【技術實現步驟摘要】
本專利技術涉及一種基于深度學習的損傷纖維復合材料圖像三維重構方法，其完成纖維復合材料中損傷紗線模型的精準三維重構，屬于圖像處理。
技術介紹
1、纖維復合材料因其優異的強度、剛度和耐腐蝕性，被廣泛應用于航空航天、汽車制造、建筑工程和能源領域。在實際使用過程中，復合材料內部的紗線損傷對其整體性能有著至關重要的影響。紗線作為復合材料的主要承載結構，其損傷的發生和發展直接關系到材料的力學性能、使用壽命及安全性。基于深度學習輔助的實例分割結果雖然能實現損傷經紗及緯紗的識別，但較難實現損傷經紗及緯紗的精準三維重構，往往出現紗線建模錯誤、紗線缺失、紗線不完整的問題。而精準的三維重構是進行樣品紗線細觀結構參數統計分析的前提，因此，對纖維復合材料進行精準的三維重構，尤其是實現高效準確的紗線追蹤，具有重要的科學意義和工程應用價值。
2、現有的紗線追蹤算法多是基于k最近鄰算法、交并比、語義結果紗線分離轉實例等方法，這些方法會受到圖像噪聲水平、分割方法等影響，從而表現出泛化能力差、抗干擾能力弱、魯棒性低等缺點。同時，由于紗線實例分割結果只能實現經紗緯紗的識別區分，無法實現經紗及緯紗的精準三維重構，對優化纖維復合材料的配方與工藝造成困擾。
3、因此，為解決上述問題，確有必要提供一種創新的基于深度學習的損傷纖維復合材料圖像三維重構方法，以克服現有技術中的所述缺陷。
技術實現思路
1、本專利技術的目的在于提供一種基于深度學習的損傷纖維復合材料圖像三維重構方法，其基于xct技術獲取的連續圖
2、為實現上述目的，本專利技術采取的技術方案為：一種基于深度學習的損傷纖維復合材料圖像三維重構方法，其包括如下步驟：
3、1），采集損傷纖維復合材料的xct數字圖像，以獲得原始的數據集；然后對圖像中的紗線進行人工標注，生成標簽集；
4、2），將標簽集與對應的圖像輸入深度學習實例分割網絡進行訓練，利用訓練獲得的權重對整個原始數據集進行推理，以得到連續的實例分割結果切片；隨后，利用圖像布爾運算將經紗和緯紗分離，得到經紗輪廓切片和緯紗輪廓切片；
5、3），分別對得到的經紗和緯紗輪廓的切片應用三維重構算法追蹤紗線輪廓，將每個切片中屬于同一根紗線的輪廓進行灰度歸一化處理；
6、4），由灰度歸一化后的經緯紗輪廓切片實現經緯紗的三維精準重構，將經緯紗的三維精準重構模型合并，得到整個纖維復合材料的三維精準重構模型。
7、本專利技術的基于深度學習的損傷纖維復合材料圖像三維重構方法進一步為：所述步驟1）具體為：
8、1-1），通過xct掃描獲得損傷纖維復合材料的原始數據；
9、1-2），通過隨機選取的300張xct數字圖像組成數據集，用avizo軟件對數據集上不同類紗線進行人工標記，同一類紗線涂抹為統一灰度值，完成標記后導出得到標簽集。
10、本專利技術的基于深度學習的損傷纖維復合材料圖像三維重構方法進一步為：所述纖維復合材料具體為非卷曲雙軸經編織纖維復合材料；所述紗線具體分為經紗或緯線。
11、本專利技術的基于深度學習的損傷纖維復合材料圖像三維重構方法進一步為：所述步驟2）具體為：
12、2-1），將所述300張xct數據集與對應人工標注的標簽集組成訓練集對深度學習實例分割網絡模型進行訓練；
13、2-2），用所述訓練好的模型權重對整個xct原始數據集進行推理，得到連續的實例分割結果切片；
14、2-3），利用圖像布爾運算將所述連續實例分割圖像中的經緯紗分離，得到連續的經紗輪廓切片和緯紗輪廓切片。
15、本專利技術的基于深度學習的損傷纖維復合材料圖像三維重構方法進一步為：所述步驟3）中，三維重構算法具體為：
16、3-1），在所述連續的圖像數據集中選取一張無噪點且包含所有需要追蹤紗線輪廓的種子圖像；
17、3-2），提取種子圖像中所有紗線輪廓，用于更新初始輪廓庫；并根據每個紗線輪廓計算其質心，建立質心庫；
18、3-3），建立監視器模塊，統計某紗線編號在連續切片上無法匹配到合格輪廓的次數，每掃描一張切片為一次遍歷；
19、3-4），按切片命名順序以灰度圖8bit格式讀取所有切片；
20、3-5），依次調取輪廓庫中每個輪廓及質心庫中對應質心坐標，利用當前紗線編號的質心坐標在被掃描切片上進行定位，設置一個高為h、寬為w的視野矩，在被掃描切片中提取視野矩范圍內的紗線輪廓；
21、3-6），遍歷步驟3-5）所檢測到的所有輪廓，分別與輪廓庫中當前紗線編號的輪廓進行交并比計算；當某檢測輪廓超過設定標準閾值r時，將當前輪廓判定為當前紗線編號在此被掃描切片上的輪廓，并將其灰度進行歸一，調整為當前紗線編號指定的灰度值；
22、3-7），當檢測到的輪廓滿足標準閾值r時，說明輪廓相似度極高，將此輪廓信息寫入輪廓庫中當前紗線編號輪廓進行覆蓋更新，同時更新質心庫中當前紗線編號的質心；
