CN115035081B - 一种基于工业ct的金属内部缺陷危险源定位方法及*** - Google Patents
一种基于工业ct的金属内部缺陷危险源定位方法及*** Download PDFInfo
- Publication number
- CN115035081B CN115035081B CN202210719225.7A CN202210719225A CN115035081B CN 115035081 B CN115035081 B CN 115035081B CN 202210719225 A CN202210719225 A CN 202210719225A CN 115035081 B CN115035081 B CN 115035081B
- Authority
- CN
- China
- Prior art keywords
- defect
- defects
- gravitation
- dimensional
- metal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 247
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 44
- 239000002184 metal Substances 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002950 deficient Effects 0.000 claims abstract description 18
- 238000002591 computed tomography Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000005484 gravity Effects 0.000 claims abstract description 11
- 238000011065 in-situ storage Methods 0.000 claims abstract description 10
- 239000000463 material Substances 0.000 claims description 34
- 239000007769 metal material Substances 0.000 claims description 34
- 238000002474 experimental method Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 229910000838 Al alloy Inorganic materials 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 229910001095 light aluminium alloy Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开一种基于工业CT的金属内部缺陷危险源定位方法及***,方法具体为:对金属原位拉伸,间隔固定时间CT扫描,获取金属内部的二维图像,对其中的缺陷进行灰度分割,缺陷像素点空间聚类,三维面重建,计算缺陷基础特征数据;将每一个缺陷实例化为点云,采用点云配准技术,在设定空间球体范围内正向搜索与当前时刻的每个缺陷配准值最高的下一个时刻的缺陷点云,再反向递归查找每一个时刻引起最终断裂的所有缺陷集合;通过引力模型计算所有引发最终断裂缺陷的引力,对所计算的引力数据进行聚类分桶;对于新的缺陷,计算其引发最终断裂的引力,并判断其落在某一个引力分桶区间,判断其危险度级别,根据危险度级别进一步确定其是否为危险源。
Description
技术领域
本发明属于新材料生产、材料无损检测领域,具体涉及一种基于工业CT的金属内部缺陷危险源定位方法及***。
背景技术
现代工业技术的发展,对金属结构材料的性能要求越来越高。金属材料的塑性变形以及内部缺陷的形成与扩展,严重影响金属材料部件的设计功能与使用寿命。建模统计金属材料内部缺陷与引发最终断裂的潜在规律是近年来的研究重点,这对新材料的设计、生产和服役都有着重要指导意义。
金属材料受到外部载荷时,其内部缺陷会发生空间形态的变化,这些变化主要通过新缺陷的生成、单缺陷的扩展、多缺陷的融合导致。实验证明,在持续的外载下金属材料内部的绝大部分缺陷都处于缓慢变化的相对稳态,而引发金属材料最终失效的源头往往是其内部某一两个缺陷的形成和快速扩展。因此,若能在生产和服役的早期在定位出这些危险源,可大大提升产品的良品率,降低服役中失效的风险。
对于金属材料的塑性变形以及内部缺陷的探测,可以采取对关键区域取样,离线检测的方式进行,但是这种方式会破坏部件的完整性;一般的无损检测技术分辨率有限,无法识别对材料性能产生重要影响的微小缺陷。工业CT作为如今最好的无损检测技术之一,可对金属材料的结构、组成、缺陷情况以更加精细的二维断层图像及三维空间图像展示,已被广泛的用于新材料的研发和生产中。
通过持续的原位拉伸和固定间隔的CT扫描,可获取到金属材料内部全部缺陷的瞬时状态数据和形变过程数据。从瞬时状态来讲,缺陷的形状、位置、尺寸等单一特征信息都不能作为危险源的评价指标。同样,从形变过程来讲,缺陷的任何单一特征的变化梯度也不能明确的说明其是危险源。要精确的捕获材料缺陷危险源,需要更加有效的模型和方法。传统模型学习方法,或依赖于大量的特征工程或依赖于大量的标注样本,而在实际中,很难对某一种金属材料进行大量重复的实验来获取样本数据,这会消耗大量的时间和成本。
捕获金属材料的早期危险源,一般需要从金属的原始状态开始获取其缺陷的三维空间数据,并在持续的外载下计算其特征和行为,跟踪其形成与扩展,建立其形变与失效之间有效的关联关系。在众多的金属材料塑性变形检测技术中,工业CT作为一种非破坏的无损检测技术,可精确的获得到某一时刻金属内部各个缺陷的形状、位置、尺寸等空间几何特征。结合原位拉伸试验,固定间隔的采样扫描也可获取到金属内部各个缺陷的时间形变特征。此时,若要采用机器学习或深度学习的方法建模,仍存在以下问题:
1.传统分类模型,需要进行大量的特征工程来扩展原始特征,因为单一的特征或简单的特征组合无法确保危险源分类的准确性。深度学习模型,需要大量数据才能保证其泛化性和鲁棒性,而金属的原位拉伸、间隔扫描非常耗时,且对于个别金属材料,价格昂贵、成本很高,这些都对模型的建立造成了影响。
2.缺陷可能产生在拉伸过程中的任意时刻,同时,每个时刻缺陷的空间形态都在不停的发生变化。因此,跟踪和标记不同时刻的缺陷变化关系(如上一个时刻的缺陷2,3,5聚合为下一个时刻的缺陷1;上一个时刻的缺陷6扩展为下一个时刻的缺陷4)是建模的关键。传统通过全人工或者半人工(人工标注部分缺陷,再基于此先训练一个模型来自动化跟踪和标记其他缺陷)的方式。而拉伸过程中可能会产生数百个缺陷,在三维视图下,即使是少量的标记也是费时费力的。
3.对于金属材料内部缺陷危险源的早期定位,目前仍停留在主观分析上,主要依赖于计算缺陷的体积、面积、位置等特征或特征组合进行分析,没有统一的量化方法和标准。
4.传统的基于数据驱动的学习模型,模型越复杂,训练样本的需求量就越大。而要通过原位拉伸、间隔扫描的方式来获取训练样本,非常耗时,并且由于部分金属价格昂贵,大量的实验也不可行。
5.即使有条件进行了大量的实验,获取了大量的扫描样本数据,在三维视图下标记每一个缺陷的形变过程,也是一件费时费力的事情。
发明内容
为了解决现有技术中存在的问题,本发明提供一种基于工业CT的金属内部缺陷危险源定位方法及***,本发明正是针对金属内部缺陷危险源定位问题,结合材料领域对缺陷产生、扩展、引发断裂的先验知识,首先实现了金属的原位拉伸、间隔扫描场景下缺陷的自动跟踪和正向反向标记,同时提出了“金属缺陷引力分级模型”来确定早期危险源,该模型仅需进行少量的实验,并且在实际的应用中证明切实可行。
为了实现上述目的,本发明采用的技术方案是:一种基于工业CT的金属内部缺陷危险源定位方法,包括以下步骤:
S1,对金属原位拉伸,间隔固定时间CT扫描,获取每个时刻金属内部的二维图像;
S2,对二维图像中的缺陷进行灰度分割,缺陷像素点空间聚类,三维面重建,计算缺陷基础特征数据,得到三维空间聚类结果;
S3,基于三维空间聚类结果,将每一个缺陷实例化为点云,采用点云配准技术,在设定空间球体范围内正向搜索与当前时刻的每个缺陷配准值最高的下一个时刻的缺陷点云,再基于正向搜索结果,反向递归查找每一个时刻引起最终断裂的所有缺陷集合;
S4,通过引力模型计算所有引发最终断裂缺陷的引力,根据实际精细度的要求,对所计算的引力数据进行聚类分桶,每一个分桶为一个危险级别;
S5,对于新的缺陷,计算其引发最终断裂的引力,并判断其落在某一个引力分桶区间,判断其危险度级别,根据危险度级别进一步确定其是否为危险源。
缺陷基础特征数据包括缺陷体积、缺陷面积、缺陷坐标以及缺陷球度,
缺陷体积:像素点数×每个像素的体积,由CT机扫描参数得到;
缺陷面积:面重建后的小块区域面积积分,基于面重建结果计算得到;
缺陷球度:其中Sm为缺陷面积,Vm为缺陷体积。
S1中,在拉伸之前先采用工业CT对要分析的金属材料的原始状态扫描一次,得到原始状态下的二维断层图像集。
S2中,对二维图像中的缺陷进行灰度分割,缺陷像素点空间聚类具体如下:
对每一个二值化后的图像集,提取缺陷区域对应像素点的三维坐标x,y,z,其中x,y为缺陷像素点在图片中所处的坐标,z为该图片在图集中所处的层,将所有的缺陷像素点汇总成一个N×3的矩阵,再通过DBSCAN算法进行空间密度聚类,聚类后,三维空间中同一缺陷的所有像素点被标记为一类,不同缺陷的像素点标记为不同类,最后,为不同类别的像素点在二维图像中设置一个不同的像素值。
所述引力模型为:
其中,Vm为该缺陷的体积,n为该缺陷一定距离内其他缺陷的数量,sphericitym为该缺陷的球度,Vk表示该缺陷设定距离内其他缺陷的体积,其他缺陷与该缺陷的距离平方。
所述设定距离为可调节参数,设置为材料宽度的1/3。
S4具体如下:
将同一种要分析的材料进行数次拉伸实验,将每次拉伸实验中引起材料断裂的所有缺陷引力合并为一个n×1的向量,采用kmeans聚类算法,对所述一维向量进行数据分桶,分桶的数量为8~16,根据实际金属材料的特征,设置“总级别数/2”为危险临界点。
本发明还提供一种基于工业CT的金属内部缺陷危险源定位***,包括图像获取模块、聚类模块、缺陷标定模块、分桶模块以及分级定位模块;
图像获取模块用于获取对金属原位拉伸,间隔固定时间CT扫描时每个时刻金属内部的二维图像;
聚类模块用于对二维图像中的缺陷进行灰度分割,缺陷像素点空间聚类,三维面重建,计算缺陷基础特征数据,得到三维空间聚类结果;
缺陷标定模块用于基于三维空间聚类结果,将每一个缺陷实例化为点云,采用点云配准技术,在设定空间球体范围内正向搜索与当前时刻的每个缺陷配准值最高的下一个时刻的缺陷点云,再基于正向搜索结果,反向递归查找每一个时刻引起最终断裂的所有缺陷集合;
分桶模块用于通过引力模型计算所有引发最终断裂缺陷的引力,根据实际精细度的要求,对所计算的引力数据进行聚类分桶,每一个分桶为一个危险级别;
分级定位模块用于对于新的缺陷,计算其引发最终断裂的引力,并判断其落在某一个引力分桶区间,判断其危险度级别,根据危险度级别进一步确定其是否为危险源。
另外,本发明还提供一种计算机设备,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取所述计算机可执行程序并执行,处理器执行计算可执行程序时能实现本文所述基于工业CT的金属内部缺陷危险源定位方法。
同时可以提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现本文所述的基于工业CT的金属内部缺陷危险源定位方法。
与现有技术相比,本发明至少具有以下有益效果:本发明结合材料领域对缺陷的先验认知,针对金属内部缺陷危险源定位的相关问题进行研究,基于导致金属缺陷不断扩展到失效的核心原因一方面是缺陷自身的某些特征,同时,其对周围缺陷的不断吸引和融合,本发明提出了“金属缺陷引力分级模型”,参考万有引力,每一个缺陷在拉伸的过程中都对周围的缺陷有一定的吸引力,引力越大,对周围缺陷的融合性越高,在持续的作用力下扩展为大缺陷的机率也越高,通过自动化的跟踪和正反向标记所有缺陷,并对引发断裂的缺陷引力进行分级,将分级信息应用于新的样品中来确定危险源;本发明采用原为拉伸、间隔扫描的方法来获取实验数据,并且从CT扫描后二维图像的三维表示到确定引发材料断裂的缺陷标记都采用自动化的方式,省去了大量的人工成本;
以自动化的方式跟踪和标记了金属内部缺陷的多维特征和形变过程,并基于此提供了金属失效早期危险源定位的方法,对新材料研发、生产、服役过程中的强度评估、良品检测、失效预判都有着重要的意义。
本发明结合了材料领域的先验知识,率先提出了“金属缺陷引力分级模型”来定位材料内部的早期危险源,无需进行大量的实验,收集大量的数据进行复杂模型的训练,大大的节省了时间并且降低了成本。
附图说明
图1为金属材料原位拉伸、间隔扫描流程示意图。
图2为扫描图像的二值分割流程示意图。
图3为缺陷像素点的三维空间聚类流程示意图。
图4为缺陷正向,反向查找示意图。
图5为缺陷引力分级模型步骤示意图。
图6为实施例对2024航空铝合金每一次的拉伸后的材料状态进行CT扫描的二维图像。
图7为对2024航空铝合金每一次的拉伸后的材料状态进行CT扫描的二维图像采用缺陷空间聚类后的结果。
图8为对缺陷空间聚类后的结果基于正向追踪标记的结果。
图9为采用kmeans聚类算法对缺陷的引力进行等级分桶的结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明所提供的一种基于工业CT的金属内部缺陷危险源定位方法,包括以下步骤:
S1:首先采用工业CT对要分析的金属材料的原始状态扫描一次,然后,采用原位拉伸机对材料施加固定时长的应力后,再进行一次CT扫描。循环以上操作,直至金属材料出现断裂,如图一所示,每一次扫描都可以获取到金属内部某个状态下的二维断层图像集
S2:通过Ostu阈值分割技术对所述二维断层图像集中的每一张图像进行缺陷二值分割,分割后图像变为二值图,其中缺陷区域的像素值为255,其他区域的像素值都为0。如图2所示。
S3:对每一个二值化后的图像集,提取缺陷区域对应像素点的三维坐标x,y,z,其中x,y为缺陷像素点在图片中所处的坐标,z为该图片在图集中所处的层;将所有的缺陷像素点汇总成一个N×3的矩阵,再通过DBSCAN算法进行空间密度聚类,聚类后,三维空间中同一缺陷的所有像素点被标记为一类,不同缺陷的像素点被标记为不同类。最后,给不同类别的像素点在二维图像中设置一个不同的像素值(0~255),如图3所示。
S4:根据所述不同缺陷设置不同的像素值,基于面重建算法进行特定缺陷的面重建,并且计算每个缺陷的体积、面积以及球度基础特征。
缺陷体积:像素点数×每个像素的体积(CT机扫描参数给出)
缺陷面积:面重建后的小块区域面积积分(面重建结果)
缺陷球度:其中Sm为缺陷面积,Vm为缺陷体积
S5:将缺陷的三维空间坐标实例化为点云。由于相邻两次拉伸扫描,缺陷的位置和形态变化不会太大,且缺陷只会扩展、融合不会消失,因此,从材料的原始状态开始循环前一个时刻每个缺陷,并在下一个时刻一定球体空间范围内通过点云配准技术,查找的与之最为匹配的缺陷点云,直到材料断裂状态,以上为正向匹配追踪标记。最后,再基于正向匹配的数据,反向递归查找引起断裂的每一时刻引发材料断裂的所有缺陷。如图4所示。
S6:根据S5获取到了每个时刻引发材料断裂的所有缺陷,引入引力模型公式,计算这些缺陷的引力:
其中,Vm为该缺陷的体积,n为该缺陷一定距离内其他缺陷的数量,sphericitym为该缺陷的球度,Vk表示该缺陷一定距离内其他缺陷的体积,其他缺陷与该缺陷的距离平方。注:“一定距离”为可调节参数,一般设置为材料二维宽度的1/3,材料宽度为可通过拉伸机状态测量获得。
S7:将同一种要分析的材料进行少量拉伸实验(一般为3次),将每次拉伸实验中引起材料断裂的所有缺陷引力合并为一个n×1的向量。采用kmeans聚类算法,对此一维向量进行数据分桶,分桶的数量一般为8~16,分桶的结果作为缺陷危险等级划分。根据实际金属材料的特点,一般设置“总级别数/2”为危险临界点。
S8:对于一个生产或使用初期待评价的金属材料,通过CT扫描计算其内部缺陷引力是否大于或者等于危险临界点,说明其为早期危险源,并可评价其危险级别;步骤S6、S7、S8如图5所示。
基于本发明所述方法,对2024航空铝合金进行拉伸、扫描实验。从原始状态到最终断裂一共拉伸了6次,扫描了7次。详细结果如下:
参考图6,对2024航空铝合金每一次的拉伸后的材料状态进行CT扫描,获取到二维图像后,利用Ostu阈值分割技术进行二值分割。对分割后的缺陷像素点进行DBSCAN空间密度聚类,最后对聚类后的结果进行三维重建展示,相对深色区域为各状态下缺陷簇。
参考图7,采用缺陷空间聚类后的结果,将每一个缺陷初始化为点云,并且在该缺陷一定球体空间范围内进行点云配准,正向追踪每一个缺陷扩展过程(箭头表示某缺陷的追踪过程)。
参考图8,基于正向追踪标记的结果,定位断裂缺陷位置,再通过反向递归查找的方法,查找材料在每一个拉伸状态下引起最终断裂的所有缺陷,箭头表示每个状态下引起断裂的所有缺点簇。
参考图9,通过计算每一个缺陷的引力,采用kmeans聚类算法对缺陷的引力进行等级分桶,将“总级别数/2”设置为危险临界点。用空间球的半径大小和颜色代表引力大小、级别和缺陷危险度。
同时本发明提供一种基于工业CT的金属内部缺陷危险源定位***,包括图像获取模块、聚类模块、缺陷标定模块、分桶模块以及分级定位模块;
图像获取模块用于获取对金属原位拉伸,间隔固定时间CT扫描时每个时刻金属内部的二维图像;
聚类模块用于对二维图像中的缺陷进行灰度分割,缺陷像素点空间聚类,三维面重建,计算缺陷基础特征数据,得到三维空间聚类结果;
缺陷标定模块用于基于三维空间聚类结果,将每一个缺陷实例化为点云,采用点云配准技术,在设定空间球体范围内正向搜索与当前时刻的每个缺陷配准值最高的下一个时刻的缺陷点云,再基于正向搜索结果,反向递归查找每一个时刻引起最终断裂的所有缺陷集合;
分桶模块用于通过引力模型计算所有引发最终断裂缺陷的引力,根据实际精细度的要求,对所计算的引力数据进行聚类分桶,每一个分桶为一个危险级别;
分级定位模块用于对于新的缺陷,计算其引发最终断裂的引力,并判断其落在某一个引力分桶区间,判断其危险度级别,根据危险度级别进一步确定其是否为危险源。
另外,本发明还可以提供一种计算机设备,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现本发明所述基于工业CT的金属内部缺陷危险源定位方法。
另一方面,本发明提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现本发明所述的基于工业CT的金属内部缺陷危险源定位方法。
所述计算机设备可以采用笔记本电脑、桌面型计算机或工作站。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器,可以是笔记本电脑、桌面型计算机或工作站的内部存储单元,如内存、硬盘;也可以采用外部存储单元,如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。
Claims (8)
1.一种基于工业CT的金属内部缺陷危险源定位方法,其特征在于,包括以下步骤:
S1,对金属原位拉伸,间隔固定时间CT扫描,获取每个时刻金属内部的二维图像;
S2,对二维图像中的缺陷进行灰度分割,缺陷像素点空间聚类,三维面重建,计算缺陷基础特征数据,得到三维空间聚类结果;
S3,基于三维空间聚类结果,将每一个缺陷实例化为点云,采用点云配准技术,在设定空间球体范围内正向搜索与当前时刻的每个缺陷配准值最高的下一个时刻的缺陷点云,再基于正向搜索结果,反向递归查找每一个时刻引起最终断裂的所有缺陷集合;
S4,通过引力模型计算所有引发最终断裂缺陷的引力,根据实际精细度的要求,对所计算的引力数据进行聚类分桶,每一个分桶为一个危险级别;所述引力模型为:
其中,为该缺陷的体积,n为该缺陷一定距离内其他缺陷的数量,/>为该缺陷的球度,/>表示该缺陷设定距离内其他缺陷的体积,/>其他缺陷与该缺陷的距离平方;
将同一种要分析的材料进行数次拉伸实验,将每次拉伸实验中引起材料断裂的所有缺陷引力合并为一个n1×1的向量,采用kmeans聚类算法,对所述一维向量进行数据分桶,分桶的数量为8~16,根据实际金属材料的特征,设置“总级别数/2”为危险临界点;
S5,对于新的缺陷,计算其引发最终断裂的引力,并判断其落在某一个引力分桶区间,判断其危险度级别,根据危险度级别进一步确定其是否为危险源。
2.根据权利要求1所述的基于工业CT的金属内部缺陷危险源定位方法,其特征在于,缺陷基础特征数据包括缺陷体积、缺陷面积、缺陷坐标以及缺陷球度,
缺陷体积:像素点数×每个像素的体积,由CT机扫描参数得到;
缺陷面积:面重建后的小块区域面积积分,基于面重建结果计算得到;
缺陷球度:,其中/>为缺陷面积,/>为缺陷体积。
3.根据权利要求1所述的基于工业CT的金属内部缺陷危险源定位方法,其特征在于,S1中,在拉伸之前先采用工业CT对要分析的金属材料的原始状态扫描一次,得到原始状态下的二维断层图像集。
4.根据权利要求1所述的基于工业CT的金属内部缺陷危险源定位方法,其特征在于,S2中,对二维图像中的缺陷进行灰度分割,缺陷像素点空间聚类具体如下:
对每一个二值化后的图像集,提取缺陷区域对应像素点的三维坐标x,y,z,其中x,y为缺陷像素点在图片中所处的坐标,z为该图片在图集中所处的层,将所有的缺陷像素点汇总成一个N×3的矩阵,再通过DBSCAN算法进行空间密度聚类,聚类后,三维空间中同一缺陷的所有像素点被标记为一类,不同缺陷的像素点标记为不同类,最后,为不同类别的像素点在二维图像中设置一个不同的像素值。
5.根据权利要求1所述的基于工业CT的金属内部缺陷危险源定位方法,其特征在于,所述设定距离为可调节参数,设置为材料宽度的1/3。
6.一种基于工业CT的金属内部缺陷危险源定位***,其特征在于,包括图像获取模块、聚类模块、缺陷标定模块、分桶模块以及分级定位模块;
图像获取模块用于获取对金属原位拉伸,间隔固定时间CT扫描时每个时刻金属内部的二维图像;
聚类模块用于对二维图像中的缺陷进行灰度分割,缺陷像素点空间聚类,三维面重建,计算缺陷基础特征数据,得到三维空间聚类结果;
缺陷标定模块用于基于三维空间聚类结果,将每一个缺陷实例化为点云,采用点云配准技术,在设定空间球体范围内正向搜索与当前时刻的每个缺陷配准值最高的下一个时刻的缺陷点云,再基于正向搜索结果,反向递归查找每一个时刻引起最终断裂的所有缺陷集合;
分桶模块用于通过引力模型计算所有引发最终断裂缺陷的引力,根据实际精细度的要求,对所计算的引力数据进行聚类分桶,每一个分桶为一个危险级别;所述引力模型为:
其中,为该缺陷的体积,n为该缺陷一定距离内其他缺陷的数量,/>为该缺陷的球度,/>表示该缺陷设定距离内其他缺陷的体积,/>其他缺陷与该缺陷的距离平方;
将同一种要分析的材料进行数次拉伸实验,将每次拉伸实验中引起材料断裂的所有缺陷引力合并为一个n1×1的向量,采用kmeans聚类算法,对所述一维向量进行数据分桶,分桶的数量为8~16,根据实际金属材料的特征,设置“总级别数/2”为危险临界点;
分级定位模块用于对于新的缺陷,计算其引发最终断裂的引力,并判断其落在某一个引力分桶区间,判断其危险度级别,根据危险度级别进一步确定其是否为危险源。
7.一种计算机设备,其特征在于,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取所述计算机可执行程序并执行,处理器执行计算可执行程序时能实现权利要求1至5中任一项所述基于工业CT的金属内部缺陷危险源定位方法。
8.一种计算机可读存储介质,其特征在于,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现如权利要求1至5中任一项所述的基于工业CT的金属内部缺陷危险源定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210719225.7A CN115035081B (zh) | 2022-06-23 | 2022-06-23 | 一种基于工业ct的金属内部缺陷危险源定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210719225.7A CN115035081B (zh) | 2022-06-23 | 2022-06-23 | 一种基于工业ct的金属内部缺陷危险源定位方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035081A CN115035081A (zh) | 2022-09-09 |
CN115035081B true CN115035081B (zh) | 2024-03-01 |
Family
ID=83127750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210719225.7A Active CN115035081B (zh) | 2022-06-23 | 2022-06-23 | 一种基于工业ct的金属内部缺陷危险源定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035081B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400028B (zh) * | 2023-05-29 | 2023-08-22 | 湖南汇湘轩生物科技股份有限公司 | 一种基于气味传感器的香精质量检测方法、***及介质 |
CN117635543B (zh) * | 2023-11-09 | 2024-04-30 | 西安交通大学 | 一种金属内部缺陷正向追踪和故障反向定位方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1600351A1 (en) * | 2004-04-01 | 2005-11-30 | Heuristics GmbH | Method and system for detecting defects and hazardous conditions in passing rail vehicles |
CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
CN113516650A (zh) * | 2021-07-30 | 2021-10-19 | 深圳康微视觉技术有限公司 | 基于深度学习的电路板塞孔缺陷检测方法及装置 |
CN113592862A (zh) * | 2021-09-27 | 2021-11-02 | 武汉科技大学 | 钢板表面缺陷的点云数据分割方法、***、设备、介质 |
CN113592845A (zh) * | 2021-08-10 | 2021-11-02 | 深圳市华汉伟业科技有限公司 | 一种电池涂布的缺陷检测方法及装置、存储介质 |
JP2021180309A (ja) * | 2020-05-15 | 2021-11-18 | 清華大学Tsinghua University | 深層学習に基づく2次元pcb外観欠陥のリアルタイム自動検出方法 |
CN114202470A (zh) * | 2021-11-12 | 2022-03-18 | 江苏核电有限公司 | 一种压力容器主螺栓孔螺纹三维重建及缺陷自动识别方法 |
CN114519472A (zh) * | 2022-04-20 | 2022-05-20 | 南京信息工程大学 | 一种基于三维模型的应急管理监测方法 |
CN114549355A (zh) * | 2022-02-18 | 2022-05-27 | 中交元洋(大连)桥梁水下检测有限公司 | 一种利用三维声纳获取水下桥墩的三维缺陷信息的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018208791A1 (en) * | 2017-05-08 | 2018-11-15 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
US10969771B2 (en) * | 2019-06-12 | 2021-04-06 | Edison Welding Institute, Inc. | Computed tomography for non-destructive evaluation of manufactured parts |
US20210010953A1 (en) * | 2019-07-12 | 2021-01-14 | SVXR, Inc. | Methods and Systems for Defects Detection and Classification Using X-rays |
-
2022
- 2022-06-23 CN CN202210719225.7A patent/CN115035081B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1600351A1 (en) * | 2004-04-01 | 2005-11-30 | Heuristics GmbH | Method and system for detecting defects and hazardous conditions in passing rail vehicles |
CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
JP2021180309A (ja) * | 2020-05-15 | 2021-11-18 | 清華大学Tsinghua University | 深層学習に基づく2次元pcb外観欠陥のリアルタイム自動検出方法 |
CN113516650A (zh) * | 2021-07-30 | 2021-10-19 | 深圳康微视觉技术有限公司 | 基于深度学习的电路板塞孔缺陷检测方法及装置 |
CN113592845A (zh) * | 2021-08-10 | 2021-11-02 | 深圳市华汉伟业科技有限公司 | 一种电池涂布的缺陷检测方法及装置、存储介质 |
CN113592862A (zh) * | 2021-09-27 | 2021-11-02 | 武汉科技大学 | 钢板表面缺陷的点云数据分割方法、***、设备、介质 |
CN114202470A (zh) * | 2021-11-12 | 2022-03-18 | 江苏核电有限公司 | 一种压力容器主螺栓孔螺纹三维重建及缺陷自动识别方法 |
CN114549355A (zh) * | 2022-02-18 | 2022-05-27 | 中交元洋(大连)桥梁水下检测有限公司 | 一种利用三维声纳获取水下桥墩的三维缺陷信息的方法 |
CN114519472A (zh) * | 2022-04-20 | 2022-05-20 | 南京信息工程大学 | 一种基于三维模型的应急管理监测方法 |
Non-Patent Citations (2)
Title |
---|
Three-Dimensional Characterization of Defects in Continuous Casting Blooms of Heavy Rail Steel Using X-ray Computed Tomography;LINGXIAO CUI等;《METALLURGICAL AND MATERIALS TRANSACTIONS B》;第52B卷;第1-14页 * |
构件内部裂纹缺陷的三维重建;贾超;邢晶晶;王耀坤;;计算机仿真(第12期);第249-252页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115035081A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115035081B (zh) | 一种基于工业ct的金属内部缺陷危险源定位方法及*** | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN111415329B (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
CN113298757A (zh) | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及*** | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
JP2021190716A5 (zh) | ||
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及*** | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
Jin et al. | End Image Defect Detection of Float Glass Based on Faster Region-Based Convolutional Neural Network. | |
CN111879972A (zh) | 基于ssd网络模型的工件表面缺陷检测方法及*** | |
Muresan et al. | Automatic vision inspection solution for the manufacturing process of automotive components through plastic injection molding | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
Yang et al. | Defect detection scheme of pins for aviation connectors based on image segmentation and improved RESNET-50 | |
CN113628252A (zh) | 一种基于热成像视频的泄漏气体云团检测方法 | |
CN113506281A (zh) | 一种基于深度学习框架的桥梁裂缝检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |