基于X射线正弦图的增材器件内部结构几何参数测量方法技术

本发明专利技术的目的在于提供一种基于X射线正弦图的增材器件内部结构几何参数测量方法，该方法首先利用增材器件的CAD信息构建仿真模体获取正弦图，输入基于U

【技术实现步骤摘要】
基于X射线正弦图的增材器件内部结构几何参数测量方法


[0001]本专利技术涉及增材制造的无损检测
，具体涉及一种基于X射线正弦图的增材器件内部结构几何参数测量方法。

技术介绍

[0002]增材制造技术以其成型过程中自动化程度高、可制作复杂的模型或零件等优点，在航空航天、汽车制造、生物医学等领域有着广泛的应用。但是由于目前增材制造工艺水平的限制，增材器件最后成型的几何参数于前期的CAD图纸几何参数存在一定的差异，这种差异会严重影响增材器件的强度和零件之间的匹配程度。所以增材器件的几何参数测量显得尤为重要。
[0003]XCT技术作为一种无损检测方法，可以对增材器件内部结构进行几何参数测量。目前，已有的测量方法是通过重建器件的三维结构，进一步实现几何参数测量。重建过程不仅会增加时间成本，降低测量效率，同时也会引入伪影，影响最终测量结果的准确性。

技术实现思路

[0004]本专利技术的目的在于提出一种基于X射线正弦图的增材器件内部几何参数测量方法，该方法可以通过增材器件的正弦图，从而测量得到增材器件的内部结构几何参数，在减少测量时间的同时提高了测量的准确性。
[0005]为了实现上述目的，本专利技术提供了一种基于X射线正弦图的增材器件内部结构几何参数测量方法，包括以下步骤：
[0006]1、基于增材器件的三维CAD信息构建仿真模体，对仿真模体进行X射线扫描，获取器件的整体正弦图和感兴趣结构的正弦图。
[0007]2、对感兴趣结构的正弦图进行裁剪和变换：首先计算出正弦图中每一行投影数据的加权平均数对应的坐标，然后再每一行中以此坐标为基准，左右各取部分像素，组成新的正弦图，并将正弦图重新排列成方阵。
[0008]3、对基于U
‑
Net结构的神经网络和基于FNN结构的神经网络进行训练。其中基于U
‑
Net结构的神经网络的训练集为仿真模体整体结构的正弦图、仿真模体感兴趣结构的正弦图以及该神经网络输出的正弦图，基于FNN结构的神经网络的训练集为仿真模体感兴趣结构的正弦图、增材器件CAD图纸中感兴趣结构的几何参数以及神经网络输出的正弦图。
[0009]4、X射线扫描增材器件实物，将正弦图输入基于U
‑
Net结构的神经网络，得到感兴趣结构的正弦图。为了减少计算量，对感兴趣结构的正弦图进行裁剪和变换，得到新的正弦图，经过基于FNN结构的神经网络，计算出增材器件内部结构几何参数信息。
[0010]可选地，步骤1中，仿真实验所需的仿真模体是使用增材器件自带的三维CAD信息直接构建，无需单独设计。
[0011]可选地，步骤2中，按照以下公式计算出正弦图中每一行投影数据的加权平均数对应的坐标：
[0012][0013]其中：
[0014]x
c
：正弦图中每一行投影数据的加权平均数对应的坐标值
[0015]x：正弦图中每一行数据对应的坐标值
[0016]p(x)：正弦图每一行中每个坐标值对应的投影值
[0017]左右各取像素的个数用M表示，计算公式为：
[0018][0019]其中：
[0020]n：经验值，这里取值0.8
[0021]SIZE：增材器件内部结构的CAD尺寸
[0022]p：探测器的像素尺寸
[0023]SDD：射线源到探测器的距离
[0024]SOD：射线源到被扫描样品旋转中心的距离
[0025]可选地，步骤3中，基于U
‑
Net结构的神经网络和基于FNN结构的神经网络根据训练集，可以得到各自的损失函数，分别称为LossFun1和LossFun2，两个神经网络损失函数之和称为LossFun，设计如下关系：
[0026]LossFun＝μ1LossFun1+μ2LossFun2
[0027]其中：
[0028]LossFun1：基于U
‑
Net结构的神经网络的损失函数
[0029]LossFun2：基于FNN结构的神经网络的损失函数
[0030]μ1：基于U
‑
Net结构的神经网络损失函数的权重
[0031]μ2：基于FNN结构的神经网络损失函数的权重
[0032]对基于U
‑
Net结构的神经网络和基于FNN结构的神经网络进行训练，使得LossFun取得最小值。其中μ1、μ2的取值由经验值获得。
