销售热线：158-1687-3821
销售热线：158-1687-3821
激光功率过高，金属液体成型较慢，更容易与周围相邻的单元细胞结构发生黏连现象或者单元细胞支杆、连接杆上出现悬垂现象。当激光功率过低时，金属粉末则不能被完全被熔融，会产生结构断裂、区域空白等问题。
缺陷具有空间立体性，CT扫描图像是二维灰度图像，因此缺陷并不能通过单一的某张CT扫描图像将完整的缺陷形态展现出来。CT扫描检测仪是对样件等间距扫描，每两张相邻的CT扫描图像之间存在0.1mm的微小间距。随着CT扫描缺陷方向的改变，缺陷在不同的CT图像之间也会呈现不同的形态。一般来讲，缺陷存在一个渐变的过程，从缺陷部位开始出现到逐渐清晰，展现出缺陷的最大处的形态特征，随着CT扫描过程的继续，缺陷部位在CT图像中会逐渐缩小，直到检测到完好区域的结构时缺陷完全消失。
点阵结构内部的缺陷还具有随机性与不可复制性，缺陷的产生主要是由工艺工程中的不稳定因素所造成的，很难通过人工设计出两个内部缺陷数目、形态、位置完全相同的点阵结构，因此在进行缺陷检测时保护点阵结构的完整性是首要条件。点阵结构内部缺陷的立体性导致在CT图像上呈现的连续性、渐变性对缺陷的识别带来了很大困扰，因此需要注重在利用缺陷区域与完好区域差异性的同时克服缺陷形态变化带来的识别不便问题。
利用工业CT检测技术对选取的钛合金点阵结构样本进行层析扫描，三维重建技术得到金属点阵结构样本的内部图像，针对点阵结构内部图像中缺陷的智能识别与定位展开了研究。
根据重建后的点阵结构样件内部图像中的缺陷区域与无缺陷区域灰度值存在差异性，提出了一种滑动窗口自动识别缺陷的方法，建立了缺陷识别规则，可以有效的对点阵结构内部缺陷进行统计以及定位。
滑动窗口(Sliding Window)一般用于解决系统通信问题，按照特定的子列沿着规定的方向逐渐遍历整个列表，达到将嵌套的循环问题降低为单循环问题的目的，从而解决通信过程中数组或字符串的子元素问题。当窗口在滑动过程中，若遇到规定字符或者满足其它截止条件时，窗口便停止滑动。
由于选取的钛合金点阵结构样件内部周期性排列，工业CT断层扫描钛合金点阵结构内部后重建得到的图像中的灰度值应该同样是有序排列，在一定尺寸的窗口内部灰度值的和应该是相等的。但是，在实际工业CT扫描过程中，由于管电流、扫描时间、探测器灵敏度等因素，重建得到的图像中的灰度值分布并不均匀。所以，滑动窗口的尺寸是滑动窗口识别缺陷方法的关键之一。另外，窗口中包含的像素数目的多少对缺陷识别率和计算速度也有一定的影响。以各窗口内灰度值之间的标准差作为判断图像灰度值分布的标准。窗口内像素点的标准差越小，说明窗口内的灰度值越接近，分布越均匀，像素个数越合适。
当使用通过标准差确定的尺寸的窗口去遍历所有的样件内部结构断层图像去识别缺陷时，可能在部分有部分图像检测过程中出现阴影，影响缺陷的识别结果。因此，需要对通过标准差确定的初始窗口进行一些必要处理。本文通过对初始窗口进行不同程度的扩展，通过实验选择最佳窗口尺寸。扩展的方式是根据实际图像将两个或多个横向相邻的初始窗口融合成一个新的滑动窗口。
但实际图像中，灰度值分布总会存在一定的差异，所以在误差可接受范围内，判定该区域不存在缺陷。误差可接受范围记为阈值t，当纵向差值小于阈值t时，该区域为无缺陷区域；当纵向差值大于阈值t时，该区域则为缺陷区域，对该区域进行定位。
工业CT在扫描点阵结构时，由于设备本身的管电流、探测器孔径、射线源尺寸等等技术参数的设置会影响点阵结构的扫描图像含有不同程度的噪声。为了验证滑动窗口检测缺陷方法对含有不同程度噪声的扫描图像中缺陷识别的稳定性和抗噪能力，选取了含不同等级的高斯噪声和椒盐噪声的CT断层扫描图像开展缺陷检测效果实验。
椒盐噪声会导致CT扫描重建图像中随机出现像素的增加或减小，对CT图像的灰度特征影响较大。滑动窗口在检测缺陷时，干扰区域将会增大，导致在判定缺陷边缘时容易出现误判。相对与高斯噪声来说，滑动窗口缺陷检测方法对于椒盐噪声的抗干扰性要低。在检测0.6及以下CT噪声图像时，方法均可以正确识别出缺陷及定位。只有在噪声级达到0.7以上时，才会出现缺陷误报的情况。实验结果表明，当图像噪声过大时，通过选择合适的滤波算法可以有效提高图像中缺陷的识别率。
利用缺陷破坏钛合金点阵结构的CT图像的有序排列的特性，利用滑动窗口的方式检测出区别于完整区域的缺陷部位，并通过纵向差分建立了缺陷识别规则，实现了钛合金点阵结构CT图像中缺陷的自动识别和定位。通过噪声实验验证了滑动窗口检测缺陷方法的稳定性，合理的设置阈值可以有效的抵抗高斯噪声对图像中缺陷识别准确率的干扰。对于一些干扰较大的噪声也可以通过设置去噪算法提高图像质量，从而达到提高缺陷识别准确度的目的，满足工业领域检测精度需求。所提方法对点阵结构内部缺陷的自动标记提供有效方案，同时也为点阵结构的优化设计和质量评价提供了技术支持。
为了实现区分不同类型的微小缺陷，本章根据样件结构内部不同类型缺陷在重建图像中特征不一致的特性，结合深度学习，利用神经卷积网络提取缺陷特征，通过超分辨率重建网络对微小缺陷感兴趣区域进行放大，增强微小缺陷的细节信息，便于微小缺陷的特征提取，有利于更准确的对微小缺陷进行分类识别，最终达到缺陷分类识别的目的。
上一篇：3D打印赋能三维石墨烯材料的创新应用
下一篇：3D打印点阵结构内部缺陷检测研究
