ES2964215T3 - Inspección de artículos mediante obtención de imágenes por radiación usando un enfoque de coincidencia de proyecciones iterativo - Google Patents

Abstract

Se presentan un método y sistema para la inspección de un artículo y su uso. El método comprende adquirir una pluralidad de imágenes de proyección de un artículo en una pluralidad de ángulos de proyección para realizar una reconstrucción tomográfica del artículo. En la reconstrucción tomográfica se detecta una pluralidad de objetos y cada objeto tiene una forma genérica descrita por un modelo numérico tridimensional paramétrico. Dicha detección comprende determinar estimaciones iniciales de posición y/u orientación de cada objeto y al menos un parámetro geométrico del modelo tridimensional para cada objeto. Las estimaciones iniciales se refinan iterativamente mediante el uso de un enfoque de coincidencia de proyección, en el que las imágenes de proyección frontal se simulan para los objetos de acuerdo con los parámetros operativos del dispositivo de imágenes de radiación y una métrica de diferencia entre las imágenes de proyección adquiridas y las imágenes de proyección frontal simuladas se reduce en cada paso de iteración. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Inspección de artículos mediante obtención de imágenes por radiación usando un enfoque de coincidencia de proyecciones iterativo

Campo de la invención

La invención se refiere al campo de ensayos no destructivos de un artículo, tal como un artículo fabricado, mediante obtención de imágenes por radiación. Más específicamente, se refiere a un método y a un sistema para inspecciones de artículos compuestos que comprenden una estructura de red de fibras mediante obtención de imágenes por radiación, por ejemplo mediante obtención de imágenes de terahercios u obtención de imágenes por radiación ionizante, tal como obtención de imágenes por rayos X. La invención se refiere además al uso de tal método o sistema para control de calidad, ensayos, metrología o selección.

Antecedentes de la invención

En los materiales textiles que comprenden fibras y polímeros reforzados con fibras, la orientación de las fibras individuales unas con respecto a otras tiene una gran influencia sobre las propiedades de producto finales, en particular la resistencia y rigidez del material textil o un material compuesto reforzado con fibras. Obtener las propiedades de producto deseadas resulta crítico para aspectos relacionados con la seguridad en aplicaciones de automóviles o aeronáuticas. Por tanto, una inspección de las fibras y su orientación, así como la detección de regiones de alineación incorrecta de fibras, es una etapa importante en la evaluación de la calidad de un procedimiento de fabricación tal como moldeo por inyección, en el que una orientación de fibras locales es susceptible de cambiar durante una fase de flujo y posterior fase de enfriamiento. Los métodos conocidos para inspeccionar fibras y su orientación se basan en inspección óptica mediante microscopía óptica. Estos métodos tienen la desventaja de ser destructivos y proporcionar únicamente información bidimensional sobre la orientación de fibras.

La segmentación de materiales que contienen fibra en una reconstrucción en 3D a partir de una exploración de tomografía computarizada por rayos X introduce con frecuencia numerosos artefactos durante el procedimiento de reconstrucción, por ejemplo artefactos que se deben a que muchas fibras se intersecan o están en contacto entre sí si el contenido en fibra es alto. Esto tiende a hacer que la segmentación de las fibras individuales sea un problema difícil y puede conducir a una rotura de fibras virtual, conexión de fibras falsa, fusión de múltiples fibras, etc., en las imágenes en 3D reconstruidas.

La publicación Brock Ret al:“Reconstruction of a cone-beam CT image via forward iterative projection matching”, MEDICAL PHYSICS (2010) da a conocer la coincidencia de proyecciones iterativa para una TC por rayos X en la que se irradia un fantoma con textura interna espacialmente variable para simular tejido con células cancerosas y después se comparan proyecciones con imágenes de proyección simuladas. A partir de los documentos US7251306, WO2016003957 y WO2016182550, se conocen ejemplos adicionales de reconstrucción de imágenes iterativa para TC basándose en simulación de imágenes de proyección directa y siguiendo un enfoque de coincidencia de proyecciones, en el que se minimiza una métrica de diferencia entre imágenes simuladas e imágenes reales. Las publicaciones “Pipeline zur dreidimensionalen Auswertung und Visualisierung der Faserverteilung in glasfaserverstarkten Kunststoffteilen aus -Rontgen-Computertomografiedaten” (DACH-Jahrestagung 2008) y “High resolution X-ray CT of fibre and particle filled polymers Introduction to X-ray computed tomography” (iCT Conference 2014) de Johann Kastneret al,dan a conocer TC por rayos X para determinar la longitud y orientación de fibras en materiales reforzados con fibras con el fin de encontrar defectos y desviaciones, en la que se comparan las mediciones de TC reales con datos de simulación.

Sumario de la invención

Un objetivo de realizaciones de la presente invención es proporcionar medios y métodos fiables no destructivos para la inspección de artículos.

El objetivo anterior se logra mediante un método y un dispositivo según la presente invención.

En un primer aspecto, la presente invención se refiere a un método para la inspección de un artículo. El método comprende las siguientes etapas:

adquirir una pluralidad de imágenes de proyección del artículo en una pluralidad de ángulos de proyección, usando un dispositivo de obtención de imágenes por radiación;

obtener una reconstrucción tomográfica basándose en la pluralidad de imágenes de proyección;

detectar una pluralidad de objetos, por ejemplo fibras, en la reconstrucción tomográfica, teniendo cada objeto una forma genérica descrita mediante un modelo numérico tridimensional paramétrico, en el que dicha detección comprende determinar estimaciones iniciales de posición y/u orientación de cada uno de dicha pluralidad de objetos y al menos un parámetro geométrico de dicho modelo tridimensional para cada uno de dicha pluralidad de objetos;

refinar de manera iterativa dichas estimaciones iniciales usando un enfoque de coincidencia de proyecciones, en el que dicho refinamiento comprende, en cada iteración, simular imágenes de proyección directa según parámetros de funcionamiento del dispositivo de obtención de imágenes por radiación a dicha pluralidad de ángulos de proyección para al menos uno de la pluralidad de objetos, y reducir una métrica de diferencia entre imágenes de proyección adquiridas e imágenes de proyección directa simuladas.

El método permite, pero no requiere, proyectar tan sólo parcialmente un objeto, por ejemplo una única fibra o un número limitado de fibras, al tiempo que se mantienen los otros objetos, por ejemplo fibras, fijos. Esta proyección parcial permite un enfoque más eficiente en el que sólo se refina un único objeto y sólo se somete a proyección directa una pequeña porción.

En un método según realizaciones del primer aspecto de la presente invención, dicho modelo numérico tridimensional puede ser un cilindro.

En un método según realizaciones del primer aspecto de la invención, dicha determinación de dichas estimaciones iniciales puede comprender determinar una posición central y una dirección de cada uno de dicha pluralidad de objetos y una longitud y/o un radio de cada uno de dicha pluralidad de objetos.

En un método según realizaciones del primer aspecto de la invención, dichos objetos pueden modelizarse numéricamente como fibras.

En un método según realizaciones del primer aspecto de la invención, dicho artículo puede ser un material compuesto reforzado con fibras en el que dichas fibras están incorporadas en una sustancia de matriz, tal como una matriz de polímero o resina.

En un método según realizaciones del primer aspecto de la invención, dicha adquisición de la pluralidad de imágenes de proyección puede comprender realizar una (micro)exploración de tomografía computarizada del artículo.

Una ventaja de un método según realizaciones de la presente invención es que puede usar menos imágenes de proyección que un método convencional. Por ejemplo, en un método según realizaciones del primer aspecto de la invención, la pluralidad de imágenes de proyección puede consistir en un número de imágenes de proyección, en el que el número se encuentra en el intervalo de 5 a 1000, preferiblemente en el intervalo de 10 a 200.

En un método según realizaciones del primer aspecto de la invención, dicha etapa de reconstrucción puede comprender realizar una técnica de reconstrucción tomográfica algebraica.

En un método según realizaciones del primer aspecto de la invención, dicha técnica de reconstrucción tomográfica algebraica puede comprender una técnica de reconstrucción iterativa simultánea.

En un método según realizaciones del primer aspecto de la invención, dicha detección puede comprender segmentar dichos objetos a partir de un fondo de imagen en dicha reconstrucción tomográfica.

En un método según realizaciones del primer aspecto de la invención, dicha segmentación puede comprender una coincidencia de plantilla de la reconstrucción tomográfica con una plantilla para dicho modelo numérico para obtener una imagen resultante de dicha coincidencia de plantilla. Alternativamente, esto puede obtenerse mediante un método de aprendizaje automático, en el que se aplica la reconstrucción tomográfica como entrada a un algoritmo de aprendizaje automático entrenado con modelos de formas de objeto.

En un método según realizaciones del primer aspecto de la invención, la coincidencia de plantilla puede comprender calcular una correlación cruzada normalizada de la reconstrucción tomográfica para dicha plantilla.

En un método según realizaciones del primer aspecto de la invención, dicha plantilla puede comprender una plantilla gaussiana tridimensional isotrópica.

En un método según realizaciones del primer aspecto de la invención, dicha detección puede comprender además aplicar umbrales a dicha imagen resultante de tal manera que valores de vóxel en la imagen resultante por debajo de un umbral predeterminado se establecen a un nivel de fondo de referencia, por ejemplo a cero.

En un método según realizaciones del primer aspecto de la invención, dicho umbral predeterminado puede ser una razón predeterminada de la intensidad máxima en dicha imagen resultante.

En un método según realizaciones del primer aspecto de la invención, dicha detección puede comprender determinar máximos locales en dicha imagen resultante.

En un método según realizaciones del primer aspecto de la invención, dichos máximos locales pueden detectarse en una vecindad, por ejemplo una vecindad de 26, alrededor de cada vóxel de dicha imagen resultante.

En un método según realizaciones del primer aspecto de la invención, dicha detección puede comprender seleccionar los máximos locales por encima de un valor predeterminado indicativo de un valor de atenuación previsto de dichos objetos como objetos detectados, y asociar la posición de dichos máximos locales seleccionados con dicha estimación inicial determinada de posición para cada uno de dichos objetos detectados.

En un método según realizaciones del primer aspecto de la invención, asociar dicha posición puede comprender calcular un centro de masas de la imagen resultante en una vecindad, por ejemplo una vecindad de 26, alrededor de dicho máximo local detectado.

