CN113420438A - 基于x射线正弦图的增材器件内部结构几何参数测量方法 - Google Patents

基于x射线正弦图的增材器件内部结构几何参数测量方法 Download PDF

Info

Publication number
CN113420438A
CN113420438A CN202110688533.3A CN202110688533A CN113420438A CN 113420438 A CN113420438 A CN 113420438A CN 202110688533 A CN202110688533 A CN 202110688533A CN 113420438 A CN113420438 A CN 113420438A
Authority
CN
China
Prior art keywords
sinogram
neural network
network based
additive device
geometric parameters
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.)
Pending
Application number
CN202110688533.3A
Other languages
English (en)
Inventor
邹晶
宁子博
韩振烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202110688533.3A priority Critical patent/CN113420438A/zh
Publication of CN113420438A publication Critical patent/CN113420438A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/10—Additive manufacturing, e.g. 3D printing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Graphics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明的目的在于提供一种基于X射线正弦图的增材器件内部结构几何参数测量方法，该方法首先利用增材器件的CAD信息构建仿真模体获取正弦图，输入基于U‑Net结构的神经网络和基于FNN结构的神经网络进行训练。然后对增材器件实物进行X射线扫描，无需重建，利用基于U‑Net结构的神经网络，提取出增材器件中感兴趣结构的正弦图。将此正弦图进行裁剪和变换，减少计算量。最后使用基于FNN结构的神经网络计算出感兴趣结构的内部几何参数，包括面内几何参数如半径、边长、面积，空间几何参数如壁厚、高、体积，结构间几何参数如中心距离。该方法相对于通过重建三维结构获取内部几何参数信息的方法，可以避免重建带来的伪影问题，还可以提高测量效率。

