CN111814859A - 一种用于xct切片分类的三维空间类别纠正方法 - Google Patents
一种用于xct切片分类的三维空间类别纠正方法 Download PDFInfo
- Publication number
- CN111814859A CN111814859A CN202010614457.7A CN202010614457A CN111814859A CN 111814859 A CN111814859 A CN 111814859A CN 202010614457 A CN202010614457 A CN 202010614457A CN 111814859 A CN111814859 A CN 111814859A
- Authority
- CN
- China
- Prior art keywords
- slice
- xct
- slices
- correction
- sliding window
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Woven Fabrics (AREA)
Abstract
本发明公开了一种用于XCT切片分类的三维空间类别纠正方法,用在陶瓷基复合材料编织板预制体的细观结构识别上。本发明提出了在XCT切片内进行像素类别均匀化的纠正操作方案,通过统计切片内的某一像素周边每种像素类别的数量,并将最大数量对应的像素类别与当前位置像素类别进行对比,若两者类别不同,则改变当前切片位置的像素类别,可有效增强标签的连续性,提高最终分类的准确性,获得优化的切片细观结构识别效果图,且本发明易于实施,适合推广使用。
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,具体涉及一种在三维空间对图像进行类别均匀化的纠正方法。
背景技术
陶瓷基复合材料(CMCs,Ceramic Matrix Composites)是由增强相连续陶瓷纤维、界面和基体三部分组分,具有耐高温、耐腐蚀等优点,且密度仅为镍基单晶合金的1/3,是一种可以用于航空发动机高温部件的理想候选材料。其中,平纹编织CMCs由于具有较好的层间抗剪切、抗冲击性能和断裂韧性,因此得到了广泛关注。
由于CMCs组分具有多元化以及非均质的特性,这就需要设计大量的材料类别比如制备工艺,界面厚度,界面类型、基体类型等,并依次开展试验。采用传统的材料设计方法试错法无疑会花费大量的人力、物力、财力,因此,这种方法就不再适用。基于有限元仿真的材料性能虚拟评价方法,可实现快速对材料的性能进行仿真评价,并筛选出最优化组分含量以及结构,有助于缩短材料设计的迭代周期,改变当前试错法的弊端。虚拟评价的准确性很大程度上依赖于有限元模型是否与真实细观结构相接近。X射线电子计算机断层扫描(XCT,X-ray Computed Tomography)是一种无损检测方法,可以在不破坏材料的基础上获得材料内部真实细观结构,对所得的一系列连续XCT切片进行细观结构分类,并生成有限元模型。
目前,对于CMCs平纹编织XCT切片的细观结构分类方法包括手动标记法、全卷积神经网络法(中国专利CN109919080B《多解码器全卷积神经网络及其相应的细观结构识别方法》)等。由于算法本身的局限性,全卷积神经网络和结构张量算法的分类结果,使所得的结果类别具有不连续性,某些小区域存在经纱纬纱两种组分相互掺杂,此时的标签连续性差,如果对一系列识别完成的切片进行手动更改,工作量是很大的。对于全卷积神经网络识别完成后的图像,为增强识别结果的准确率,一些学者根据XCT切片之间的连续性和相似性,提出了一种纠正算法(中国专利CN109902755B,《一种用于XCT切片的多层信息分享与纠正方法》)。此外,全卷积神经网络需要首先建立一个用于训练和测试的数据库,并对网络进行训练,之后经测试集验证准确率达到一定水平后才可投入使用,操作过程相对复杂。结构张量方法无需建立数据库,通过计算水平和竖直方向的图像梯度,获得张量矩阵,并根据矩阵的特征值进而计算像素的方向角,从而分别获得经纱和纬纱的像素分布位置。
对于XCT图片的细观结构分类处理,现有技术并不能充分利用XCT切片内像素之间的联系。因此,有必要对于切片内的连续性进行研究,并通过切片内像素之间的联系辅助纠正周围像素的错误类别,提高标签连续性以及识别准确率。
发明内容
本发明针对现有技术中的不足,提出了一种用于XCT切片分类的三维空间类别纠正方法,以提高分类的准确性。
本发明的技术方案为:
一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,包括以下步骤:
步骤一、获取原始XCT切片
对陶瓷基复合材料编织板进行切割,得到试件,对该试件进行XCT扫描,得到一系列包含材料内部真实细观结构的原始XCT切片;
步骤二、对所述原始XCT切片进行处理,确定切片中经纱、纬纱、孔隙的分布位置;
步骤三、从处理后得到的XCT切片中,随机选取N张连续的切片,N为小于XCT切片总数的正整数,且通过罗列N张连续切片得到的厚度面图像至少包括一层经纱和纬纱的完整厚度截面,之后根据所述N张连续切片中经纱、纬纱和孔隙的位置分布,确定纠正参考值,完成对选取切片的面内和面间纠正操作;
面内纠正操作,是以滑动窗口遍历随机选取的各切片,计算每次移动,滑动窗口中孔隙、经纱以及纬纱的像素数量,并确定数量最多的像素对应的类别Cla,将滑动窗口中类别不同于Cla的像素类别纠正为Cla;
面间纠正操作,是针对罗列在一起的N张切片,依次以每一切片为基准,在厚度方向向上或下扩展,以滑动窗口遍历各基准切片,并计算每次移动,基准层和上/下扩展层切片,在竖直方向上落在所述滑动窗口范围内的孔隙、经纱以及纬纱的像素数量,确定数量最多的像素对应的类别Cla,将各层落在滑动窗口范围内的,类别不同于Cla的像素类别均纠正为Cla;
步骤四、对本次随机选取的N张切片完成面内和面间纠正操作后,重复步骤三,遍历所有XCT切片得到纠正后的一系列XCT切片。
在上述方案的基础上,进一步改进或优选的方案还包括:
所述步骤三的的具体过程为:
步骤3.1)基于本次随机选取的N张切片,统计每束经纱与纬纱宽度分别所占的像素数量,对所得数量分别加和,并求取平均值,获得经纱平均宽度为Warp_Pixel个像素,纬纱平均宽度为Weft_Pixel个像素;
步骤3.2)基于本次随机选取的N张切片,统计每束纤维束在厚度方向所占的切片数量,所述纤维束包括经纱和纬纱,并对所得数量加和,求取每束纤维束的平均厚度为Thick_Number个切片;
步骤3.3)选择纠正操作采用的滑动窗口的类型,即所述滑动窗口的形状,并确定所述滑动窗口的中心位置;
步骤3.4)根据所述滑动窗口的中心位置,划分出滑动窗口的前侧和后侧,并确定前侧和后侧的纵向纠正参考值区间;
基于本次随机选取的N张切片,分别统计各切片中相邻纬纱之间间距所占的像素数量,对其加和,并求取纬纱间距的平均值Horizon_Pixel,设滑动窗口前后两侧纵向纠正的最大像素数量为则滑动窗口前侧和后侧的纵向纠正像素数量参考值区间为
步骤3.5)根据所述滑动窗口的中心位置,划分出滑动窗口的左侧和右侧,并确定左侧和右侧的横向纠正参考值区间;
基于本次随机选取的N张切片,分别统计各切片中相邻经纱之间间距所占的像素数量,对其加和,并求取经纱间距平均值Vertical_Pixel,设滑动窗口左侧和右侧横向纠正的最大像素数量为则滑动窗口左侧和右侧的横向纠正像素数量参考值区间为
步骤3.6)确定面间纠正操作滑动窗口的竖向纠正参考值区间:
通过罗列切片得到所述N张切片厚度面的图像,面间纠正时,以滑动窗口所在的某一切片为基准,在厚度方向向上或下扩展,设厚度方向的纠正参考值区间为[-Thick_Number Thick_Number],负值表示向下扩展的切片层数,正值表示向上扩展的切片层数;
步骤3.7)对本次随机选取的N张切片,依次进行面内纠正:
从步骤3.4)和3.5)确定的参考值区间中,选择设定面内纠正滑动窗口左、右两侧和前、后两侧的像素数量,以及滑动窗口每次移动的步长;
计算每次移动,滑动窗口中孔隙、经纱以及纬纱的像素数量,并确定数量最多的像素对应的类别Cla,将滑动窗口中类别不同于Cla的像素类别纠正为Cla,若无其它类别,则无需纠正操作;
步骤3.8)针对完成面内纠正的N张切片,以每个切片为基准,依次进行面间纠正:
从步骤3.6)确定的竖向纠正参考值区间中,择值设定面间纠正操作向上或向下扩展的切片层数;
计算每次移动,基准层和上/下扩展层切片,在竖直方向上落在所述滑动窗口范围内的孔隙、经纱以及纬纱的像素数量,并确定数量最多的像素对应的类别Cla,将各层落在滑动窗口范围内的,类别不同于Cla的像素类别纠正为Cla,若无其它类别,则无需纠正操作。
步骤三中,面内/面间纠正操作的方向从切片的横向、纵向方向先后分别开展,遍历整张切片。即面内纠正时,滑动窗口以横向滑动的方式扫略一遍切片,以纵向滑动的方式扫略一遍切片,横向滑动和纵向滑动可先可后,面间纠正,也是如此。
步骤二的具体过程为:
步骤2.1)确定孔隙像素的位置分布:将原始XCT切片分为经纬纱无交叉和经纬纱相互交叉两类,分别提取两类原始XCT切片中孔隙区域的灰度值,并将切片中的这些孔隙位置的灰度值均设置为0,得到一系列第二XCT切片;
步骤2.2)使用一元高斯函数计算第二XCT切片的掩码,计算过程为:
对高斯函数求导获得一阶导数;
设高斯函数原函数值的转置与高斯函数的一阶导数值相乘为切片横向方向的卷积核;
设高斯函数一阶导数值的转置与原函数相乘为切片纵向方向的卷积核;
使用上述两卷积核对第二XCT切片分别进行滑动卷积,得到第二XCT切片横向和纵向的图像梯度,设其对应的梯度矩阵分别为fx和fy;
步骤2.3)通过上述梯度矩阵,求得第二XCT切片的角度矩阵Angle,所述角度矩阵Angle的元素由各个位置像素的角度a构成,将第二XCT切片中|a|值大于5的像素设定为经纱像素,反之则设定为纬纱像素,便得到了切片中经纱和纬纱的分类结果,即获得第二XCT切片中的经纱和纬纱的位置分布;
步骤三再从所述第二XCT切片中,随机选取N张连续的切片。
执行面间/面内纠正操作时:
在切片水平面的图像上,若经纱和纬纱所占面积比例的差距在第一预设值以内时,采用左右相等,前后相等的滑动窗口;若经纱和纬纱的比例差距大于第二预设值时,则采用左右不等,前后不等的滑动窗口,所述第二预设值大于第一预设值;若经纱所占比例比纬纱多,且差距大于第一预设值,而小于等于第二预设值,则采用左右不等,前后相等的滑动窗口;若纬纱所占比例比经纱多,且差距大于第一预设值,而小于等于第二预设值,则采用左右相等,前后不等的滑动窗口;
在切片各厚度面的图像上,若经纱和纬纱所占面积比例的差距在第二预设值以内时,向上和向下扩展的层数相等;若经纱和纬纱的比例差距大于第二预设值,则向上和向下扩展的层数不等。