En un método según realizaciones del primer aspecto de la invención, dicha detección puede comprender determinar dicha estimación inicial de dicha posición de cada uno de dichos objetos y posteriormente detectar dicha orientación de cada uno de dichos objetos teniendo en cuenta la estimación inicial determinada de dicha posición.

En un método según realizaciones del primer aspecto de la invención, dicha detección de dicha orientación puede comprender realizar una transformada de Hough.

En un método según realizaciones del primer aspecto de la invención, dicha transformada de Hough puede comprender un algoritmo de transformada de Hough iterativo para segmentos de línea tridimensionales.

En un método según realizaciones del primer aspecto de la invención, dicha detección puede comprender determinar una estimación inicial de la longitud de cada uno de dichos objetos después de determinar dicha estimación inicial de dicha orientación.

En un método según realizaciones del primer aspecto de la invención, dicha determinación de dicha estimación inicial de dicha longitud puede comprender una detección de borde en un perfil de línea en dicha imagen resultante en dicha estimación inicial de dicha posición en la dirección correspondiente a dicha estimación inicial de dicha orientación.

Un método según realizaciones del primer aspecto de la invención puede comprender aplicar un filtro de mediana a dicho perfil de línea y/o suavizar dicho perfil de línea usando un filtro gaussiano. Un método según realizaciones del primer aspecto de la invención puede comprender determinar puntos de inflexión en cualquier extremo de dicho perfil de línea.

En un método según realizaciones del primer aspecto de la invención, dicha determinación de dichos puntos de inflexión puede comprender una interpolación de B-spline (línea polinómica suave básica) y calcular las raíces de la 2a derivada espacial para la que se encuentra la mayor pendiente en la 1a derivada espacial.

En un método según realizaciones del primer aspecto de la invención, determinar dichos puntos de inflexión puede comprender determinar puntos de inflexión candidatos y rechazar puntos de inflexión candidatos para los que la pendiente está por debajo de un umbral predeterminado.

En un método según realizaciones del primer aspecto de la invención, dicho umbral predeterminado puede ser un valor predeterminado entre un valor de atenuación previsto de un material de fondo en dicho artículo y un valor de atenuación previsto de dichos objetos.

En un método según realizaciones del primer aspecto de la invención, dicho refinamiento de dichas estimaciones iniciales mediante iteración puede comprender una optimización numérica de parámetros que comprenden dicha posición y/u orientación de cada uno de dicha pluralidad de objetos y dicho al menos un parámetro geométrico para cada uno de dicha pluralidad de objetos usando dicha estimación inicial como parámetros de inicialización para dicha optimización.

En un método según realizaciones del primer aspecto de la invención, dicha optimización numérica puede ser una minimización numérica de una métrica de diferencia o discrepancia, tal como una diferencia de mínimos cuadrados, entre la pluralidad de imágenes de proyección y las imágenes de proyección directa simuladas correspondientes de la pluralidad de objetos detectados en un volumen de imagen tridimensional.

Un método según realizaciones del primer aspecto de la invención puede comprender emitir dicho volumen de imagen tridimensional simulado usado en una iteración final de dicha optimización numérica.

En un método según realizaciones del primer aspecto de la invención, la imagen tridimensional simulada puede generarse muestreando dicho modelo numérico tridimensional para cada uno de dicha pluralidad de objetos usando dichos parámetros.

En un método según realizaciones del primer aspecto de la invención, dicha optimización puede optimizar los parámetros para uno de dichos objetos en cada iteración o en un bloque de iteraciones de dicha optimización, al tiempo que se mantienen los parámetros para los otros objetos de dichos objetos fijos.

En un método según realizaciones del primer aspecto de la invención, dicha optimización puede realizar un ciclo múltiples veces por todos los objetos que están optimizándose individualmente.

En un método según realizaciones del primer aspecto de la invención, dicha optimización puede ser una minimización de mínimos cuadrados, y en el que dichos parámetros se optimizan usando un enfoque de descenso en gradiente usando diferencias finitas.

En un método según realizaciones del primer aspecto de la invención, dichas diferencias finitas de cada uno de dichos parámetros que pueden optimizarse en la iteración actual de dicha optimización se hacen variar en más y menos una longitud de etapa de diferencia finita.

En un método según realizaciones del primer aspecto de la invención, dicha longitud de etapa de diferencia finita puede reducirse en un valor absoluto si la métrica de diferencia o discrepancia no disminuyó en una iteración anterior con respecto a la iteración antes de dicha iteración anterior.

Un método según realizaciones del primer aspecto de la invención puede comprender emitir una lista de parámetros de dicha pluralidad de objetos, en el que dichos parámetros comprenden dichas estimaciones refinadas de posición y/u orientación de cada uno de dicha pluralidad de objetos y al menos un parámetro geométrico de dicho modelo tridimensional para cada uno de dicha pluralidad de objetos.

En un segundo aspecto, la invención se refiere a un sistema que comprende un dispositivo de obtención de imágenes por radiación y un procesador, en el que dicho dispositivo de obtención de imágenes por radiación está adaptado para adquirir dicha pluralidad de imágenes de proyección de dicho artículo en una pluralidad de ángulos de proyección en un método según cualquiera de las reivindicaciones anteriores, y en el que dicho procesador está adaptado para realizar las etapas restantes de dicho método según cualquiera de las reivindicaciones anteriores teniendo en cuenta parámetros de funcionamiento del dispositivo de obtención de imágenes por radiación.

En un tercer aspecto, la invención se refiere a un uso de un método o sistema según realizaciones del primer o segundo aspecto de la presente invención para control de calidad, ensayos, clasificación, selección, metrología y/u ordenación de cada artículo de una pluralidad de artículos en un entorno de fabricación o manipulación para fabricar o manipular la pluralidad de artículos.

Un uso según realizaciones del tercer aspecto de la invención puede ser un uso en la inspección dentro de la línea, en la línea, en línea o fuera de línea del artículo en un procedimiento industrial. Por ejemplo, dentro de la línea puede referirse a una evaluación directa de un artículo en una línea industrial, por ejemplo en una cinta transportadora o mecanismo similar para procesar artículos en un flujo, en línea puede referirse a los ensayos, por ejemplo, de una muestra de los artículos, desviando los artículos de este grupo de muestra desde una línea industrial primaria hasta una línea secundaria para el ensayo de los artículos, por ejemplo que tiene un rendimiento inferior adecuado para la subpoblación muestreada tomada a partir de los artículos en la línea primeria, en la línea y offline pueden referirse a la extracción de una muestra a partir de la línea primaria para ensayos, sin requerir un procesamiento de las muestras extraídas en una línea automatizada. Una distinción entre ensayos en la línea y fuera de línea puede residir en si la muestra se somete a ensayo en el contexto industrial de la línea, por ejemplo en la misma instalación, o, para el segundo caso, en una instalación dedicada, por ejemplo un laboratorio.

En un cuarto aspecto, la invención se refiere a un producto de programa informático para implementar, cuando se ejecuta en un procesador, un método según cualquiera de las reivindicaciones 1 a 19 cuando se le proporciona dicha pluralidad de imágenes de proyección adquiridas y parámetros de funcionamiento del dispositivo de obtención de imágenes por radiación como entrada.

Una ventaja de realizaciones de la invención es que el método de inspección es no destructivo.

Una ventaja de realizaciones de la invención es que el método de inspección puede realizarse dentro de la línea o en la línea en un procedimiento industrial. Los sistemas de inspección existentes para control de calidad, clasificación, selección y/o metrología pueden mejorarse o beneficiarse de una actualización para realizar un método según realizaciones de la invención.

Una ventaja de realizaciones de la invención es que pueden usarse técnicas de obtención de imágenes por rayos X para resolver fibras individuales. Realizaciones de la invención tienen la ventaja adicional de proporcionar información sobre resistencia de fibras local en cuanto a dirección y/u orientación.

Una ventaja de realizaciones de la invención es que se reduce el número de imágenes de proyección/vistas requeridas para la reconstrucción tomográfica incorporando un amplio conocimiento previo en un enfoque de reconstrucción iterativo. El amplio conocimiento previo puede incorporarse proporcionando modelos tridimensionales numéricos fáciles de parametrizar, tales como esferas o cilindros, para la pluralidad de objetos, lo cual ventajosamente acelera el método de inspección.

Una ventaja de realizaciones de la invención es que pueden reducirse en gran medida los artefactos de reconstrucción, dando como resultado resultados de inspección más fiables.

Una ventaja de realizaciones de la invención es que la calidad de un objeto puede controlarse y/o seleccionarse basándose en una detección, cuantificación y/o clasificación de defectos o deficiencias de este objeto, por ejemplo de defectos internos o deficiencias internas.

Una ventaja es que puede aplicarse un método o sistema según realizaciones de la invención para identificar una amplia variedad de objetos, proporcionando un modelo en 3D del objeto de interés como conocimiento previo.

Una ventaja adicional de realizaciones de la presente invención es que puede lograrse una alta velocidad de rendimiento, por ejemplo debido a las relativamente pocas vistas de proyección necesarias para realizar una reconstrucción tomográfica en métodos de inspección según la realización de la invención. Aún una ventaja adicional es que aplicaciones dentro de la línea, tales como control de calidad automatizado y/o selección de objetos que se transportan dentro de la línea en un sistema de transporte, son viables debido a las altas velocidades de rendimiento que pueden lograrse.

Con el fin de resumir la invención y las ventajas obtenidas con respecto a la técnica anterior, anteriormente en el presente documento se han descrito algunos objetos y ventajas de la invención. Evidentemente, debe entenderse que no necesariamente la totalidad de tales objetos o ventajas pueden lograrse según cualquier realización particular de la invención. Por tanto, por ejemplo, los expertos en la técnica reconocerán que la invención puede implementarse o llevarse a cabo de una manera que logre u optimice una ventaja o grupo de ventajas tal como se enseña en el presente documento sin lograr necesariamente otros objetos o ventajas tal como puede enseñarse o sugerirse en el presente documento.

En las reivindicaciones dependientes e independientes adjuntas se exponen aspectos particulares y preferidos de la invención. Características de las reivindicaciones dependientes pueden combinarse con características de las reivindicaciones independientes y con características de otras reivindicaciones dependientes según sea apropiado y no simplemente tal como se expone explícitamente en las reivindicaciones.

Estos y otros aspectos de la invención resultarán evidentes a partir de, y se esclarecerán con referencia a, la(s) realización/realizaciones descrita(s) a continuación en el presente documento.

Breve descripción de los dibujos

La figura 1 muestra un diagrama de flujo de una detección de fibra y optimización de parámetros, en un ejemplo que ilustra realizaciones de la presente invención.

La figura 2 muestra el resultado de correlación en el volumen reconstruido de un fantoma de muestra que contiene fibras con una plantilla gaussiana según una realización de la presente invención.

La figura 3 muestra un perfil de línea tal como se usa en etapas en un ejemplo que ilustra realizaciones de la presente invención.

La figura 4 muestra errores de proyección normalizados de fibras a lo largo de un número de iteraciones, en un procedimiento iterativo a modo de ejemplo referente a realizaciones de la presente invención.

La figura 5 y la figura 6 muestran un corte central de dos fantomas generados aleatoriamente y el mismo corte de una reconstrucción de ese fantoma a partir de proyecciones simuladas, en un ejemplo que ilustra realizaciones de la presente invención.

La figura 7 ilustra una representación de la validación en terreno del segundo fantoma sintético, en un ejemplo que ilustra realizaciones de la presente invención.

La figura 8, la figura 9 y la figura 10 muestran respectivamente un error de longitud, un error de dirección y errores de posición de centroide de una estimación de parámetros de fibra, en un ejemplo que ilustra realizaciones de la presente invención.

La figura 11, la figura 12 y la figura 13 muestran respectivamente los errores de longitud, de dirección y de posición en función de una desviación estándar de ruido aditivo añadido a los datos de proyección, en un ejemplo que ilustra realizaciones de la presente invención.

La figura 14 ilustra un sistema de inspección tal como puede usarse en realizaciones de la presente invención.

Los dibujos sólo son esquemáticos y no son limitativos. En los dibujos, el tamaño de algunos de los elementos puede estar exagerado y no estar dibujado a escala con fines ilustrativos.

Ningún signo de referencia en las reivindicaciones debe interpretarse como limitativo del alcance.

En los diferentes dibujos, los mismos signos de referencia se refieren a elementos iguales o análogos.

Descripción detallada de realizaciones ilustrativas

La presente invención se describirá con respecto a realizaciones particulares y con referencia a determinados dibujos, pero la invención no se limita a las mismas sino tan sólo por las reivindicaciones. Los dibujos descritos son únicamente esquemáticos y no son limitativos. En los dibujos, el tamaño de algunos de los elementos puede estar exagerado y no estar dibujado a escala con fines ilustrativos. Las dimensiones y las dimensiones relativas no corresponden a puestas en práctica reales de la invención.

Debe apreciarse que el término “que comprende”, usado en las reivindicaciones, no debe interpretarse como restringido a los medios indicados a continuación; no excluye otros elementos o etapas. Por tanto, debe interpretarse que especifica la presencia de las características, números enteros, etapas o componentes mencionados a los que se hace referencia, pero no excluye la presencia o adición de una o más de otras características, números enteros, etapas o componentes, o grupos de los mismos. Por tanto, el alcance de la expresión “un dispositivo que comprende medios A y B” no debe limitarse a dispositivos que consisten únicamente en componentes A y B. Significa que, con respecto a la presente invención, los únicos componentes relevantes del dispositivo son A y B.

La referencia a lo largo de esta memoria descriptiva a “una realización” o “la realización” significa que un rasgo, estructura o característica particular descrito en relación con la realización se incluye en al menos una realización de la presente invención. Por tanto, las apariciones de las expresiones “en una realización” o “en la realización” en diversos lugares a lo largo de esta memoria descriptiva no se refieren necesariamente todas ellas a la misma realización, pero puede ser así. Además, los rasgos, estructures o características particulares pueden combinarse de cualquier manera adecuada, tal como resultará evidente para un experto habitual en la técnica a partir de esta divulgación, en una o más realizaciones.

De manera similar, debe apreciarse que, en la descripción de realizaciones a modo de ejemplo de la invención, diversas características de la invención se agrupan algunas veces entre sí en una única realización, figura o descripción de la misma con el fin de optimizar la divulgación y ayudar a entender uno o más de los diversos aspectos inventivos. Sin embargo, no debe interpretarse que este método de divulgación refleje una intención de que la invención reivindicada requiera más características que las expresamente mencionadas en cada reivindicación. En vez de eso, tal como se refleja en las siguientes reivindicaciones, los aspectos inventivos se encuentran en menos que la totalidad de las características de una única realización divulgada anteriormente. Por tanto, las reivindicaciones que siguen a la descripción detallada se incorporan expresamente por el presente documento en esta descripción detallada, siendo cada reivindicación válida por sí misma como una realización independiente de esta invención.

Además, aunque algunas realizaciones descritas en el presente documento incluyen algunas pero no otras características incluidas en otras realizaciones, se pretende que combinaciones de características de diferentes realizaciones se encuentren dentro del alcance de la invención, y formen diferente realizaciones, tal como entenderán los expertos en la técnica. Por ejemplo, en las siguientes reivindicaciones, cualquiera de las realizaciones reivindicadas puede usarse en cualquier combinación.

En la descripción proporcionada en el presente documento, se exponen numerosos detalles específicos. Sin embargo, se entiende que pueden ponerse en práctica realizaciones de la invención sin estos detalles específicos. En otros casos, no se han mostrado en detalle métodos, estructuras y técnicas bien conocidos con el fin de no complicar una comprensión de esta descripción.

En un primer aspecto, la presente invención se refiere a un método, por ejemplo un método implementado por ordenador, para la inspección de un artículo. El método comprende adquirir una pluralidad de imágenes de proyección del artículo en una pluralidad de ángulos de proyección usando obtención de imágenes por radiación, por ejemplo obtención de imágenes por radiación de terahercios y/u obtención de imágenes por radiación ionizante, por ejemplo obtención de imágenes por rayos X, reconstruir las imágenes de proyección adquiridas para obtener una reconstrucción tomográfica, y detectar una pluralidad de objetos en la reconstrucción tomográfica, en el que cada uno de la pluralidad de objetos tiene una forma genérica descrita mediante un modelo numérico tridimensional paramétrico. Por ejemplo, la pluralidad de objetos pueden tener una misma forma genérica definida mediante un modelo numérico tridimensional paramétrico, por ejemplo en el que al menos parte de la geometría definida mediante el modelo depende de un(os) parámetro(s) variable(s). Por ejemplo, una forma genérica puede referirse a un límite esférico de una esfera de modelo macizo o a un límite de un poliedro de modelo macizo, siendo el radio de la esfera y la dimensión de escala del poliedro, respectivamente, parámetros definidos mediante el modelo macizo numérico tridimensional paramétrico. Un modelo macizo define un volumen interior, que puede definirse de manera implícita por su límite exterior, y pueden asignarse parámetros de material a puntos del volumen interior, incluyendo por ejemplo parámetros de material indicativos de la interacción radiación-materia tal como coeficiente de absorción lineal, número Z atómico, densidad (de electrones), etc. Esta detección comprende determinar estimaciones iniciales de posición y/u orientación de cada uno de la pluralidad de objetos y al menos un parámetro geométrico del modelo tridimensional para cada uno de la pluralidad de objetos. El método también comprende refinar las estimaciones iniciales usando un enfoque de coincidencia de proyecciones. Sin embargo, tal como resultará evidente para el experto, un método según realizaciones también puede referirse a la detección de una pluralidad de objetos que tienen diferentes formas genéricas, por ejemplo descritas mediante una pluralidad de clases de objeto, definiéndose cada clase de objeto mediante un modelo tridimensional correspondiente, por ejemplo un modelo tridimensional paramétrico diferente, y refinar, para cada objeto detectado, las estimaciones iniciales de posición y/u orientación y al menos un parámetro geométrico del modelo tridimensional correspondiente a la clase de ese objeto. Las etapas de detección y refinamiento pueden realizarse o bien de manera consecutiva o bien de manera simultánea para la pluralidad de clases de objeto.

El método comprende adquirir una pluralidad de imágenes de proyección del artículo inspeccionado en una pluralidad de ángulos de proyección diferentes, usando obtención de imágenes por radiación. Adquirir la pluralidad de imágenes de proyección puede comprender usar obtención de imágenes por radiación ionizante u obtención de imágenes de terahercios, por ejemplo obtención de imágenes por rayos X, tal como realizar una microexploración de tomografía computarizada del artículo. La pluralidad de imágenes de proyección puede consistir en un número de imágenes de proyección en el intervalo de 5 a 1000, preferiblemente en el intervalo de 10 a 200, por ejemplo en el intervalo de 10 a 100, por ejemplo en el intervalo de 10 a 50, por ejemplo en el intervalo de 10 a 30.

El método comprende reconstruir las imágenes de proyección adquiridas para obtener una imagen volumétrica de reconstrucción tomográfica del artículo. Esta etapa de reconstrucción puede comprender realizar una técnica de reconstrucción tomográfica algebraica (ART), tal como una técnica de reconstrucción iterativa simultánea (SIRT).

El método comprende detectar una pluralidad de objetos en la reconstrucción tomográfica, en el que la pluralidad de objetos tiene una forma genérica descrita mediante un modelo numérico tridimensional. Por ejemplo, el modelo numérico tridimensional puede ser un cilindro, una esfera, un cubo, un cuboide, un ovoide o un sólido platónico.

En una realización a modo de ejemplo, los objetos pueden ser fibras. Por ejemplo, el artículo puede ser un material compuesto reforzado con fibras en el que las fibras están incorporadas en una sustancia de matriz, tal como una matriz de polímero o resina. El modelo numérico usado para tal fibra puede ser un cilindro, por ejemplo que tiene un parámetro de longitud y/o radio variable. Para fibras de alta relación de aspecto, el modelo numérico puede tener en cuenta una curvatura de la fibra, por ejemplo puede comprender un cilindro curvado. Alternativamente, puede usarse una pluralidad de cilindros rígidos haciendo tope como modelo numérico para la fibra. Por ejemplo, pueden modelizarse individualmente segmentos de una única fibra como cilindros rígidos y pueden combinarse los resultados para proporcionar estimaciones finales de la longitud total de cada fibra. Además, el modelo puede adaptarse para tener en cuenta un material compuesto estructurado, por ejemplo para aproximarse a tejido en fibras de carbono.

En otras realizaciones, los objetos pueden referirse a puntales o poros de una estructura de red porosa, tal como material metálico trabecular para dispositivos ortopédicos o sensores porosos de gases químicos.

La etapa de detección comprende determinar estimaciones iniciales de posición y/u orientación de cada uno de la pluralidad de objetos y al menos un parámetro geométrico del modelo tridimensional para cada uno de la pluralidad de objetos.

La etapa de detección puede comprender segmentar los objetos a partir de un fondo de imagen en la reconstrucción tomográfica. Por ejemplo, esta segmentación puede comprender una coincidencia de plantilla de la reconstrucción tomográfica con una plantilla para el modelo numérico para obtener una imagen volumétrica resultante de la coincidencia de plantilla. La coincidencia de plantilla puede comprender calcular una correlación cruzada normalizada de la reconstrucción tomográfica para dicha plantilla. Por ejemplo, la plantilla puede comprender o consistir en una plantilla gaussiana tridimensional isotrópica.

Determinar las estimaciones iniciales puede comprender determinar una posición central y una dirección de cada uno de dicha pluralidad de objetos y una longitud y/o un radio de cada uno de dicha pluralidad de objetos.

La etapa de detección puede comprender aplicar umbrales a la imagen resultante de la coincidencia de plantilla, de tal manera que valores de vóxel en la imagen resultante por debajo de un umbral predeterminado se establecen a un nivel de fondo de referencia, por ejemplo a cero. El umbral predeterminado puede ser una razón predeterminada de la intensidad máxima en la imagen resultante. La etapa de detección puede comprender además determinar máximos locales en la imagen resultante, por ejemplo después de la operación de aplicación de umbrales. Por ejemplo, pueden detectarse máximos locales en una vecindad, por ejemplo una vecindad de 26, alrededor de cada vóxel de la imagen resultante. Los máximos locales por encima de un predeterminado pueden seleccionarse como objetos detectados, en los que el valor predeterminado es indicativo de un valor de atenuación previsto de los objetos. La posición de los máximos locales seleccionados puede asociarse con la posición determinada para cada uno de los objetos detectados. Asociar la posición con los objetos detectados puede comprender calcular un centro de masas de la imagen resultante en una vecindad, por ejemplo una vecindad de 26, alrededor de cada máximo local detectado.

Después de determinar la estimación inicial de la posición de cada uno de los objetos, la etapa de detección puede comprender detectar posteriormente la orientación de cada uno de los objetos teniendo en cuenta la estimación inicial determinada de la posición, por ejemplo buscando una orientación adecuada del objeto alrededor de la estimación inicial determinada de la posición.

Detectar la orientación puede comprender realizar una transformada de Hough. La transformada de Hough puede comprender un algoritmo de transformada de Hough iterativo para segmentos de línea tridimensionales.

La etapa de detección puede comprender determinar una estimación inicial de la longitud de cada uno de los objetos después de determinar la estimación inicial de su orientación.

Determinar la estimación inicial de la longitud puede comprender una detección de borde en un perfil de línea en la imagen resultante en la estimación inicial de la posición en la dirección correspondiente a la estimación inicial de la orientación.

Determinar la estimación inicial de la longitud puede comprender aplicar un filtro de mediana al perfil de línea y/o suavizar el perfil de línea usando un filtro gaussiano.

Determinar la estimación inicial de la longitud puede comprender determinar puntos de inflexión en cualquier extremo del perfil de línea.

Determinar los puntos de inflexión puede comprender una interpolación de B-spline y calcular las raíces de la 2a derivada espacial para la que se encuentra la mayor pendiente en la ia derivada espacial.

Determinar los puntos de inflexión puede comprender determinar puntos de inflexión candidatos y rechazar puntos de inflexión candidatos para los que la pendiente está por debajo de un umbral predeterminado.

El método también comprende refinar las estimaciones iniciales usando un enfoque de coincidencia de proyecciones.

Refinar las estimaciones iniciales puede comprender una optimización numérica de parámetros, en la que estos parámetros comprenden la posición y/u orientación de cada uno de la pluralidad de objetos y al menos un parámetro geométrico para cada uno de la pluralidad de objetos, usando las estimaciones iniciales como parámetros de inicialización para esta optimización.

La optimización numérica puede comprender una minimización numérica de una métrica de diferencia o discrepancia, tal como una diferencia de mínimos cuadrados, entre la pluralidad de imágenes de proyección y las imágenes de proyección directa simuladas correspondientes de la pluralidad de objetos detectados en un volumen de imagen tridimensional.

El método puede comprender emitir el volumen de imagen tridimensional simulado usado en una iteración final de la optimización numérica.

La imagen tridimensional simulada puede generarse, por ejemplo regenerarse y/o actualizarse en cada iteración de la optimización, muestreando el modelo numérico tridimensional para cada uno de dicha pluralidad de objetos usando los parámetros, por ejemplo para construir un volumen de imagen compatible con los parámetros para una iteración actual de la optimización.

La optimización puede optimizar los parámetros para uno de los objetos en cada iteración o en cada bloque de iteraciones de la optimización, al tiempo que se mantienen los parámetros para los otros objetos de la pluralidad de objetos detectados fijos. La optimización puede realizar un ciclo múltiples veces por todos los objetos que están optimizándose individualmente, no limitándose realizaciones de la presente invención a lo mismo.

La optimización puede comprender una minimización de mínimos cuadrados. Los parámetros pueden optimizarse usando un enfoque de descenso en gradiente usando diferencias finitas. Las diferencias finitas de cada uno de los parámetros que están optimizándose en la iteración actual de la optimización pueden hacerse variar, por ejemplo, en más y menos una longitud de etapa de diferencia finita. La longitud de etapa de diferencia finita puede reducirse en un valor absoluto para una iteración actual si la métrica de diferencia o discrepancia, por ejemplo la diferencia de mínimos cuadrados, no disminuyó en una iteración anterior con respecto a la iteración antes de esa iteración anterior.

El método también puede comprender emitir una lista de parámetros de la pluralidad de objetos, en el que los parámetros comprenden las estimaciones refinadas de posición y/u orientación de cada uno de la pluralidad de objetos y al menos un parámetro geométrico del modelo tridimensional, por ejemplo una longitud, para cada uno de la pluralidad de objetos.

Una ventaja de realizaciones de la presente invención es que el uso de un modelo numérico paramétrico, por ejemplo un modelo de fibras, cuyos parámetros se estiman directamente en el dominio de proyección, puede evitar o reducir los artefactos de reconstrucción que de lo contrario pueden influir en la estimación de parámetros, tal como la estimación de posiciones, direcciones y longitudes de fibras. La estimación de parámetros proporcionada de este modo puede ser particularmente robusta incluso para un número muy pequeño de proyecciones. Por ejemplo, un algoritmo convencional conocido en la técnica puede requerir varios miles de imágenes de proyección para estimar parámetros, por ejemplo para calcular cantidades en una muestra de material compuesto de fibra, mientras que este número de proyecciones requeridas puede reducirse en gran medida en un método según realizaciones de la presente invención.

En un segundo aspecto, la invención se refiere a un sistema que comprende un dispositivo de obtención de imágenes por radiación, por ejemplo un dispositivo de obtención de imágenes por radiación ionizante o un dispositivo de obtención de imágenes de terahercios, y un procesador, en el que el dispositivo de obtención de imágenes por radiación está adaptado para adquirir la pluralidad de imágenes de proyección del artículo en una pluralidad de ángulos de proyección en un método según realizaciones del primer aspecto de la invención, y en el que el procesador está adaptado para realizar, por ejemplo programado para realizar, las otras etapas de ese método, teniendo en cuenta los parámetros de funcionamiento del dispositivo de obtención de imágenes por radiación. Tales parámetros de funcionamiento pueden comprender una distribución espectral de energía de radiación de la fuente, la distancia fuentedetector, una distancia artículo-detector o un factor de aumento, una forma de haz de radiación, una curva de respuesta espectral del detector, y otros.

En un tercer aspecto, la invención se refiere a un uso de un método según realizaciones del primer aspecto de la invención, y/o de un sistema según realizaciones del tercer aspecto de la presente invención, para control de calidad, ensayos, clasificación, selección, metrología y/u ordenación de cada artículo de una pluralidad de artículos en un entorno de fabricación o manipulación para fabricar o manipular la pluralidad de artículos. Por ejemplo, una aplicación de metrología puede referirse a medir longitudes, diámetros, volúmenes u otras propiedades geométricas y/o físicas de un artículo para garantizar que una cierta medida está dentro de tolerancias.

Por ejemplo, tal uso puede ser un uso en inspección en línea o fuera de línea del artículo en un procedimiento industrial.

En un cuarto aspecto, la invención se refiere a un producto de programa informático para implementar, cuando se ejecuta en un procesador, un método según realizaciones del primer aspecto de la invención cuando se le proporciona la pluralidad de imágenes de proyección y los parámetros de funcionamiento del dispositivo de obtención de imágenes por radiación como entrada.

En un ejemplo que demuestra principios de la presente invención, no limitándose realizaciones de la presente invención al mismo, se presenta un enfoque para estimar parámetros de geometría de fibras de vidrio en polímeros reforzados con fibras de vidrio a partir de microexploraciones de tomografía computarizada por rayos X simuladas, según realizaciones de la presente invención. Tradicionalmente, tales parámetros pueden estimarse usando un procedimiento de múltiples etapas que incluye la reconstrucción de imágenes, procesamiento previo, segmentación y análisis de características de interés. Cada etapa en esta cadena introduce errores que se propagan a lo largo del flujo y afectan a la precisión de los parámetros estimados.

En el enfoque dado a conocer en el presente documento, puede reconstruirse un volumen a partir de un pequeño número de ángulos de proyección usando una técnica de reconstrucción iterativa. Después, pueden determinarse parámetros de las fibras, tales como la posición, dirección, número y longitud de las fibras contenidas en polímero pueden determinarse incorporando conocimiento previo sobre la forma de fibra. La forma de una fibra puede modelizarse como una representación geométrica, por ejemplo un modelo numérico. Usando experimentos de simulación, se muestra que este método puede estimar esas representaciones incluso en presencia de datos con ruido y cuando tan sólo están disponibles muy pocos ángulos de proyección.

Los materiales compuestos avanzados tales como polímeros reforzados con fibras de vidrio (GFRP) integran características altamente deseables para materiales del estado de la técnica tales como conformabilidad, peso bajo, alta resistencia a la tracción y a la compresión y rentabilidad, permitiendo por tanto obtener componentes personalizados en muchas industrias diferentes. Tales materiales compuestos pueden consistir normalmente en un componente de matriz (por ejemplo, una matriz de resina) y un componente de refuerzo (por ejemplo, fibras de vidrio) para lograr propiedades mecánicas específicas. La micro-tomografía computarizada por rayos X (|iTC) es un método de obtención de imágenes para estudiar la estructura interna de esos materiales compuestos de una manera no destructiva y con alta resolución espacial a escala micrométrica. Después se procesa adicionalmente la imagen volumétrica resultante para caracterizar características, tales como la dirección de fibras o distribución espacial de las fibras, que tienen una influencia sobre las propiedades mecánicas de los materiales. Los métodos actuales para caracterizar las propiedades estructurales de GFRP a partir de imágenes de |iTC de alta resolución se basan en un flujo de trabajo secuencial compuesto por reconstrucción volumétrica a partir de un gran número de proyecciones (normalmente más de 1000) y posterior segmentación de fibras y análisis de imagen.

La calidad de la imagen reconstruida puede depender de varios parámetros, tales como el número de proyecciones y la resolución de detector, así como la geometría de adquisición. Dado que la precisión de la identificación de fibras en el volumen depende en gran medida de la calidad de la reconstrucción, normalmente se requiere un tiempo de adquisición prolongado. Adicionalmente, los parámetros dentro del flujo de trabajo desde la reconstrucción hasta la caracterización de objetos individuales se determinan normalmente de una manera empírica, basándose principalmente en la experiencia de los investigadores. Es decir, muchos parámetros tienen que ajustarse de manera manual o semiautomática, en varias etapas del flujo de trabajo, lo cual puede introducir errores adicionales. Finalmente, dado que el flujo de trabajo convencional es unidireccional, cualquier error que se produce en una de las etapas se propagará a lo largo de todo el flujo.

Una fuente importante de errores es que muchos métodos requieren intervención humana, haciendo que no sean deterministas y que dependan mucho de la experiencia del investigador. Para proporcionar soluciones más automatizadas para la extracción de fibras individuales y medición de cantidades de fibra, recientemente se han introducido muchos enfoques. Muchos de ellos implican extraer las líneas centrales de las fibras. El método individual de extracción de las líneas centrales y el uso de los datos difieren en los enfoques. Por ejemplo, un enfoque conocido en la técnica puede usar un enfoque de aprendizaje de diccionario para extraer los centros de fibras de resolución muy baja corte a corte, basándose en la distribución de dirección de fibras unidireccional de sus conjuntos de datos. Otro enfoque conocido en la técnica puede usar los valores propios locales y un enfoque de votación circular, mientras que aún otro enfoque puede usar cálculo de esqueletos para extraer las líneas centrales.

En el enfoque presentado en este ejemplo, se aprovecha el conocimiento previo de que el volumen que va a reconstruirse contiene fibras de una forma conocida. Para ello, se modelizan las fibras como cilindros cuyos parámetros se estiman mediante ajuste de un modelo a los datos de proyección medidos minimizando la distancia de proyección. Los valores iniciales de los parámetros se obtienen a partir de una primera reconstrucción del volumen usando una técnica de reconstrucción algebraica convencional (ART), seguida por un enfoque de coincidencia de plantilla similar al presentado en Zauneret al,en Proceedings of the 14th International Congress for Stereology and Image Analysis, Acta Stereologica, 2015. Ya se implementó un enfoque basado en modelo similar para reconstruir la estructura cristalina de una nanopartícula de oro con resolución atómica a partir de datos de tomografía electrónica, véase, por ejemplo, Goriset alen Nano Letters 15(10), 6996 (2015).

El ejemplo presentado usa datos de proyección de rayos X simulados usando el contexto de caja de herramientas de ASTRA, véase van Aarleet al,enOptics Express24, 25129, 2016.

Se reconstruyen imágenes de TC a partir de datos de proyección, que se adquieren midiendo las intensidades de los rayos X después de haber pasado a través de la muestra, que atenúa la radiación. La intensidad medida está relacionada con los coeficientes de atenuación de los diferentes materiales en la muestra mediante la ecuación

donde lü(E) es la intensidad de haz incidente para una energía dada, |i es el coeficiente de atenuación dependiente de la energía del material en función de la distancia s que recorren los rayos X dentro del material y I(s) es la intensidad medida en el detector dependiendo de la longitud de desplazamiento a través del objeto del que se están obteniendo imágenes. A continuación, se suponen rayos X monocromáticos para simplificar la ecuación a la ley de Lambert-Beer, aunque evidentemente esto puede ampliarse a rayos X policromáticos de una manera evidente. A partir de un número de proyecciones de rayos X descritas mediante la ec. (1) adquiridas desde varios ángulos haciendo rotar o bien la fuente de rayos X y el detector o bien la muestra, puede reconstruirse una imagen volumétrica usando diferentes métodos. En este ejemplo, se usan ART, más específicamente el algoritmo de técnica de reconstrucción iterativa simultánea (SIRT) bien conocido, véase, por ejemplo, Gilbert, enJournal of Theoretical Biology36(1), 105, 1972.

Usando las imágenes de proyección, el algoritmo presentado, que se denominará a continuación en el presente documento reconstrucción paramétrica (PARE), comienza a partir de una estimación inicial del volumen reconstruido, obtenida realizando un número inicial, por ejemplo predeterminado, de iteraciones de SIRT. Después de eso, se estiman la posición central, dirección y longitud de las fibras. Esta información se usa para construir una lista de cilindros rígidos, que representan cada fibra en el volumen, que se detectó extrayendo la línea central usando un enfoque de coincidencia de plantilla. Tal enfoque de coincidencia de plantilla, aunque con una plantilla diferente, se ha dado a conocer por Zauneret al,en Proceedings of the 14th International Congress for Stereology and Image Analysis, Acta Stereologica, 2015.

El modelo de fibras cilíndricas de este ejemplo tiene siete parámetros. Los tres primeros son las componentes x, y y z (cartesianas) de la posición de centroide. Los dos siguientes son las coordenadas esféricas (0, ^) del vector unitario de dirección del eje de la fibra. Los dos últimos parámetros son la longitud I y el radio r de la fibra. Dado que el procedimiento de fabricación para fibras de vidrio permite radios ajustables de manera muy precisa, puede suponerse que el radio de fibra es constante. La estimación de los parámetros de cilindro consiste en tres etapas principales, que se describirán con más detalle a continuación en el presente documento. La primera etapa es la detección global de fibras en el estado actual de la reconstrucción. Tras la detección, se obtiene una primera estimación de las representaciones paramétricas, que pueden refinarse usando un enfoque de coincidencia de proyecciones similar al presentado por Bleichrodtet al,en Fundamenta Informaticae 135, 1 (2014).

En la figura 1 se muestra un diagrama de flujo del procedimiento, por ejemplo de las etapas de detección de fibra y optimización de parámetros.

Para hallar vóxeles que forman parte de una fibra, se segmentan las fibras a partir del fondo. Como primera etapa de la segmentación, se calcula una coincidencia de plantilla, por ejemplo calculando una correlación cruzada normalizada (NCC) C_n del volumen reconstruido I con una plantilla gaussiana en 3D isotrópica G:

donde x y u son las coordenadas de la imagen y de la plantilla, respectivamente. La cantidadFues la media local dentro de la región de la imagen cubierta por la plantilla yGes la intensidad media de G. El algoritmo usado para calcular la ec. (2) es una implementación eficiente de la NCC descrita por Lewis enVision Interface95, 120 (1995). La plantilla gaussiana tiene una desviación estándar que depende del radio de las fibras usando la definición de anchura a media altura.

que entonces da la siguiente fórmula para la plantilla gaussiana

Puede aprovecharse el hecho de que la NCC tiene sus valores más altos en la ubicación de la línea central de la fibra, lo cual se usará para detectar la dirección y el centroide en la etapa descrita a continuación en el presente documento. Se ha mostrado que también funciona una coincidencia de plantilla usando una esfera maciza por Zauneret al, en Proceedings o f the 14th International Congress for Stereology and Image Analysis, Acta Stereologica(2015). Con el volumen de NCC, puede detectarse la línea central de la fibra. Para ello, puede aplicarse un umbral a C_n:

donde todos los vóxeles por debajo de un umbral que depende del pico más alto se establecen a cero, pero se mantienen los valores por encima del o iguales al umbral. El valor de umbral t e [0, 1] puede ajustarse para la imagen particular, ya que el intervalo de los valores de correlación en C_n puede variar dependiendo del nivel de ruido en la imagen. El valor de t da un porcentaje de la intensidad máxima en la NCC. Para las simulaciones en los experimentos comentados a continuación en el presente documento, se usó un valor de t = 0,85. En la figura 2, se visualiza el resultado de la NCC sobre el volumen reconstruido de un fantoma de muestra que contiene fibras (denominado adicionalmente “fantoma A”) con una plantilla gaussiana según la ecuación (4). Queda claro que las fibras proporcionan la intensidad más alta en el volumen resultante y que la línea central es claramente visible. Puede observarse claramente que las fibras están potenciadas en el volumen resultante. La barra de gradiente 71 sirve como orientación, pero los valores por debajo de 0,55 no se reproducen y a los valores entre 0,55 y 0,79 se les proporciona un valor de transparencia para una mejor visibilidad.

Después, pueden obtenerse los máximos locales en C_n en la región de la vecindad de 26 alrededor de un vóxel dado. Después se comprueban los valores de vóxel de los máximos resultantes en la reconstrucción, para asegurarse de que todos los máximos están cerca del valor de atenuación de las fibras. Si el valor de atenuación está cerca de la atenuación de fibra prevista jLifibra dentro de una tolerancia relativa, por ejemplo de ± 25%, se marca el punto como un punto de fibra y se refina adicionalmente calculando el centro de masas usando la vecindad de 26 del vóxel.

A partir de los máximos filtrados de la NCC, puede calcularse una estimación inicial de la dirección y el centroide de cada fibra usando el algoritmo de transformada de Hough iterativo para segmentos de línea en 3D, por ejemplo tal como se describe por Dalitzet alenImage Processing On Line7, 184 (2017). Este algoritmo difiere ligeramente de la transformada de Hough tradicional. El acumulador de votación usa una representación de cuatro parámetros de la línea. El algoritmo realiza en primer lugar el algoritmo de transformada de Hough convencional en la nube de puntos y determina los parámetros de una línea usando el pico más alto en el acumulador. A continuación, encuentra todos los en la nube de puntos que se encuentran cerca de la línea detectada y calcula un ajuste de mínimos cuadrados de esos puntos para obtener una mejor estimación de la línea. Se retiran los puntos cerca de la línea ajustada. Después de este procedimiento, se calcula la transformada de Hough convencional en los puntos restantes y se repite el procedimiento anterior hasta que o bien ya no hay suficientes puntos para calcular la transformada de Hough o bien se detectó el número de líneas especificado. Si no se especifica este límite, el algoritmo discurre hasta que se cumple la primera condición. En este ejemplo, se usa la transformada de Hough con un mínimo de tres puntos, pero sin aplicar un límite en el número de líneas que van a detectarse.

La precisión angular del algoritmo de transformada de Hough iterativo está limitada por el muestreo de direcciones y se basa en la subdivisión iterativa de las caras de un icosaedro para dar triángulos. Como compromiso entre precisión y velocidad, pueden usarse 5 etapas de subdivisión, lo cual proporciona 5121 muestras con una separación promedio de 2°. Como primera estimación de la dirección, puede considerarse que esto es suficientemente preciso. Las líneas se parametrizan en la forma

siendo x_0 el vector de posición y d el vector unitario de dirección.

Con esta estimación inicial, sólo se obtienen cinco de los seis parámetros que tenían que optimizarse, concretamente la posición de centroide y el vector unitario de dirección. Para obtener también una estimación inicial de la longitud, puede usarse una detección de borde en un perfil de línea a través del eje de fibra recién estimado. Esto puede realizarse usando una versión en 3 dimensiones del algoritmo de línea de Bresenham para la voxelización de línea en una red, véase, por ejemplo, Kaufmanet al,enProceedings of the ACM Workshop on Interactive 3D Graphics,págs.

45--75 (1986). Para mejorar la robustez de la detección, en primer lugar puede aplicarse un filtro de mediana para eliminar el ruido de alta frecuencia al tiempo que se conserva el borde en la señal, y puede suavizarse el perfil de línea mediante un filtro gaussiano con una desviación estándar de r_fibra vóxeles. Después, pueden calcularse los puntos de inflexión en cualquier lado del perfil de línea mediante interpolación con B-splines y, después, hallando las raíces de la 2a derivada con la mayor pendiente en la 1a derivado, véase, por ejemplo, Burgeret al,enPrinciples of Digital Image Processing: Core Algorithms(Springer, 2009) y/o Burgeret al,enPrinciples of Digital Image Processing: Fundamental Techniques(Springer, 2009). Los puntos de inflexión candidatos sólo se consideran si la pendiente tiene un valor mayor que un determinado umbral, que puede elegirse en relación con el intervalo de valores entre |i_fibra y |i_polímero, donde |i_fibra y |i_polímero son los valores de atenuación para la fibra y la matriz de polímero respectivamente. En este ejemplo, se eligió el umbral basándose en tal valor de intensidad intermedio de |i_polímero 0,3 (|i_fibra - |i_polímero).

En la figura 3 se muestra una ilustración de este procedimiento con el perfil de línea a través de una fibra y la interpolación con sus derivadas. Se muestra un perfil de línea medido (marcado con *), su interpolación de spline 31 con la 1a y 2a derivadas 32a, 32b (líneas de rayas y de rayas y puntos, respectivamente) así como los puntos de inflexión 33a, 33b (triángulos orientados hacia arriba y orientados hacia abajo). ;;Para obtener las posiciones de puntos de extremo, los dos puntos de vóxel completos más cercanos a los puntos detectados en la línea de Bresenham se someten a interpolación lineal dependiendo de la fracción de la coordenada del punto de inflexión en el perfil de línea. Entonces, la estimación inicial de la longitud es la distancia euclidiana de los dos puntos de extremo resultantes. ;;Con las estimaciones de parámetros a partir de la transformada de Hough iterativa y la estimación de longitud como punto de partida inicial, puede realizarse una optimización adicional de los parámetros de fibra. Puede realizarse una optimización para las componentes para las coordenadas de posición de centroide ;;; ;;; para las coordenadas esféricas del vector unitario de dirección ;;a# = (« fu ....... «o.;V ;y para la longitud ;;; ;;; para la totalidad de las N fibras detectadas y estimadas. Entonces pueden combinarse para dar un vector de parámetros de fibra £ = (p_x, p_y, p_z, a_0, a_^, l) y puede formularse un sistema de ecuaciones lineales como: ;;; ;;; donde W es la matriz de proyección que describe la proyección directa con una geometría fija y p son los datos de proyección medidos. El volumen x, que va a reconstruirse, se define en función de los parámetros de fibra que van a estimarse. Por tanto, la optimización de las fibras puede formularse como el problema de minimización ;;; ;;; que minimiza la distancia de proyección de la proyección directa del volumen estimado con respecto a los datos de proyección medidos. El problema de minimización puede resolverse para todas las imágenes de proyección adquiridas o un subconjunto de las mismas, comprendiendo el subconjunto al menos dos imágenes de proyección a partir de ángulos de proyección diferentes. ;;Para inicializar cada estimación de vector de parámetros de fibra, se usan los datos recuperados a partir de la transformada de Hough en la etapa anterior y la longitud calculada a partir de los puntos de extremo detectados. Con esta estimación inicial, los intervalos de parámetro pueden ajustarse a escala al intervalo [0, 1] en cada una de las coordenadas en el espacio de parámetros para hacer que el método sea numéricamente más estable. El centro del intervalo, 0,5, es la estimación inicial de cada parámetro £_i y los límites exteriores vienen dados por £_i ± A_i. ;Los valores para A_i pueden elegirse empíricamente, por ejemplo para ser de 5 vóxeles (vx) para los parámetros de posición p_x,i, p_y,i, p_z,i. Para a_0 y a_, A_i puede seleccionarse como tres veces la separación entre dos muestras en el acumulador de Hough y, para l_i, el valor puede seleccionarse como 10vx. ;;El volumen x(£) que va a estimarse también puede inicializarse previamente. Dada una fibra que va a optimizarse, las N-1 estimaciones restantes de las fibras pueden fijarse y voxelizarse en una red reticular regular que coincide con la resolución supuesta de las fibras. Entonces pueden hacerse variar sistémicamente los parámetros de la fibra para optimizar y voxelizar la fibra resultante en el mismo volumen. Después se somete este volumen a proyección directa usando un método de proyección directa descrito anteriormente en el presente documento, por ejemplo usando la caja de herramientas de ASTRA, y pueden compararse las proyecciones resultantes con los datos medidos. ;;Los parámetros para cualquier nueva estimación dada en una iteración j pueden calcularse con una estimación del gradiente Vy usando diferencias finitas. Para ello, en primer lugar puede inicializarse Vy a cero y después puede hacerse variar cada parámetro ± 8_j, por ejemplo en el que el valor inicial puede seleccionarse como 8 = 0,2. Si el error de proyección o la distancia de proyección p_j de uno cualquiera de los nuevos valores para el parámetro actual es inferior o igual al error de proyección de la mejor estimación anterior, la diferencia entre los dos valores se establece como el valor de Vy para ese parámetro. Si el error de proyección no es inferior o igual, puede suponerse que el vector de gradiente es cero para ese parámetro particular. Después de repetir esta etapa para cada parámetro, puede normalizarse Vy a la longitud unitaria y después usarse para calcular una nueva estimación para la fibra actual ;; ;;; Después se calcula el error de proyección para la nueva estimación £_i,nuevo. Si el error es inferior o igual al error de la estimación anterior, se toma £_i,nuevo como la nueva estimación de la fibra. Si el error no es inferior, se reduce el valor de delta, por ejemplo hasta el 75 % de su valor actual. Puede repetirse este procedimiento un mínimo de n_mín veces y un máximo de n_máx veces. En este ejemplo, se usa n_mín = 18 y n_máx = 35, ambos de los cuales se eligieron de manera empírica. Las iteraciones se detienen o bien en el límite superior de repeticiones o bien si la tasa de cambio del error, definida como ;;II*

p ,<->i<- — .>{ H it

<'>fh<t i>

es inferior a un umbral, por ejemplo un umbral de 0,001. La figura 4 muestra los errores de proyección normalizados de 907 fibras con respecto al número de iteraciones. Cada línea delgada corresponde a una única fibra. Dado que los errores de proyección pueden variar drásticamente a lo largo de las fibras, se normalizaron los errores, de tal manera que puede compararse la convergencia.

En este ejemplo no se alcanzó el número máximo de iteraciones, y el error o bien se estanca o bien disminuye, lo cual muestra que las estimaciones de fibra o bien convergen hacia una solución mejor o bien no mejoran, si resulta que la estimación inicial ya es lo suficientemente precisa, la iteración 0 proporciona el error para la estimación inicial.

Para estimar el volumen x(£), se voxelizan las estimaciones de fibra actuales para dar un volumen del mismo tamaño que la reconstrucción. Para ello, se muestrea la ecuación del modelo de cilindro numérico alineado con el eje de las x, con el parámetro de radio r_fibra y la longitud estimada l_fibra:

e<,>(x,y,3)<V>= <<í / ' f i b r a S i y2 + i 2 < r jtn>.V,

{ /'polímero , de lo contrario

(11)

Para colocar la fibra en la posición estimada a lo largo de la dirección estimada, se voxeliza c(x, y, z) en una red regular que después se transforma de tal manera que el eje de las x está dirigido a lo largo del vector de dirección de fibra y el centroide de fibra está ubicado en el origen. Los vóxeles que de otro modo se establecerían completamente a jLifibra pueden submuestrearse localmente de manera adaptativa, de tal manera que el vóxel se subdivide n veces en cada dirección de coordenada, dando como resultado n3 puntos de muestra por vóxel. Después se calculan los valores de cada uno de estos subvóxeles usando la ec. (11). Se calcula el promedio de los valores obtenidos de esa manera y se asignan al vóxel correspondiente a su conjunto de subvóxeles, distorsionando por tanto los bordes de fibra.

La voxelización puede diseñarse de tal manera que sólo sustituirá los valores que están en estrecha proximidad a la fibra, de modo que, cuando se colocan las fibras en el volumen, las otras fibras no se ven afectadas. Esto garantiza que los vóxeles sólo se sustituyen si, según la estimación actual, el vóxel pertenece a una fibra.

Para demostrar el algoritmo de PARE, se configuraron dos experimentos de simulación. Los fantomas numéricos para esos experimentos se generaron a partir de un conjunto de fibras dirigidas de manera aleatoria y con longitudes y centros distribuidos de manera uniforme. Las direcciones de fibra se generaron como muestras independientes extraídas de una distribución de von Mises-Fisher (vMF). Su función de densidad de probabilidad en la esfera para una dirección dada u = (9,^) es

/ { u; /,iVMF • »>} =-(V t’x i>(K jív.w1u ) . (12)

donde

CFas Kt/(4” senh<k>), (13)

y donde el vector<l>_<v>MF = (a,P) designa la dirección media de la distribución y<k>designa el parámetro de concentración, en el que un valor grande de<k>corresponde a una varianza inferior (es decir, una concentración superior alrededor de la dirección media). Las posiciones de las fibras se extraen a partir de una distribución uniforme, con la restricción de que cada fibra está completamente posicionada dentro del volumen (es decir, no hay truncamiento). La longitud de fibra era de 70 ± 10vx, también extraída a partir de una distribución uniforme. El número de iteraciones de SIRT se estableció a 100 para estos experimentos.

Se generaron dos fantomas con 1003 vóxeles, en los que los fantomas sólo difieren en los parámetros de la distribución de dirección. Para el primer fantoma, “fantoma A”, las direcciones se extrajeron a partir de f(u,L = (rc/2, 0),<k>=40). El segundo fantoma, “fantoma B”, se generó a partir de f(u,L =(0,0),<k>=7).

Con las fibras trazadas de manera aleatoria, se realizó una versión del algoritmo de adsorción secuencial aleatoria (RSA) para generar fibras no solapantes. Para simplificar la detección de colisión en el algoritmo de RSA, se trataron las fibras como esfero-cilindros, reduciendo el problema de colisión a hallar los puntos más próximos de dos segmentos de línea y un cálculo de distancia simple. Para hacer que las fibras se comporten de manera realista, también se mantiene la colocación de una fibra si las fibras se tocan de manera exacta, por tanto si la distancia de dos fibras es exactamente d_1,2 = r_1 r_2. Dado que las relaciones de aspecto de las fibras son altas, el error introducido mediante este enfoque es despreciable. Debido a la varianza superior alrededor de la dirección media para el “fantoma B”, la RSA sólo colocó 72 fibras, mientras que el “fantoma A” contiene fibras. En ambos casos, el algoritmo se inicializó para colocar 150 fibras. Los valores previstos para la atenuación tanto de matriz como de fibra se estimaron a partir de exploraciones de un conjunto de datos real. El fondo tenía una intensidad de L_polímero = [0,23 ± 0,07] y las fibras tenían una intensidad normalizada de |i_fibra = [0,76 ± 0,05]. Ambos valores de intensidad se facilitan como porcentajes del valor máximo posible del tipo de datos de número entero usado. Por tanto, para generar los fantomas, se usó el valor de 0,23 para el fondo y 0,76 para las fibras.

A partir de estos fantomas, se crearon imágenes de proyección directa usando una geometría de haz cónico simulada, que es la geometría más habitualmente usada en exploradores de rayos X industriales y de sobremesa. Se colocó el fantoma en el origen del sistema. La distancia de fuente-detector (SDD) era de 250 mm y la distancia de fuente-objeto (SOD) era de 14 mm. El detector simulado tenía píxeles cuadrados con un tamaño de 50 |im. Esto proporcionó un tamaño de pixel de detector efectivo de 2,8 |im isotrópicos en las reconstrucciones, con un aumento de aproximadamente 17,86 en el plano central del fantoma. En la figura 5 y la figura 6, se muestran respectivamente el corte central a lo largo del plano yz del fantoma generado de manera aleatoria “fantoma A” y el mismo corte de una reconstrucción de dicho fantoma a partir de proyecciones simuladas. La figura 7 ilustra una representación de la validación en terreno del “fantoma B” sintético con 72 fibras individuales con direcciones extraídas de f(u,|i = (0,0), k=7).

Usando los datos generados, se evalúa el rendimiento del método de PARE en función tanto del número de ángulos de proyección disponibles como de la relación señal-ruido (SNR). En todos los casos, se eligieron 100 iteraciones de SIRT como referencia para las reconstrucciones de los dos fantomas generados. Se realizó un experimento para cada nivel de ruidoay número de proyecciones, respectivamente para ambos fantomas. Para los experimentos con ruido añadido, se usó ruido blanco con distribución gaussiana aditivo, que se añadió a los datos de proyección antes de la reconstrucción.

A continuación en el presente documento se comentan los errores en las estimaciones de parámetros obtenidas mediante PARE. Los errores en la longitud y las coordenadas de posición de centroide de las fibras se obtuvieron calculando la diferencia entre las estimaciones de estos parámetros y sus valores de validación en terreno correspondientes. Los errores en los vectores de dirección se calcularon como el ángulo derivado a partir del producto escalar de la representación cartesiana del vector estimado y de validación en terreno, respectivamente. Debe observarse que, antes del cálculo de estos errores, en primer lugar era necesario identificar qué vector de parámetros de fibra estimado correspondía a qué vector de parámetros de fibra de validación en terreno.

Para ello, se hizo coincidir cada vector de parámetros de fibra de validación en terreno con el vector en el conjunto de vectores de parámetros de fibra estimados que está más próximo en cuanto a distancia euclidiana. Desde el punto de vista matemático, el mapeo de uno a uno realizado puede describirse de la siguiente manera. Los conjuntos de fibras se designan F_gt y F_est, las fibras de validación en terreno y estimadas, respectivamente, después se define el mapeo de un conjunto al otro como

Debe observarse que esto implica que el mapeo depende del orden de procesamiento si dos o más fibras de un conjunto tienen la misma distancia a una única fibra en el otro conjunto. Puede esperarse que este caso sea muy poco probable y, aunque se produzca, el valor de error será supuestamente el mismo para todos ellos, de modo que el orden no es importante.

Si había menos o más fibras detectadas de las que hay en la validación en terreno, sólo se mapearon las que se ajustaban mejor y las demás se descartaron como no detectadas. En el primer caso, sólo se evaluó el error en las fibras que tenían una estimación asociada con las mismas, y en el segundo caso se hallaron fibras asociadas para cada fibra de validación en terreno y el resto no se evaluó.

En la figura 8, la figura 9 y la figura 10, se muestra la calidad de la estimación con PARE en función del número de proyecciones usadas. La figura 8 muestra el error de longitud para un número variable de proyecciones en los “fantomas A y B” con respecto a la longitud de fibra estimada. Se fijó un límite de los datos aberrantes a /- 6 vx, pero todavía se muestran fuera de las líneas de puntos horizontales. La figura 9 muestra el error de dirección para un número variable de proyecciones en los “fantomas A y B” con respecto al vector de dirección estimado. Se fijó un límite de los datos aberrantes a 2°, pero todavía se muestran fuera de las líneas de puntos horizontales. La figura 10 muestra errores de posición de centroide para un número variable de proyecciones en ambos “fantomas A y B” con respecto a la posición de centroide estimada de la fibra. Se fijó un límite de los datos aberrantes a /- 2 vx, pero todavía se muestran fuera de las líneas de puntos horizontales.

En todas las figuras hay dos diagramas de cajas para cada proyección, en las que el más oscuro corresponde a resultados para el “fantoma A” y el más claro corresponde al “fantoma B”. Puede observarse claramente que el algoritmo puede recuperar los centroides de fibras individuales con una precisión de aproximadamente /- 0,5 vx en los cuartiles superior e inferior incluso con tan sólo 30 proyecciones para ambos fantomas.

Tal como puede observarse a partir de la figura 10, los errores son superiores en la dirección de coordenadas que corresponde al eje principal de la distribución de dirección. Aunque la estimación de dirección no se ve afectada por esto, la estimación de longitud y la estimación de centroide están correlacionadas. La estimación de longitud puede recuperar la longitud de fibra hasta /- 1 vx para 30 proyecciones. El vector de dirección puede aproximarse a aproximadamente 0,6° para el cuartil superior.

Con un número creciente de proyecciones, este error disminuye de manera natural, ya que hay más información disponible para calcular el error de proyección haciendo que el procedimiento sea más sensible a pequeños cambios de parámetros. Con 100 proyecciones, el error para la posición de centroide es de tan sólo /- 0,3 vx, lo cual es aproximadamente la precisión del submuestreo realizado para la voxelización de las fibras en los fantomas. Puede estimarse que la dirección es de aproximadamente 0,4° para el “fantoma A” y 0,25° para el “fantoma B”. Se estima que las longitudes son de entre 0,2 vx y 0,7 vx para el “fantoma A” y entre 0,9 vx y 1,8 vx para el “fantoma B”.

En la figura 11, la figura 12 y la figura 13, respectivamente, se muestran los errores de longitud, dirección y posición en función de la desviación estándar o del ruido aditivo que se añadió a los datos de proyección.

En la figura 11 se muestra el error de longitud para varios niveles de ruido en los “fantomas A y B” con respecto a la longitud de fibra estimada. Se fijó un límite de los datos aberrantes a /- 6 vx, pero todavía se muestran fuera de las líneas de puntos horizontales. En la figura 12 se muestra el error de dirección para varios niveles de ruido en los “fantomas A y B” con respecto al vector de dirección estimado. Se fijó un límite de los datos aberrantes a 1°, pero todavía se muestran fuera de las líneas de puntos horizontales. En la figura 13 se muestra el error de posición de centroide para varios niveles de ruido en ambos “fantomas A y B” en la posición de centroide estimada de la fibra. Se fijó un límite de los datos aberrantes a /- 4 vx, pero todavía se muestran fuera de las líneas de puntos horizontales.

Tal como se esperaba, los errores aumentan al aumentar a. Las estimaciones de longitud casi no cambian para los niveles de ruido inferioresa= 0,5 ya= 1,0 y están en el mismo intervalo que los errores para 100 proyecciones en las pruebas anteriores. Esto también se esperaba, ya que se usaron 100 proyecciones de manera sistemática para este experimento. La relación señal-ruido (SNR) para los diferentes niveles de ruido y fantomas se expone en la tabla a continuación en el presente documento. Se calculó mediante

donde |i_señal es la media de la intensidad medida de las proyecciones y a_ruido es el nivel de ruido correspondiente. Las estimaciones de longitud y de centroide parecen verse más afectadas por las proyecciones con ruido que las estimaciones de dirección.

En el caso del nivel de ruido más alto, la estimación de longitud tiene una sobreestimación de 2 vx en el cuartil superior para el “fantoma A” y de aproximadamente 1 vx para el “fantoma B”.

Es probable que esto se deba a la manera en la que cambian los vóxeles en las proyecciones simuladas del presente modelo. Cuando se hace variar el vector de dirección, más vóxeles cambian su valor, en comparación con cuando se cambia la longitud o posición de centroide. A su vez, esto significa que la optimización es más sensible a pequeños cambios en la dirección, especialmente cuando las fibras son muy largas.

Haciendo ahora referencia a la figura 14, se muestra un sistema de inspección 190 que comprende un dispositivo de obtención de imágenes por radiación y un procesador 191. El dispositivo de obtención de imágenes por radiación puede ser un dispositivo de obtención de imágenes por rayos X estacionario que comprende una fuente de rayos X 195 y un detector 193 sensible a los rayos X. El detector 193 y la fuente 195 están operativamente conectados al procesador 191 para transmitir imágenes de proyección adquiridas de un artículo 196 que está inspeccionándose, por ejemplo una pieza de trabajo reforzada con fibras, y para la comunicación de parámetros de funcionamiento. El artículo 196 que está inspeccionándose puede fijarse temporalmente a una placa giratoria, por ejemplo en un elemento de sujeción o armazón de fijación, para obtener imágenes de proyección para diferentes ángulos de proyección. El dispositivo de obtención de imágenes por radiación 190 está blindado mediante un cerramiento de blindaje 197 que protege a los operarios humanos y otros equipos frente a radiación de rayos X dispersada. El procesador 191 está adaptado para realizar las etapas de método restantes descritas anteriormente. El artículo 196 puede llevarse al dispositivo de obtención de imágenes por radiación 190 mediante una cinta transportadora 194 o unos medios de transferencia de artículos equivalentes, por ejemplo un brazo robótico. Este ejemplo es particularmente adecuado para la inspección dentro de la línea de artículos en un procedimiento industrial. En un sistema de inspección alternativo, el dispositivo de obtención de imágenes por radiación puede comprender un pórtico rotatorio o un microexplorador de TC si los artículos inspeccionados tienen un tamaño suficientemente pequeño como para cargarse en el microexplorador de TC.

Aunque el ejemplo anterior ha descrito ampliamente la obtención de imágenes por radiación de rayos X, pueden emplearse otras modalidades de obtención de imágenes por radiación, incluyendo, por ejemplo, obtención de imágenes de terahercios para artículos que presentan una absorción débil en la banda de longitud de onda de terahercios, por ejemplo artículos que son al menos parcialmente translúcidos con respecto a la radiación de terahercios. Los materiales textiles, tejidos y otros artículos que comprenden materiales que contienen fibras son con frecuencia translúcidos con respecto a la radiación de terahercios. Asimismo, pueden usarse métodos y sistemas para radiación gamma, o incluso radiación visible en casos en los que el artículo inspeccionado es translúcido o parcialmente translúcido a longitudes de onda visibles y únicamente presenta una débil dispersión, por ejemplo en el límite de óptica geométrica con frecuencia la contribución de la dispersión es despreciable.

Claims (11)

1. REIVINDICACIONES

   i. Método para inspección de un artículo (196), comprendiendo el método:

   - adquirir una pluralidad de imágenes de proyección de dicho artículo en una pluralidad de ángulos de proyección, usando un dispositivo de obtención de imágenes por radiación (190);

   - obtener una reconstrucción tomográfica basándose en dicha pluralidad de imágenes de proyección;

   - detectar una pluralidad de objetos en dicha reconstrucción tomográfica, teniendo cada uno de dicha pluralidad de objetos una forma genérica descrita mediante un modelo numérico tridimensional paramétrico, en el que dicha detección comprende determinar estimaciones iniciales de posición y/u orientación de cada uno de dicha pluralidad de objetos y al menos un parámetro geométrico de dicho modelo tridimensional para cada uno de dicha pluralidad de objetos;

   - refinar de manera iterativa dichas estimaciones iniciales usando un enfoque de coincidencia de proyecciones,

   caracterizado porque

   dicha refinación comprende, en cada iteración, simular imágenes de proyección directa según parámetros de funcionamiento del dispositivo de obtención de imágenes por radiación (190) en dicha pluralidad de ángulos de proyección para al menos uno de la pluralidad de objetos, y reducir una métrica de diferencia entre imágenes de proyección adquiridas e imágenes de proyección directa simuladas.
2. 2. Método según la reivindicación 1, en el que dicha determinación de dichas estimaciones iniciales comprende determinar una posición central y una dirección de cada uno de dicha pluralidad de objetos y una longitud y/o un radio de cada uno de dicha pluralidad de objetos.
3. 3. Método según cualquiera de las reivindicaciones 1 a 2, en el que dichos objetos representan fibras, tales como fibras incorporadas en una sustancia de matriz de un material compuesto reforzado con fibras.
4. 4. Método según cualquiera de las reivindicaciones 1 a 3, en el que adquirir dicha pluralidad de imágenes de proyección comprende realizar una exploración de tomografía computarizada del artículo (196).
5. 5. Método según cualquiera de las reivindicaciones 1 a 4, en el que dicha pluralidad de imágenes de proyección consiste en un número de imágenes de proyección, en el que dicho número se encuentra en el intervalo de 5 a 1000, preferiblemente en el intervalo de 10 a 200.
6. 6. Método según cualquiera de las reivindicaciones 1 a 5, en el que dicha detección comprende segmentar dichos objetos a partir de un fondo de imagen en dicha reconstrucción tomográfica usando un enfoque de coincidencia de plantilla para hacer coincidir la reconstrucción tomográfica con una o más plantillas para el modelo numérico de cada forma de objeto, o aplicando la reconstrucción tomográfica como entrada a un algoritmo de aprendizaje automático entrenado con modelos de formas de objeto.
7. 7. Método según la reivindicación 6, en el que dicha detección comprende determinar dicha estimación inicial de dicha posición de cada uno de dichos objetos, y posteriormente detectar dicha orientación de cada uno de dichos objetos teniendo en cuenta la estimación inicial determinada de dicha posición, preferiblemente realizando un algoritmo de transformada de Hough iterativo para segmentos de línea tridimensionales.
8. 8. Método según la reivindicación 7, en el que dicha detección comprende determinar una estimación inicial de una longitud de cada uno de dichos objetos después de determinar dicha estimación inicial de dicha orientación.
9. 9. Método según la reivindicación 8, en el que dicha determinación de dicha estimación inicial de dicha longitud comprende una detección de borde en un perfil de línea en una imagen resultante de la coincidencia de plantilla en dicha estimación inicial de dicha posición en la dirección correspondiente a dicha estimación inicial de dicha orientación, preferiblemente aplicando un filtro de mediana a dicho perfil de línea y/o suavizando dicho perfil de línea usando un filtro gaussiano.
10. 10. Método según la reivindicación 9, que comprende determinar puntos de inflexión en cualquier extremo de dicho perfil de línea, en el que determinar dichos puntos de inflexión comprende determinar puntos de inflexión candidatos y rechazar puntos de inflexión candidatos para los que una pendiente está por debajo de un umbral predeterminado.
11. 11. Método según la reivindicación 10, en el que dicho umbral predeterminado es un valor predeterminado entre un valor de atenuación previsto de un material de fondo en dicho artículo y un valor de atenuación previsto de dichos objetos detectados.

    Método según cualquiera de las reivindicaciones 1 a 11, en el que dicho refinamiento iterativo de dichas estimaciones iniciales comprende una optimización numérica de parámetros que comprenden dicha posición y/u orientación de cada uno de dicha pluralidad de objetos y dicho al menos un parámetro geométrico para cada uno de dicha pluralidad de objetos usando dicha estimación inicial como parámetros de inicialización para dicha optimización numérica.

    Sistema que comprende un dispositivo de obtención de imágenes por radiación (190) y un procesador (191), en el que dicho dispositivo de obtención de imágenes por radiación (190) está adaptado para adquirir dicha pluralidad de imágenes de proyección de un artículo en una pluralidad de ángulos de proyección en un método según cualquiera de las reivindicaciones anteriores, y en el que dicho procesador (191) está adaptado para realizar las etapas restantes de dicho método según cualquiera de las reivindicaciones anteriores teniendo en cuenta parámetros de funcionamiento del dispositivo de obtención de imágenes por radiación (190).

    Uso de un método o sistema según cualquiera de las reivindicaciones anteriores para control de calidad, ensayos, clasificación, selección, metrología y/u ordenación de cada artículo (196) de una pluralidad de artículos en un entorno de fabricación o manipulación para fabricar o manipular la pluralidad de artículos; preferiblemente en inspección en línea o fuera de línea del artículo en un procedimiento industrial.

    Producto de programa informático para implementar, cuando se ejecuta en un procesador (191), las etapas de procesamiento de imágenes de un método según cualquiera de las reivindicaciones 1 a 12 cuando se le proporciona dicha pluralidad de imágenes de proyección adquiridas y parámetros de funcionamiento del dispositivo de obtención de imágenes por radiación (190) como entrada.