缺陷检测中联合全局和局部的单视角CT重建方法技术

本发明专利技术属于计算机断层图像重建领域，尤其涉及利用深度学习技术联合全局和局部单视角CT从单张X射线图像同时重建工件的三维全局外形和内在的局部缺陷结构，具体为缺陷检测中联合全局和局部的单视角CT重建方法。本发明专利技术所设计的CT重建网络，一方面能够有效地加快CT成像的速度，提高工业无损检测中大批量工件缺陷检测的效率；另一方面能够同时提供工件的3D外部结构和内部缺陷信息，从而提高缺陷检测和分析的准确性。的准确性。的准确性。

【技术实现步骤摘要】
缺陷检测中联合全局和局部的单视角CT重建方法


[0001]本专利技术属于计算机断层图像重建(CT)领域，尤其涉及利用深度学习技术联合全局和局部单视角CT从工件的单张X射线图像同时重建目标的三维全局外形和内在局部结构，具体为缺陷检测中联合全局和局部的单视角CT重建方法。

技术介绍

[0002]在工业无损检测中，利用X射线对产品进行快速的缺陷检测，已经成为了许多行业产品质量控制和流程优化不可缺少的一部分，比如汽车行业、航空业和铸造业。然而，现在基于二维X射线数字成像(DR成像)的方法对小缺陷的检查会存在漏检和误检的问题，因为二维DR成像将目标三维结构信息压缩叠加在二维图像上，这导致内部缺陷会被其它结构遮挡。此外，由于2D图像中缺陷深度信息丢失，这也导致无法对缺陷进行准确的定位和识别。因此，计算机断层成像(CT)成为工件内部缺陷检查和分析的最佳方式。利用CT重建得到的3D结构信息，可以准确定位缺陷的位置并进行测量分析。但是，传统的CT扫描因为需要获取大量的投影图像而效率低，无法实现实时的CT成像和检测。因此，传统CT检测无法满足大批量的检测需求。...

【技术保护点】

【技术特征摘要】
1.缺陷检测中联合全局和局部的单视角CT重建方法，其特征在于，步骤如下：步骤1、数据集的建立及预处理；数据集包含工件成对的X射线图像和相应的CT体积图像；每一对图像数据首先分别求取均值μ和方差σ，然后通过数据标准化(x
‑
μ)/σ的方式进行处理，其中x表示待标准化的X射线图像或者CT体积图像；标准化后的数据集划分为训练集和测试集分别用于网络训练和测试；预处理过程采用二维梯度运算对X射线图像进行处理，提取包含目标边缘信息的梯度图像，作为网络训练的输入；步骤2、搭建从单张X射线图像重建CT体积图像的CT重建网络；所述的CT重建网络包括三个模块：全局CT生成模块、局部CT生成模块和图像优化模块；所述全局CT生成模块关注工件中大的几何结构和外形的生成；该模块包含特征编码网络、特征解码网络、特征转换网络和特征融合结构；所述特征编码网络利用多个卷积层对输入的单张X射线图像和其梯度图像进行特征提取，通过多次图像下采样及卷积运算将提取到的特征信息编码到隐层空间；所述特征解码网络利用多个卷积运算模块将隐层空间中的编码信息进行卷积上采样，最终恢复3D CT体积图像；所述特征转换网络连接着编解码网络中同级的特征，从而弥补编码过程中信息的损失；特征转换网络包含特征选择和特征转换两个部分；特征选择部分对编码的特征分配不同权重，对更高权重的特征给予更多关注；特征转换部分对经过权重分配的特征进行转换，使其更接近于CT体积图像的特征；所述特征融合结构主要将解码的特征和所述特征转换网络的输出特征进行融合，从而提高重建CT图像的质量；所述特征融合结构包含三步运算；第一步，计算解码特征的均值和方差；第二步，计算所述特征转换网络输出特征的均值和方差；第三步，根据第一步和第二步的均值方差将解码特征和所述特征转换网络的输出特征进行融合；所述局部CT生成模块关注工件内部微小缺陷的生成；该模块采用与所述全局CT生成模块同样的网络结构；不同在于，在特征编码过程中，特征编码网络通过减去所述全局CT生成模块的特征编码网络对应位置的编码特征，使得局部CT生成网络专注于对小尺度缺...

【专利技术属性】
技术研发人员：余建桥，梁辉，孙怡，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：