优选的,所述第一预设值为15%,第二预设值为30%。
进一步的,步骤三的纠正操作过程中,对于切片的边缘像素采用镜像法将切片的边缘部分进行翻折,以镜像对称的方式扩大切片尺寸,以弥补滑动窗口中心像素靠近边缘时,窗口的一侧超出切片边缘。
进一步的,所述三维空间类别纠正方法,还包括:
步骤五、将纠正后得到的一系列XCT切片作为迭代操作的对象,重复执行步骤三,进行迭代纠正操作,并设置迭代的次数,以此来结束迭代算法进程。
步骤六、将纠正后的XCT切片的像素值以三维形式绘图显示,判断切片各位置像素值的平滑度是否达到目标效果,若未达到目标效果,则选择迭代的类型,继续进行迭代纠正操作。
以及,在进行迭代纠正操作前,判断是否需要对滑动窗口参数进行修改的步骤。
有益效果:
本发明用于XCT切片分类的三维空间类别纠正方法,提出了在XCT切片内进行像素类别均匀化的纠正操作方案,通过统计切片内的某一像素周边每种像素类别的数量,并将最大数量对应的像素类别与当前位置像素类别进行对比,若两者类别不同,则改变当前切片位置的像素类别,可增强标签的连续性,提高最终的分类准确性,获得优化的切片细观结构识别效果图。同时,本发明纠正方法易于实施,适合推广使用。
附图说明
图1为三种纠正类型的示意图;
图2(a)为实施纠正操作后,切片的细观结构识别效果图,图2(b)为与其对应的三维形式绘图;
图3(a)为第一次迭代后,获得的切片细观结构识别效果图,图3(b)为与其对应的三维形式绘图;
图4(a)为第二次迭代后,获得的切片细观结构识别效果图,图4(b)为与其对应的三维形式绘图;
图5(a)为第三次迭代后,获得的切片细观结构识别效果图,图5(b)为与其对应的三维形式绘图。
具体实施方式
为阐明本发明的技术方案,下面结合附图与具体实施例对本发明做详细的介绍。
一种用于XCT切片分类的三维空间类别纠正方法,包括以下步骤:
步骤一、获取原始XCT切片图像
使用水切割的方式对陶瓷基复合材料平纹编织板进行切割,得到长*宽*厚尺寸为10mm*10mm*4mm的试件(试件的厚度方向也是经线和纬线纤维束的厚度方向),对该试件进行XCT(X-ray Computed Tomography)扫描,得到一系列包含材料内部真实细观结构的原始XCT切片,设其为第一XCT切片。
步骤二、对原始XCT切片进行处理,确定切片(图像)中经纱、纬纱、孔隙的分布位置,包括:
步骤2.1)确定孔隙像素的位置分布:由于不同的切片之间的灰度值具有明显差异,所以将步骤1获得的一系列原始XCT切片分为经纬纱无交叉和经纬纱相互交叉两类,使用Matlab软件分别提取两类原始XCT切片中孔隙区域的灰度值,并将切片中的这些孔隙位置的灰度值均设置为0,得到一系列第二XCT切片。设经纬纱无交叉和经纬纱相互交叉切片孔隙灰度值分别为50和75,处理后,第二XCT切片孔隙位置的灰度值即均变成了0。
步骤2.2)使用一元高斯函数计算所有第二XCT切片的掩码,计算方式是:对高斯函数求导获得一阶导数,所述高斯函数的自变量范围为[-X,X],X属于正整数,自变量的范围可以决定感兴趣区域的尺寸,感兴趣区域的尺寸为(2X+1)*(2X+1),X取值为3时,高斯函数自变量范围为[-3,3],感兴趣区域的尺寸即为7*7;高斯函数原函数值的转置与高斯函数的一阶导数值相乘即为切片横向方向的卷积核,高斯函数一阶导数值的转置与原函数相乘即为切片纵向方向的卷积核,使用上述卷积核对第二XCT切片分别进行滑动卷积,步长为1,便得到了第二XCT切片横向和纵向方向的图像梯度,设其梯度矩阵分别为fx和fy。
步骤2.3)通过上述梯度矩阵,求得第二XCT切片的角度矩阵Angle,所述角度矩阵Angle的元素由各个位置像素的角度a构成,将第二XCT切片中|a|值大于5的像素设定为经纱像素,反之则设定为纬纱像素,便得到了切片中经纱和纬纱的分类结果,即获得第二XCT切片中的经纱和纬纱的位置分布;
步骤三、从前序步骤获得的第二XCT切片中,随机选取10张连续的切片,并获取其图像中经纱、纬纱和孔隙的分布位置,确定纠正参考值,完成对选取切片的纠正操作,包括:
步骤3.1)基于本次随机选取的10张切片,统计每束经纱与纬纱宽度分别所占的像素数量,对所得数量分别加和,并求取平均值,获得经纱平均宽度为Warp_Pixel个像素,纬纱平均宽度为Weft_Pixel个像素,本实施例获得的Warp_Pixel=10,Weft_Pixel=15。
步骤3.2)基于本次随机选取的10张切片,统计每束纤维束在厚度方向包括的切片数量,包括经纱(纤维束)和纬纱(纤维束),并对所得数量分别加和,并取单根纤维束的厚度平均值,本实施例中纤维束的平均厚度Thick_Number=5。
步骤3.3)选择面内纠正和面间纠正操作采用的滑动窗口类型,即所述滑动窗口的形状,并确定所述滑动窗口的中心位置;
面内是指同一张切片,面间是指不同的切片(面间操作相当于对面内的纠正类型进行立体的延伸)。纠正操作以滑动窗口(或者说滑动块的)遍历图像,所述滑动窗口的类型,包括水平单线形、方形、正态函数形、矩形等,如图1所示,(a)为水平单线形,即滑动窗口内的像素组排成一条直线;(b)为矩形,即滑动窗口内的像素组排列呈矩形块状,(c)为正态函数形,即滑动窗口内的像素组的前侧和后侧外轮廓均呈现为近似正态分布曲线的形状(图1中滑动窗口位于边缘位置,未显示正态函数形窗口的后侧)。
步骤3.4)根据面内纠正滑动窗口的中心位置,划分出滑动窗口的前侧和后侧,并确定前侧和后侧的纵向纠正参考值区间;
基于本次随机选取的10张切片,分别统计各切片中纬纱之间间距所占的像素数量,对其加和,并求得纬纱间距的平均值Horizon_Pixel;设定纵向纠正最大像素数量为则窗口前侧和后侧的纵向纠正像素数量的参考值区间为且前后两侧纠正像素数量可以不等。本实施例获得Horizon_Pixel=8,则横向纠正最大像素数量为19,参考值区间即为[0,19]。
步骤3.5)根据所述滑动窗口的中心位置,划分出滑动窗口的左侧和右侧,并确定左侧和右侧的纵向纠正参考值区间:
基于本次随机选取的10张切片,分别统计10张切片中经纱之间间距所占的像素数量,对其加和并求取平均值,获得经纱间距平均值Vertical_Pixel;设定纵向纠正最大像素数量为则滑动窗口左侧和右侧的横向纠正像素数量的参考值区间为且左右两侧纠正像素数量可以不等。本实施例获得Vertical_Pixel=6,则横向纠正最大像素数量为13,区间即为[0,13]。
步骤3.6)确定面间纠正操作滑动窗口的竖向纠正参考值区间:
通过罗列(或者说,叠置)切片可得到所述10张切片包括厚度面图像在内的三维图像,对于纤维束厚度方向连接距离的纠正,可在厚度方向向上或下扩展,直至此束纤维的形状发生了明显变化,设厚度方向为竖直方向,竖向纠正参考值区间为[-Thick_NumberThick_Number],以滑动窗口所在的某一切片为基准,负值代表是沿空间厚度方向向上,正值代表沿厚度方向向下,且两个方向扩展的切片图像数量可以不同。本实施例中,厚度方向的纠正参考值区间为[-5,5]。
步骤3.7)对本次随机选取的10张切片,依次进行面内纠正;
纠正的方向可以从切片的横向和纵向方向,先后分别开展;
关于滑动窗口的参数取值:
在切片水平面的图像上,若经纱和纬纱所占面积比例的差距在第一预设值以内时,采用左右相等,前后相等的滑动窗口;若经纱和纬纱的比例差距大于第二预设值时,则采用左右不等,前后不等的滑动窗口,所述第二预设值大于第一预设值;若经纱所占比例比纬纱多,且差距大于第一预设值,而小于等于第二预设值,则采用左右不等,前后相等的滑动窗口;若纬纱所占比例比经纱多,且差距大于第一预设值,而小于等于第二预设值,则采用左右相等,前后不等的滑动窗口;
同理,面间纠正时,在切片厚度面的图像上,若经纱和纬纱所占面积比例的差距在第二预设值以内时,向上和向下扩展的层数相等;若经纱和纬纱的比例差距大于第二预设值,则向上和向下扩展的层数不等。
由于陶瓷基复合材料中孔隙的含量普遍低于12%,故本实施例中设置所述所述第一预设值为15%,第二预设值为30%。对于切片中经纱、纬纱含量的计算,可以从切片中截取一块,通过手动标记的方式对经纱、纬纱和孔隙进行分类,统计经纱、纬纱所占面积的比例,或者说含量。
而关于滑动窗口左右、前后两侧纠正的具体像素数量,以及向上、向下扩展的层数,可以从以上步骤确定的纠正参考值区间中,通过有限次的试验,获取效果较好的经验值。
本实施例中,采用正态函数形的滑动窗口。取滑动窗口纵向纠正的像素数值,前、后两侧分别为8和12(即窗口前侧侧最远端到窗口中心位置横跨8个像素,窗口后侧最远端到窗口中心位置横跨12个像素);取滑动窗口横向纠正的像素数值,左、右两侧分别为6和9(即窗口左侧最远端到窗口中心位置横跨6个像素,窗口右侧最远端到窗口中心位置横跨9个像素),均在上述参考值区间内,同时设滑动窗口每次移动的步长为2。
同时,对于图像的边缘像素可采用镜像法处置,以弥补滑动窗口中心像素靠近边缘时,窗口的一侧超出切片边缘。所述镜像法就是将图像的边缘部分进行翻折,以镜像对称的方式扩大图像尺寸,使滑动窗口扫略过每个像素。
之后计算每次移动,滑动窗口中孔隙、经纱以及纬纱的像素数量,并确定数量最多的像素对应的类别Cla,将类别不同于Cla的像素类别纠正为Cla,若无其它类别,则无需操作。
步骤3.8)针对完成面内纠正的10张切片,以每个切片为基准,依次进行面间纠正:
从步骤3.6)确定的竖向纠正参考值区间[-5,5]中,择值设定面间纠正操作向上和向下扩展的切片层数;
纠正操作的方向从切片的纵向和横向方向先后分别开展,遍历整张图像;
计算每次移动,基准层和上/下扩展层切片,在竖直方向上落在所述滑动窗口范围内的孔隙、经纱以及纬纱的像素数量,并确定数量最多的像素对应的类别Cla,将各层落在滑动窗口范围内的,类别不同于Cla的像素类别纠正为Cla,若无其它类别,则无需纠正操作。
罗列在一起的10张切片中,当面间纠正操作的基准切片为靠近顶端或底端的切片时,该基准切片上方或下方的层数可能会小于预设的向上或向下扩展的层数,则后续的面间纠正操作,向上或向下扩展的层数以实际余下的切片层数为准。
步骤四、对本次随机选取的N张切片完成面内和面间纠正操作后,重复步骤三,遍历所有XCT切片,得到纠正后的一系列XCT切片。
步骤五、算法实际运行过程中,由于纠正存在一定随机性,使得上述步骤设定的纠正参考值不再适用,可以根据需要对参考值进行修改,将纠正后得到的一系列XCT切片作为第二XCT切片,重复执行步骤三,进行迭代操作,并设置设置迭代的次数数目,以此来结束算法进程;
步骤六、将纠正后的XCT切片的像素值以三维形式绘图显示,所述三维形式绘图的横轴和纵轴为像素的坐标值,竖轴为像素的色彩值。之后根据切片像素值的平滑度判断是否达到目标效果,来决定是否需要进一步进行迭代以及迭代的类型。如图2至图5所示,图2中切片各位置像素的色彩值具有很多峰值,为噪声较高的图像,经过多次迭代纠正操作后,峰值减少,多处位置的像素色彩值变得均匀连续,得到平滑优化的图像。
