CN112250462A - 一种编织陶瓷基复合材料单束纤维分割及模型重建方法 - Google Patents

Abstract

本发明一种编织陶瓷基复合材料单束纤维分割及模型重建方法，属于编织陶瓷基复合材料有限元模型重建领域，本发明通过多视图信息共享以及连通区域面积统计法处理结构张量识别完成的XCT切片，通过分水岭分割算法准确识别出XCT切片侧视图中纱线的边缘，结合手动标记添加固定间隔切片中拥簇纤维束之间的边缘，并通过边缘等效映射方法，可直接获得全部切片侧视图的纤维束边缘，标记的边缘准确度高。通过形态学操作以及连通区域标记法为XCT切片侧视图中的纤维束进行标记，并将标记值以灰度值的形式赋予每一束纤维，显示在纱线中心；并结合人工判断，进行错误标记的修正，步骤操作简单，适用性强。

Description

一种编织陶瓷基复合材料单束纤维分割及模型重建方法

技术领域

本发明属于编织陶瓷基复合材料有限元模型重建领域，尤其涉及一种编织陶瓷基复合材料的纤维束分类标记方法。具体的说，是一种编织陶瓷基复合材料单束纤维分割及模型重建方法。

背景技术

编织陶瓷基复合材料CMC(Ceramic Matrix Composite)由连续增强陶瓷纤维、基体和界面三部分组成，密度仅为镍基高温合金的1/3，最高使用温度可达1450℃～1650℃(比高温合金高约260℃)，具有高模量、耐磨损、抗腐蚀、热稳定性能高、可设计等优异性能，是先进航空航天飞行器热端部件的理想材料，

研究表明，与传统的理想代表体元相比，基于高保真度三维结构模型获得的有限元分析结果与实验结果更加相近，准确度更高。因此，编织CMC寿命预测结果的精度很大程度上取决于所建立有限元分析模型是否可以真实反应材料内部的各种细观结构。然而，当前手工标记分类的方法速率慢且对不同组分的判断具有很大的主观性。已有的基于计算机视觉的模型重建方法仅可应用于相对简单均匀的预制体结构，且经纱纤维束的走向大致相同，不适用于内部具有复杂结构的编织CMC，使所建立模型与实际结合还存在明显差异。因此，有必要对编织CMC高精度有限元分析模型的建立方法展开研究。

发明内容

本发明针对现有技术中的不足，提出了一种编织陶瓷基复合材料单束纤维分割及模型重建方法。

为实现上述技术目的，本发明采取的技术方案为：

一种编织陶瓷基复合材料单束纤维分割及模型重建方法，其特征是：包括以下步骤：

步骤1：针对原始XCT切片进行孔隙像素的确认，此切片在经纱的轴向方向，随机裁剪若干张属于孔隙部分的区域并保存为图片，裁剪图片尺寸根据孔隙的实际情况进行确定，找出这些图片中像素的最大值和最小值，采用掐头去尾平均法分别获得像素最大和最小值的平均值，确定像素最大和最小值的平均值为孔隙的上下阈值，使用像素最大值的平均值减去像素最小值的平均值，得到区间值，将区间值由小到大分为若干个区间，首先分别将全体切片像素值为第一个区间内的部分赋值为0，并观察处理后的切片是否存在经纬纱被当作孔隙处理的部分，如果是，则分别将全体切片像素值为第二个区间内的部分赋值为0，并在此观察，直至属于孔隙的像素被正确识别，获得图像Hole_Image，

步骤2：使用结构张量对图像Hole_Image的经纱和纬纱进行区分，获得RGB图像，通过对比所生成RGB图像中的R值和B值，初步获得经纱和纬纱的分布区域，该分布区域图为图像Warp_Weft_Image，在经纱和纬纱相交区域存在一些明显的误分类情况，且部分切片的经纬纱粘连严重，此外，编织过程中的毛刺也随机分布于图象中，

步骤3：将上述初步识别完成的切片从经纱的径向方向导出，会发现部分分类错误的区域在此视图上尺寸小且分散，分别提取经纬纱的像素位置，获得两类切片，一类是仅包含经纱的Warp_Image，一类是仅包含纬纱的Weft_Image，通过八连通区域的方法标记Weft_Image图像中的每个像素，统计每种相同标号的像素数量，删除像素总数小于Remove_Thresh_1的区域，并赋值为0，记录所删除每个像素的位置索引值Delete_Weft_Index，将Warp_Image的Delete_Weft_Index索引区域的像素值赋值为经纱像素，再次通过八连通区域的方法标记Warp_Image图像中的每个像素，删除图片中的局部小区域，

步骤4：将仅包含经纱的切片进行分水岭分割，获得每根纱线的外部边缘轮廓线，根据纬纱图像Weft_Image，将Hole_Image的纬纱区域全部赋值为0，获得仅包含经纱部分的XCT切片图像Hole_Warp_Delete_Weft_Image，对图像进行膨胀操作，即将与经纱接触的所有背景点都合并到物体中，确定属于背景部分的图像Sure_Back_Image，再对图像进行欧式距离变换，将距离大于M倍最大距离值的位置赋值为255，获得属于前景部分的图像Sure_Fore_Image，将前景图像和背景图像进行相减，可获得不确定的区域Unknown_Image，提取Unknown_Image中像素值为255的索引Index_Unknown_Image_255，使用八连通区域标记Sure_Fore_Image，并将标记区域加1，将Index_Unknown_Image_255位置的像素赋值为0，之后使用分水岭分割获得轮廓边缘，并将轮廓结果表示在Hole_Warp_Delete_Weft_Image中，边缘像素值为255，

步骤5：上述边缘的纤维交界处无法仍准确区分，将步骤3所得的边缘赋予图像Warp_Image，并每隔N张取一张，对交接处的边缘进行手动区分，对分水岭分割的边缘结果不做任何处理，将手动区分后的结果图像与原图像进行对比，获得手动画出的分界线位置索引Edge_Hand_Add，将此张切片之后N张切片的Edge_Hand_Add位置赋予像素值255，重复上述操作，直至Warp_Image全部被处理，获得一系列包含完整边缘的经纱图像Edge_Warp_Image，

步骤6：将Edge_Warp_Image图像的边缘部分赋值为0，并进行形态学腐蚀操作，通过四连通区域给每束经纱进行标号，将所标记的每束纱线灰度值设定为对应的连通区域标号，保存为Mark_Edge_Warp_Image,并计算每束纤维的重心，并将其以数字形式表示在重心处,保存为Num_Mark_Edge_Warp_Image，根据图像信息的连续性观察每束纱线的标号是否正确，观察Num_Mark_Edge_Warp_Image图像发现此时的区域存在编号错误的情况，则手动进行编号的纠正以及灰度值的替换，并重新进行标记判断，重复上述操作，直至标记的每根经纱完全正确，

步骤7：对所获得图像Mark_Edge_Warp_Image进行膨胀，使得各纤维束之间相互交接，得图像Dilate_Warp，并提取步骤3所得的Warp_Image图像的孔隙位置索引，赋予Dilate_Warp，并与Weft_Image图像进行相加，可获得最终的纤维束分类图像Hole_Weft_Plus_Warp_1，

将一系列Hole_Weft_Plus_Warp_1图像根据MarchingCube算法建立各束纤维的三角面片，并对生成结果进行面的简化操作，结合四面体网格生成算法可获得最终的有限元模型，实现模型重建；

步骤8：对每张Warp_Image图像中的经纱横截面进行处理，先对每根纤维的横截面X坐标进行排序，找到最大值和最小值，并对Y坐标进行从大到小的排序，获得坐标的最大和最小值，并进行平均，可得出每根纤维的中心线，通过函数拟合这条中心线可获得材料的纤维走向，从而完成每根纤维束的分割。

