CN110956618B - 一种基于变异系数法的ct图像小缺陷定量方法 - Google Patents

一种基于变异系数法的ct图像小缺陷定量方法 Download PDF

Info

Publication number
CN110956618B
CN110956618B CN201911167482.9A CN201911167482A CN110956618B CN 110956618 B CN110956618 B CN 110956618B CN 201911167482 A CN201911167482 A CN 201911167482A CN 110956618 B CN110956618 B CN 110956618B
Authority
CN
China
Prior art keywords
coefficient
wavelet
wavelet decomposition
defect
low
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
Application number
CN201911167482.9A
Other languages
English (en)
Other versions
CN110956618A (zh
Inventor
齐子诚
倪培君
赵洁
任丽宏
唐盛明
郑颖
左欣
李红伟
付康
郭智敏
张荣繁
王晓燕
张维国
乔日东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Weapon Science Academy Ningbo Branch
Original Assignee
China Weapon Science Academy Ningbo Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Weapon Science Academy Ningbo Branch filed Critical China Weapon Science Academy Ningbo Branch
Priority to CN201911167482.9A priority Critical patent/CN110956618B/zh
Publication of CN110956618A publication Critical patent/CN110956618A/zh
Application granted granted Critical
Publication of CN110956618B publication Critical patent/CN110956618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一种基于变异系数法的CT图像小缺陷定量方法，包括以下：获取对比试片和被测试片的CT图像；在对比试片CT图像中选取多个大小相同且包含一个小缺陷或不包括缺陷的区域，对选取的区域图像进行t次小波分解，计算每幅选取的区域图像各次小波分解后低频成分小波系数的变异系数；建立各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的关系；并计算出不同大小区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数和斜率；进而选择出最佳小波分解次数；最后，拟合出不同大小的区域下缺陷尺寸与以最佳小波分解次数分解后的低频成分小波系数变异系数之间的数学关系式；即可对进行定量。该方法的效率更佳，实用性更好。