本实施例首先利用切片的图像梯度对材料的经纬纱进行初步识别,并将识别结果进行高斯平滑,之后采用本发明提出的XCT切片内的像素类别均匀化纠正操作方案,通过统计切片内的某一像素周边每种像素类别的数量,并将最大数量对应的像素类别与当前位置像素类别进行对比,若两者类别不同,则改变当前切片位置的像素类别,增强了标签的连续性,提高了图像识别过程中,分类的准确性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (10)
1.一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,包括以下步骤:
步骤一、获取原始XCT切片
对陶瓷基复合材料编织板进行切割,得到试件,对该试件进行XCT扫描,得到一系列包含材料内部真实细观结构的原始XCT切片;
步骤二、对所述原始XCT切片进行处理,确定切片中经纱、纬纱、孔隙的分布位置;
步骤三、从处理后得到的XCT切片中,随机选取N张连续的切片,N为小于XCT切片总数的正整数,且通过罗列N张连续切片得到的厚度面图像至少包括一层经纱和纬纱的完整厚度截面,之后根据所述N张连续切片中经纱、纬纱和孔隙的位置分布,确定纠正参考值,完成对选取切片的面内和面间纠正操作;
所述面内纠正,是以滑动窗口遍历随机选取的各切片,计算每次移动,滑动窗口中孔隙、经纱以及纬纱的像素数量,并确定数量最多的像素对应的类别Cla,将滑动窗口中类别不同于Cla的像素类别纠正为Cla;
所述面间纠正,是针对罗列在一起的N张切片,依次以每一切片为基准,在厚度方向向上或下扩展,以滑动窗口遍历各基准切片,并计算每次移动,基准层和上/下扩展层切片,在竖直方向上落在所述滑动窗口范围内的孔隙、经纱以及纬纱的像素数量,确定数量最多的像素对应的类别Cla,将各层落在滑动窗口范围内的,类别不同于Cla的像素类别均纠正为Cla;
步骤四、对本次随机选取的N张切片完成面内和面间纠正操作后,重复步骤三,遍历所有XCT切片得到纠正后的一系列XCT切片。
2.根据权利要求1所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,所述步骤三的的具体过程包括:
步骤3.1)基于本次随机选取的N张切片,统计每束经纱与纬纱宽度分别所占的像素数量,对所得数量分别加和,并求取平均值,设获得经纱平均宽度为Warp_Pixel个像素,纬纱平均宽度为Weft_Pixel个像素;
步骤3.2)基于本次随机选取的N张切片,统计每束纤维束在厚度方向所占的切片数量,所述纤维束包括经纱和纬纱,并对所得数量加和,设求取每束纤维束的平均厚度为Thick_Number个切片;
步骤3.3)选择纠正操作采用的滑动窗口的类型,即所述滑动窗口的形状,并确定所述滑动窗口的中心位置;
步骤3.4)根据所述滑动窗口的中心位置,划分出滑动窗口的前侧和后侧,并确定前侧和后侧的纵向纠正参考值区间;
基于本次随机选取的N张切片,分别统计各切片中相邻纬纱之间间距所占的像素数量,对其加和,并求取纬纱间距的平均值Horizon_Pixel,设滑动窗口前后两侧纵向纠正的最大像素数量为则滑动窗口前侧和后侧的纵向纠正像素数量参考值区间为
步骤3.5)根据所述滑动窗口的中心位置,划分出滑动窗口的左侧和右侧,并确定左侧和右侧的横向纠正参考值区间;
基于本次随机选取的N张切片,分别统计各切片中相邻经纱之间间距所占的像素数量,对其加和,并求取经纱间距平均值Vertical_Pixel,设滑动窗口左侧和右侧横向纠正的最大像素数量为则滑动窗口左侧和右侧的横向纠正像素数量参考值区间为
步骤3.6)确定面间纠正操作滑动窗口的竖向纠正参考值区间:
通过罗列切片得到所述N张切片厚度面的图像,面间纠正时,以滑动窗口所在的某一切片为基准,在厚度方向向上或下扩展,设厚度方向的纠正参考值区间为[-Thick_NumberThick_Number],负值表示向下扩展的切片层数,正值表示向上扩展的切片层数;
步骤3.7)对本次随机选取的N张切片,依次进行面内纠正:
从步骤3.4)和3.5)确定的参考值区间中,选择设定面内纠正滑动窗口左、右两侧和前、后两侧的像素数量,以及滑动窗口每次移动的步长;
计算每次移动,滑动窗口中孔隙、经纱以及纬纱的像素数量,并确定数量最多的像素对应的类别Cla,将滑动窗口中类别不同于Cla的像素类别纠正为Cla,若无其它类别,则无需纠正操作;
步骤3.8)针对完成面内纠正的N张切片,以每个切片为基准,依次进行面间纠正:
从步骤3.6)确定的竖向纠正参考值区间中,择值设定面间纠正操作向上或向下扩展的切片层数;
计算每次移动,基准层和上/下扩展层切片,在竖直方向上落在所述滑动窗口范围内的孔隙、经纱以及纬纱的像素数量,并确定数量最多的像素对应的类别Cla,将各层落在滑动窗口范围内的,类别不同于Cla的像素类别纠正为Cla,若无其它类别,则无需纠正操作。
3.根据权利要求1所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,步骤三中:
面内/面间纠正操作的方向从切片的横向、纵向方向先后分别开展,遍历整张切片。
4.根据权利要求1所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,步骤二的具体过程包括:
步骤2.1)确定孔隙像素的位置分布:将原始XCT切片分为经纬纱无交叉和经纬纱相互交叉两类,分别提取两类原始XCT切片中孔隙区域的灰度值,并将切片中的这些孔隙位置的灰度值均设置为0,得到一系列第二XCT切片;
步骤2.2)使用一元高斯函数计算第二XCT切片的掩码,计算过程为:
对高斯函数求导获得一阶导数;
设高斯函数原函数值的转置与高斯函数的一阶导数值相乘为切片横向方向的卷积核;
设高斯函数一阶导数值的转置与原函数相乘为切片纵向方向的卷积核;
使用上述两卷积核对第二XCT切片分别进行滑动卷积,得到第二XCT切片横向和纵向的图像梯度,设其对应的梯度矩阵分别为fx和fy;
步骤2.3)通过上述梯度矩阵,求得第二XCT切片的角度矩阵Angle,所述角度矩阵Angle的元素由各个位置像素的角度a构成,将第二XCT切片中|a|值大于5的像素设定为经纱像素,反之则设定为纬纱像素,便得到了切片中经纱和纬纱的分类结果,即获得第二XCT切片中的经纱和纬纱的位置分布;
步骤三再从所述第二XCT切片中,随机选取N张连续的切片。
5.根据权利要求1所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于:
执行面间/面内纠正操作时:
在切片水平面的图像上,若经纱和纬纱所占面积比例的差距在第一预设值以内时,采用左右相等,前后相等的滑动窗口;若经纱和纬纱的比例差距大于第二预设值时,则采用左右不等,前后不等的滑动窗口,所述第二预设值大于第一预设值;
若经纱所占比例比纬纱多,且差距大于第一预设值,而小于等于第二预设值,则采用左右不等,前后相等的滑动窗口;
若纬纱所占比例比经纱多,且差距大于第一预设值,而小于等于第二预设值,则采用左右相等,前后不等的滑动窗口;
切片各厚度面上,若经纱和纬纱所占面积比例的差距在第二预设值以内时,向上和向下扩展的层数相等;若经纱和纬纱的比例差距大于第二预设值,则向上和向下扩展的层数不等。
6.根据权利要求5所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,所述第一预设值为15%,第二预设值为30%。
7.根据权利要求1所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于:
步骤三的纠正操作过程中,对于切片的边缘像素采用镜像法将切片的边缘部分进行翻折,以镜像对称的方式扩大切片尺寸,以弥补滑动窗口中心像素靠近边缘时,窗口的一侧超出切片边缘。
8.根据权利要求1-7中任一项所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,还包括:
步骤五、将纠正后得到的一系列XCT切片作为迭代操作的对象,重复执行步骤三,进行迭代纠正操作,并设置迭代的次数,以此来结束迭代算法进程。
9.根据权利要求8所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,包括:
在进行迭代纠正操作前,判断是否需要对滑动窗口参数进行修改的步骤。
10.根据权利要求8所述的一种用于XCT切片分类的三维空间类别纠正方法,其特征在于,包括:
步骤六、将纠正后的XCT切片的像素值以三维形式绘图显示,判断切片各位置像素值的平滑度是否达到目标效果,若未达到目标效果,则选择迭代的类型,继续进行迭代纠正操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614457.7A CN111814859B (zh) | 2020-06-30 | 2020-06-30 | 一种用于xct切片分类的三维空间类别纠正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614457.7A CN111814859B (zh) | 2020-06-30 | 2020-06-30 | 一种用于xct切片分类的三维空间类别纠正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814859A true CN111814859A (zh) | 2020-10-23 |
CN111814859B CN111814859B (zh) | 2021-09-14 |
Family
ID=72856521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010614457.7A Active CN111814859B (zh) | 2020-06-30 | 2020-06-30 | 一种用于xct切片分类的三维空间类别纠正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814859B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101089269A (zh) * | 2006-06-16 | 2007-12-19 | 施托布利法韦日公司 | 用于形成提花型梭口的装置、装有此装置的织机及在此织机上形成所述梭口的方法 |
CN101673119A (zh) * | 2009-10-12 | 2010-03-17 | 天津工业大学 | 一种控制织机送经卷取过程中经纱张力稳定的方法 |
CN101738605A (zh) * | 2009-12-17 | 2010-06-16 | 中国测绘科学研究院 | Sar影像多项式正射纠正方法 |
CN101758565A (zh) * | 2009-12-15 | 2010-06-30 | 丹东奥龙射线仪器有限公司 | 定向仪的粘接装置 |
CN105045886A (zh) * | 2015-07-23 | 2015-11-11 | 青岛海信医疗设备股份有限公司 | 一种dicom图像的导入方法 |
CN105803623A (zh) * | 2016-04-18 | 2016-07-27 | 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方法 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN108596949A (zh) * | 2018-03-23 | 2018-09-28 | 云南大学 | 视频目标跟踪状态分析方法、装置和实现装置 |
CN108664971A (zh) * | 2018-05-22 | 2018-10-16 | 中国科学技术大学 | 基于2d卷积神经网络的肺结节检测方法 |
CN108717727A (zh) * | 2018-05-29 | 2018-10-30 | 南京航空航天大学 | 一种三维编织复合材料预制体结构的识别与建模方法 |
WO2019063639A1 (en) * | 2017-09-29 | 2019-04-04 | Trophy | METHOD AND SYSTEM FOR OBTAINING OPERATING PARAMETERS FOR 3D X-RAY ACQUISITION |
CN109902755A (zh) * | 2019-03-05 | 2019-06-18 | 南京航空航天大学 | 一种用于xct切片的多层信息分享与纠正方法 |
US10327728B2 (en) * | 2013-06-11 | 2019-06-25 | Toshiba Medical Systems Corporation | X ray computed tomography apparatus and scan start timing determination method |
US10563404B2 (en) * | 2016-09-28 | 2020-02-18 | Novonovon Zrt. | Reinforcement element for increasing the strength of self-solidifying pasty materials |
CN111340376A (zh) * | 2020-02-28 | 2020-06-26 | 北京交通大学 | 一种地铁换乘感知服务质量评估方法 |
-
2020
- 2020-06-30 CN CN202010614457.7A patent/CN111814859B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101089269A (zh) * | 2006-06-16 | 2007-12-19 | 施托布利法韦日公司 | 用于形成提花型梭口的装置、装有此装置的织机及在此织机上形成所述梭口的方法 |
CN101673119A (zh) * | 2009-10-12 | 2010-03-17 | 天津工业大学 | 一种控制织机送经卷取过程中经纱张力稳定的方法 |
CN101758565A (zh) * | 2009-12-15 | 2010-06-30 | 丹东奥龙射线仪器有限公司 | 定向仪的粘接装置 |
CN101738605A (zh) * | 2009-12-17 | 2010-06-16 | 中国测绘科学研究院 | Sar影像多项式正射纠正方法 |
US10327728B2 (en) * | 2013-06-11 | 2019-06-25 | Toshiba Medical Systems Corporation | X ray computed tomography apparatus and scan start timing determination method |
CN105045886A (zh) * | 2015-07-23 | 2015-11-11 | 青岛海信医疗设备股份有限公司 | 一种dicom图像的导入方法 |
CN105803623A (zh) * | 2016-04-18 | 2016-07-27 | 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方法 |
US10563404B2 (en) * | 2016-09-28 | 2020-02-18 | Novonovon Zrt. | Reinforcement element for increasing the strength of self-solidifying pasty materials |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
WO2019063639A1 (en) * | 2017-09-29 | 2019-04-04 | Trophy | METHOD AND SYSTEM FOR OBTAINING OPERATING PARAMETERS FOR 3D X-RAY ACQUISITION |
