CN118096579B - 一种3d打印点阵结构缺陷检测方法 - Google Patents
一种3d打印点阵结构缺陷检测方法 Download PDFInfo
- Publication number
- CN118096579B CN118096579B CN202410471558.1A CN202410471558A CN118096579B CN 118096579 B CN118096579 B CN 118096579B CN 202410471558 A CN202410471558 A CN 202410471558A CN 118096579 B CN118096579 B CN 118096579B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gray value
- pixel
- tomographic image
- filtering
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000010146 3D printing Methods 0.000 title claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 97
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 230000009467 reduction Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005495 investment casting Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种3D打印点阵结构缺陷检测方法,包括:获取3D打印点阵结构的断层图像;对断层图像进行阈值分割,获得高灰度值区域和低灰度值区域;获得断层图像受噪声干扰程度;构建每个像素点的滤波窗口,获得每个像素点的滤波扩张概率参数;获得每个像素点的滤波窗口内每个像素点的滤波计算权重;获得每个像素点的更新灰度值;根据每个像素点的更新灰度值对断层图像进行修改,获得断层图像的滤波后图像;将断层图像的滤波后图像输入到训练后的YOLO模型中,获得缺陷检测结果。本发明通过计算滤波窗口内每个像素点的滤波计算权重,提高了缺陷检测结果的准确率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种3D打印点阵结构缺陷检测方法。
背景技术
轻质点阵结构在承载、吸能、隔热、隔震等领域有广泛的应用前景,传统的制备方法如冲压成型、熔模铸造等对点阵结构的材料选择、杆件尺寸和构型选择有要求,制约了其进一步的工程应用。近年来,随着3D打印技术的快速发展,这一高效、灵活的技术开始被越来越多的应用于点阵结构的制备。但由于点阵结构相对精密,在制造过程中可能会出现部分制造缺陷,导致此类结构的力学性能与模拟结果出现明显偏差。因此,在3D打印点阵结构过程中,需要对结构的生产缺陷进行检测。现有检测方法主要通过深度学习方法对结构件图像进行缺陷检测,在检测预处理步骤,需要对点阵结构图像进行降噪处理,而现有技术通常通过预设滤波器的去噪参数对图像进行降噪处理。但是在实际采像过程中,图像受到采像设备电子噪声强度是无法预测的,通过预设参数的方式处理噪声难以应对各种噪声情况,可能会出现过度平滑或降噪效果不足等情况。另外,当构件出现黏连缺陷时,直接利用现有降噪方法对图像进行处理时,黏连缺陷部分内部像素点在滤波计算后可能出现被扩张的现象,导致错检的情况出现,降低缺陷检测准确率。
发明内容
本发明提供一种3D打印点阵结构缺陷检测方法,以解决现有的问题。
本发明的一种3D打印点阵结构缺陷检测方法采用如下技术方案:
本发明一个实施例提供了一种3D打印点阵结构缺陷检测方法,该方法包括以下步骤:
获取3D打印点阵结构的断层图像;
对断层图像进行阈值分割,获得高灰度值区域和低灰度值区域;根据高灰度值区域内像素点的梯度值、像素点之间的距离以及低灰度值区域内相同灰度值对应的像素点数量,得到断层图像受噪声干扰程度;