Description

一种基于变异系数法的CT图像小缺陷定量方法
技术领域
本发明涉及缺陷定量领域，特别涉及一种基于变异系数法的CT图像小缺陷定量方法。
背景技术
工业CT成像技术具有不受被检测物体材料、形状、表面状况等限制，能够给出被检测物体二维、三维图像，成像直观，分辨率高的优点，广泛用于航天卫星推进***中的电磁阀、自锁阀、喷注器、减压阀等各种电子束焊接件焊缝检测。由于焊接过程的不确定性，最容易在焊接接头内部产生不同程度及数量的气孔缺陷，不但降低了焊接接头连接处结构强度，而且严重地出现“穿墙”情况造成爆燃或***。电子束焊接形成的气孔类缺陷其中大部分尺寸接近工业CT***X射线源常规焦点尺寸(小缺陷)。小缺陷在图像中所占像素少、成像灰度接近背景灰度值，造成缺陷难以提取。传统的小缺陷检测是由专业人员按照缺陷分布、大小、形态等特征进行辨别，存在工作量巨大，定量准确率容易受检测人员状态影响，这严重制约了工业CT检测的效率和可靠性。因此，研究适合工业CT图像小缺陷定量方法显得十分必要。
根据图像处理普遍的技术路线，对小缺陷进行阈值分割和面积统计。线阵工业CT图像具有如下4个灰度特征使得传统图像处理方法难以适用，存在以下问题：
(1)、线阵工业CT图像中同一密度材料区域图像亮度并不一致，材料背景亮度差异与扫描截面形状及相对位置有关，当重建区域包含两个以上产品时，其中一产品会对另一产品中处于相同投影区域的灰度造成影响，虽然CT图像重建算法中对该区域灰度差异进行优化校正，但是仍然会存在微弱差异，对小缺陷识别造成干扰；
(2)、工业CT图像包含环形伪影和噪声，噪声来源于X射线探测***、数据探测与采集***的电子噪声，在图像上表现高斯噪声和颗粒噪声。环形伪影形成原因可以归结为探测器校正偏差、阵列元素响应不一致、闪烁体缺陷甚至吸附灰尘等；
(3)、弱小缺陷在图像中所占像素少、成像灰度接近背景灰度值，造成缺陷难以提取；
(4)、CT***X射线源焦点的影响，造成图像中的物体边缘退化，小缺陷边缘灰度分布呈非线性。采用固定阈值容易造成过(欠)分割，最终影响缺陷尺寸测量精度。上述特征是设计线阵工业CT图像中小缺陷分割算法的依据。
近年来，在CT图像缺陷(对象)提出方面，国内外学者已开展了大量卓有成效的研究，主要应用在医学方面。在工业小缺陷定量方面较少涉及，有学者利用低对比度图像的特点在二维熵值理论对图像进行阈值切割的基础上，提出了压缩循环边界条件方法并结合递推加速算法，提高了计算效率并增强了低对比度下图像目标识别率；还有学者运用了将整幅图像中的低对比度分割问题转化为在局部拓扑结构中的较高对比度分割问题的方法，再针对每个拓扑结构判断其是否为缺陷部分，提取图像中低对比度缺陷信息；另外还有学者提出了一种基于区域灰度变化率的图像边界检测方法，根据基于区域灰度变化率的邻域加权平均滤波方法来进行滤波，对边界进行细化、跟踪和连接以得到边界。
其中有学者首先对CT图像点扩散函数(PSF)进行估计，利用PSF与理想缺陷进行卷积运算形成缺陷退化灰度分布，再与待测真实缺陷进行比较，采用循环迭代确定最优解，但该方法运算量较大，测量结果依赖于PSF估计的准确性，容易受噪声干扰；还有学者通过分别选取缺陷及无缺陷区域计算灰度特征值，以工件边缘为界计算周向等效钢系数，建立有缺陷区域噪声参量，基于噪声参量分割缺陷并进行缺陷面积统计定量，但该方法需要人为干预，过程较为复杂。因此需要进一步改进。
发明内容
本发明所要解决的技术问题是针对现有技术的现状，提供一种测量方法简单，且定量结果不受缺陷位置影响的基于变异系数法的CT图像小缺陷定量方法。
本发明解决上述技术问题所采用的技术方案为：一种基于变异系数法的CT图像小缺陷定量方法，其特征在于：包括以下步骤：
步骤1、采用机械手段制造出与被测试片材质一致的圆形对比试块，并在对比试片上开设有多种尺寸的圆形通孔；
步骤2、分别对打孔的对比试片和被测试片进行线阵工业CT扫描，获取对比试片和被测试片的CT图像；
步骤3、在对比试片的CT图像中选取多个大小相同的M*N区域，且每个选取的 M*N区域图像中包含一个圆形通孔或不包含圆形通孔，该圆形通孔对应为小缺陷，并分别对选取的包含有不同尺寸的小缺陷区域图像和无缺陷区域图像进行t次小波分解，计算每幅选取的区域图像各次小波分解后低频成分小波系数的变异系数cvt，计算公式为：
