【技术实现步骤摘要】
本专利技术属于材料缺陷智能化分析，具体涉及一种金属内部缺陷正向追踪和故障反向定位方法及系统。
技术介绍
1、材料失效在各种行业中都带来重大风险，仍然是材料科学中的一个研究重点。这些失效通常起源于缺陷的迅速演化，并且受到机械应力、温度变化和化学相互作用等因素的影响。随着x射线衍射、电子显微镜和超声等检测技术的出现，赋予了研究人员在多个尺度上识别这些缺陷的能力。其中，x射线计算断层扫描(xct)以其非破坏性方法和对材料内部结构清晰的可视化而应用广泛。当与原位实验相结合，它提供了关于材料内部结构渐变过程的动态视图。这一独特能力使原位xct成为研究材料失效复杂机制的非常重要的工具。
2、近年来，国内外研究者使用原位xct对材料失效问题进行了广泛的应用。例如通过研究缺陷与应变和三轴应力的关系，来增强对高强度钢损伤的了解；通过量化缺陷的形核、生长和聚合，以深入了解sa508 gr.3的韧性失效机理；通过微力学驱动的模型，预测铰接和剪切孔的边缘失效。这些研究大多数使用全局统计的方法来分析缺陷演变，其中涉及的指标包括平均孔隙度、全局变形和代表性缺陷集的变化量等。但是这样的统计数据可能不足以充分捕捉单个缺陷的详细演变规律，而某单个缺陷的快速演变可能对材料失效有着至关重要的影响。因此，需要更加精细的研究视野。具体来说，就是追踪单个缺陷从其初始状态到失效状态，并建立它们在整个生命周期中的演变相关性。这种相关性也可以帮助我们识别导致材料最终失效的原始关键缺陷。
3、在材料科学中有关缺陷跟踪算法的研究成果有限。其中比较有代表性的为
4、
5、其中，||ci-cj||测量两个缺陷之间的欧氏距离，tj＝ti+1限制了时间瞬间，|vi≤vj|≤τvol表示相邻状态体积变化的容差。
6、该算法主要依赖于缺陷的微小位移和体积变化来建立关联。然而，它仍然面临xct分辨率、缺陷分割准确性和缺陷聚合等多方面的挑战。此外，这个算法也忽略了缺陷在空间形态上的变化和在局部环境中的不变性。这是缺陷在相邻状态中的一个重要特性，意味着缺陷的形态在拉伸过程中可能发生显著变化，但它们在局部区域内的环境(即该缺陷周围的缺陷)保持相对相似。
7、原位x射线计算断层扫描(xct)提供了一种非破坏性的方法，用于研究材料内部缺陷的动态行为。已经有大量的研究使用它来探索金属材料的失效机制，但这些研究大部分侧重于对缺陷数据的全局统计。这样的全局统计数据往往无法捕捉到单独缺陷的详细演变过程，而部分研究表明材料内部某独立缺陷的快速演变可能对材料失效造成灾难性的后果。因此，在原位xct实验过程中，建立缺陷之间的关联关系、研究缺陷演化的个体特征是非常重要的。
8、缺陷分割是分析的前提，而传统的方法(如公开号为cn113298757a的中国专利)集中在“内部缺陷”的检测上，而忽略了断裂前的“边缘缺陷”和断裂后的“断裂缺陷”的识别，因此不能获取材料的完整失效过程。传统的方法在研究金属材料的失效机制的时候，大部分都停留在全局统计方法上，不能有效的捕获到所有个体缺陷的独立演化过程，进而不能进行更加深入的分析。传统原位xct虽然可以获取到材料拉伸过程中各个瞬时状态的所有缺陷，但是无法建立起这些缺陷在时间维度上的关联关系。材料科学领域少有的基于原位xct的缺陷跟踪方法，仅通过缺陷位置和大小进行匹配，没有考虑到缺陷的形态和环境特征，因而精准度受限。尚未发现有效方法能够建立起最终材料失效的反向路径，也无法反向定位导致失效的原始关键缺陷。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供一种金属内部缺陷正向追踪和故障反向定位方法，自动追踪材料内部所有独立缺陷，从其初始状态到失效状态，并建立它们在连续拉伸状态下的相关性。该方法将缺陷表示为一个三维点云，并充分利用了三维点云的视觉特性，包括缺陷的空间形态和局部环境信息。与传统方法相比，该方法将平均追踪准确度从86.1％提高到了92.7％。此外，这些追踪结果能用来逆向重构失效路径，并定位导致最终失效的原始关键缺陷，本专利技术已经成功应用于航空材料缺陷演化分析中，并已证明切实可行。
2、为了实现上述目的，本专利技术采用的技术方案是：一种金属内部缺陷正向追踪和故障反向定位方法，包括以下步骤：
3、获取金属材料样品内部多个瞬时状态的二维断层图像；
4、基于神经网络和阈值分割从所述二维断层图像分割出缺陷，生成仅包含缺陷和背景的二值图像；
5、利用三维空间聚类方法，将所述二值图像中的缺陷表示为三维点云；
6、基于三维点云表示的缺陷，通过旋转和平移被追踪缺陷，在相邻状态的设定范围内识别其所有可能的目标候选缺陷，再利用源对象的环境信息，对所述环境信息做相同的旋转和平移，针对每一个被追踪缺陷，得到其目标候选缺陷集合，并且每一个候选缺陷都计算出与其对应的最优的旋转矩阵和平移向量；
7、计算被追踪缺陷与目标候选缺陷环境点云的相似度，根据所述相似度确定最佳候选缺陷；
8、根据所述目标候选缺陷集合、每一个候选缺陷对应的最优的旋转矩阵和平移向量、所述最佳候选缺陷，以树形拓扑的形式，反向建立材料最终断口处在各个拉伸状态的缺陷组成，并反向确定最终失效的原始关键缺陷。
9、进一步的，金属材料样品内部多个瞬时状态的二维断层图像包括：在原位拉伸的过程中，通过xct捕获试样的7个不同阶段的断层扫描图像，包括初始状态、2个弹性形变状态、2个塑性形变状态、破裂前状态以及破裂后状态，所述不同阶段的状态对应的应变分别为0％(初始状态)、9.6％、25％、40％、50.8％、58.2％和63.8％。
10、进一步的，基于三维空间聚类方法，将所述二值图像中的缺陷表示为点云包括：
11、根据缺陷的应力条件和空间位置，将其划分为3种类型：内部缺陷，边缘缺陷和断裂缺陷；
12、用u-net与阈值分割相结合的方式提取缺陷，具体的，u-net的训练集为原始的ct扫描图像，标签集为图像中材料实体的完整轮廓掩码,u-net中的编码器和解码器部分均由两组3×3的卷积层组成，采用relu激活函数，通过2×2最大池化和2×2的转置卷积进行降采样和上采样，同时在relu之前添加batch normalization层使训练更加稳定，得到材料完整的实体掩码后，将包含三种类型缺陷的材料完整实体从原始图像复杂的背景中分离出来，图像中缺陷和材料像素强度差异显著，通过ostu算法将图像中缺陷和材料像素强度分割，形成只包含三种类型缺陷及背景的二值图像。
13、进一步的，基于三维空间聚类方法，将所述二值图像中的缺陷表示为点云包括：在一个切片中，将缺本文档来自技高网...
【技术保护点】
1.一种金属内部缺陷正向追踪和故障反向定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，金属材料样品内部多个瞬时状态的二维断层图像包括：在原位拉伸的过程中，通过XCT捕获试样的7个不同阶段的断层扫描图像，包括初始状态、2个弹性形变状态、2个塑性形变状态、破裂前状态以及破裂后状态，所述不同阶段的状态对应的应变分别为0％(初始状态)、9.6％、25％、40％、50.8％、58.2％和63.8％。
3.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，基于三维空间聚类方法，将所述二值图像中的缺陷表示为点云包括：
4.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，基于三维空间聚类方法，将所述二值图像中的缺陷表示为点云包括：在一个切片中，将缺陷视为一组像素的集合，所述集合中每个像素都由其坐标(xi,yi)表示，将每个像素关联一个切片编号zi，构建一组空间坐标，使用空间聚类算法DBSCAN得到各个单独的缺陷设定两个相邻体素之间的最大距离和一个缺陷
5.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，针对每一个被追踪缺陷进行如下操作，得到所述被追踪缺陷的候选缺陷集合：
6.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，计算与目标候选缺陷环境点云的相似度，根据所述相似度确定最佳候选缺陷包括：
7.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，以树形拓扑的形式，反向建立材料最终断口处在各个拉伸状态的缺陷组成，并反向确定最终失效的原始关键缺陷包括：
8.一种金属内部缺陷正向追踪和故障反向定位系统，其特征在于，包括图像获取模块、图像分割模块、图像转换模块、变换模块、最佳候选缺陷获取模块以及失效缺陷确定模块；
9.一种计算机设备，其特征在于，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取所述计算机可执行程序并执行，处理器执行计算可执行程序时能实现权利要求1～7中任一项所述金属内部缺陷正向追踪和故障反向定位方法。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现如权利要求1～7中任一项所述的金属内部缺陷正向追踪和故障反向定位方法。
...【技术特征摘要】
1.一种金属内部缺陷正向追踪和故障反向定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，金属材料样品内部多个瞬时状态的二维断层图像包括：在原位拉伸的过程中，通过xct捕获试样的7个不同阶段的断层扫描图像，包括初始状态、2个弹性形变状态、2个塑性形变状态、破裂前状态以及破裂后状态，所述不同阶段的状态对应的应变分别为0％(初始状态)、9.6％、25％、40％、50.8％、58.2％和63.8％。
3.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，基于三维空间聚类方法，将所述二值图像中的缺陷表示为点云包括：
4.根据权利要求1所述的金属内部缺陷正向追踪和故障反向定位方法，其特征在于，基于三维空间聚类方法，将所述二值图像中的缺陷表示为点云包括：在一个切片中，将缺陷视为一组像素的集合，所述集合中每个像素都由其坐标(xi,yi)表示，将每个像素关联一个切片编号zi，构建一组空间坐标，使用空间聚类算法dbscan得到各个单独的缺陷设定两个相邻体素之间的最大距离和一个缺陷簇中的最小体素数量，同时识别噪声点，根据缺陷中空间体像素点的数量给每一个缺陷赋予一个唯一的id。
5.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。