构建每个像素点的滤波窗口,根据断层图像的受噪声干扰的程度以及每个像素点的滤波窗口内像素点的位置,得到每个像素点的滤波扩张概率参数;
根据断层图像受噪声干扰程度、每个像素点的滤波扩张概率参数、每个像素点的滤波窗口内像素点之间的距离和像素点灰度值之间的差异,获得每个像素点的滤波窗口内每个像素点的滤波计算权重;
根据每个像素点的滤波窗口内像素点的滤波计算权重和灰度值,获得每个像素点的更新灰度值;根据每个像素点的更新灰度值对断层图像进行修改,获得断层图像的滤波后图像;
将断层图像的滤波后图像输入到训练后的YOLO模型中,获得缺陷检测结果。
进一步地,对断层图像进行阈值分割,获得高灰度值区域和低灰度值区域,包括的具体步骤如下:
使用大津阈值分割法对断层图像进行运算,得到断层图像的分割阈值,在断层图像中,令灰度值大于分割阈值的像素点的灰度值为1,令灰度值小于等于分割阈值的像素点的灰度值为0,得到断层图像的二值图像;对断层图像的二值图像进行形态学闭运算操作,得到断层图像的更新二值图像;
根据断层图像与更新二值图像中像素点的对应关系,将更新二值图像中所有灰度值为1的像素点对应在断层图像中的所有像素点构成的区域,记为断层图像中的高灰度值区域;将更新二值图像中所有灰度值为0的像素点对应在断层图像中的所有像素点构成的区域,记为断层图像中的低灰度值区域。
进一步地,根据高灰度值区域内像素点的梯度值、像素点之间的距离以及低灰度值区域内相同灰度值对应的像素点数量,得到断层图像受噪声干扰程度,包括的具体步骤如下:
通过算子对断层图像进行计算,获得断层图像中每个像素点的梯度值;
在高灰度值区域内,将连续相邻的所有像素点构成一个连通域,获得高灰度值区域内若干个连通域;
在低灰度值区域内,将相同灰度值记为一个灰度级,获得低灰度值区域内的若干个灰度级;
将低灰度值区域内的每个灰度级对应的像素点数量与低灰度值区域内所有像素点的数量的比值,记为低灰度值区域内的每个灰度级中像素点的分布概率;
根据高灰度值区域内连通域中像素点的梯度值、高灰度值区域内连通域中像素点的像素点之间的距离和低灰度值区域内的每个灰度级中像素点的分布概率,获得断层图像受噪声干扰程度。
进一步地,根据高灰度值区域内连通域中像素点的梯度值、高灰度值区域内连通域中像素点的像素点之间的距离和低灰度值区域内的每个灰度级中像素点的分布概率,获得断层图像受噪声干扰程度,对应的具体计算公式为:
其中,表示断层图像受噪声干扰程度,表示高灰度值区域内的连通域数量,表示高灰度值区域内第个连通域内的像素点数量,表示高灰度值区域内第个连通域内第个像素点距离第个连通域质心像素点的距离,表示高灰度值区域内第个连通域内距离质心像素点最远像素点与质心像素点的距离,表示高灰度值区域内第个连通域内第个像素点的梯度值,表示低灰度值区域内灰度级的数量,表示低灰度值区域内第个灰度级中像素点的分布概率;为线性归一化函数;表示以为底的对数函数。
进一步地,构建每个像素点的滤波窗口,包括的具体步骤如下:
对断层图像中任意一个像素点构建以像素点为中心,大小为的滤波窗口,为预设的滤波窗口边长。
进一步地,根据断层图像的受噪声干扰的程度以及每个像素点的滤波窗口内像素点的位置,得到每个像素点的滤波扩张概率参数,包括的具体步骤如下:
当第个像素点处于高灰度值区域,将第个像素点的滤波窗口内处于低灰度值区域的像素点,记为参考像素点;
当第个像素点处于低灰度值区域,将第个像素点的滤波窗口内处于高灰度值区域的像素点,记为参考像素点;
根据断层图像的受噪声干扰的程度、滤波窗口内的像素点数量和每个像素点与对应参考像素点的连线的斜率,获得每个像素点的滤波扩张概率参数。
进一步地,根据断层图像的受噪声干扰的程度、滤波窗口内的像素点数量和每个像素点与对应参考像素点的连线的斜率,获得每个像素点的滤波扩张概率参数,对应的具体计算公式为:
其中,表示第个像素点的滤波扩张概率参数,表示断层图像的受噪声干扰的程度,表示第个像素点的滤波窗口内部的参考像素点数量,表示第个像素点与第个像素点的滤波窗口内第个参考像素点的连线的斜率,为第个像素点与第个像素点的滤波窗口内所有参考像素点的连线的斜率的均值,表示第个像素点的滤波窗口内像素点数量,为双曲正切函数。
进一步地,根据断层图像受噪声干扰程度、每个像素点的滤波扩张概率参数、每个像素点的滤波窗口内像素点之间的距离和像素点灰度值之间的差异,获得每个像素点的滤波窗口内每个像素点的滤波计算权重,对应的具体计算公式为:
其中,表示高斯核标准差,表示断层图像受噪声干扰的程度,为预设的高斯滤波的标准差,表示第个像素点的滤波窗口内第个像素点的滤波计算权重,表示第个像素点的滤波扩张概率参数,表示第个像素点滤波窗口内第个像素点到滤波窗口内中心处的像素点的距离,表示第个像素点滤波窗口内第个像素点与滤波窗口内中心处的像素点灰度值的差值,为线性归一化函数,为以自然常数为底的指数函数,为圆周率。
进一步地,根据每个像素点的滤波窗口内像素点的滤波计算权重和灰度值,获得每个像素点的更新灰度值,包括的具体步骤如下:
计算每个像素点滤波窗口内每个像素点的滤波计算权重与灰度值的乘积,将每个像素点滤波窗口内所有像素点的滤波计算权重与灰度值的乘积的和值,记为每个像素点更新灰度值。
进一步地,根据每个像素点的更新灰度值对断层图像进行修改,获得断层图像的滤波后图像,包括的具体步骤如下:
将断层图像中每个像素点的灰度值替换为更新灰度值,得到断层图像的滤波后图像。
本发明的技术方案的有益效果是:
获取3D打印点阵结构的断层图像;对断层图像进行阈值分割,获得高灰度值区域和低灰度值区域;根据高灰度值区域内像素点的梯度值、像素点之间的距离以及低灰度值区域内相同灰度值对应的像素点数量,得到断层图像受噪声干扰程度;构建每个像素点的滤波窗口,根据断层图像的受噪声干扰的程度以及每个像素点的滤波窗口内像素点的位置,得到每个像素点的滤波扩张概率参数;根据断层图像受噪声干扰程度、每个像素点的滤波扩张概率参数、每个像素点的滤波窗口内像素点之间的距离和像素点灰度值之间的差异,获得每个像素点的滤波窗口内每个像素点的滤波计算权重,计算每个像素点的滤波窗口内每个像素点的滤波计算权重,是为了减少黏连缺陷在滤波过程中出现像素点扩张效应发生的概率,提高缺陷检测结果的准确率;根据每个像素点的滤波窗口内像素点的滤波计算权重和灰度值,获得每个像素点的更新灰度值;根据每个像素点的更新灰度值对断层图像进行修改,获得断层图像的滤波后图像;将断层图像的滤波后图像输入到训练后的YOLO模型中,获得缺陷检测结果。本发明通过分析像素点受扩张影响概率设计自适应降噪算法,减少黏连缺陷在滤波过程中出现像素点扩张效应发生的概率,提高了缺陷检测结果的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种3D打印点阵结构缺陷检测方法的步骤流程图;
图2为本实施例所提供的含噪构件的断层图像;
图3为本实施例所提供的大津阈值分割后得到的二值图像;
图4为本实施例所提供的滤波后图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种3D打印点阵结构缺陷检测方法的步骤流程图,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种3D打印点阵结构缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种3D打印点阵结构缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取3D打印点阵结构的断层图像。
需要说明的是,在对3D点阵结构进行缺陷检测时,为了探明构建内部打印结果是否符合设计质量需求,需要通过工业CT技术对目标构建进行检测。利用CT系统扫描点阵结构建,获取点阵结构的断层图像,其中CT系统扫描的断层图像为灰度图像,断层图像如图2所示。
步骤S002:对断层图像进行阈值分割,获得高灰度值区域和低灰度值区域;根据高灰度值区域内像素点的梯度值、像素点之间的距离以及低灰度值区域内相同灰度值对应的像素点数量,得到断层图像受噪声干扰程度。