优选方案如下：

上述的步骤1具体为：针对原始XCT切片进行孔隙像素的确认，此切片在经纱的轴向方向，随机裁剪10张属于孔隙部分的区域并保存为图片，裁剪图片尺寸根据孔隙的实际情况进行确定，找出这些图片中像素的最大值[X1，X2,X3……X10]和最小值[Z1，Z2,Z3……Z10]，采用掐头去尾平均法分别获得像素最大和最小值的平均值X11和Z11，确定X11和Z11为孔隙的上下阈值，使用X11减去Z11除以5，将其分为5个区间，其中第一个区间为[0,X11],最后一个区间为[0,Z11]，首先分别将全体切片像素值为第一个区间内的部分赋值为0，并观察处理后的切片是否存在经纬纱被当作孔隙处理的部分，如果是，则分别将全体切片像素值为第二个区间内的部分赋值为0，并在此观察，直至属于孔隙的像素被正确识别，获得图像Hole_Image。

上述的步骤8中拟合中心线获得材料的纤维走向的函数为：

其中，A_i、B_i、C_i均为拟合纱线走向的参数。

本发明具有以下优点：

1、通过多视图信息共享以及连通区域面积统计法处理结构张量识别完成的XCT切片，可以有效删除由于结构张量法对于经纬纱的局部区域分类错误，尽可能减少人工参与，提高了纬纱识别的准确率；

2、通过分水岭分割算法准确识别出XCT切片侧视图中纱线的边缘，结合手动标记添加固定间隔切片中拥簇纤维束之间的边缘，并通过边缘等效映射方法，可直接获得全部切片侧视图的纤维束边缘，标记的边缘准确度高。

3、通过形态学操作以及连通区域标记法为XCT切片侧视图中的纤维束进行标记，并将标记值以灰度值的形式赋予每一束纤维，显示在纱线中心；并结合人工判断，进行错误标记的修正。此步骤也可用于三维四向或五向编织结构纱线的标记操作，步骤操作简单，适用性强。

附图说明

图1是经纱轴向的XCT图；

图2是裁剪的孔隙图；

图3是孔隙为同一灰度值图；

图4是结构张量识别完成后的RGB图；

图5是初步获得经纱和纬纱的分布图；

图6是切片径向方向导出图；

图7是经纱区域图；

图8是纬纱区域图；

图9是纬纱部分删除小区域后的图；

图10是经纱部分删除小区域后的图；

图11是原始XCT切片去除纬纱结果图；

图12是分水岭分割画出的经纱边缘结果图；

图13是包含完整经纱边缘的结果图；

图14是每束经纱分类结果图；

图15是每束经纱分类结果数字标记图；

图16是经纱膨胀结果图；

图17是经纬纱分类完成后的图；

图18是经纬纱生成面后的结果图；

图19是有限元模型图；

图20是每束经纱的中心图；

图21是经纱走向图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

步骤1：针对原始XCT切片进行孔隙像素的确认，此切片在经纱的轴向方向，如图1。随机裁剪10张属于孔隙部分的区域并保存为图片，裁剪图片尺寸根据孔隙的实际情况进行确定，如图2，找出这些图片中像素的最大值[X1，X2,X3……X10]和最小值[Z1，Z2,Z3……Z10]，采用掐头去尾平均法分别获得像素最大和最小值的平均值X11和Z11，确定X11和Z11为孔隙的上下阈值。使用X11减去Z11除以5，将其分为5个区间，其中第一个区间为[0,X11],最后一个区间为[0,Z11]。首先分别将全体切片像素值为第一个区间内的部分赋值为0，并观察处理后的切片是否存在经纬纱被当作孔隙处理的部分。如果是，则分别将全体切片像素值为第二个区间内的部分赋值为0，并在此观察，直至属于孔隙的像素被正确识别，获得图像Hole_Image，如图3。

步骤2：使用结构张量对图像Hole_Image的经纱和纬纱进行区分，获得RGB图像，如图4。通过对比所生成RGB图像中的R值和B值，如果R值大于85％的G值，则视为经纱，反之则视为纬纱，初步获得经纱和纬纱的分布区域，为图像Warp_Weft_Image，在经纱和纬纱相交区域存在一些明显的误分类情况，且部分切片的经纬纱粘连严重。此外，编织过程中的毛刺也随机分布于图象中，如图5，图中的圆圈标记为误分类，长方形表示粘连严重区域，这会影响后期面的生成。

步骤3：将上述初步识别完成的切片从经纱的径向方向导出，可以发现一些分类错误的区域在此视图上尺寸较小且较为分散，如图6。分别提取经纬纱的像素位置，获得两类切片，一类是仅包含经纱Warp_Image，如图7，一类是仅包含纬纱Weft_Image，如图8。通过八连通区域的方法标记Weft_Image图像中的每个像素，统计每种相同标号的像素数量，删除像素总数小于Remove_Thresh_1的区域，并赋值为0，如图9，记录所删除每个像素的位置索引值Delete_Weft_Index，将Warp_Image的Delete_Weft_Index索引区域的像素值赋值为经纱像素。再次通过八连通区域的方法标记Warp_Image图像中的每个像素，删除图片中的局部小区域。将Warp_Image与Weft_Image加和，经纬纱部分删除小区域后的结果如图10。

步骤4：将仅包含经纱的切片进行分水岭分割，获得每根纱线的外部边缘轮廓线。根据纬纱图像Weft_Image，将Hole_Image的纬纱区域全部赋值为0，获得仅包含经纱部分的XCT切片图像Hole_Warp_Delete_Weft_Image，如图11。对图像进行膨胀操作，即将与经纱接触的所有背景点都合并到物体中，确定属于背景部分的图像Sure_Back_Image，再对图像进行欧式距离变换，将距离大于M倍最大距离值的位置赋值为255，获得属于前景部分的图像Sure_Fore_Image。将前景图像和背景图像进行相减，可获得不确定的区域Unknown_Image，提取Unknown_Image中像素值为255的索引Index_Unknown_Image_255。使用八连通区域标记Sure_Fore_Image，并将标记区域加1，将Index_Unknown_Image_255位置的像素赋值为0。之后使用分水岭分割获得轮廓边缘，并将轮廓结果表示在Hole_Warp_Delete_Weft_Image中，边缘像素值为255，如图12。

步骤5：上述边缘的纤维交界处无法仍准确区分。将步骤3所得的边缘赋予图像Warp_Image，并每隔N张取一张，对交接处的边缘进行手动区分，对分水岭分割的边缘结果不做任何处理。将手动区分后的结果图像与原图像进行对比，获得手动画出的分界线位置索引Edge_Hand_Add。将此张切片之后N张切片的Edge_Hand_Add位置赋予像素值255，重复上述操作，直至Warp_Image全部被处理，称之为边缘等效算法，获得一系列包含完整边缘的经纱图像Edge_Warp_Image，如图13。

步骤6：将Edge_Warp_Image图像的边缘部分赋值为0，并进行形态学腐蚀操作，通过四连通区域给每束经纱进行标号，将所标记的每束纱线灰度值设定为对应的连通区域标号，保存为Mark_Edge_Warp_Image,如图14，并计算每束纤维的重心，并将其以数字形式表示在重心处,保存为Num_Mark_Edge_Warp_Image，如图15。根据图像信息的连续性观察每束纱线的标号是否正确，观察Num_Mark_Edge_Warp_Image图像发现此时的区域存在编号错误的情况，则需要手动进行编号的纠正以及灰度值的替换，并重新进行标记判断，重复上述操作，直至标记的每根经纱完全正确。

步骤7：对所获得图像Mark_Edge_Warp_Image进行膨胀，使得各纤维束之间相互交接，得图像Dilate_Warp，如图16。并提取步骤3所得的Warp_Image图像的孔隙位置索引，赋予Dilate_Warp，并与Weft_Image图像进行相加，可获得最终的纤维束分类图像Hole_Weft_Plus_Warp_1，如图17。

将一系列Hole_Weft_Plus_Warp_1图像导入软件Avizo中，根据MarchingCube算法建立各束纤维的三角面片，并对生成结果进行面的简化等操作，如图18，结合四面体网格生成算法可获得最终的有限元模型，实现模型重建；如图19。

步骤8：对每张Warp_Image图像中的经纱横截面进行处理，先对每束纤维的横截面X坐标进行排序，找到最大值和最小值。并对Y坐标进行从大到小的排序，获得坐标的最大和最小值，并进行平均，可得出每根纤维的中心点，如图20。通过函数

A_i、B_i、C_i均为拟合纱线走向的参数，拟合这条中心线可获得材料的纤维走向，从而完成每根纤维束的分割。如图21。

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 (3)

1.一种编织陶瓷基复合材料单束纤维分割及模型重建方法，其特征是：包括以下步骤：

步骤1：针对原始XCT切片进行孔隙像素的确认，此切片在经纱的轴向方向，随机裁剪若干张属于孔隙部分的区域并保存为图片，裁剪图片尺寸根据孔隙的实际情况进行确定，找出这些图片中像素的最大值和最小值，采用掐头去尾平均法分别获得像素最大和最小值的平均值，确定像素最大和最小值的平均值为孔隙的上下阈值，使用像素最大值的平均值减去像素最小值的平均值，得到区间值，将区间值由小到大分为若干个区间，首先分别将全体切片像素值为第一个区间内的部分赋值为0，并观察处理后的切片是否存在经纬纱被当作孔隙处理的部分，如果是，则分别将全体切片像素值为第二个区间内的部分赋值为0，并在此观察，直至属于孔隙的像素被正确识别，获得图像Hole_Image，

步骤2：使用结构张量对图像Hole_Image的经纱和纬纱进行区分，获得RGB图像，通过对比所生成RGB图像中的R值和B值，初步获得经纱和纬纱的分布区域，该分布区域图为图像Warp_Weft_Image，在经纱和纬纱相交区域存在一些明显的误分类情况，且部分切片的经纬纱粘连严重，此外，编织过程中的毛刺也随机分布于图象中，

步骤3：将上述初步识别完成的切片从经纱的径向方向导出，会发现部分分类错误的区域在此视图上尺寸小且分散，分别提取经纬纱的像素位置，获得两类切片，一类是仅包含经纱的Warp_Image，一类是仅包含纬纱的Weft_Image，通过八连通区域的方法标记Weft_Image图像中的每个像素，统计每种相同标号的像素数量，删除像素总数小于Remove_Thresh_1的区域，并赋值为0，记录所删除每个像素的位置索引值Delete_Weft_Index，将Warp_Image的Delete_Weft_Index索引区域的像素值赋值为经纱像素，再次通过八连通区域的方法标记Warp_Image图像中的每个像素，删除图片中的局部小区域，

步骤4：将仅包含经纱的切片进行分水岭分割，获得每根纱线的外部边缘轮廓线，根据纬纱图像Weft_Image，将Hole_Image的纬纱区域全部赋值为0，获得仅包含经纱部分的XCT切片图像Hole_Warp_Delete_Weft_Image，对图像进行膨胀操作，即将与经纱接触的所有背景点都合并到物体中，确定属于背景部分的图像Sure_Back_Image，再对图像进行欧式距离变换，将距离大于M倍最大距离值的位置赋值为255，获得属于前景部分的图像Sure_Fore_Image，将前景图像和背景图像进行相减，可获得不确定的区域Unknown_Image，提取Unknown_Image中像素值为255的索引Index_Unknown_Image_255，使用八连通区域标记Sure_Fore_Image，并将标记区域加1，将Index_Unknown_Image_255位置的像素赋值为0，之后使用分水岭分割获得轮廓边缘，并将轮廓结果表示在Hole_Warp_Delete_Weft_Image中，边缘像素值为255，

