外与可见光图像融合方法 | |
| CN114140679A (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
| CN111353247B (zh) | 陶瓷基复合材料平纹编织结构细观组分识别与重建方法 | |
| US10713780B2 (en) | Color quality assessment based on multispectral imaging | |
| CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
| CN109829906A (zh) | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 | |
| CN105068918B (zh) | 一种页面测试方法及装置 | |
| CN114067231B (zh) | 一种基于机器视觉学习识别的零件加工特征识别方法 | |
| CN103530644A (zh) | 条纹织物组织结构自动识别方法 | |
| CN106778881B (zh) | 数字印花方法及装置 | |
| CN103940708A (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
| CN110264555B (zh) | 一种基于Micro-CT三维五向编织复合材料统计细观模型建立方法 | |
| CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
| Potiyaraj et al. | Recognition and re‐visualization of woven fabric structures | |
| CN110211078B (zh) | 基于各向异性扩散的显著度检测方法 | |
| CN111709939B (zh) | 一种结构对称性的编织陶瓷基复合材料细观组分分类方法 | |
| CN110906887B (zh) | 一种服装缝纫平整度检测方法 | |
| Owczarek | The impact and importance of fabric image preprocessing for the new method of individual inter-thread pores detection | |
| CN110197476B (zh) | 一种基于特征融合的复杂烧结矿三维显微矿相的分析方法 | |
| CN114926360A (zh) | 基于噪声估计的图像降噪处理工作方法 |
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 |