需要说明的是,获取到的断层图像为构件胞元的横截面图像,图像中像素点的灰度值表示横截面部分区域对X射线穿透力影响的程度,其中对X射线的吸收程度较高的区域在CT图像中显示为白色部分,则在构件断层图像中,高灰度值区域为3D打印材料构件区域,低灰度值区域为点阵结构内部留白区域,且其灰度值差异通常较大。因此,对于不受噪声影响的构件CT图像来说,通过对图像进行二值分割操作能够将图像中表示构件区域的部分分割出来。而对于受噪声干扰的构件CT图像来说,二值图像中像素值为1的区域可能同样会受到噪声干扰,难以表示实际的构件部分。对构件断层图像设计智能降噪算法,首先需要对图像的噪声强度进行分析,并通过该噪声强度调整降噪算法,实现自适应降噪。
通过算子对断层图像进行计算,获得断层图像中每个像素点的梯度值。使用大津阈值分割法对断层图像进行运算,得到断层图像的分割阈值,在断层图像中,令灰度值大于分割阈值的像素点的灰度值为1,令灰度值小于等于分割阈值的像素点的灰度值为0,得到断层图像的二值图像,如图3所示。对断层图像的二值图像进行形态学闭运算操作,得到断层图像的更新二值图像。Sobel算子、大津阈值分割法和形态学闭运算为常见的公知算法,具体方法这里不再详细介绍。
根据断层图像与更新二值图像中像素点的对应关系,将更新二值图像中所有灰度值为1的像素点对应在断层图像中的所有像素点构成的区域,记为断层图像中的高灰度值区域;将更新二值图像中所有灰度值为0的像素点对应在断层图像中的所有像素点构成的区域,记为断层图像中的低灰度值区域。
在高灰度值区域内,将连续相邻的所有像素点构成一个连通域,获得高灰度值区域内若干个连通域。
在低灰度值区域内,将相同灰度值记为一个灰度级,获得低灰度值区域内的若干个灰度级;将低灰度值区域内的每一个灰度级对应的像素点数量与低灰度值区域内所有像素点的数量的比值,记为低灰度值区域内的该灰度级中像素点的分布概率。
根据上面获得的参数,可得当前断层图像受噪声干扰程度。
计算公式如下:
其中,表示断层图像受噪声干扰程度,表示高灰度值区域内的连通域数量,表示高灰度值区域内第个连通域内的像素点数量,表示高灰度值区域内第个连通域内第个像素点距离第个连通域质心像素点的距离,表示高灰度值区域内第个连通域内距离质心像素点最远像素点与质心像素点的距离,表示高灰度值区域内第个连通域内第个像素点的梯度值,表示低灰度值区域内灰度级的数量,表示低灰度值区域内第个灰度级中像素点的分布概率;为线性归一化函数;表示以为底的对数函数。
具体的,由于噪声随机的特性,对于相对规律的构件断层图像来说,其在图像上的灰度表现具备一定统计意义上的特征。断层图像的高灰度值区域主要由构件部分表现,在无噪声干扰的情况下,高灰度值区域内各连通域内部距离相近的像素点灰度值通常不会出现较大变化,即高灰度值区域内连通域内部的梯度值通常相对较低,而高灰度值区域内连通域内部外围像素点由于其与低灰度值区域的接触的概率较大,因此在对高灰度值区域像素点的梯度进行统计时,应该根据像素点所处位置设置权重。计算了高灰度值区域内第个连通域内所有像素点的梯度均值,根据上述分析,需要根据其所属的高灰度值区域内连通域的像素点位置对不同像素点计算梯度均值的过程设置权重,计算了第个像素点与高灰度值区域内连通域重心位置像素点的距离,并通过最大值将其归一化,修正逻辑关系后将其作为计算梯度均值的调整权重,然后对所有高灰度值区域连通域的梯度均值求均并通过归一化后,将其作为评估图像受噪声干扰程度的因素之一。
另外,断层图像的低灰度值区域主要由构件内部的留白部分表现,因此在无噪声干扰的情况下,该部分图像的灰度值较为相似,灰度级相对集中;而噪声干扰是随机的,在图像受到噪声干扰的情况时,低灰度值区域内灰度级相对分散,不确定性较高。计算了低灰度值区域内灰度级分布的信息熵,该值越大,则表示低灰度值区域内灰度级分布不确定性越大,则图像受噪声干扰的程度越强,然后利用信息熵最大值将其归一化后,作为另一个评估图像受噪声干扰程度的因素。最后对两灰度值区域的噪声干扰程度求均后,将其作为图像的噪声程度。
