CN115824084A - 一种三维编织陶瓷基复合材料细观结构识别与重建方法 - Google Patents
一种三维编织陶瓷基复合材料细观结构识别与重建方法 Download PDFInfo
- Publication number
- CN115824084A CN115824084A CN202211384269.5A CN202211384269A CN115824084A CN 115824084 A CN115824084 A CN 115824084A CN 202211384269 A CN202211384269 A CN 202211384269A CN 115824084 A CN115824084 A CN 115824084A
- Authority
- CN
- China
- Prior art keywords
- image
- index
- fiber bundle
- motion
- fiber
- 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
Links
Images
Abstract
本发明公开了一种三维编织陶瓷基复合材料细观结构识别与重建方法,属于细观结构识别与重建领域。本发明通过光流法识别出材料内部4个方向移动的纤维束,采用三视图综合处理的方法,精准定位了材料的孔隙分布;同时建立了纠正误分类像素的方法。结合编织角及光流法所计算的纤维运动方向,从而实现对纤维束的跟踪并标号,实现了三维编织CMC纤维束尺度的图像分割。通过拟合中心函数,建立了材料的三维模型。整个过程仅需较少人工参与,实现了快速的三维编织CMC的模型重建。
Description
技术领域
本发明属于细观结构识别与重建领域,具体涉及三维编织陶瓷基复合材料细观结构识别与重建方法。
背景技术
陶瓷基复合材料 (简称CMCs) 具备良好的高温性能,且密度低,对缺口不敏感,是高性能航空发动机热端部件的优选材料。相较于传统的二维编织材料,三维编织具有更好的抗分层和更高的损伤容限,受到国内外研究学者的广泛关注。基于有限元的力学性能分析方法可以加快材料的设计迭代和优化周期,因此建立具有高保真度的材料有限元模型至关重要。目前国际上对于三维编织CMCs的重建普遍采用理想体元法,无法反映材料内部复杂的细观结构如不规则孔隙、非均匀组分分布以及纤维波动走向等,导致力学性能预测结果与实验结果存在较大误差,难以评估上述缺陷对CMC力学性能的影响,阻碍了CMCs结构在先进航空发动机中的应用进程。
XCT是一种无损检测方法,可以在不破坏材料的基础上获得一系列包含材料内部细观结构的灰度图像。基于XCT所建立的模型可以较为真实的反应材料内部的纤维形状、孔隙分布、纤维走向等细观几何参数,国内外学者研究发现其预测精度要高于理想体元法。目前,现有的XCT细观结构识别与重建方法集中解决了2D和2.5D图像,它们仅包含2个方向运动的纤维束,而三维编织CMCs包含了4个及以上方向运动的纤维束,细观结构更复杂,现有的算法无法适用。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种三维编织陶瓷基复合材料细观结构识别与重建方法。
为实现上述技术目的,本发明采取的技术方案为:
一种三维编织陶瓷基复合材料细观结构识别与重建方法,包括以下步骤:
步骤1:通过XCT对三维编织复合材料进行扫描,获得X张尺寸为M*N的灰度图像Original_Image,材料编织角为Angle,纤维束运动方向的数量T;将这一系列图像当作是编织复合材料的正视图Front_Image;
步骤2:确定孔隙的阈值范围[0, Hole_Thresh],提取每张Front_Image图像中的孔隙,并记录孔隙位置索引Front_Hole_Index;
步骤3:将一系列的Front_Image图像转化为视频格式,计算T个运动方向的纤维束空间运动信息,并记录每束纤维的运动方向Motion_Direction_i, ,为正整数,并将视频格式转化为一系列连续的图像Optical_Image;
步骤4:对每张Optical_Image进行图像对比度增强,获得图像Histogram_Image;
步骤5:将步骤1中孔隙位置索引Front_Hole_Index赋予步骤4中对应的图像Histogram_Image,并将这些位置赋值0;
步骤6:分别导出步骤1中XCT图像Original_Image的侧视图Side_Image和俯视图Top_Image以及步骤4中图像Histogram_Image的侧视图Side_Histogram_Image和俯视图Top_Histogram_Image,根据步骤1的孔隙阈值范围[0, Hole_Thresh]分别提取并记录Side_Image和Top_Image中的孔隙位置索引Side_Hole_Index和Top_Hole_Index;分别将Side_Hole_Index和Top_Hole_Index赋予对应的Side_Histogram_Image和Top_Histogram_ Image,并将这些位置赋值0;
步骤7:建立X*T张尺寸为M*N的空图像Motion_Image,其像素值均为0,根据T种运动方向纤维束的R/G/B三色通道值的特点,提取不同运动方向的纤维束,将第Q张图像中第Z个运动方向的纤维束赋给新建立的空图像Motion_Image,其中,;
步骤8:对每张新图像Motion_Image中的全部像素区域进行标记,并统计每个区域包含的像素数量,对于图像中像素数量小于阈值Thresh_Label_Area的区域进行剔除,这些区域为误分类像素区域,将其位置索引保存在数组中;
步骤9:其中,误分类像素区域被分为两类;
第一类是分布于各纤维束内部的,通过检测当前像素区域在同一张图像中周边像素的种类,从而确定正确类别;
第二类是周边无任何像素,通过分别检测此像素区域临近图像范围内的像素类别,从而确定正确类别;
步骤10:将步骤9分类完成后的T个不同运动方向的纤维束加和到一张图像中,再次分别先后导出材料的侧视图、俯视图,先后确定孔隙位置索引Side_Hole_Index和Top_ Hole_Index对应位置是否为孔隙,如果不是,则将其对应像素归类为孔隙并赋值为0;
步骤11:对每束纤维束进行标号,再次将步骤10中获得的图像的不同运动方向的纤维束进行分离,并分别赋予X*T张尺寸为M*N的空图像;
步骤12:通过T个不同运动方向的纱线结合编织角Angle和步骤3确定的纤维运动方向Motion_Direction_i,寻找当前图像中某一运动方向的最左侧纤维或最右侧纤维,并逐图像依次跟踪此方向上的纤维并标号,同时,时刻记录当前纤维束是否运动到图像的边缘,如果没有则继续跟踪下一张图像,反之,则从之前的基础上加1,重新从图像的左侧或者右侧进行跟踪,直至标记完成最后一张图像;
步骤13:提取每束纤维束的重心,并依次连接每张图像中相同标号的纤维束重心并拟合纱线的空间走向函数,并将T个运动方向的空间走向函数整合到相同的坐标系下;
步骤14:通过计算每张图像中每束纤维截面尺寸,然后用椭圆/平行四边形表示T个运动方向纤维束的截面形状,并沿着空间走向函数进行扫掠,建立完整的材料三维模型。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤2中,通过最大类间方差法确定孔隙的阈值范围[0, Hole_Thresh]。
上述的步骤3中,将一系列的Front_Image图像转化为AVI或MP4视频格式。
上述的步骤3中,采用金字塔LK光流法计算T个运动方向的纤维束空间运动信息。
上述的步骤3中,将视频格式转化为一系列连续的RGB图像Optical_Image。
上述的步骤4中,采用直方图均衡化对每张Optical_Image进行图像对比度增强,获得图像Histogram_Image。
本发明的有益效果:通过光流法识别出材料内部4个方向移动的纤维束,采用三视图综合处理的方法,精准定位了材料的孔隙分布;同时建立了纠正误分类像素的方法。结合编织角及光流法所计算的纤维运动方向,从而实现对纤维束的跟踪并标号,实现了三维编织CMC纤维束尺度的图像分割。通过拟合中心函数,建立了材料的三维模型。整个过程仅需较少人工参与,实现了快速的三维编织CMC的模型重建。
附图说明
图1为三维四向编织复合材料XCT图像;
图2为光流计算结果图像;
图3为直方图均衡化结果强化结果图;
图4为材料的侧视图;
图5为材料的俯视图;
图6为运动方向的纤维束分类结果图;
图7为某两个运动方向的纤维束模型图;
图8为某两个运动方向的纤维束模型图;
图9为图像重建结果图。
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。
本发明的一种三维编织陶瓷基复合材料细观结构识别与重建方法,包括以下步骤:
步骤1:通过XCT(X-ray Computed Tomography, XCT) 对三维编织复合材料进行扫描,获得X张尺寸为243*600的灰度图像Original_Image,材料编织角为25°,纤维束运动方向的数量4;将这一系列图像当作是编织复合材料的正视图Front_Image,如图1;
步骤2:通过最大类间方差法确定孔隙的阈值范围[0, 55],提取每张Front_Image图像中的孔隙,并记录孔隙位置索引Front_Hole_Index;
步骤3:将一系列的Front_Image图像转化为AVI或MP4等视频格式,采用金字塔LK光流法计算4个运动方向的纤维束空间运动信息,并记录每束纤维的运动方向Motion_ Direction_i( ),并将视频格式转化为一系列连续的RGB图像Optical_ Image,如图2;
步骤4:采用直方图均衡化对每张Optical_Image进行图像对比度增强,获得图像Histogram_Image,如图3;
步骤5:将步骤1中孔隙位置索引Front_Hole_Index赋予步骤4中对应的图像Histogram_Image,并将这些位置赋值0;
步骤6:分别导出步骤1中XCT图像Original_Image及步骤4中图像Histogram_ Image的侧视图Side_Image(图4)、俯视图Top_Image(图5)侧视图Side_Histogram_Image、俯视图Top_Histogram_Image,根据步骤1的孔隙阈值范围[0, 55]分别提取并记录侧视图Side_Image和俯视图Top_Image中的孔隙位置索引Side_Hole_Index和Top_Hole_Index;分别将此步骤中侧视图和俯视图的孔隙位置索引赋予光流结果中对应视图的RGB图像Side_ Histogram_Image、Top_Histogram_Image,并将这些位置赋值0;
步骤7:建立(X*T)张尺寸为M*N的空图像Motion_Image,其像素值均为0,根据T种运动方向纤维束的R/G/B三色通道值的特点,提取不同运动方向的纤维束,将第Q()张图像中第Z() 个运动方向的纤维束赋给新建立的空图像Motion_Image;
步骤8:对每张新图像Motion_Image中的全部像素区域进行标记,并统计每个区域包含的像素数量,对于图像中像素数量小于阈值80的区域进行剔除,这些区域为误分类像素区域,将其位置索引保存在数组中;
步骤9:其中,误分类像素区域被分为两类;
第一类是分布于各纤维束内部的,通过检测当前像素区域在同一张图像中周边像素的种类,从而确定正确类别;
第二类是周边无任何像素,通过分别检测此像素区域临近图像范围内的像素类别,从而确定正确类别;
步骤10:将步骤9分类完成后的T个不同运动方向的纤维束加和到一张图像中,再次分别先后导出材料的侧视图、俯视图,先后确定孔隙位置索引Side_Hole_Index和Top_ Hole_Index对应位置是否为孔隙,如果不是,则将其对应像素归类为孔隙并赋值为0;
步骤11:再次将步骤10中获得图像的不同运动方向的纤维束进行分离,并分别赋予(X*T)张尺寸为M*N的空图像。
步骤12:通过T个不同运动方向的纱线结合编织角25°和步骤3确定的纤维运动方向Motion_Direction_i,寻找当前图像中某一运动方向的最左侧纤维或最右侧纤维,并逐图像依次跟踪此方向上的纤维并标号。同时,时刻记录当前纤维束是否运动到图像的边缘,如果没有则继续跟踪下一张图像。反之,则从之前的基础上加1,重新从图像的左侧或者右侧进行跟踪,直至标记完成最后一张图像,运动方向的纤维束分类结果如图6;
步骤13:提取每束纤维束的重心,并依次连接每张图像中相同标号的纤维束重心并拟合纱线的空间走向函数,并将T个运动方向的空间走向函数整合到相同的坐标系下;
步骤14:通过计算每张图像中每束纤维截面尺寸,然后用椭圆/平行四边形表示T个运动方向纤维束的截面形状,如图7和图8,并沿着空间走向函数进行扫掠,建立完整的材料三维模型。如图9。
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 (6)
1.一种三维编织陶瓷基复合材料细观结构识别与重建方法,其特征是:包括以下步骤:
步骤1:通过XCT对三维编织复合材料进行扫描,获得X张尺寸为M*N的灰度图像Original_Image,材料编织角为Angle,纤维束运动方向的数量T;将这一系列图像当作是编织复合材料的正视图Front_Image;
步骤2:确定孔隙的阈值范围[0, Hole_Thresh],提取每张Front_Image图像中的孔隙,并记录孔隙位置索引Front_Hole_Index;
步骤3:将一系列的Front_Image图像转化为视频格式,计算T个运动方向的纤维束空间运动信息,并记录每束纤维的运动方向Motion_Direction_i, ,为正整数,并将视频格式转化为一系列连续的图像Optical_Image;
步骤4:对每张Optical_Image进行图像对比度增强,获得图像Histogram_Image;
步骤5:将步骤1中孔隙位置索引Front_Hole_Index赋予步骤4中对应的图像Histogram_Image,并将这些位置赋值0;
步骤6:分别导出步骤1中XCT图像Original_Image的侧视图Side_Image和俯视图Top_ Image以及步骤4中图像Histogram_Image的侧视图Side_Histogram_Image和俯视图Top_ Histogram_Image,根据步骤1的孔隙阈值范围[0, Hole_Thresh]分别提取并记录Side_ Image和Top_Image中的孔隙位置索引Side_Hole_Index和Top_Hole_Index;分别将Side_ Hole_Index和Top_Hole_Index赋予对应的Side_Histogram_Image和Top_Histogram_ Image,并将这些位置赋值0;
步骤7:建立X*T张尺寸为M*N的空图像Motion_Image,其像素值均为0,根据T种运动方向纤维束的R/G/B三色通道值的特点,提取不同运动方向的纤维束,将第Q张图像中第Z 个运动方向的纤维束赋给新建立的空图像Motion_Image,其中,;
步骤8:对每张新图像Motion_Image中的全部像素区域进行标记,并统计每个区域包含的像素数量,对于图像中像素数量小于阈值Thresh_Label_Area的区域进行剔除,这些区域为误分类像素区域,将其位置索引保存在数组中;
步骤9:其中,误分类像素区域被分为两类;
第一类是分布于各纤维束内部的,通过检测当前像素区域在同一张图像中周边像素的种类,从而确定正确类别;
第二类是周边无任何像素,通过分别检测此像素区域临近图像范围内的像素类别,从而确定正确类别;
步骤10:将步骤9分类完成后的T个不同运动方向的纤维束加和到一张图像中,再次分别先后导出材料的侧视图、俯视图,先后确定孔隙位置索引Side_Hole_Index和Top_Hole_ Index对应位置是否为孔隙,如果不是,则将其对应像素归类为孔隙并赋值为0;
步骤11:对每束纤维束进行标号,再次将步骤10中获得的图像的不同运动方向的纤维束进行分离,并分别赋予X*T张尺寸为M*N的空图像;
步骤12:通过T个不同运动方向的纱线结合编织角Angle和步骤3确定的纤维运动方向Motion_Direction_i,寻找当前图像中某一运动方向的最左侧纤维或最右侧纤维,并逐图像依次跟踪此方向上的纤维并标号,同时,时刻记录当前纤维束是否运动到图像的边缘,如果没有则继续跟踪下一张图像,反之,则从之前的基础上加1,重新从图像的左侧或者右侧进行跟踪,直至标记完成最后一张图像;
步骤13:提取每束纤维束的重心,并依次连接每张图像中相同标号的纤维束重心并拟合纱线的空间走向函数,并将T个运动方向的空间走向函数整合到相同的坐标系下;
步骤14:通过计算每张图像中每束纤维截面尺寸,然后用椭圆/平行四边形表示T个运动方向纤维束的截面形状,并沿着空间走向函数进行扫掠,建立完整的材料三维模型。
2.根据权利要求1所述的一种三维编织陶瓷基复合材料细观结构识别与重建方法,其特征是:步骤2中,通过最大类间方差法确定孔隙的阈值范围[0, Hole_Thresh]。
3.根据权利要求1所述的一种三维编织陶瓷基复合材料细观结构识别与重建方法,其特征是:步骤3中,将一系列的Front_Image图像转化为AVI或MP4视频格式。
4.根据权利要求1所述的一种三维编织陶瓷基复合材料细观结构识别与重建方法,其特征是:步骤3中,采用金字塔LK光流法计算T个运动方向的纤维束空间运动信息。
5.根据权利要求1所述的一种三维编织陶瓷基复合材料细观结构识别与重建方法,其特征是:步骤3中,将视频格式转化为一系列连续的RGB图像Optical_Image。
6.根据权利要求1所述的一种三维编织陶瓷基复合材料细观结构识别与重建方法,其特征是:步骤4中,采用直方图均衡化对每张Optical_Image进行图像对比度增强,获得图像Histogram_Image。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211384269.5A CN115824084A (zh) | 2022-11-07 | 2022-11-07 | 一种三维编织陶瓷基复合材料细观结构识别与重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211384269.5A CN115824084A (zh) | 2022-11-07 | 2022-11-07 | 一种三维编织陶瓷基复合材料细观结构识别与重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115824084A true CN115824084A (zh) | 2023-03-21 |
Family
ID=85526879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211384269.5A Pending CN115824084A (zh) | 2022-11-07 | 2022-11-07 | 一种三维编织陶瓷基复合材料细观结构识别与重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115824084A (zh) |
-
2022
- 2022-11-07 CN CN202211384269.5A patent/CN115824084A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062915B (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
Li et al. | An overlapping-free leaf segmentation method for plant point clouds | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN105574527B (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN109000557B (zh) | 一种核燃料棒位姿自动识别方法 | |
CN106683106B (zh) | 一种晶体像素查找表生成的方法 | |
CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
CN107392954B (zh) | 一种基于序列图像的粗大误差点剔除方法 | |
CN102020036A (zh) | 一种条烟外包装透明纸缺陷的视觉检测方法 | |
CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
Jiang et al. | Some further results of experimental comparison of range image segmentation algorithms | |
CN111382785A (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
CN110276814A (zh) | 一种基于拓扑特征的编织复合材料细观结构快速重构方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
CN111523535B (zh) | 基于机器视觉与深度学习的类圆对象识别计数检测算法 | |
Kumar et al. | High-throughput 3D modelling of plants for phenotypic analysis | |
CN113012105A (zh) | 基于图像处理的纱线毛羽检测评级方法 | |
CN114612318B (zh) | 基于文物ct图像轮廓线的三维建模方法、系统及设备 | |
CN115841477A (zh) | 多模视觉融合的无砟轨道结构隐性缺陷检测方法及系统 | |
Fuchs et al. | Self-supervised learning for pore detection in CT-scans of cast aluminum parts | |
CN115824084A (zh) | 一种三维编织陶瓷基复合材料细观结构识别与重建方法 | |
CN114627283B (zh) | 基于聚类去噪的感兴趣脑区纤维束提取系统及方法 | |
Liu et al. | Faster R-CNN based robust circulating tumor cells detection with improved sensitivity | |
CN115830323A (zh) | 一种碳纤维复合材料数据集的深度学习分割方法 |
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 |