Description

基于X射线正弦图的增材器件内部结构几何参数测量方法
技术领域
本发明涉及增材制造的无损检测技术领域，具体涉及一种基于X射线正弦图的增材器件内部结构几何参数测量方法。
背景技术
增材制造技术以其成型过程中自动化程度高、可制作复杂的模型或零件等优点，在航空航天、汽车制造、生物医学等领域有着广泛的应用。但是由于目前增材制造工艺水平的限制，增材器件最后成型的几何参数于前期的CAD图纸几何参数存在一定的差异，这种差异会严重影响增材器件的强度和零件之间的匹配程度。所以增材器件的几何参数测量显得尤为重要。
XCT技术作为一种无损检测方法，可以对增材器件内部结构进行几何参数测量。目前，已有的测量方法是通过重建器件的三维结构，进一步实现几何参数测量。重建过程不仅会增加时间成本，降低测量效率，同时也会引入伪影，影响最终测量结果的准确性。
发明内容
本发明的目的在于提出一种基于X射线正弦图的增材器件内部几何参数测量方法，该方法可以通过增材器件的正弦图，从而测量得到增材器件的内部结构几何参数，在减少测量时间的同时提高了测量的准确性。
为了实现上述目的，本发明提供了一种基于X射线正弦图的增材器件内部结构几何参数测量方法，包括以下步骤：
1、基于增材器件的三维CAD信息构建仿真模体，对仿真模体进行X射线扫描，获取器件的整体正弦图和感兴趣结构的正弦图。
2、对感兴趣结构的正弦图进行裁剪和变换：首先计算出正弦图中每一行投影数据的加权平均数对应的坐标，然后再每一行中以此坐标为基准，左右各取部分像素，组成新的正弦图，并将正弦图重新排列成方阵。
3、对基于U-Net结构的神经网络和基于FNN结构的神经网络进行训练。其中基于U-Net结构的神经网络的训练集为仿真模体整体结构的正弦图、仿真模体感兴趣结构的正弦图以及该神经网络输出的正弦图，基于FNN结构的神经网络的训练集为仿真模体感兴趣结构的正弦图、增材器件CAD图纸中感兴趣结构的几何参数以及神经网络输出的正弦图。
4、X射线扫描增材器件实物，将正弦图输入基于U-Net结构的神经网络，得到感兴趣结构的正弦图。为了减少计算量，对感兴趣结构的正弦图进行裁剪和变换，得到新的正弦图，经过基于FNN结构的神经网络，计算出增材器件内部结构几何参数信息。
可选地，步骤1中，仿真实验所需的仿真模体是使用增材器件自带的三维CAD信息直接构建，无需单独设计。
可选地，步骤2中，按照以下公式计算出正弦图中每一行投影数据的加权平均数对应的坐标：
Figure BSA0000244876300000011
其中：
xc：正弦图中每一行投影数据的加权平均数对应的坐标值
x：正弦图中每一行数据对应的坐标值
p(x)：正弦图每一行中每个坐标值对应的投影值
左右各取像素的个数用M表示，计算公式为：
Figure BSA0000244876300000021
其中：
n：经验值，这里取值0.8
SIZE：增材器件内部结构的CAD尺寸
p：探测器的像素尺寸
SDD：射线源到探测器的距离
SOD：射线源到被扫描样品旋转中心的距离
可选地，步骤3中，基于U-Net结构的神经网络和基于FNN结构的神经网络根据训练集，可以得到各自的损失函数，分别称为LossFun1和LossFun2，两个神经网络损失函数之和称为LossFun，设计如下关系：
LossFun＝μ1LossFun1+μ2LossFun2
其中：
LossFun1：基于U-Net结构的神经网络的损失函数
LossFun2：基于FNN结构的神经网络的损失函数
μ1：基于U-Net结构的神经网络损失函数的权重
μ2：基于FNN结构的神经网络损失函数的权重
对基于U-Net结构的神经网络和基于FNN结构的神经网络进行训练，使得LossFun取得最小值。其中μ1、μ2的取值由经验值获得。
可选地，步骤4中，对于增材器件内部为多个空心立柱的部件，模体的材料为钛合金、铝合金、镍、铬中的任意一种，可以得到其面内几何参数包括：空心立柱的半径、周长、表面积，空间几何参数包括：壁厚、高、体积，以及结构间几何参数：轴心距离。
本发明所述的测量方法，巧妙的应用了增材器件的三维CAD信息，在获得增材器件的投影数据后，不需要进行重建，直接从投影数据提取出正弦图，然后将正弦图输入基于U-Net结构的神经网络和基于FNN 结构的神经网络中，经过神经网络的运算，可以得到增材器件内部结构的几何参数。本发明所述的测量方法因为不需要重建三维图像，不仅减少了测量时间，而且避免了伪影对测量结果的干扰，提高了测量的准确性。
附图说明
图1是本发明一实施例中增材器件内部结构几何参数测量方法流程示意图
图2是本发明一实施例中正弦图裁剪方法示意图
图3是本发明一实施例中正弦图变换方法示意图
具体实施方式
为使本发明的目的、技术方案和优点更加清晰明白，以下结合具体实施例，并参照附图，对本发明作进一步详细说明。以下实施例或者附图用于说明本发明，但并不用来限制本发明的范围。
本发明的目的在于提供一种基于X射线正弦图的增材器件内部结构几何参数测量方法，该方法首先利用增材器件的CAD信息构建仿真模体获取正弦图，输入基于U-Net结构的神经网络和基于FNN结构的神经网络进行训练，得到网络参数。然后对增材器件实物进行X射线扫描，无需重建，直接通过基于U-Net 结构的神经网络，在增材器件实物中提取出感兴趣结构的信息。然后对感兴趣结构的正弦图进行裁剪和变换，以减少计算量。最后使用基于FNN结构的神经网络计算出感兴趣结构的内部几何参数，包括面内几何参数如半径、边长、面积，空间几何参数如壁厚、高、体积，结构间几何参数如中心距离。该方法相对于通过重建三维结构获取内部几何参数信息的方法，可以避免重建带来的伪影问题，还可以提高测量效率。
参照图1，在一种具体的实施方式中，本发明提供的基于X射线正弦图的增材器件内部结构几何参数测量方法包括以下几个步骤：
执行步骤S1：每个增材器件都具有自身的三维CAD图纸，根据其CAD图纸信息可以构建出增材器件整体的仿真模体以及感兴趣结构的仿真模体。对两个仿真模体进行X射线扫描，获取到器件整体部分的正弦图以及感兴趣区域结构的正弦图。
执行步骤S2：由S1得到的感兴趣结构的正弦图存在很多无用信息，如果直接将未处理的正弦图输入神经网络进行运算，会大大降低网络运算速度和运算准确性。为了减少计算量，需要对感兴趣结构的正弦图进行裁剪和变换，如图2所示。首先计算出正弦图中每一行投影数据的加权平均数对应的坐标：
Figure BSA0000244876300000031
其中：
xc：正弦图中每一行投影数据的加权平均数对应的坐标值
x：正弦图中每一行数据对应的坐标值
p(x)：正弦图每一行中每个坐标值对应的投影值
左右各取像素的个数用M表示，计算公式为：
Figure BSA0000244876300000032
其中：
n：经验值，这里取值0.8
SIZE：增材器件内部结构的CAD尺寸
p：探测器的像素尺寸
SDD：射线源到探测器的距离
SOD：射线源到被扫描样品旋转中心的距离
如图3所示，裁剪后的正弦图的数据并不是一个方阵，为了方便计算机对裁剪后的正弦图进行进一步的处理，对其进行变换，重新排列成方阵。
执行步骤S3：对基于U-Net结构的神经网络和基于FNN结构的神经网络进行训练。其中基于U-Net结构的神经网络的训练集为仿真模体整体结构的正弦图、仿真模体感兴趣结构的正弦图以及该神经网络输出的正弦图，基于FNN结构的神经网络的训练集为仿真模体感兴趣结构的正弦图、增材器件CAD图纸中感兴趣结构的几何参数以及该神经网络输出的正弦图。基于U-Net结构的神经网络和基于FNN结构的神经网络，根据训练集可以得到各自的损失函数，分别称为分别为LossFun1和LossFun2。两个网络的损失函数之和称为LossFun，有如下关系：
LossFun＝μ1LossFun1+μ2LossFun2
其中：
LossFun1：基于U-Net结构的神经网络的损失函数
LossFun2：基于FNN结构的神经网络的损失函数
μ1：基于U-Net结构的神经网络损失函数的权重
μ2：基于FNN结构的神经网络损失函数的权重
对基于U-Net结构的神经网络和基于FNN结构的神经网络进行训练，使得LossFun取得最小值。其中μ1、μ2的取值由经验值获得。
执行步骤S4：首先将增材器件放在XCT仪器转台中心，利用X射线进行扫描，得到投影数据，从投影数据中提取出正弦图。然后将正弦图输入基于U-Net结构的神经网络，经过神经网络的运算，输出感兴趣区域的正弦图数据，再对此正弦图数据进行裁剪和变换，得到变换后的正弦图。将变换后的正弦图输入基于 FNN结构的神经网络中，得到增材器件内部结构几何参数信息。