步骤S003:构建每个像素点的滤波窗口,根据断层图像的受噪声干扰的程度以及每个像素点的滤波窗口内像素点的位置,得到每个像素点的滤波扩张概率参数。
需要说明的是,在对实际图像进行降噪的过程中,需要结合断层图像大小设置滤波窗口大小,图像分辨率越高,滤波窗口大小应该越大。在本实施例中,预设的滤波窗口边长为7,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。设置滤波窗口大小为,对断层图像中每一个像素点都构建以该像素点为中心,大小为的滤波窗口;为了避免在黏连缺陷内部出现滤波后的扩张现象,需要对滤波过程进行进一步优化。
具体的,容易出现扩张现象的像素点主要为黏连缺陷内部低灰度值区域的像素点,在滤波计算过程中,该类像素点的滤波窗口内容易出现大量高灰度值区域的像素点,因此滤波计算后其灰度值可能会高于其实际灰度值所属范围。为了避免该现象导致的扩张效应,可以针对容易出现该效应的像素点设计独特的滤波算法,需要首先计算滤波扩张概率参数,以第个像素点的滤波窗口为例。
当第个像素点处于高灰度值区域,将第个像素点的滤波窗口内处于低灰度值区域的像素点,记为参考像素点。
当第个像素点处于低灰度值区域,将第个像素点的滤波窗口内处于高灰度值区域的像素点,记为参考像素点。
获取第个像素点与第个像素点的滤波窗口内第个参考像素点的连线的斜率。
由此可得第个像素点的滤波窗口的滤波扩张概率参数。
计算公式如下:
其中,表示第个像素点的滤波扩张概率参数,表示断层图像的受噪声干扰的程度,表示第个像素点的滤波窗口内部的参考像素点数量,表示第个像素点与第个像素点的滤波窗口内第个参考像素点的连线的斜率,为第个像素点与第个像素点的滤波窗口内所有参考像素点的连线的斜率的均值,表示第个像素点的滤波窗口内像素点数量,为双曲正切函数。
所需说明的是:当第个像素点的滤波窗口内像素点全处于高灰度值区域或全处于低灰度值区域时,令为0,后续不再进行分析该像素点。
具体的,当图像受到噪声干扰较小时,其他区域像素点数量越多,则在滤波计算过程中该像素点被扩张的概率越大。因此通过计算当前像素点在滤波窗口内所属灰度区间的像素点的数量占比,并通过该占比表示当噪声干扰程度较小时像素点的滤波扩张概率,因此将与其相乘后,作为某一像素点的滤波扩张概率参数的组成因子之一。计算了滤波窗口内每个灰度区间中所有的像素点与其参考像素点连线的斜率,当像素点处于易被滤波扩张情况下时,其滤波窗口内灰度区间不同的像素点通常一定夹角,而噪声像素点则可能被灰度区间不同的像素点所包围。因此,当前像素点滤波窗口内所属灰度区间不同的参考像素点与当前像素点连线的斜率方差越大,则在图像受噪声干扰较大的情况下,其滤波扩张概率较大,将与其相乘后,作为像素点的滤波扩张概率参数的组成因子之一。
步骤S004:根据断层图像受噪声干扰程度、每个像素点的滤波扩张概率参数、每个像素点的滤波窗口内像素点之间的距离和像素点灰度值之间的差异,获得每个像素点的滤波窗口内每个像素点的滤波计算权重。
所需说明的是,在断层图像生成过程中,噪声主要来源于CT设备,大部分噪声服从正态分布,因此,通过对高斯滤波计算过程进行调整,即可得到相对理想的滤波效果。在本实施例中,预设高斯滤波的标准差,本实施例以此为例,其它实施方式中可设置为其它值,本实施例不进行限定。在滤波窗口内可获得不同像素点的计算权重。
计算公式如下:
其中,表示高斯核标准差,表示断层图像受噪声干扰的程度,为预设的高斯滤波的标准差,表示第个像素点的滤波窗口内第个像素点的滤波计算权重,表示第个像素点的滤波扩张概率参数,表示第个像素点滤波窗口内第个像素点到滤波窗口内中心处的像素点的距离,表示第个像素点滤波窗口内第个像素点与滤波窗口内中心处的像素点灰度值的差值,为线性归一化函数,将数据值归一化至区间内,为以自然常数为底的指数函数,本实施例以来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数,为圆周率。
具体的,本次优化高斯滤波的核内标准差受到图像中噪声强度的影响,当图像噪声强度越大时,高斯核标准差越大,平滑效果越强。