23、3-8），再次遍歷輪廓庫，處理未成功追蹤匹配的輪廓，即某紗線在輪廓庫中的輪廓在完成一張切片的遍歷后未更新，在輸出圖像時依然繪制輪廓庫中未更新的紗線輪廓；
24、3-9），根據被標記紗線輪廓未更新次數，利用監視器模塊判定觸發多級閾值判斷，決定被標記紗線的預警等級；
25、3-10），定義一個監視器記錄更新函數，當檢測到的紗線輪廓滿足多級閾值中某個閾值要求時，該函數移除被鎖定紗線編號并解除預警，同時更新輪廓庫并在輸出圖像中繪制更新后的輪廓，但不更新質心庫，質心更新只在輪廓滿足標準閾值r時進行更新。
26、本專利技術的基于深度學習的損傷纖維復合材料圖像三維重構方法進一步為：所述步驟3-8）具體為：
27、3-8-1），除標準交并比閾值r外，設置n級交并比閾值r1、r2、r3……rn，其對應預警區m1、m2、m3……mn；
28、3-8-2），若最大交并比達到最大閾值r，視為輪廓匹配成功，更新此紗線編號的輪廓庫及質心庫信息；
29、3-8-3），若最大交并比無法滿足閾值r但達到閾值r1時，且當前追蹤紗線編號已被步驟3-8-1）所述對應的預警區m1記錄，更新其輪廓庫信息，但不更新質心庫；若不滿足，閾值降級進行判定，若滿足某閾值rn，操作和上述相同；當所有輪廓都無法滿足設定的最低級閾值時，則跳過該紗線編號并在監視器中增加當前紗線輪廓未更新次數記錄，用以提升預警等級mn，隨后繼續對下一目標進行追蹤。
30、本專利技術的基于深度學習的損傷纖維復合材料圖像三維重構方法進一步為：所述步驟3-8-1）中，r>r1>r2>r3……>rn。
31、本專利技術的基于深度學習的損傷纖維復合材料圖像三維重構方法進一步為：所述步驟3-9）具體為：
32、本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：?包括如下步驟：
2.如權利要求1所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟1）具體為：
3.如權利要求2所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述纖維復合材料具體為非卷曲雙軸經編織纖維復合材料；所述紗線具體分為經紗或緯線。
4.如權利要求1所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟2）具體為：
5.如權利要求1所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟3）中，三維重構算法具體為：
6.如權利要求5所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟3-8）具體為：
7.如權利要求6所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟3-8-1）中，R>R1>R2>R3……>Rn。
8.如權利要求6所述的基于深度學習的損傷纖維復合材料圖像三維
9.如權利要求5所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟3-10中的監視器記錄更新函數具體工作過程為：
10.如權利要求1所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟4）具體為：
...【技術特征摘要】
1.一種基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：?包括如下步驟：
2.如權利要求1所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟1）具體為：
3.如權利要求2所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述纖維復合材料具體為非卷曲雙軸經編織纖維復合材料；所述紗線具體分為經紗或緯線。
4.如權利要求1所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟2）具體為：
5.如權利要求1所述的基于深度學習的損傷纖維復合材料圖像三維重構方法，其特征在于：所述步驟3）中，三維重構算法具體為：
6.如權利要求5...
【專利技術屬性】
技術研發人員：鄭克洪，曹虓琪，王濤，陳浩，喬立正，胥金光，趙書翰，陸晨杰，陸文判，張雨聲，詹昌鵬，
申請(專利權)人：浙江理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。