Figure BDA0002287841660000021
其中，t为小波分解次数，t为正整数，st为第t次小波分解后低频成分小波系数的标准偏差，μ t 为第t次小波分解后低频成分小波系数的均值，ft(i,j)为第t次小波分解后低频成分小波系数中坐标位置为(i,j)处的值；Mt和Nt分别为M*N区域第t次小波分解后得到的区域长度和宽度；
步骤4、根据步骤3中的计算结果建立各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的关系；
步骤5、利用步骤3和步骤4中相同的方法，计算出不同大小的区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数和斜率；
步骤6、根据步骤5中的相关性系数和斜率进行比较，选择出最佳的小波分解次数，记为k次，并分别拟合出不同大小的区域下缺陷尺寸与k次小波分解后低频成分小波系数的变异系数之间的数学关系式；其中k为正整数；
步骤7、任意设置选取区域的大小m*n，并在被测试片的CT图像中任意选定包含有一个小缺陷的m*n区域，计算该m*n区域经过k次小波分解之后得到的低频成分小波系数的变异系数，将其代入到步骤6中m*n区域下缺陷尺寸与k次小波分解后低频成分小波系数的变异系数之间的数学关系式中，则得到该被测试片 选定的m*n区域内的小缺陷尺寸，即完成小缺陷定量。
为了减少噪声的干扰，提高检测的精度，所述步骤2中的具体步骤为：将与打孔对块试片规格相同的未打孔对块试片贴合在打孔的对块试片背面，形成打孔对块试片的内部人工孔洞，并分别对该打孔对块试片的正面和被测试片进行线阵业CT扫描。
作为改进，所述步骤6中选取最佳小波分解次数的具体步骤为：
步骤6-1、比较不同大小区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数，当某次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数在不同大小区域下基本大于设定值时，则转入步骤6-2；
步骤6-2、比较满足步骤6-1中相关性系数条件的所有次数的小波分解后低频成分小波系数与缺陷面积之间的斜率，选择出某次小波分解后低频成分小波系数与缺陷面积之间的斜率基本为最大值时对应的小波分解次数，则将该小波分解的次数作为最佳的小波分解次数。
作为优选，所述步骤6-1中相关性系数的设定值的取值范围为0.99～0.995。
与现有技术相比，本发明的优点在于：引入小波分解，通过对各次小波分解后低频成分小波系数的变异系数进一步分析缺陷尺寸对变异系数的影响规律，并以此建立线阵工业CT图像小缺陷尺寸定量方法，提高其无损检测的有效性，且该方法中选定仅包含有一个小缺陷的局部区域，即可对小缺陷的尺寸进行测量，且测量结果不受缺陷位置的影响，实用性强，能快速实现小缺陷的定量评定，大大减少了人为影响因素，提高了工作效率，大大提高了测量的精度。
附图说明
图1为本发明实施例中对比试片的CT图像；
图2为140像素*140像素区域下缺陷尺寸与各次小波分解变异系数之间的关系曲线；
图3为不同大小的区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数曲线；
图4为不同大小的区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的斜率曲线；
图5为本发明实施例中4种算法的小缺陷尺寸定量结果对比图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
一种基于变异系数法的CT图像小缺陷定量方法，包括以下步骤：
步骤1、采用机械手段制造出与被测试片材质一致的圆形对比试块，并在对比试片上开设有多种尺寸的圆形通孔；
本实施例中，对比试片为采用304不锈钢材料制作的直径分别为30、40和50mm，厚度为1.2mm的圆片；并对制造的圆片表面进行抛光使其粗糙度约为Ra1.6；采用电火花(EDM)微孔加工技术在抛光后的圆片上加工直径分别为0.1、0.3、0.5、0.7、0.9和 1.1mm的通孔，为了保证实验的准确性，采用ZEISS Imager.Z2m激光扫描共聚焦显微镜(Confocal laserscanning microscope，简称CLSM)进行微孔形貌进行观察，测量各个通孔的上、下孔径，确保人工小缺陷的一致性；
步骤2、分别对打孔的对比试片和被测试片进行线阵工业CT扫描，获取对比试片和被测试片的CT图像；
本实施例中，采用北京固鸿IPT6110 6MeV的线阵高能工业CT***进行实验，其加速器能量为6MeV，焦点尺寸固定为2mm，探测器608通道，垂直准直器开口为0.3 mm，水平准直器在0.3～5.0mm之间可调。高能加速器工业CT***主要工艺参数为切片厚度、微动次数以及触发次数，其中微动次数和触发次数与小缺陷发现能力呈现单调递增的关系，即设置数值越大缺陷发现能力越强，但是极大增加了扫描和重建时间。考虑试验效率，在能发现大部分通孔缺陷的前提下，选用了三代CT微动次数5次、触发次数4096次；
另外，为了保证该检测的精度，检测时采用与该打孔对比试片规格相同的未打孔对比试块贴合在打孔对比试片背面，形成内部人工孔洞，并分别采用切片厚度0.3mm、0.5mm和1.0mm对打孔的对比试片正面进行线阵工业CT扫描，射线穿透方向平行于圆片打孔平面；获得如图1所示对比试片的CT图像；被测试块的自然缺陷形状不限，但在CT图像中表现也为圆形；
步骤3、在对比试片的CT图像中选取多个大小相同的M*N区域，且每个选取的 M*N区域图像中仅包含一个圆形通孔或不包含圆形通孔，该圆形通孔对应为小缺陷，并分别对选取的包含有不同尺寸的小缺陷区域图像和无缺陷区域图像进行t次小波分解，计算每幅选取的区域图像各次小波分解后低频成分小波系数的变异系数cvt，计算公式为：
Figure BDA0002287841660000051
其中，t为小波分解次数，t为正整数，st为第t次小波分解后低频成分小波系数的标准偏差，μ t 为第t次小波分解后低频成分小波系数的均值，ft(i,j)为第t次小波分解后低频成分小波系数中坐标位置为(i,j)处的值；Mt和Nt分别为M*N区域第t次小波分解后得到的区域长度和宽度；
如图1所示，选取的M*N区域为图中标出的矩形框，该矩形框中含有一个圆形通孔；
步骤4、根据步骤3中的计算结果建立各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的关系；
步骤5、利用步骤3和步骤4中相同的方法，计算出不同大小的区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数和斜率；
其中相关性系数的计算方法为现有常规的计算方法，该处不做描述。如图2所示，为140像素*140像素区域下缺陷尺寸与各次小波分解变异系数之间的关系曲线，本实施例中，进行了四次小波分解，图2中Wavelet1、Wavelet2、Wavelet3、Wavelet4分别对应为1次小波分解、2次小波分解、3次小波分解和4次小波分解对应的曲线，计算小波分解1、2、3、4次小波分解后的低频成分小波系数变异系数与缺陷面积的相关性系数分别为0.992、0.994、0.996和0.994，可见3次小波分解后低频成分小波系数的变异系数与缺陷尺寸之间表现出较强的正相关性；
本实施例中，选择的区域大小可以为140像素*140像素、120像素*120像素、100 像素*100像素、80像素*80像素、60像素*60像素和40像素*40像素；
如图3和图4所示，分别为不同大小区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数(Correlation-coefficient)曲线和斜率(slope)曲线；
步骤6、根据步骤5中的相关性系数和斜率进行比较，选择出最佳的小波分解次数，记为k次，并分别拟合出不同大小的区域下缺陷尺寸与k次小波分解后低频成分小波系数的变异系数之间的数学关系式；其中k为正整数；
由于本实施例中，CT图像中的缺陷均为圆形，因此在拟合缺陷尺寸时根据圆形面积的计算公式：S＝πR2，S为圆的面积，R为圆的半径，将缺陷面积与缺陷尺寸(直径) 之间进行转换，直接拟合出缺陷尺寸与k次小波分解后低频成分小波系数的变异系数之间的数学关系式，通过输入k次小波分解后低频成分小波系数的变异系数，即可得到缺陷尺寸；
其中，选取最佳小波分解次数的具体步骤为：
步骤6-1、比较不同大小区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数，当某次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数在不同大小区域下基本大于设定值时，则转入步骤6-2；
其中，步骤6-1中相关性系数的设定值的取值范围为0.99～0.995；本实施例中，相关性系数的设定值取0.995，由于在实际操作中不能完全保证某次小波分解后的低频成分小波系数的变异系数与缺陷面积之间的相关性系数在不同大小区域下都能达到设定值，因此上述步骤6-1中的基本的含义为：当某次小波分解后的低频成分小波系数的变异系数与缺陷面积之间的相关性系数在不同大小区域下有a％的相关性系数大于设定值时，则被认定为基本大于设定值，允许有一定的误差，其中0<a％￡1，例如：a％的取值范围为90％～95％；
步骤6-2、比较满足步骤6-1中相关性系数条件的所有次数的小波分解后低频成分小波系数与缺陷面积之间的斜率，选择出某次小波分解后低频成分小波系数与缺陷面积之间的斜率基本为最大值时对应的小波分解次数，则将该小波分解的次数作为最佳的小波分解次数；同样的，当某次小波分解后低频成分小波系数与缺陷面积之间的斜率有 90％～95％为最大值时，则认定为基本为最大值。
本方案中根据实际情况综合分析出最佳的小波分解次数，根据对图3和图4的分析，在图3中不同大小区域的各个小波分解后低频成分小波系数的变异系数有所波动，但在不同大小区域下3次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数基本大于0.995，最接近1，即变异系数与缺陷面积之间最接近，并且3次小波分解后变异系数与缺陷面积之间的斜率均大于1次小波分解和2次小波分解，即对应的灵敏度优于1次小波分解和2次小波分解，3次小波分解后低频成分小波系数的变异系数对小缺陷信息保留最为合理，因此3次小波分解次数为最佳次数；本实施例中，k＝3。
步骤7、任意设置选取区域的大小m*n，并在被测试片的CT图像中任意选定包含有一个小缺陷的m*n区域，计算该m*n区域k次小波分解后低频成分小波系数的变异系数，将其代入到步骤6中m*n区域下缺陷尺寸与k次小波分解后低频成分小波系数的变异系数之间的数学关系式中，则得到该被测试片 选定的m*n区域内的小缺陷尺寸，即完成小缺陷定量。
本实施例中，拟合方法为线性拟合方法，以直径为50mm的304不锈钢圆片为例，根据缺陷不同尺寸与3次小波分解后低频成分小波系数的变异系数之间的关系曲线拟合得到小缺陷尺寸定量模型(区域为：120像素×120像素)；
D(cv)＝8.05802cv+0.03342；
其中，D为小缺陷直径尺寸，单位为：mm；cv为3次小波分解后低频成分小波系数的变异系数；拟合相关性系数约为0.995；
因此当在被测试片的CT图像中选定包含有一个小缺陷120像素*120像素区域，则计算该区域3次小波分解后低频成分小波系数的变异系数，并将其代入到上式中，则可得到小缺陷尺寸。
为对比验证本方法在线阵工业CT图像小缺陷尺寸定量的有效性，将其与半高宽法、 PSF卷积迭代法和统计当量法进行性能的对比分析，这3种方法如图5所示。缺陷直径从0.3mm增至1.1mm时，变异系数法、半高宽法、PSF卷积迭代法和统计当量法测量结果的平均相对误差分别为4.14％、7.25％、10.01％和5.97％。可见，变异系数法的测量偏差最小。利用试片上不参与建模的小缺陷进行测量，通过CLSM测得缺陷直径分别为0.295mm和0.509mm。对2个验证缺陷分别用4种方法计算各个缺陷直径的偏差，结果如表1所示。
表1 4种测量方法的结果验证
Figure BDA0002287841660000071
从表1中可见，PSF卷积迭代法和传统半高宽法的测量误差较大，与CLSM测量结果之间的最大相对误差分别为19.5％和18.2％，这是由于PSF卷积迭代法中，噪声同时对PSF估计和迭代结果均造成较大影响。而传统的半高宽法测量结果以主观判断为主，人为因素干扰较大。变异系数法和统计当量法在稳定性和测量精度方面较为理想，但是统计当量法需要同时选取曲线区域和参考区域(无缺陷)，并计算等效厚度标准偏差系数，操作较为复杂。变异系数法只需固定局部区域范围，即可对小缺陷尺寸进行测量，且测量结果不受缺陷位置的影响，实用性优于统计当量法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于变异系数法的CT图像小缺陷定量方法，其特征在于包括以下步骤：
