CN114170371A - 用于处理体积扫描数据和分析结构元件的性能的计算机实现的方法、计算设备和计算机程序 - Google Patents

用于处理体积扫描数据和分析结构元件的性能的计算机实现的方法、计算设备和计算机程序 Download PDF

Info

Publication number
CN114170371A
CN114170371A CN202110957659.6A CN202110957659A CN114170371A CN 114170371 A CN114170371 A CN 114170371A CN 202110957659 A CN202110957659 A CN 202110957659A CN 114170371 A CN114170371 A CN 114170371A
Authority
CN
China
Prior art keywords
component
structural
information
voxels
scan data
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
CN202110957659.6A
Other languages
English (en)
Inventor
C·普罗姆
Y·捷林
D·查韦斯格施尔
E·罗科尔
M·克拉肯
M·舍内曼
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.)
Volkswagen AG
Original Assignee
Volkswagen AG
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 Volkswagen AG filed Critical Volkswagen AG
Publication of CN114170371A publication Critical patent/CN114170371A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Pathology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Electrochemistry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pulmonology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及用于处理计算机断层（CT）扫描数据和分析由计算机断层扫描数据表示的结构元件的性能的计算机实现的方法、计算设备和计算机程序。一种用于处理体积扫描数据的计算机实现的方法包括：获得（110）结构元件的体积扫描数据，该结构元件包括两种或更多种类型的组件的多个实例。体积扫描数据由多个体素表示。该方法包括：将多个体素分配（120）给两种或更多种不同的组件类型之一；针对每种组件类型标识（130）作为组件实例的表面的一部分的体素。该方法包括：使用作为相应类型组件的表面的一部分的体素来提取（140）组件实例的表面。该方法包括：基于所提取的表面来确定（170）关于结构元件的结构完整性的信息。

Description

用于处理体积扫描数据和分析结构元件的性能的计算机实现 的方法、计算设备和计算机程序
技术领域
本发明涉及一种用于处理体积扫描数据和分析由计算机断层扫描数据表示的结构元件的性能的计算机实现的方法、计算设备和计算机程序。
背景技术
对在制造诸如汽车部件之类的部件期间出现的故障进行分析是一个研究和开发的领域。由于许多组件被容纳在封闭的外壳中，因此对这样的组件的故障进行人工分析可能只会以破坏外壳为代价来实行，这可能会导致在打开外壳之前不存在的附加故障，并且可能不适用于在制造期间实行的抽查。因此，在某些情况下，计算机断层扫描（CT）扫描被用于故障分析，或者更一般地说，被用于制造期间的现场测试。
CT扫描通常包括多个体素（即，三维像素）。体素的亮度指示用于CT扫描的X射线的吸收率。外壳内的不同组件通常示出不同的吸收率，所以可以在CT扫描中区分它们。基于CT扫描，可以分析部件的内部组件。例如，美国专利申请US 2017/0292922 A1和US 2011/0182495 A1，以及中国专利申请CN109658396A示出了使用CT扫描分析组件中的故障的概念。
可能存在对于一种改进的概念的期望，用于分析关于组件中的故障的体积扫描数据。
该期望由独立权利要求的主题解决。
发明内容
本公开的实施例基于以下发现：可以通过提取结构元件的各个组件的表面，并且分析表面的相互关系以确定结构元件的结构完整性来改进对体积扫描数据的分析，该体积扫描数据诸如是计算机断层（CT）扫描数据、功能磁共振成像（FMRI扫描数据）或正电子发射断层扫描数据。因此，可以从分析中丢弃作为组件的主体（即，不在表面处）的一部分的体积扫描数据的体素。可以分析表面的相互关系以确定表面之间的距离、表面的对准等。这些结构完整性特征对于分析结构元件（诸如电池）中的潜在故障可能很重要，其中可以避免阴极和阳极的重叠。
本公开的各种实施例涉及一种用于处理体积扫描数据的计算机实现的方法。该方法包括：获得结构元件的体积扫描数据。该结构元件包括两种或更多种组件类型的多个实例。该体积扫描数据由多个体素表示。该方法包括：将所述多个体素分配给两种或更多种不同的组件类型之一。该方法包括：针对每种组件类型标识作为组件实例的表面的一部分的体素（此时，没有发生实例化）。该方法包括：使用作为相应类型组件的表面的一部分的体素来提取组件实例的表面。该方法包括：基于所提取的表面来确定关于结构元件的结构完整性的信息。一般而言，示出不规则性的表面可能对结构元件的结构完整性有害，并且因此可以进行分析以确定结构元件的结构完整性。
例如，结构元件可以是电池。所述两种或更多种不同的组件类型可以包括电池的阴极和阳极。一般而言，在电池中，可以避免阴极和阳极的重叠，并且可以分析阴极和阳极的表面以检测这样的潜在重叠。
一般而言，体素可以是组件实例的表面的一部分，或者是组件实例的主体（bulk）的一部分。该方法可以包括丢弃作为组件实例的主体的一部分的体素。主体的体素可以被丢弃以降低分析结构元件的结构完整性所需的处理能力。
在各种实施例中，该方法包括：基于所提取的表面来分割组件实例。可以基于组件实例的所提取的表面来确定关于结构元件的结构完整性的信息。例如，回到结构元件是电池的示例，每个阴极层和阳极层可以被视为相应组件的单独实例。同样的原理也适用于圆柱形电池。
例如，可以基于表面之间的距离、表面的对准、沿着两个表面的范围的距离的均匀性、所提取的表面中的表面的交集，以及所提取的表面与结构元件的三维模型之间的差异中的至少一个来确定关于结构完整性的信息。表面的距离和/或交集可以揭示结构元件内的结构故障。三维模型（例如，CAD绘图）和所提取的表面之间的差异也可能指示潜在的故障。
在一些实施例中，提取组件实例的表面包括：对作为相应类型组件的表面的一部分的体素实行局部平面拟合。局部平面拟合可以用于从作为相应组件的表面的一部分的体素生成连续（且平滑）的表面。例如，局部平面拟合可以用作作为表面的一部分的体素的合理性检查。
在各种实施例中，使用适用于图像分割的机器学习模型将体素分配给两种或更多种不同的组件类型之一。例如，可以使用基于U-Net架构的机器学习模型将体素分配给两种或更多种不同的组件类型之一。一般而言，存在各种合适的机器学习框架可以用于实行相应的图像分割。
一般而言，确定各个表面的定向（例如，表面是组件实例的顶表面还是底表面）也可以是有用的。该方法可以包括确定组件实例的表面的定向，并且基于相应表面的定向对组件实例的表面进行分类（例如，顶部或底部）。可以基于各个表面的分类来确定关于结构完整性的信息。例如，该分类可以用于应用高级规则集来确定结构完整性，例如，“阳极的顶表面不可以与阴极的底表面相交”。
例如，组件实例的表面的定向可以基于相应组件实例的主体的平均定位来确定（例如，不需要在该点处的实例化）。例如，如果主体的平均定位在表面之下，则该表面可以是顶表面，并且如果主体的平均定位在表面之上，则该表面可以是底表面。在一些实施例中，可以仅考虑与表面相关联的实例的主体。然而，在一些实施例中，可以考虑相同类型的组件的整个主体。
在各种实施例中，该方法包括：将结构组件的性能与关于组件的结构完整性的信息关联。该相关性随后可以用来基于其体积扫描数据确定结构元件的估计性能。
本公开的各种实施例涉及一种用于确定结构元件的结构完整性与结构元件的性能之间的相关性的计算机实现的方法。该方法包括：获得关于多个结构元件的结构完整性的信息，使用上述方法生成关于结构完整性的信息。该方法包括：获得关于多个结构元件的性能的信息。该方法包括：确定多个结构元件的结构完整性与多个结构元件的性能之间的相关性。该相关性可以用于基于其体积扫描数据确定结构元件的估计性能。
本公开的各种实施例涉及一种计算设备，该计算设备包括用于交换信息的接口和被配置成实行用于处理体积扫描数据的方法的处理电路。
本公开的各种实施例涉及一种计算设备，其包括用于交换信息的接口和被配置成实行用于确定相关性的方法的处理电路。例如，该计算设备可以对应于上面提到的计算设备。
本公开的各种实施例涉及一种具有程序代码的计算机程序，当该计算机程序在计算机、处理器或可编程硬件组件上执行时，该程序代码用于实行用于处理体积扫描数据的方法和/或用于确定相关性的方法。
附图说明
将仅作为示例并且参照附图使用以下装置或方法或计算机程序或计算机程序产品的非限制性实施例来描述一些其他特征或方面，其中：
图1a示出了用于处理体积扫描数据的计算机实现的方法的实施例的流程图；
图1b示出了用于处理体积扫描数据的计算设备的实施例的框图；