CN108596949A (zh) * | 2018-03-23 | 2018-09-28 | 云南大学 | 视频目标跟踪状态分析方法、装置和实现装置 |
CN108664971A (zh) * | 2018-05-22 | 2018-10-16 | 中国科学技术大学 | 基于2d卷积神经网络的肺结节检测方法 |
CN108717727A (zh) * | 2018-05-29 | 2018-10-30 | 南京航空航天大学 | 一种三维编织复合材料预制体结构的识别与建模方法 |
CN109902755A (zh) * | 2019-03-05 | 2019-06-18 | 南京航空航天大学 | 一种用于xct切片的多层信息分享与纠正方法 |
CN111340376A (zh) * | 2020-02-28 | 2020-06-26 | 北京交通大学 | 一种地铁换乘感知服务质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111814859B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113192040B (zh) | 一种基于YOLO v4改进算法的织物瑕疵检测方法 | |
Huang et al. | Reconstruction of mesostructural material twin models of engineering textiles based on Micro-CT Aided Geometric Modeling | |
Doitrand et al. | Comparison between voxel and consistent meso-scale models of woven composites | |
Liu et al. | Prediction of linear and non-linear behavior of 3D woven composite using mesoscopic voxel models reconstructed from X-ray micro-tomography | |
CN110348429B (zh) | 一种平纹编织结构经纱与纬纱识别方法 | |
CN108986891A (zh) | 医疗影像处理方法及装置、电子设备及存储介质 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN111127383A (zh) | 一种数码印花在线缺陷检测系统及其实现方法 | |
CN109671071A (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
CN109902755B (zh) | 一种用于xct切片的多层信息分享与纠正方法 | |
CN109671056B (zh) | 一种基于x射线图像的复合轨枕孔隙缺陷检测方法 | |
Fuchs et al. | Generating meaningful synthetic ground truth for pore detection in cast aluminum parts | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN107507168B (zh) | 一种用于岩体节理裂隙模型检验的迹线图相似度判别方法 | |
CN111177809B (zh) | 一种纹织图生成方法、装置、电子设备及可读存储介质 | |
CN111814859B (zh) | 一种用于xct切片分类的三维空间类别纠正方法 | |
Woloszyk et al. | Photogrammetry image-based approach for imperfect structure modelling and FE analysis | |
CN114612318A (zh) | 基于文物ct图像轮廓线的三维建模方法、系统及设备 | |
Potiyaraj et al. | Recognition and re‐visualization of woven fabric structures | |
Ying et al. | Identification and reconstruction of concrete mesostructure based on deep learning in artificial intelligence | |
CN111709992B (zh) | 一种用于编织陶瓷基复合材料经纬纱交叉处定位方法 | |
CN106845535B (zh) | 基于点云的典型零部件识别方法 | |
CN111161228B (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
CN110428009A (zh) | 一种全卷积神经网络及相应的细观结构识别方法 | |
JP2021033682A (ja) | 画像処理装置、方法及びプログラム |
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 |