步骤5：上述边缘的纤维交界处无法仍准确区分，将步骤3所得的边缘赋予图像Warp_Image，并每隔N张取一张，对交接处的边缘进行手动区分，对分水岭分割的边缘结果不做任何处理，将手动区分后的结果图像与原图像进行对比，获得手动画出的分界线位置索引Edge_Hand_Add，将此张切片之后N张切片的Edge_Hand_Add位置赋予像素值255，重复上述操作，直至Warp_Image全部被处理，获得一系列包含完整边缘的经纱图像Edge_Warp_Image，

步骤6：将Edge_Warp_Image图像的边缘部分赋值为0，并进行形态学腐蚀操作，通过四连通区域给每束经纱进行标号，将所标记的每束纱线灰度值设定为对应的连通区域标号，保存为Mark_Edge_Warp_Image,并计算每束纤维的重心，并将其以数字形式表示在重心处,保存为Num_Mark_Edge_Warp_Image，根据图像信息的连续性观察每束纱线的标号是否正确，观察Num_Mark_Edge_Warp_Image图像发现此时的区域存在编号错误的情况，则手动进行编号的纠正以及灰度值的替换，并重新进行标记判断，重复上述操作，直至标记的每根经纱完全正确，

步骤7：对所获得图像Mark_Edge_Warp_Image进行膨胀，使得各纤维束之间相互交接，得图像Dilate_Warp，并提取步骤3所得的Warp_Image图像的孔隙位置索引，赋予Dilate_Warp，并与Weft_Image图像进行相加，可获得最终的纤维束分类图像Hole_Weft_Plus_Warp_1，

将一系列Hole_Weft_Plus_Warp_1图像根据Marching Cube算法建立各束纤维的三角面片，并对生成结果进行面的简化操作，结合四面体网格生成算法可获得最终的有限元模型，实现模型重建；

步骤8：对每张Warp_Image图像中的经纱横截面进行处理，先对每根纤维的横截面X坐标进行排序，找到最大值和最小值，并对Y坐标进行从大到小的排序，获得坐标的最大和最小值，并进行平均，可得出每根纤维的中心线，通过函数拟合这条中心线可获得材料的纤维走向，从而完成每根纤维束的分割。

2.根据权利要求1所述的一种编织陶瓷基复合材料单束纤维分割及模型重建方法，其特征是：步骤1具体为：针对原始XCT切片进行孔隙像素的确认，此切片在经纱的轴向方向，随机裁剪10张属于孔隙部分的区域并保存为图片，裁剪图片尺寸根据孔隙的实际情况进行确定，找出这些图片中像素的最大值[X1，X2,X3……X10]和最小值[Z1，Z2,Z3……Z10]，采用掐头去尾平均法分别获得像素最大和最小值的平均值X11和Z11，确定X11和Z11为孔隙的上下阈值，使用X11减去Z11除以5，将其分为5个区间，其中第一个区间为[0,X11],最后一个区间为[0,Z11]，首先分别将全体切片像素值为第一个区间内的部分赋值为0，并观察处理后的切片是否存在经纬纱被当作孔隙处理的部分，如果是，则分别将全体切片像素值为第二个区间内的部分赋值为0，并在此观察，直至属于孔隙的像素被正确识别，获得图像Hole_Image。

3.根据权利要求1所述的一种编织陶瓷基复合材料单束纤维分割及模型重建方法，其特征是：步骤8中拟合中心线获得材料的纤维走向的函数为：

其中，A_i、B_i、C_i均为拟合纱线走向的参数。

Images