[发明专利]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在审
| 申请号: | 202110688533.3 | 申请日: | 2021-06-22 |
| 公开(公告)号: | CN113420438A | 公开(公告)日: | 2021-09-21 |
| 发明(设计)人: | 邹晶;宁子博;韩振烨 | 申请(专利权)人: | 天津大学 |
| 主分类号: | G06F30/20 | 分类号: | G06F30/20;G06F30/17;G06N3/04;G06N3/08;G06T17/00;G06F113/10 |
| 代理公司: | 暂无信息 | 代理人: | 暂无信息 |
| 地址: | 300072*** | 国省代码: | 天津;12 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 基于 射线 正弦 器件 内部结构 几何 参数 测量方法 | ||
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:
xc:正弦图中每一行投影数据的加权平均数对应的坐标值
x:正弦图中每一行数据对应的坐标值
p(x):正弦图每一行中每个坐标值对应的投影值
左右各取像素的个数用M表示,计算公式为:
其中:
n:经验值,这里取值0.8
SIZE:增材器件内部结构的CAD尺寸
p:探测器的像素尺寸
SDD:射线源到探测器的距离
SOD:射线源到被扫描样品旋转中心的距离。
4.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,步骤三中,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吗,分别为LossFun1和LossFun2。两个网络的损失函数之和称为LossFun,有如下关系:
LossFun=μ1LossFun1+μ2LossFun2
其中:
LossFun1:基于U-Net结构的神经网络的损失函数
LossFun2:基于FNN结构的神经网络的损失函数
μ1:基于U-Net结构的神经网络损失函数的权重
μ2:基于FNN结构的神经网络损失函数的权重
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。
5.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,步骤四中:对于管壳型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、铬中任意一种,可以得到其面内几何参数包括:空心立柱的半径、边长、面积、空间几何参数包括:壁厚、高、体积,以及结构间几何参数:中心距离。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于天津大学,未经天津大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110688533.3/1.html,转载请声明来源钻瓜专利网。