图2a示出了用于确定相关性的计算机实现的方法的实施例的流程图；
图2b示出了用于确定相关性的计算设备的实施例的框图；
图3示出了用于分析体积扫描数据的整体工作流程的概览；
图4示出了用于从计算机断层扫描以自动化方式计算KPI的处理步骤的概览；
图5a图示了局部平面的拟合；
图5b图示了表面定向的确定；以及
图6示出了检测两个组件的主体之间的重叠的图示。
具体实施方式
现在将参考其中图示了一些示例实施例的随附附图来更全面地描述各种示例实施例。在各图中，为了清楚起见，可能夸大了线、层或区域的厚度。可选的组件可以使用断线、虚线或点划线图示。
因此，虽然示例实施例能够具有各种修改和替代形式，但其实施例在各图中以示例的方式示出，并且将在本文中详细描述。然而，应该理解到，无意将示例实施例限制于所公开的特定形式，相反，示例实施例要覆盖落入本发明范围内的所有修改、等同物和替代物。贯穿于附图的描述，同样的数字指代同样或相似的元件。
如本文中使用的，术语“或”是指非排他性的或，除非另有指示（例如，“或否则”或“或替代”）。更进一步地，如本文中使用的，除非另有指示，否则用于描述元件之间的关系的词语应该广义地解释为包括直接关系或存在中间元件。例如，当元件被称为“连接”或“耦合”到另一个元件时，该元件可以直接连接或耦合到另一个元件，或者可以存在中间元件。相反，当元件被称为“直接连接”或“直接耦合”到另一个元件时，就不存在中间元件。类似地，诸如“之间”、“相邻”等的词语应该以类似的方式解释。
本文中使用的术语仅用于描述特定实施例的目的，并且不旨在限制示例实施例。如本文中使用的，单数形式“一”、“一个”和“该”也旨在包括复数形式，除非上下文另有明确指示。应当进一步理解的是，术语“包括”、“包含”、“具有”或“具备”在本文中使用时，指定所陈述的特征、整数、步骤、操作、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件或它们的组。
除非另有定义，否则本文中使用的所有术语（包括技术和科学术语）具有与示例实施例所属领域的普通技术人员通常理解的含义相同的含义。应当进一步理解到，术语，例如，在常用词典中定义的那些术语，应该被解释为具有与其在相关领域的上下文中的含义一致的含义，并且不会在理想化或过于正式的意义上被解释，除非在本文中如此明确定义。
图1a示出了用于处理体积扫描数据的计算机实现的方法的实施例的流程图。该方法包括：获得110结构元件的体积扫描数据。该结构元件包括两种或更多种类型的组件的多个实例。该体积扫描数据由多个体素表示。该方法包括：将所述多个体素分配120给两种或更多种不同的组件类型之一。该方法包括：针对每种组件类型标识130作为组件实例的表面的一部分的体素。该方法包括：使用作为相应类型的组件的表面的一部分的体素来提取140组件实例的表面。该方法包括：基于所提取的表面来确定170关于结构元件的结构完整性的信息。
图1b示出了用于处理体积扫描数据的对应计算设备10的实施例的框图。该计算设备10包括用于交换信息（例如，体积扫描数据和/或关于结构完整性的信息）的接口12，以及耦合到接口12并且被配置成实行图1a的方法的处理电路14。一般而言，计算设备的功能可以由处理电路——例如结合接口12（用于交换数据）和一个或多个用于存储数据（例如，体积扫描数据、关于结构完整性的信息和/或中间结果）的存储设备（未示出）——来提供。
以下描述涉及图1a的计算机实现的方法，以及图1b的对应计算设备和计算机程序。
本公开的各种方面涉及用于处理结构元件的体积扫描数据（即，三维扫描数据，诸如计算机断层（CT）扫描数据、功能磁共振成像（FMRI扫描数据）或正电子发射断层扫描数据）的计算机实现的方法、计算设备和计算机程序。如上面已经提到的，所提出的概念可以用于故障分析和/或抽查，并且特别是用于确定结构元件的体积扫描数据与结构元件的性能之间的相关性。在该上下文中，结构元件可以是物体，例如，用于在机器中使用的部件或组件，例如，用于在车辆中使用的部件或组件。在本公开的上下文中，关于电池来讨论本发明。换言之，结构元件可以是电池。然而，相同的概念也适用于其他结构组件，诸如，多层传感器等，或者包括具有以预定义的几何形状布置的表面的组件的任何结构元件。例如，结构元件可以是电动马达、液压阻尼器或燃料电池，其中前两者具有圆柱形构造。
该方法包括：获得110结构元件的体积扫描数据。例如，体积扫描数据可以经由接口获得，或者从存储设备获得。例如，体积扫描数据可以包括CT设备（即，CT扫描仪）的输出、FMRI扫描仪的输出或PET扫描仪的输出。一般而言，体积扫描数据可以包括来自结构元件的单次扫描的扫描数据。然而，在一些情况下，可以进行多次扫描。
结构元件包括两种或更多种类型的组件的多个实例。在本公开的上下文中，在组件的“类型”与“实例”之间进行区分。例如，电池包括阳极和阴极，它们是电池组件的类型。换言之，所述两种或更多种不同的组件类型可以包括电池的阴极和阳极。在每个组件中，结构元件可以包括一个或多个实例。例如，结构元件可以包括多个阴极（即，阴极的多个实例）和多个阳极（即，阳极的多个实例）。
一般而言，体积扫描数据由多个体素表示。在体积扫描数据的上下文中，体素是具有三维中（三维栅格中）的坐标的图像点。在CT扫描数据中，每个体素指示在三维坐标处被扫描的结构元件的亮度。该亮度进而指示被用于扫描结构元件的x射线的吸收。换言之，每个体素的特征在于对应于（x射线的）吸收的亮度值。
该方法包括：将多个体素分配120给两种或更多种不同的组件类型之一。通过将多个体素分配给不同的组件类型，第一步骤是对在体积扫描数据中可见的组件进行分割。一般而言，可以使用适用于图像分割的机器学习模型将体素分配给两种或更多种不同的组件类型之一。换言之，可以在机器学习模型的输入处提供体积扫描数据或其派生物，并且可以在机器学习模型的输出处获得体素与组件类型之间的分配。存在适用于图像分割的多种框架。一般而言，机器学习模型可以适用于2D中的图像分割，或适用于3D中的图像分割。一种已被证明适用的框架是所谓的U-Net框架，它主要用于医学应用中的（对2D图像数据的）图像分割。因此，可以使用基于U-Net架构的机器学习模型将体素分配给两种或更多种不同的组件类型之一。更多信息可以在Ronneberger等人的文章“U-Net: ConvolutionalNetworks for Biomedical Image Segmentation”（2015年）中找到。可替代地，可以使用用于分割体积图像数据的机器学习模型，例如，在生物医学领域中使用的模型。用于分割的不同类型的机器学习模型可以是合适的，例如，只要它们将每个体素分配给多个类型/类别之一。
该方法包括：针对每种组件类型标识130作为组件实例的表面的一部分的体素。一旦将体素分配给组件类型之一，就可以标识表面体素。一般而言，体素是组件实例的表面的一部分，或者是组件实例的主体的一部分。表面体素的标识可以通过针对给定体素比较相邻体素是否属于相同的组件类型来完成。如果所有相邻的体素属于同一组件类型，则该体素可以被标识为主体体素，如果不是，例如，如果六个相邻的体素中只有五个属于相同的组件类型，则可以将该体素标识为表面体素。该方法可以包括：丢弃135作为组件实例的主体的一部分的体素。例如，在下文中，可以仅考虑表面体素以及由表面体素创建的表面。
该方法包括：使用作为相应类型的组件的表面的一部分的体素来提取140组件实例的表面。换言之，组件的表面可以从个体像素中抽象出来，并且变换成连续的平面以供后续处理。一般而言，表面提取可以包括一个或多个子任务。例如，将体素分配给不同的组件类型，以及标识作为表面的一部分的体素可以被认为是表面提取的子任务。附加地，提取140组件实例的表面可以包括：对作为相应类型的组件的表面的一部分的体素实行145局部平面拟合。一般而言，局部平面可以尽可能靠近局部表面。这可以通过计算所有表面向量的局部回转张量，并且利用平面法线标识特征向量和最小特征值来完成。结合图5a给出了该过程的示例。附加地，可以确定表面的定向。换言之，该方法可以包括确定150组件实例的表面的定向，并且基于相应表面的定向（相对于各种坐标系，例如，相对于世界坐标系、或垂直于径向方向）例如通过将表面分类成“顶表面”、“底表面”和“其他表面/侧表面”来对组件实例的表面进行分类155。例如，可以通过考虑一个或多个表面体素相对于主体体素的定位来确定表面的定向。换言之，组件实例的表面的定向是基于组件的相应实例的主体的平均定位来确定的。如果主体体素主要位于表面下方，则该表面可以是顶表面，如果主体体素主要位于表面上方，则该表面可以是底表面。如果在相应体素下方和上方发现显著的主体部分，则该表面可以是侧表面。因此，可以基于相应表面的分类，例如，通过确定第一组件的底表面与第二相邻组件的顶表面之间的距离来确定关于结构完整性的信息。
在各种实施例中，该方法进一步包括：基于所提取的表面来分割160组件实例。例如，分割160组件实例可以包括：标识由具有相同类型的多个体素形成的组件的连续实例。例如，可以采用表面的定向。例如，可以由与具有相同类型的另一个体素直接相邻的所有具有相同类型的体素形成组件。同样，可以基于组件实例的所提取的表面来确定关于结构元件的结构完整性的信息。
一旦提取了组件的表面，并且可选地，组件的实例已经被分割，所得到的表面就可以用于确定关于结构元件的结构完整性的信息。换言之，该方法包括：基于所提取的表面来确定170关于结构元件的结构完整性的信息。一般而言，关于结构完整性的信息可以指示结构元件与结构元件的理想化版本的符合性，例如，关于组件的表面的符合性。例如，结构元件的理想化版本（例如，结构元件的三维模型）可以与所提取的表面进行比较以确定关于结构同一性的信息。因此，关于结构完整性的信息可以指示所提取的表面与结构元件的理想化版本的偏差。
如果没有这样的模型可用，或者除了模型之外，可以分析表面的相互关系以确定关于结构完整性的信息。例如，确定关于结构完整性的信息可以包括确定所提取的表面之间的距离。因此，可以基于（所提取的表面的）表面之间的距离、（所提取的表面的）表面的对准、（所提取的表面的）沿着两个表面的范围的距离的均匀性，以及所提取的表面的表面的交集中的至少一个来确定关于结构完整性的信息。
在一些实施例中，该关于结构完整性的信息可以用于确定关于结构完整性的信息与相应结构元件的性能之间的相关性。例如，除了对结构元件进行基于CT扫描的分析之外，还可以测试每个结构元件。通过测试确定的性能可以与基于体积扫描数据所确定的结构同一性的信息相关。换言之，该方法可以包括：将结构组件的性能与关于组件的结构完整性的信息关联180。因此，该方法可以包括：获得关于结构元件的性能的信息。例如，关于性能的信息可以涉及结构元件的结构性能，例如，结构元件的柔韧性，或者涉及结构元件的功能，例如，结构元件是否起作用，或结构元件的关键性能指标（诸如电特性变量）有多高。关于结构完整性的信息的确定和关于结构完整性的信息与结构元件的性能的相关性这二者都可以利用其他体积扫描数据集、关于结构完整性的所得信息和对应的性能来重复，以产生基于（同一模型的）多个结构元件的相关性。该相关性可以适用于基于关于各个元件的结构完整性的信息，并且通过基于表示结构元件的体积扫描数据从体积扫描数据确定关于结构完整性的信息，来确定结构元件的关键性能指标。例如，可以使用统计方法来确定相关性。可替代地，可以使用有监督训练来训练机器学习模型，其中关于结构完整性的信息被用作训练输入，并且关于性能的相应信息被用作机器学习模型训练的期望输出。结合图2a和图2b，与关于结构完整性的信息的确定分离地描述了相同的相关性确定。
接口12可以对应于用于接收和/或传输信息的一个或多个输入和/或输出，所述信息可以采用在模块内、模块之间或不同实体的模块之间根据指定代码的数字（位）值的形式。例如，接口12可以包括被配置成接收和/或传输信息的接口电路。
在实施例中，处理电路14可以使用一个或多个处理单元、一个或多个处理设备、用于进行处理的任何装置（诸如处理器、计算机或可编程硬件组件）来实现，这些装置可与相应适配的软件一起操作。换言之，处理电路14的所描述的功能也可以以软件实现，然后在一个或多个可编程硬件组件上执行该软件。这样的硬件组件可以包括通用处理器、数字信号处理器 （DSP）、微控制器等。
在至少一些实施例中，计算设备10可以包括一个或多个存储设备，例如，计算机可读存储介质组中的至少一个元件，诸如磁或光存储介质，例如，硬盘驱动器、闪存存储器、软盘、随机存取存储器（RAM）、可编程只读存储器（PROM）、可擦除可编程只读存储器（EPROM）、电子可擦除可编程只读存储器（EEPROM）或网络存储装置。
用于处理体积扫描数据的计算机实现的方法、计算设备和计算机程序的更多细节和方面结合所提出的概念或上文或下文所描述的一个或多个示例（例如，图2a至图6）被提及。用于处理体积扫描数据的计算机实现的方法、计算设备和计算机程序可以包括与所提出的概念的一个或多个方面或者在上文或下文所描述的一个或多个示例相对应的一个或多个附加可选特征。
图2a示出了用于确定结构元件的结构完整性与结构元件的性能之间的相关性的计算机实现的方法的实施例的流程图。该方法包括：获得210关于多个结构元件的结构完整性的信息。使用图1a的方法、图1b的对应计算设备、或对应计算机程序生成关于结构完整性的信息。该方法包括：获得220关于多个结构元件的性能的信息。该方法包括：确定230多个结构元件的结构完整性与多个结构元件的性能之间的相关性。
图2b示出了用于确定相关性的对应计算设备20的实施例的框图。该计算设备20包括：用于交换信息的接口22，该信息例如是关于结构完整性的信息和/或关于性能的信息；以及耦合到接口24并且被配置成实行图2a的方法的处理电路24。一般而言，计算设备的功能可以由处理电路提供，例如，与接口22（用于交换数据）和一个或多个用于存储数据（例如，关于结构完整性的信息、关于性能的信息、相关性和/或中间结果）的一个或多个存储设备（未示出）结合提供。
正如结合图1a和1b所提到的，相关性的确定可以与关于结构完整性的信息的生成解耦。因此，该方法包括：通过使用图1a的方法生成关于结构同一性的信息，或者通过从另一个计算设备获得信息来获得210关于多个结构元件的结构完整性的信息。该方法包括：例如，从已经实行多个结构设备的结构或功能测试的设备或者从数据库获得220关于多个结构元件的性能的信息。该方法包括：确定230多个结构元件的结构完整性与多个结构元件的性能之间的相关性，例如，类似于已经结合图1a引入的相关性的确定。因此，该相关性可以适用于基于关于相应元件的结构完整性的信息来确定结构元件的关键性能指标。
接口22可以对应于用于接收和/或传输信息的一个或多个输入和/或输出，这些信息可以采用在模块内、模块之间或不同实体的模块之间的根据指定代码的数字（位）值的形式。例如，接口22可以包括被配置成接收和/或传输信息的接口电路。
在实施例中，处理电路24可以使用一个或多个处理单元、一个或多个处理设备、用于进行处理的任何装置来实现，诸如处理器、计算机或者可与相应适配的软件一起操作的可编程硬件组件。换言之，处理电路24的所描述的功能也可以以软件实现，然后在一个或多个可编程硬件组件上执行该软件。这样的硬件组件可以包括通用处理器、数字信号处理器 （DSP）、微控制器等。
在至少一些实施例中，计算设备20可以包括一个或多个存储设备，例如，计算机可读存储介质组中的至少一个元件，诸如磁或光存储介质，例如，硬盘驱动器、闪存存储器、软盘、随机存取存储器（RAM）、可编程只读存储器（PROM）、可擦除可编程只读存储器（EPROM）、电子可擦除可编程只读存储器（EEPROM）或网络存储装置。
用于确定相关性的计算机实现的方法、计算设备和计算机程序的更多细节和方面结合所提出的概念或上文或下文所描述的一个或多个示例（例如，图1a至1b、图3至图6）被提及。用于确定相关性的计算机实现的方法、计算设备和计算机程序可以包括与所提出的概念的一个或多个方面或上文或下文所描述的一个或多个示例相对应的一个或多个附加可选特征。
本公开的各种实施例涉及用于使用计算机视觉从诸如电池之类的结构元件的计算机断层扫描中自动提取关键性能指标的鲁棒实例分割。
（例如，电动车辆的）电池的生产正变得越来越重要。然而，在许多电池生产工厂中，生产质量与产品性能之间的关系可能不是已知的。本公开的各种实施例使用计算机断层扫描系统来量化产品性能。虽然在生产系统中使用CT扫描进行质量控制的一般概念是已知的，但是这些已知的方法可能使用与下面概述的方法不同的技术。所描述的方法通常适用于需要实行无损分析的任何制造过程。所提出的方法假定产品具有某些对称性（例如，分层或圆形的）。然而，该方法也可以应用于除电池之外的结构元件。
所描述的概念整体工作流程的一部分，该工作流程试图将所制造的部件的性能与生产期间收集的测量结果关联。利用从分析性能如何由于生产测量而改变中获得的见解，可以优化整体生产。图3示出了用于分析体积扫描数据的整体工作流程的概览。所述整体工作流程可以包括（结构元件的）生产310、结构元件的CT扫描320的生成、结构元件的性能330的确定，以及自动KPI（关键性能指标）的确定。所描述的概念可以用于块“自动KPI”340。
激励应用是电池组，但是所描述的特征也可以应用于其他制造过程。下面描述分析过程，该过程被改进或优化以在生产期间从例如电池组的部件（即，结构元件）的计算机断层扫描中提取关于生产质量的信息。
分析的基础是计算机断层扫描，即，体积图像，其中每个体素的特征在于对应于x射线的吸收的亮度值。
图4示出了用于以自动方式从计算机断层扫描410计算KPI的处理步骤的概览。分析被拆分成以下步骤。虽然在下文中使用术语“步骤”，但是这些步骤也可以以不同的次序实行，并且可以省略一个或多个步骤。
1.按类型的部件分割。对于电池，相关部件是电池阴极420和阳极425。此步骤将每个体素分配为一种部件类型。请注意，在此步骤处，所有体素可以是独立的，并且可能没有关于哪些体素形成整个对象（例如，阳极片）的信息。可以利用基于神经网络的图像分割模型来实行分割。在示例性实现方式中，使用了所谓的U-Net架构，该架构最初是为医学领域中的图像分割而开发的。
2.表面提取和分类 430。代替直接分析体素，可以仅使用表面信息来提高鲁棒性。在该步骤中，可以提取每个类别的表面，并将每个体素被分配给一种表面类型，例如，阳极的顶部或底部。
3.实例分割440。在该步骤中，可以假设所有连接的单一类型的体素是同一对象的一部分，例如，单个阳极的顶层。
4.自动KPI计算450。基于检测到的对象，可以计算量化生产质量的关键性能指标（即，可以确定结构完整性）。以电池为例，这可能是阳极片的对准、或者是与生产所基于的CAD文件的比较。
在本公开中，重点在于步骤2。第二步可以进一步被细分为以下子步骤：
2a：表面提取。每个体素可以被分类成主体和表面。全部数量的直接相邻体素（3D中为6个）为相同类型的任何体素都可以被分类为主体，所有其他体素都可以被分类为表面。例如，具有4个也是阳极的直接相邻体素的阳极体素可以被分类为表面体素。
2b：为每个表面体素拟合局部平面。在每个表面体素周围，可以拟合一个试图尽可能靠近局部表面的局部平面。这可以通过（为所有表面体素）计算局部回转张量来完成
Figure DEST_PATH_IMAGE001A
并且利用平面法线标识最小特征值的特征向量
Figure DEST_PATH_IMAGE002A
然而，此向量没有被定向，因为它可以指向任一方向。投影到主轴上的特征向量的平方大小可以被标示为局部平面参数。局部平面参数可以被定义为：
Figure DEST_PATH_IMAGE003A
还参见图5a，其中图示了局部平面的拟合。图5a示出了表面510、惯性椭球520和主轴530。
2c：平面的定向。法线的正确符号可以通过计算表面体素周围的主体的平均定位来计算。例如，如果大部分主体位于表面体素下方，则局部表面是对象的顶部。例如，以下公式可以用于计算平均主体定位：
Figure DEST_PATH_IMAGE005A
Figure DEST_PATH_IMAGE007
还参见图5b，其中示出了表面定向的确定。图5b示出了表面540、主体550、邻域560、参考点570（即，正在处理的体素）和朝向局部质心的向量580。
2d：基于平面定向、体素定位和体素部件类型对表面类型进行分类。接下来，可以通过对局部平面参数和平均主体定位进行阈值化来对每个表面体素进行分类。例如，阳极片的顶部将是pz> 0.5 和 nz> 0 的阳极表面体素。这种方法可以进一步扩展到非分层几何形状，例如，对于圆柱形几何形状，通过使用径向向量作为局部平面参数的投影目标，每个体素可以被分类为正交于或垂直于完美对准的圆柱。例如，结构元件可以是具有圆柱形构造的结构元件，诸如圆柱形电池、电动马达或液压阻尼器。
所描述的方法适用于但不限于电池的体积扫描数据的分析，并且明确考虑了电池组的分层几何形状。因此，即使对于不完美的CT扫描，也可以观察到附加的鲁棒性。特别是对于低分辨率，其他实例分割方法可能会由于重叠的片材而导致不希望的伪影。在这里，可以明确禁止任何这样的情况，并且可以过滤掉对应的体素。图6示出了检测两个组件的主体之间的重叠的图示。图6示出了一个组件的底表面610、另一个组件的顶表面620以及两个组件的主体之间的重叠630。图6可以用作通过使用表面而不是体积来检测对象以增加鲁棒性的图示。虽然主体可以具有重叠，但表面永远不会在构造上重叠。
如已经提到的，在实施例中，相应的方法可以被实现为可以在相应硬件上执行的计算机程序或代码。因此，另一个实施例是具有程序代码的计算机程序，当该计算机程序在计算机、处理器或可编程硬件组件上执行时，该程序代码用于实行上述方法中的至少一个。另外的实施例是一种存储指令的计算机可读存储介质，当由计算机、处理器或可编程硬件组件执行时，该指令使计算机实现本文中描述的方法之一。
本领域技术人员应当容易地意识到，各种上述方法的步骤可以由编程计算机实行，例如，可以确定或计算时隙的定位。在本文中，一些实施例还意图覆盖程序存储设备，例如，数字数据存储介质，其是机器或计算机可读的，并且对指令的机器可执行或计算机可执行程序进行编码，其中所述指令实行本文中所述方法的一些或所有步骤。程序存储设备可以是例如数字存储器、诸如磁盘和磁带之类的磁存储介质、硬盘驱动器、或光学可读数字数据存储介质。实施例还旨在覆盖被编程为实行本文中所述方法的所述步骤的计算机，或者被编程为实行以下所述方法的所述步骤的（现场）可编程逻辑阵列（（F）PLA）或（现场）可编程门阵列（（F）PGA）。
描述和附图仅说明本发明的原理。因此应当领会到，本领域的技术人员将能够设计出各种布置，所述布置尽管在本文中没有明确描述或示出，但是体现了本发明的原理，并且被包括在本发明的精神和范围内。更进一步地，本文中引用的所有示例主要明确地旨在仅用于教学目的，以帮助读者理解本发明的原理和（一个或多个）发明人为促进本领域所贡献的概念，并且要被解释为没有限于这样的具体引用的示例和条件。此外，本文中记载本发明的原理、方面和实施例的所有陈述，以及其具体示例，旨在涵盖其等同物。当由处理器提供时，功能可以由单个专用处理器、由单个共享处理器、或由多个单独的处理器提供，多个单独的处理器中的一些处理器可以是共享的。此外，术语“处理器”或“控制器”的明确使用不应该被解释为专门指代能够执行软件的硬件，而是可以隐含地包括但不限于数字信号处理器（DSP）硬件、网络处理器、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、用于存储软件的只读存储器（ROM）、随机存取存储器（RAM）和非易失性存储装置。其他硬件（常规的或定制的）也可以包括在内。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互来执行，或者甚至手动执行，特定技术是由实现者根据上下文更具体地理解的那样而可选择的。
本领域技术人员应该领会，本文中的任何框图表示体现本发明原理的说明性电路的概念图。类似地，应当领会，任何流程图表、流程示图、状态转移图和伪代码等表示，并且因此由计算机或处理器执行的各种过程——无论这样的计算机或处理器是否被明确示出——可以基本上在计算机可读介质中表示。
更进一步地，以下权利要求由此被并入详细描述中，其中每项权利要求可以作为单独的实施例独立存在。虽然每项权利要求都可以作为单独的实施例独立存在，但是要注意的是——尽管从属权利要求可以在权利要求中指代与一个或多个其他权利要求的特定组合——其他实施例也可以包括从属权利要求与每个其他从属权利要求的主题的组合。除非声明不旨在进行特定的组合，否则在本文中提出这样的组合。更进一步地，还旨在将权利要求的特征包括到任何其他独立权利要求，即使该权利要求不直接从属于该独立权利要求。
应当进一步注意的是，说明书或权利要求中公开的方法可以通过具有用于实行这些方法的相应步骤中的每一个的装置的设备来实现。
参考标号列表
10 计算设备
12 接口
14 处理电路
20 计算机设备
22 接口
24 处理电路
110 获得体积扫描数据
120 将体素分配给组件类型
130 标识表面体素
135 丢弃主体体素
140 提取表面
145 实行局部平面拟合
150 确定表面的定向
155 对表面进行分类
160 分割组件的实例
170 确定结构完整性
180 将性能与结构完整性关联
210 获得关于结构完整性的信息
220 获得关于性能的信息
230 确定相关性
310 生产
320 CT扫描
330 性能
340 自动KPI
410 CT扫描
420 阴极和阳极分离：阴极
425 阴极和阳极分离：阳极
430 表面提取和分类
440 实例分割
450 KPI计算
510 表面
520 惯性椭球
530 主轴
540 表面
550 主体
560 邻域
570 参考点
580 表示局部质心的箭头
610 底表面
620 顶表面
630 主体重叠。

Claims (15)

1.一种用于处理体积扫描数据的计算机实现的方法，所述方法包括：
获得（110）结构元件的体积扫描数据，所述结构元件包括两种或多种类型的组件的多个实例，其中，所述体积扫描数据由多个体素表示；
将所述多个体素分配（120）给两种或更多种不同的组件类型之一；
针对每种组件类型标识（130）作为组件实例的表面的一部分的体素；
使用作为相应类型的组件的表面的一部分的体素来提取（140）组件实例的表面；以及
基于所提取的表面来确定（170）关于结构元件的结构完整性的信息。
2.根据权利要求1所述的方法，其中，所述结构元件为电池，其中，所述两种或更多种不同的组件类型包括电池的阴极和阳极。
3.根据权利要求1或2中任一项所述的方法，其中，所述体素是组件实例的表面的一部分或组件实例的主体的一部分，所述方法包括：丢弃（135）作为组件实例的主体的一部分的体素。
4.根据权利要求1至3中任一项所述的方法，包括：基于所提取的表面来分割（160）组件实例，其中，基于所提取的组件实例的表面来确定关于结构元件的结构完整性的信息。
5.根据权利要求1至4中任一项所述的方法，其中，基于表面之间的距离、表面的对准、沿着两个表面的范围的距离的均匀性、所提取的表面中的表面的交集，以及所提取的表面与结构元件的三维模型之间的差异中的至少一个来确定关于结构完整性的信息。
6.根据权利要求1至5中任一项所述的方法，其中，提取（140）组件实例的表面包括：对作为相应类型组件的表面的一部分的体素实行（145）局部平面拟合。
7.根据权利要求1至6中任一项所述的方法，其中，使用适用于图像分割的机器学习模型将所述体素分配给所述两种或更多种不同的组件类型之一。
8.根据权利要求6所述的方法，其中，使用基于U-Net架构的机器学习模型将所述体素分配给所述两种或更多种不同的组件类型之一。
9.根据权利要求1至8中任一项所述的方法，包括：确定（150）组件实例的表面的定向，以及基于各个表面的定向对组件实例的表面进行分类（155），其中，基于相应表面的分类确定关于结构完整性的信息。
10.根据权利要求9所述的方法，其中，基于相应组件实例的主体的平均定位来确定所述组件实例的表面的定向。
11.根据权利要求1至10中任一项所述的方法，包括：将所述结构组件的性能与关于所述组件的结构完整性的信息关联（180）。
12.一种用于确定结构元件的结构完整性与结构元件的性能之间的相关性的方法，所述方法包括：
获得（210）关于多个结构元件的结构完整性的信息，所述关于结构完整性的信息是使用根据权利要求1至11中任一项所述的方法生成的；
获得（220）关于多个结构元件的性能的信息；以及
确定（230）多个结构元件的结构完整性与多个结构元件的性能之间的相关性。
13. 一种计算设备（10），其包括：
用于交换信息的接口（12）；以及
处理电路（14），其被配置成实行权利要求1至11之一所述的方法。
14. 一种计算设备（20），包括：
用于交换信息的接口（22）；以及
处理电路（24），被配置成实行权利要求12所述的方法。
15.一种具有程序代码的计算机程序，当所述计算机程序在计算机、处理器或可编程硬件组件上执行时，所述程序代码用于实行权利要求1至11之一所述的方法和/或权利要求12所述的方法。
CN202110957659.6A 2020-08-19 2021-08-19 用于处理体积扫描数据和分析结构元件的性能的计算机实现的方法、计算设备和计算机程序 Pending CN114170371A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20191722.6 2020-08-19
EP20191722.6A EP3958209A1 (en) 2020-08-19 2020-08-19 Computer-implemented methods, computing devices and computer programs for processing volumetric scanning data and analyzing a performance of structural elements

Publications (1)

Publication Number Publication Date
CN114170371A true CN114170371A (zh) 2022-03-11

Family

ID=72147987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110957659.6A Pending CN114170371A (zh) 2020-08-19 2021-08-19 用于处理体积扫描数据和分析结构元件的性能的计算机实现的方法、计算设备和计算机程序

Country Status (3)

Country Link
US (1) US20220057341A1 (zh)
EP (1) EP3958209A1 (zh)
CN (1) CN114170371A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4354392A1 (en) * 2022-08-29 2024-04-17 Contemporary Amperex Technology Co., Limited Tab folding detection method and apparatus, electronic device, and storage medium

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9208558B2 (en) * 1999-08-11 2015-12-08 Osteoplastics Llc Methods and systems for producing an implant
AU6634800A (en) * 1999-08-11 2001-03-05 Case Western Reserve University Method and apparatus for producing an implant
JP2005228533A (ja) * 2004-02-12 2005-08-25 Hitachi Engineering & Services Co Ltd バッテリー検査方法および装置
US20110182495A1 (en) 2010-01-26 2011-07-28 General Electric Company System and method for automatic defect recognition of an inspection image
US10354377B2 (en) * 2012-04-11 2019-07-16 The Trustees Of Columbia University In The City Of New York Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects
WO2015171943A1 (en) * 2014-05-07 2015-11-12 Decision Sciences International Corporation Image-based object detection and feature extraction from a reconstructed charged particle image of a volume of interest
EP3265845A4 (en) * 2015-03-05 2019-01-09 Commonwealth Scientific and Industrial Research Organisation STRUCTURE MODELING
CN108292428B (zh) * 2015-12-11 2023-03-31 上海联影医疗科技股份有限公司 图像重建的系统和方法
US10445905B2 (en) * 2016-03-31 2019-10-15 Shanghai United Imaging Healthcare Co., Ltd. System and method for image reconstruction
US9835568B2 (en) 2016-04-12 2017-12-05 General Electric Company Defect correction using tomographic scanner for additive manufacturing
US10507087B2 (en) * 2016-07-27 2019-12-17 Align Technology, Inc. Methods and apparatuses for forming a three-dimensional volumetric model of a subject's teeth
US9656429B1 (en) * 2016-08-09 2017-05-23 Arevo, Inc. Systems and methods for structurally analyzing and printing parts
EP3287914A1 (de) * 2016-08-23 2018-02-28 Siemens Healthcare GmbH Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen
US9905044B1 (en) * 2016-08-25 2018-02-27 General Electric Company Systems and methods for functional imaging
EP3410393A1 (en) * 2017-06-01 2018-12-05 Siemens Healthcare GmbH Comparing medical images
WO2019002631A1 (en) * 2017-06-30 2019-01-03 Promaton Holding B.V. 3D CLASSIFICATION AND MODELING OF 3D DENTO-MAXILLO-FACIAL STRUCTURES THROUGH DEEP LEARNING PROCESSES
WO2019023900A1 (zh) * 2017-07-31 2019-02-07 深圳联影医疗科技有限公司 在体数据中提取感兴趣区域的方法及系统
EP3462373A1 (en) * 2017-10-02 2019-04-03 Promaton Holding B.V. Automated classification and taxonomy of 3d teeth data using deep learning methods
US10803633B2 (en) * 2018-02-06 2020-10-13 General Electric Company Systems and methods for follow-up functional imaging
US10755474B1 (en) * 2018-03-13 2020-08-25 Siemens Healthcare Gmbh Method of processing a volumetric dataset and a method of rendering a volumetric dataset
US10896503B2 (en) * 2018-03-23 2021-01-19 International Business Machines Corporation Identification of areas of interest in imaging applications
CN109658396A (zh) 2018-12-06 2019-04-19 华中科技大学 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法
US11321953B2 (en) * 2020-03-25 2022-05-03 Hong Kong Applied Science and Technology Research Institute Company Limited Method and apparatus for posture, dimension and shape measurements of objects in 3D scenes
US11309072B2 (en) * 2020-04-21 2022-04-19 GE Precision Healthcare LLC Systems and methods for functional imaging

Also Published As

Publication number Publication date
US20220057341A1 (en) 2022-02-24
EP3958209A1 (en) 2022-02-23

Similar Documents

Publication Publication Date Title
CN109961421B (zh) 数据生成装置、数据生成方法以及数据生成记录介质
US8238635B2 (en) Method and system for identifying defects in radiographic image data corresponding to a scanned object
KR102549196B1 (ko) 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
US8131107B2 (en) Method and system for identifying defects in NDT image data
CN112150442A (zh) 基于深度卷积神经网络及多实例学习的新冠诊断系统
KR20210121154A (ko) 이미지 데이터 세트 처리
KR20210150970A (ko) 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출
JP7137487B2 (ja) 画像評価装置及び方法
US20210287050A1 (en) Testing machine learning (ml) models for robustness and accuracy using generative deep learning
Nsengiyumva et al. Critical insights into the state‐of‐the‐art NDE data fusion techniques for the inspection of structural systems
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
Madra et al. Diffuse manifold learning of the geometry of woven reinforcements in composites
Avola et al. Real-time deep learning method for automated detection and localization of structural defects in manufactured products
CN114170371A (zh) 用于处理体积扫描数据和分析结构元件的性能的计算机实现的方法、计算设备和计算机程序
CN116229189B (zh) 基于荧光内窥镜的图像处理方法、装置、设备及存储介质
Panagiotakis et al. Lymphocyte segmentation using the transferable belief model
CN105809657A (zh) 一种角点检测方法和装置
CN112184717A (zh) 用于质检的自动化分割方法
CN103565459A (zh) 一种判断成像质量方法和装置
Sparkman et al. A supervised learning approach for prediction of x-ray computed tomography data from ultrasonic testing data
Shao et al. Damage Detection of the RC Building in TLS Point Clouds Using 3D Deep Neural Network PointNet++
Shin et al. Visualization for explanation of deep learning-based defect detection model using class activation map
CN116188973B (zh) 认知生成机制裂缝检测方法
US20240097215A1 (en) X-ray radiographs based fault detection and prediction for battery cells
US20220189005A1 (en) Automatic inspection using artificial intelligence models

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