步骤1、采用机械手段制造出与被测试片材质一致的圆形对比试块，并在对比试片上开设有多种尺寸的圆形通孔；
步骤2、分别对打孔的对比试片和被测试片进行线阵工业CT扫描，获取对比试片和被测试片的CT图像；
步骤3、在对比试片的CT图像中选取多个大小相同的M*N区域，且每个选取的M*N区域图像中包含一个圆形通孔或不包含圆形通孔，该圆形通孔对应为小缺陷，并分别对选取的包含有不同尺寸的小缺陷区域图像和无缺陷区域图像进行t次小波分解，计算每幅选取的区域图像各次小波分解后低频成分小波系数的变异系数cvt，计算公式为：
Figure FDA0002287841650000011
其中，t为小波分解次数，t为正整数，σt为第t次小波分解后低频成分小波系数的标准偏差，μ t 为第t次小波分解后低频成分小波系数的均值，ft(i,j)为第t次小波分解后低频成分小波系数中坐标位置为(i,j)处的值；Mt和Nt分别为M*N区域第t次小波分解后得到的区域长度和宽度；
步骤4、根据步骤3中的计算结果建立各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的关系；
步骤5、利用步骤3和步骤4中相同的方法，计算出不同大小的区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数和斜率；
步骤6、根据步骤5中的相关性系数和斜率进行比较，选择出最佳的小波分解次数，记为k次，并分别拟合出不同大小的区域下缺陷尺寸与k次小波分解后低频成分小波系数的变异系数之间的数学关系式；其中k为正整数；
步骤7、任意设置选取区域的大小m*n，并在被测试片的CT图像中任意选定包含有一个小缺陷的m*n区域，计算该m*n区域经过k次小波分解后低频成分小波系数的变异系数，将其代入到步骤6中m*n区域下缺陷尺寸与k次小波分解后低频成分小波系数的变异系数之间的数学关系式中，则得到该被测试片 选定的m*n区域内的小缺陷尺寸，即完成小缺陷定量。
2.根据权利要求1所述的基于变异系数法的CT图像小缺陷定量方法，其特征在于：所述步骤2中的具体步骤为：将与打孔对块试片规格相同的未打孔对块试片贴合在打孔的对块试片背面，形成打孔对块试片的内部人工孔洞，并分别对该打孔对块试片的正面和被测试片进行线阵业CT扫描。
3.根据权利要求1所述的基于变异系数法的CT图像小缺陷定量方法，其特征在于：所述步骤6中选取最佳小波分解次数的具体步骤为：
步骤6-1、比较不同大小区域下各次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数，当某次小波分解后低频成分小波系数的变异系数与缺陷面积之间的相关性系数在不同大小区域下基本大于设定值时，则转入步骤6-2；
步骤6-2、比较满足步骤6-1中相关性系数条件的所有次数的小波分解后低频成分小波系数与缺陷面积之间的斜率，选择出某次小波分解后低频成分小波系数与缺陷面积之间的斜率基本为最大值时对应的小波分解次数，则将该小波分解的次数作为最佳的小波分解次数。
4.根据权利要求3所述的基于变异系数法的CT图像小缺陷定量方法，其特征在于：所述步骤6-1中相关性系数的设定值的取值范围为0.99～0.995。
CN201911167482.9A 2019-11-25 2019-11-25 一种基于变异系数法的ct图像小缺陷定量方法 Active CN110956618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911167482.9A CN110956618B (zh) 2019-11-25 2019-11-25 一种基于变异系数法的ct图像小缺陷定量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911167482.9A CN110956618B (zh) 2019-11-25 2019-11-25 一种基于变异系数法的ct图像小缺陷定量方法