对于外部为管壳型结构，内部为两个圆柱体的增材器件，利用上述具体实施方式中的过程进行处理，可以得到内部每个圆柱体的半径、高以及两个圆柱体的的中心距离。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于X射线正弦图的管壳型增材器件内部结构几何参数测量方法，其特征在于，包括以下几个步骤：
步骤一：基于管壳型增材器件的三维CAD信息构建仿真模体，进行X射线扫描，获取器件的整体正弦图和感兴趣结构的正弦图。
步骤二：对感兴趣结构的正弦图进行裁剪和变换：首先计算出正弦图中每一行投影数据的加权平均数对应的坐标，然后再每一行中以此坐标为基准，左右各取部分像素，完成对正弦图的裁剪，并将裁剪完毕后的正弦图重新排列成方阵。
步骤三：对基于U-Net结构的神经网络和基于FNN结构的神经网络进行训练。其中基于U-Net结构的神经网络的训练集为仿真模体整体结构的正弦图、仿真模体感兴趣结构的正弦图以及该神经网络输出的正弦图，基于FNN结构的神经网络的训练集为仿真模体感兴趣结构的正弦图、增材器件CAD图纸中感兴趣结构的几何参数以及该神经网络输出的正弦图。
步骤四：X射线扫描管壳型增材器件实物，将正弦图输入基于U-Net结构的神经网络得到感兴趣结构的正弦图。为了减少计算量，对感兴趣结构的正弦图进行裁剪和变换，得到新的正弦图，经过基于FNN结构的神经网络模型计算出管壳型增材器件内部结构的几何参数信息。
2.根据权利要求1所述的基于X射线正弦图的管壳型增材器件内部结构几何参数测量方法，其特征在于，步骤一中，仿真实验所需的仿真模体是使用管壳型增材器件自带的三维CAD信息直接构建，无需单独设计。
3.根据权利要求1所述的基于X射线正弦图的管壳型增材器件内部结构几何参数测量方法，其特征在于，步骤二中，按照以下公式计算出正弦图中每一行投影数据的加权平均数对应的坐标：
Figure FSA0000244876290000011
其中：
xc：正弦图中每一行投影数据的加权平均数对应的坐标值
x：正弦图中每一行数据对应的坐标值
p(x)：正弦图每一行中每个坐标值对应的投影值
左右各取像素的个数用M表示，计算公式为：
Figure FSA0000244876290000012
其中：
n：经验值，这里取值0.8
SIZE：增材器件内部结构的CAD尺寸
p：探测器的像素尺寸
SDD：射线源到探测器的距离
SOD：射线源到被扫描样品旋转中心的距离。
4.根据权利要求1所述的基于X射线正弦图的管壳型增材器件内部结构几何参数测量方法，其特征在于，步骤三中，基于U-Net结构的神经网络和基于FNN结构的神经网络，根据训练集，可以得到各自的损失函数吗，分别为LossFun1和LossFun2。两个网络的损失函数之和称为LossFun，有如下关系：
LossFun＝μ1LossFun1+μ2LossFun2
其中：
LossFun1：基于U-Net结构的神经网络的损失函数
LossFun2：基于FNN结构的神经网络的损失函数
μ1：基于U-Net结构的神经网络损失函数的权重
μ2：基于FNN结构的神经网络损失函数的权重
对基于U-Net结构的神经网络和基于FNN结构的神经网络进行训练，使得LossFun取得最小值。其中μ1、μ2的取值由经验值获得。
5.根据权利要求1所述的基于X射线正弦图的管壳型增材器件内部结构几何参数测量方法，其特征在于，步骤四中：对于管壳型增材器件内部为多个空心立柱的部件，模体的材料为钛合金、铝合金、镍、铬中任意一种，可以得到其面内几何参数包括：空心立柱的半径、边长、面积、空间几何参数包括：壁厚、高、体积，以及结构间几何参数：中心距离。
CN202110688533.3A 2021-06-22 2021-06-22 基于x射线正弦图的增材器件内部结构几何参数测量方法 Pending CN113420438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110688533.3A CN113420438A (zh) 2021-06-22 2021-06-22 基于x射线正弦图的增材器件内部结构几何参数测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110688533.3A CN113420438A (zh) 2021-06-22 2021-06-22 基于x射线正弦图的增材器件内部结构几何参数测量方法

Publications (1)

Publication Number Publication Date
CN113420438A true CN113420438A (zh) 2021-09-21

Family

ID=77789694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110688533.3A Pending CN113420438A (zh) 2021-06-22 2021-06-22 基于x射线正弦图的增材器件内部结构几何参数测量方法

Country Status (1)

Country Link
CN (1) CN113420438A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935291A (zh) * 2024-03-22 2024-04-26 粤港澳大湾区数字经济研究院(福田) 草图生成模型的训练方法、草图生成方法、终端及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190138292A (ko) * 2018-06-04 2019-12-12 한국과학기술원 뉴럴 네트워크를 이용한 다방향 엑스레이 전산단층 촬영 영상 처리 방법 및 그 장치
US20210012543A1 (en) * 2019-07-11 2021-01-14 Canon Medical Systems Corporation Apparatus and method for artifact detection and correction using deep learning
CN112330565A (zh) * 2020-11-12 2021-02-05 中国人民解放军战略支援部队信息工程大学 基于改善的U-net的低剂量CT投影域中图像去噪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190138292A (ko) * 2018-06-04 2019-12-12 한국과학기술원 뉴럴 네트워크를 이용한 다방향 엑스레이 전산단층 촬영 영상 처리 방법 및 그 장치
US20210012543A1 (en) * 2019-07-11 2021-01-14 Canon Medical Systems Corporation Apparatus and method for artifact detection and correction using deep learning
CN112330565A (zh) * 2020-11-12 2021-02-05 中国人民解放军战略支援部队信息工程大学 基于改善的U-net的低剂量CT投影域中图像去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴桐: "基于深度学习的复杂结构件装配正确性X射线检测算法研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *
景世沛: "基于X-ray成像对多孔材料三维结构的研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935291A (zh) * 2024-03-22 2024-04-26 粤港澳大湾区数字经济研究院(福田) 草图生成模型的训练方法、草图生成方法、终端及介质
CN117935291B (zh) * 2024-03-22 2024-06-11 粤港澳大湾区数字经济研究院(福田) 草图生成模型的训练方法、草图生成方法、终端及介质

Similar Documents

Publication Publication Date Title
CN109410195B (zh) 一种磁共振成像脑分区方法及系统
CN109359333B (zh) 一种包含多尺度形貌特征的体模型构建方法
CN103700135B (zh) 一种三维模型局部球面调和特征提取方法
CN110827408B (zh) 一种基于深度传感器的实时三维重建方法
Bellos et al. A convolutional neural network for fast upsampling of undersampled tomograms in X-ray CT time-series using a representative highly sampled tomogram
CN113420438A (zh) 基于x射线正弦图的增材器件内部结构几何参数测量方法
CN115482522A (zh) 飞机结构件转角特征识别方法、装置、设备及存储介质
CN114861500B (zh) 基于三维点云自动生成隧道结构有限元模型的方法及系统
CN117575915A (zh) 一种图像超分辨率重建方法、终端设备及存储介质
CN112581626B (zh) 一种基于非参数化和多注意力机制的复杂曲面测量系统
CN116630460A (zh) 源直线扫描轨迹的探测器行向微分高质量图像重建方法
CN112989919A (zh) 一种从影像中提取目标对象的方法及系统
CN116843779A (zh) 直线扫描探测器微分bpf重建图像稀疏伪影校正方法
CN116188615A (zh) 一种基于正弦域和图像域的稀疏角度ct重建方法
CN116934767A (zh) 一种深度注意力网络的胎儿小脑超声图像分割方法
CN116310194A (zh) 一种配电站房三维模型重建方法、系统、设备和存储介质
Moraes et al. 3D Lanczos interpolation for medical volumes
US20240273672A1 (en) Method for high-resolution image reconstruction
CN111476888B (zh) 一种基于三维空间体拟合的医学图像层间插值方法，设备及可读存储介质
Pereira et al. Extreme sparse X-ray computed laminography via convolutional neural networks
CN112697269B (zh) 一种基于模拟声场先验信息的声强稀疏测量高分辨率成像方法
Yoon et al. Geometry representations with unsupervised feature learning
CN111968113A (zh) 一种基于最优传输映射的脑影像二维卷积深度学习方法
Chang et al. Next viewing directions for the scanning of dental impressions
WO2024078049A1 (en) System and method for near real-time and unsupervised coordinate projection network for computed tomography images reconstruction

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210921