[0033]可选地，步骤4中，对于增材器件内部为多个空心立柱的部件，模体的材料为钛合金、铝合金、镍、铬中的任意一种，可以得到其面内几何参数包括：空心立柱的半径、周长、表面积，空间几何参数包括：壁厚、高、体积，以及结构间几何参数：轴心距离。
[0034]本专利技术所述的测量方法，巧妙的应用了增材器件的三维CAD信息，在获得增材器件的投影数据后，不需要进行重建，直接从投影数据提取出正弦图，然后将正弦图输入基于U
‑
Net结构的神经网络和基于FNN 结构的神经网络中，经过神经网络的运算，可以得到增材器件内部结构的几何参数。本专利技术所述的测量方法因为不需要重建三维图像，不仅减少了测量时间，而且避免了伪影对测量结果的干扰，提高了测量的准确性。
附图说明
[0035]图1是本专利技术一实施例中增材器件内部结构几何参数测量方法流程示意图
[0036]图2是本专利技术一实施例中正弦图裁剪方法示意图
[0037]图3是本专利技术一实施例中正弦图变换方法示意图
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清晰明白，以下结合具体实施例，并参照附图，对本专利技术作进一步详细说明。以下实施例或者附图用于说明本专利技术，但并不用来限制本专利技术的范围。
[0039]本专利技术的目的在于提供一种基于X射线正弦图的增材器件内部结构几何参数测量方法，该方法首先利用增材器件的CAD信息构建仿真模体获取正弦图，输入基于U
‑
Net结构的神经网络和基于FNN结构的神经网络进行训练，得到网络参数。然后对增材器件实物进行X射线扫描，无需重建，直接通过基于U
‑
Net 结构的神经网络，在增材器件实物中提取出感兴趣结构的信息。然后对感兴趣结构的正弦图进行裁剪和变换，以减少计算量。最后使用基于FNN结构的神经网络计算出感兴趣结构的内部几何参数，包括面内几何参数如半径、边长、面积，空间几何参数如壁厚、高、体积，结构间几何参数如中心距离。该方法相对于通过重建三维结构获取内部几何参数信息的方法，可以避免重建带来的伪影问题，还可以提高测量效率。
[0040]参照图1，在一种具体的实施方式中，本专利技术提供的基于X射线正弦图的增材器件内部结构几何参数测量方法包括以下几个步骤：
[0041]执行步骤S1：每个增材器件都具有自身的三维CAD图纸，根据其CAD图纸信息可以构建出增材器件整体的仿真模体以及感兴趣结构的仿真模体。对两个仿真模体进行X射线扫描，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于X射线正弦图的管壳型增材器件内部结构几何参数测量方法，其特征在于，包括以下几个步骤：步骤一：基于管壳型增材器件的三维CAD信息构建仿真模体，进行X射线扫描，获取器件的整体正弦图和感兴趣结构的正弦图。步骤二：对感兴趣结构的正弦图进行裁剪和变换：首先计算出正弦图中每一行投影数据的加权平均数对应的坐标，然后再每一行中以此坐标为基准，左右各取部分像素，完成对正弦图的裁剪，并将裁剪完毕后的正弦图重新排列成方阵。步骤三：对基于U
‑
Net结构的神经网络和基于FNN结构的神经网络进行训练。其中基于U
‑
Net结构的神经网络的训练集为仿真模体整体结构的正弦图、仿真模体感兴趣结构的正弦图以及该神经网络输出的正弦图，基于FNN结构的神经网络的训练集为仿真模体感兴趣结构的正弦图、增材器件CAD图纸中感兴趣结构的几何参数以及该神经网络输出的正弦图。步骤四：X射线扫描管壳型增材器件实物，将正弦图输入基于U
‑
Net结构的神经网络得到感兴趣结构的正弦图。为了减少计算量，对感兴趣结构的正弦图进行裁剪和变换，得到新的正弦图，经过基于FNN结构的神经网络模型计算出管壳型增材器件内部结构的几何参数信息。2.根据权利要求1所述的基于X射线正弦图的管壳型增材器件内部结构几何参数测量方法，其特征在于，步骤一中，仿真实验所需的仿真模体是使用管壳型增材器件自带的三维CAD信息直接构建，无需单独设计。3.根据权利要求1所述的基于X射线正弦图的管壳型增材器件内部结构几何参数测量方法，其特征在于，步骤二中，按照以下公式计算出正弦图中每一行投影数据的加权平均数对应的坐标：其中：x
c
...

【专利技术属性】
技术研发人员：邹晶，宁子博，韩振烨，
申请(专利权)人：天津大学，
类型：发明
国别省市：