Publications (2)

Publication Number Publication Date
CN110956618A CN110956618A (zh) 2020-04-03
CN110956618B true CN110956618B (zh) 2022-06-21

Family

ID=69976757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911167482.9A Active CN110956618B (zh) 2019-11-25 2019-11-25 一种基于变异系数法的ct图像小缺陷定量方法

Country Status (1)

Country Link
CN (1) CN110956618B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508841B (zh) * 2020-09-09 2022-06-14 中国兵器科学研究院宁波分院 基于工业ct图像的点阵镂空结构尺寸偏差快速表征方法
CN113689427B (zh) * 2021-10-25 2022-02-08 常州微亿智造科技有限公司 基于空间粒子自动吸引算法进行参数寻优的缺陷检测方法
CN117078676B (zh) * 2023-10-16 2024-01-12 青岛盛鑫达机械有限公司 基于图像处理的破碎锤外壳视觉检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160648A (zh) * 2014-11-26 2015-12-16 中国人民解放军第二炮兵工程大学 基于小波和恒虚警率的雷达目标及阴影分割方法
CN105929024A (zh) * 2016-04-21 2016-09-07 安徽省（水利部淮河水利委员会）水利科学研究院 混凝土缺陷智能化检测与定量识别方法
CN109636800A (zh) * 2019-01-28 2019-04-16 中国科学院上海硅酸盐研究所 一种测量物体内部缺陷尺寸的方法
CN110060293A (zh) * 2019-04-24 2019-07-26 中国兵器科学研究院宁波分院 一种ct检测***的缺陷检出性能极限评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457414B2 (en) * 2009-08-03 2013-06-04 National Instruments Corporation Detection of textural defects using a one class support vector machine

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160648A (zh) * 2014-11-26 2015-12-16 中国人民解放军第二炮兵工程大学 基于小波和恒虚警率的雷达目标及阴影分割方法
CN105929024A (zh) * 2016-04-21 2016-09-07 安徽省（水利部淮河水利委员会）水利科学研究院 混凝土缺陷智能化检测与定量识别方法
CN109636800A (zh) * 2019-01-28 2019-04-16 中国科学院上海硅酸盐研究所 一种测量物体内部缺陷尺寸的方法
CN110060293A (zh) * 2019-04-24 2019-07-26 中国兵器科学研究院宁波分院 一种ct检测***的缺陷检出性能极限评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石端虎等.工字形焊件射线图像中微小缺陷的分割及提取.《中国机械工程》.2010,(第01期), *

Also Published As

Publication number Publication date
CN110956618A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN110956618B (zh) 一种基于变异系数法的ct图像小缺陷定量方法
EP1788525B1 (fr) Procédé d&#39;imagerie radiographique pour la reconstruction tridimensionnelle, dispositif et programme d&#39;ordinateur pour mettre en oeuvre ce procédé
KR101121353B1 (ko) 2차원 초음파 영상에 대응하는 2차원 ｃｔ 영상을 제공하는 시스템 및 방법
AU768756B2 (en) Imaging
CN101872425B (zh) 基于经验模态分解获取图像特征并测量相应物理参数方法
CN106447684B (zh) 工业ct图像中弱边缘尺寸测量方法
JP4138371B2 (ja) 解剖学的特徴位置検出装置並びに記録媒体および被写体構造計測装置並びに記録媒体
Munbodh et al. Automated 2D‐3D registration of a radiograph and a cone beam CT using line‐segment enhancement a
CN110348459A (zh) 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法
US20220130081A1 (en) Computer-implemented method for determining at least one geometric parameter required for evaluating measurement data
JP7211725B2 (ja) 自動位置決め機能付き磁気共鳴イメージング装置、磁気共鳴イメージング装置の制御方法、及び、撮像断面自動設定用プログラム
CN109965910B (zh) 一种基于三维超声脊柱体数据的矢状面投影成像方法
Panin et al. Efficiency of vector field filtration algorithms in estimating material strain by the method of digital image correlation
CN115205241A (zh) 一种用于视细胞密度的计量方法及***
Qi et al. Linear array industrial computerized tomography quantitative detection method for small defects based on coefficients of variation
Rivaz et al. A robust meshing and calibration approach for sensorless freehand 3D ultrasound
Malode New approach of statistical analysis for lung disease diagnosis using microscopy images
Thaler et al. Volumetric reconstruction from a limited number of digitally reconstructed radiographs using cnns
Hwang et al. Shape reconstruction and inspection using multi-planar X-ray images
Kim et al. Illumination invariant skin texture generation using CGAN from a single image for haptic augmented palpation
Amirkhanov et al. Evaluation of projection-based metal-artifact reduction for multi-material components
Saedpanah et al. Geometrical Self-Calibration of CBCT Systems
Munbodh et al. A frequency‐based approach to locate common structure for 2D‐3D intensity‐based registration of setup images in prostate radiotherapy
Yin et al. CBCT image denoising based on multi-scale wavelet transform
Roldan Reconstruction of porous structures from FIB-SEM data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant