銷售熱線：158-1687-3821
銷售熱線：158-1687-3821
激光功率過高，金屬液體成型較慢，更容易與周圍相鄰的單元細胞結構發生黏連現象或者單元細胞支桿、連接桿上出現懸垂現象。當激光功率過低時，金屬粉末則不能被完全被熔融，會產生結構斷裂、區域空白等問題。
缺陷具有空間立體性，CT掃描圖像是二維灰度圖像，因此缺陷并不能通過單一的某張CT掃描圖像將完整的缺陷形態展現出來。CT掃描檢測儀是對樣件等間距掃描，每兩張相鄰的CT掃描圖像之間存在0.1mm的微小間距。隨著CT掃描缺陷方向的改變，缺陷在不同的CT圖像之間也會呈現不同的形態。一般來講，缺陷存在一個漸變的過程，從缺陷部位開始出現到逐漸清晰，展現出缺陷的最大處的形態特征，隨著CT掃描過程的繼續，缺陷部位在CT圖像中會逐漸縮小，直到檢測到完好區域的結構時缺陷完全消失。
點陣結構內部的缺陷還具有隨機性與不可復制性，缺陷的產生主要是由工藝工程中的不穩定因素所造成的，很難通過人工設計出兩個內部缺陷數目、形態、位置完全相同的點陣結構，因此在進行缺陷檢測時保護點陣結構的完整性是首要條件。點陣結構內部缺陷的立體性導致在CT圖像上呈現的連續性、漸變性對缺陷的識別帶來了很大困擾，因此需要注重在利用缺陷區域與完好區域差異性的同時克服缺陷形態變化帶來的識別不便問題。
利用工業CT檢測技術對選取的鈦合金點陣結構樣本進行層析掃描，三維重建技術得到金屬點陣結構樣本的內部圖像，針對點陣結構內部圖像中缺陷的智能識別與定位展開了研究。
根據重建后的點陣結構樣件內部圖像中的缺陷區域與無缺陷區域灰度值存在差異性，提出了一種滑動窗口自動識別缺陷的方法，建立了缺陷識別規則，可以有效的對點陣結構內部缺陷進行統計以及定位。
滑動窗口(Sliding Window)一般用于解決系統通信問題，按照特定的子列沿著規定的方向逐漸遍歷整個列表，達到將嵌套的循環問題降低為單循環問題的目的，從而解決通信過程中數組或字符串的子元素問題。當窗口在滑動過程中，若遇到規定字符或者滿足其它截止條件時，窗口便停止滑動。
由于選取的鈦合金點陣結構樣件內部周期性排列，工業CT斷層掃描鈦合金點陣結構內部后重建得到的圖像中的灰度值應該同樣是有序排列，在一定尺寸的窗口內部灰度值的和應該是相等的。但是，在實際工業CT掃描過程中，由于管電流、掃描時間、探測器靈敏度等因素，重建得到的圖像中的灰度值分布并不均勻。所以，滑動窗口的尺寸是滑動窗口識別缺陷方法的關鍵之一。另外，窗口中包含的像素數目的多少對缺陷識別率和計算速度也有一定的影響。以各窗口內灰度值之間的標準差作為判斷圖像灰度值分布的標準。窗口內像素點的標準差越小，說明窗口內的灰度值越接近，分布越均勻，像素個數越合適。
當使用通過標準差確定的尺寸的窗口去遍歷所有的樣件內部結構斷層圖像去識別缺陷時，可能在部分有部分圖像檢測過程中出現陰影，影響缺陷的識別結果。因此，需要對通過標準差確定的初始窗口進行一些必要處理。本文通過對初始窗口進行不同程度的擴展，通過實驗選擇最佳窗口尺寸。擴展的方式是根據實際圖像將兩個或多個橫向相鄰的初始窗口融合成一個新的滑動窗口。
但實際圖像中，灰度值分布總會存在一定的差異，所以在誤差可接受范圍內，判定該區域不存在缺陷。誤差可接受范圍記為閾值t，當縱向差值小于閾值t時，該區域為無缺陷區域；當縱向差值大于閾值t時，該區域則為缺陷區域，對該區域進行定位。
工業CT在掃描點陣結構時，由于設備本身的管電流、探測器孔徑、射線源尺寸等等技術參數的設置會影響點陣結構的掃描圖像含有不同程度的噪聲。為了驗證滑動窗口檢測缺陷方法對含有不同程度噪聲的掃描圖像中缺陷識別的穩定性和抗噪能力，選取了含不同等級的高斯噪聲和椒鹽噪聲的CT斷層掃描圖像開展缺陷檢測效果實驗。
椒鹽噪聲會導致CT掃描重建圖像中隨機出現像素的增加或減小，對CT圖像的灰度特征影響較大?；瑒哟翱谠跈z測缺陷時，干擾區域將會增大，導致在判定缺陷邊緣時容易出現誤判。相對與高斯噪聲來說，滑動窗口缺陷檢測方法對于椒鹽噪聲的抗干擾性要低。在檢測0.6及以下CT噪聲圖像時，方法均可以正確識別出缺陷及定位。只有在噪聲級達到0.7以上時，才會出現缺陷誤報的情況。實驗結果表明，當圖像噪聲過大時，通過選擇合適的濾波算法可以有效提高圖像中缺陷的識別率。
利用缺陷破壞鈦合金點陣結構的CT圖像的有序排列的特性，利用滑動窗口的方式檢測出區別于完整區域的缺陷部位，并通過縱向差分建立了缺陷識別規則，實現了鈦合金點陣結構CT圖像中缺陷的自動識別和定位。通過噪聲實驗驗證了滑動窗口檢測缺陷方法的穩定性，合理的設置閾值可以有效的抵抗高斯噪聲對圖像中缺陷識別準確率的干擾。對于一些干擾較大的噪聲也可以通過設置去噪算法提高圖像質量，從而達到提高缺陷識別準確度的目的，滿足工業領域檢測精度需求。所提方法對點陣結構內部缺陷的自動標記提供有效方案，同時也為點陣結構的優化設計和質量評價提供了技術支持。
為了實現區分不同類型的微小缺陷，本章根據樣件結構內部不同類型缺陷在重建圖像中特征不一致的特性，結合深度學習，利用神經卷積網絡提取缺陷特征，通過超分辨率重建網絡對微小缺陷感興趣區域進行放大，增強微小缺陷的細節信息，便于微小缺陷的特征提取，有利于更準確的對微小缺陷進行分類識別，最終達到缺陷分類識別的目的。
上一篇：3D打印賦能三維石墨烯材料的創新應用
下一篇：3D打印點陣結構內部缺陷檢測研究