另外,当第个像素点的扩张概率较小时,表示对第个像素点滤波窗口的计算权重侧重于关于空间距离的计算,即更符合传统高斯滤波的计算过程。根据上述分析,通过高斯滤波对CT设备产生的噪声进行滤波能够得到相对理想的计算结果,因此通过关于像素点距离的高斯分布函数作为第个滤波像素点扩张概率较小时的主要权重系数,并将其与相乘修正逻辑关系。当目标滤波像素点的扩张概率较大时,对第个像素点滤波窗口的计算权重侧重于关于灰度值差异的计算;通过关于第个像素点滤波窗口内第个像素点与第个像素点灰度值差异的高斯分布函数作为第个像素点扩张概率较大时的主要权重系数,并将其与滤波像素点的滤波扩张概率参数相乘后,与第个像素点扩张概率较小时的权重系数相加后,通过函数将其归一化,将其作为第个像素点滤波窗口内第个像素点的滤波窗口的滤波计算权重。
步骤S005:根据每个像素点的滤波窗口内像素点的滤波计算权重和灰度值,获得每个像素点的更新灰度值;根据每个像素点的更新灰度值对断层图像进行修改,获得断层图像的滤波后图像。
需要说明的是,根据每个像素点的滤波窗口内每个像素点的滤波计算权重和灰度值,可以获得断层图像中滤波计算后像素点灰度值。将获得的滤波计算后像素点灰度值应用到断层图像的相应位置上,完成滤波后的图像修改,获得滤波后的图像。
计算公式如下:
其中,表示第个像素点更新灰度值,表示第个像素点滤波窗口内第个像素点的滤波计算权重,表示第个像素点滤波窗口内第个像素点的灰度值,表示第个像素点的滤波窗口内像素点数量。
将断层图像中每个像素点的灰度值替换为更新灰度值,得到断层图像的滤波后图像。图4为断层图像的滤波后图像,相较于图2,图4中的噪声点明显减少。
所需说明的是:当任意一个像素点的滤波扩张概率参数为0时,令该任意一个像素点的灰度值为其更新灰度值。
步骤S006:将断层图像的滤波后图像输入到训练后的YOLO模型中,获得缺陷检测结果。
所需说明的是,获得滤波后的图像,通过已训练的YOLO模型对图像中的缺陷进行检测,并输出检测结果及缺陷类型。训练过程如下:利用大数据技术获取大量3D打印点阵结构断层缺陷图像对应的滤波处理后的图像,并对图像中的缺陷进行标注,将黏连缺陷区域标注为1,将正常区域标注为2,然后按照7:3的比例将其分为训练集和验证集,利用YOLO模型结构进行训练,损失函数为交叉熵函数,采用随机梯度下降法训练至损失函数收敛,完成训练并输入验证集验证,得到缺陷检测结果,此为公知技术,在此不再赘述。
至此,本发明完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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 (4)
1.一种3D打印点阵结构缺陷检测方法,其特征在于,该方法包括以下步骤:
获取3D打印点阵结构的断层图像;
对断层图像进行阈值分割,获得高灰度值区域和低灰度值区域;根据高灰度值区域内像素点的梯度值、像素点之间的距离以及低灰度值区域内相同灰度值对应的像素点数量,得到断层图像受噪声干扰程度;
构建每个像素点的滤波窗口,根据断层图像的受噪声干扰的程度以及每个像素点的滤波窗口内像素点的位置,得到每个像素点的滤波扩张概率参数;
根据断层图像受噪声干扰程度、每个像素点的滤波扩张概率参数、每个像素点的滤波窗口内像素点之间的距离和像素点灰度值之间的差异,获得每个像素点的滤波窗口内每个像素点的滤波计算权重;
根据每个像素点的滤波窗口内像素点的滤波计算权重和灰度值,获得每个像素点的更新灰度值;根据每个像素点的更新灰度值对断层图像进行修改,获得断层图像的滤波后图像;
将断层图像的滤波后图像输入到训练后的YOLO模型中,获得缺陷检测结果;
所述对断层图像进行阈值分割,获得高灰度值区域和低灰度值区域,包括的具体步骤如下:
使用大津阈值分割法对断层图像进行运算,得到断层图像的分割阈值,在断层图像中,令灰度值大于分割阈值的像素点的灰度值为1,令灰度值小于等于分割阈值的像素点的灰度值为0,得到断层图像的二值图像;对断层图像的二值图像进行形态学闭运算操作,得到断层图像的更新二值图像;
根据断层图像与更新二值图像中像素点的对应关系,将更新二值图像中所有灰度值为1的像素点对应在断层图像中的所有像素点构成的区域,记为断层图像中的高灰度值区域;将更新二值图像中所有灰度值为0的像素点对应在断层图像中的所有像素点构成的区域,记为断层图像中的低灰度值区域;
所述根据高灰度值区域内像素点的梯度值、像素点之间的距离以及低灰度值区域内相同灰度值对应的像素点数量,得到断层图像受噪声干扰程度,包括的具体步骤如下:
通过算子对断层图像进行计算,获得断层图像中每个像素点的梯度值;
在高灰度值区域内,将连续相邻的所有像素点构成一个连通域,获得高灰度值区域内若干个连通域;
在低灰度值区域内,将相同灰度值记为一个灰度级,获得低灰度值区域内的若干个灰度级;
将低灰度值区域内的每个灰度级对应的像素点数量与低灰度值区域内所有像素点的数量的比值,记为低灰度值区域内的每个灰度级中像素点的分布概率;
根据高灰度值区域内连通域中像素点的梯度值、高灰度值区域内连通域中像素点的像素点之间的距离和低灰度值区域内的每个灰度级中像素点的分布概率,获得断层图像受噪声干扰程度;
所述根据高灰度值区域内连通域中像素点的梯度值、高灰度值区域内连通域中像素点的像素点之间的距离和低灰度值区域内的每个灰度级中像素点的分布概率,获得断层图像受噪声干扰程度,对应的具体计算公式为:
其中,表示断层图像受噪声干扰程度,表示高灰度值区域内的连通域数量,表示高灰度值区域内第个连通域内的像素点数量,表示高灰度值区域内第个连通域内第个像素点距离第个连通域质心像素点的距离,表示高灰度值区域内第个连通域内距离质心像素点最远像素点与质心像素点的距离,表示高灰度值区域内第个连通域内第个像素点的梯度值,表示低灰度值区域内灰度级的数量,表示低灰度值区域内第个灰度级中像素点的分布概率;为线性归一化函数;表示以为底的对数函数;
所述根据断层图像的受噪声干扰的程度以及每个像素点的滤波窗口内像素点的位置,得到每个像素点的滤波扩张概率参数,包括的具体步骤如下:
当第个像素点处于高灰度值区域,将第个像素点的滤波窗口内处于低灰度值区域的像素点,记为参考像素点;
当第个像素点处于低灰度值区域,将第个像素点的滤波窗口内处于高灰度值区域的像素点,记为参考像素点;
根据断层图像的受噪声干扰的程度、滤波窗口内的像素点数量和每个像素点与对应参考像素点的连线的斜率,获得每个像素点的滤波扩张概率参数;
所述根据断层图像的受噪声干扰的程度、滤波窗口内的像素点数量和每个像素点与对应参考像素点的连线的斜率,获得每个像素点的滤波扩张概率参数,对应的具体计算公式为:
其中,表示第个像素点的滤波扩张概率参数,表示断层图像的受噪声干扰的程度,表示第个像素点的滤波窗口内部的参考像素点数量,表示第个像素点与第个像素点的滤波窗口内第个参考像素点的连线的斜率,为第个像素点与第个像素点的滤波窗口内所有参考像素点的连线的斜率的均值,表示第个像素点的滤波窗口内像素点数量,为双曲正切函数;
所述根据断层图像受噪声干扰程度、每个像素点的滤波扩张概率参数、每个像素点的滤波窗口内像素点之间的距离和像素点灰度值之间的差异,获得每个像素点的滤波窗口内每个像素点的滤波计算权重,对应的具体计算公式为:
其中,表示高斯核标准差,表示断层图像受噪声干扰的程度,为预设的高斯滤波的标准差,表示第个像素点的滤波窗口内第个像素点的滤波计算权重,表示第个像素点的滤波扩张概率参数,表示第个像素点滤波窗口内第个像素点到滤波窗口内中心处的像素点的距离,表示第个像素点滤波窗口内第个像素点与滤波窗口内中心处的像素点灰度值的差值,为线性归一化函数,为以自然常数为底的指数函数,为圆周率。
2.根据权利要求1所述一种3D打印点阵结构缺陷检测方法,其特征在于,所述构建每个像素点的滤波窗口,包括的具体步骤如下:
对断层图像中任意一个像素点构建以像素点为中心,大小为的滤波窗口,为预设的滤波窗口边长。
3.根据权利要求1所述一种3D打印点阵结构缺陷检测方法,其特征在于,所述根据每个像素点的滤波窗口内像素点的滤波计算权重和灰度值,获得每个像素点的更新灰度值,包括的具体步骤如下:
计算每个像素点滤波窗口内每个像素点的滤波计算权重与灰度值的乘积,将每个像素点滤波窗口内所有像素点的滤波计算权重与灰度值的乘积的和值,记为每个像素点更新灰度值。
4.根据权利要求1所述一种3D打印点阵结构缺陷检测方法,其特征在于,所述根据每个像素点的更新灰度值对断层图像进行修改,获得断层图像的滤波后图像,包括的具体步骤如下:
将断层图像中每个像素点的灰度值替换为更新灰度值,得到断层图像的滤波后图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410471558.1A CN118096579B (zh) | 2024-04-19 | 一种3d打印点阵结构缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410471558.1A CN118096579B (zh) | 2024-04-19 | 一种3d打印点阵结构缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118096579A CN118096579A (zh) | 2024-05-28 |
CN118096579B true CN118096579B (zh) | 2024-07-05 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116934763A (zh) * | 2023-09-19 | 2023-10-24 | 阿普塔恒煜(威海)医疗器材有限公司 | 一种基于视觉特征的医用橡胶胶塞缺陷检测方法 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116934763A (zh) * | 2023-09-19 | 2023-10-24 | 阿普塔恒煜(威海)医疗器材有限公司 | 一种基于视觉特征的医用橡胶胶塞缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN106991661B (zh) | 融合kl变换与灰色关联度的非局部均值去噪方法 | |
CN110555382A (zh) | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 | |
CN116452594B (zh) | 一种输电线路状态可视化监测预警方法及系统 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN104574417B (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN110766657A (zh) | 一种激光干扰图像质量评价方法 | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN118096579B (zh) | 一种3d打印点阵结构缺陷检测方法 | |
CN117557565A (zh) | 一种锂电池极片的检测方法及其装置 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN118096579A (zh) | 一种3d打印点阵结构缺陷检测方法 | |
CN111178111A (zh) | 二维码检测方法、电子设备、存储介质及系统 | |
CN115100068A (zh) | 一种红外图像校正方法 | |
CN113834447A (zh) | 一种户外复杂环境下高动态激光光条自适应成像处理方法 | |
CN107016663B (zh) | 一种基于改进l0梯度的织物沾水区域分割方法 | |
CN113496159A (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN118053209B (zh) | 一种用于虚拟现实的胸外科手术动作捕捉方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |