一种双视角X射线透视成像的三维快速重构系统的制作方法

一种双视角x射线透视成像的三维快速重构系统
1.技术领域
2.本发明涉及发动机测试领域，具体涉及一种双视角x射线透视成像的三维快速重构系统。


背景技术：

3.无损检测的ct成像模式可以在不损伤物体的前提下，利用x射线穿透物体的衰减信息进行重建获得物体的二维断层图像或者三维立体图像，直观的表征物体内部结构，在航空航天、精密材料制造等领域尤其是物体结构性识别方面有着广泛的应用前景。
4.发动机试验过程的动态单视角投影测试技术，用于对端燃固体火箭发动机燃面退移状态进行动态测试。在端燃固体火箭发动机地面点火试验时，横向布设一个视角的dr设备，对发动机的动态燃面参数进行测试。发动机试验过程的动态单视角投影测试技术只包含投影方向的物体信息，在未知重建物体的条件下，极其稀疏的投影图像所包含的信息不足以描述物体的空间结构，故对于芯孔面燃型发动机dr测试方法不适用。
5.在特定环境如固体火箭发动机试验内结构剖面变化动态测试中，传统的ct重建受限于投影数量要求，同时伴随巨大的运算量限制了重建速度，考虑到试车环境内无法实现物体旋转以及无法布置多视角射线-探测器实现周向完备的投影数据获取、难以在短时间内快速获得足以重建的投影数据等问题，无法实现其内部结构性变化的快速监测识别。


技术实现要素：

6.要解决的技术问题本发明提供一种双视角x射线透视成像的三维快速重构系统，以解决现有固体火箭发动机地面试验dr测试方法不能满足发动机内部燃烧剖面的测试需求。
7.为解决技术问题本发明采用的技术方案一种双视角x射线透视成像的三维快速重构系统，包括：双视角x射线成像系统与双视角数据采集，所述双视角x射线成像系统采用正交的射线排布，保证射线源与探测器能够以一致参数同步工作，同步捕捉剖面的瞬时状态，确定x射线数据采集系统相关的部件指标、成像系统的几何参数和物理参数，开展x射线数据采集系统硬件构建技术；基于双视角投影三维结构特征提取与跨维度融合，表示生成网络模型作为基本框架，通过残差网络对双视角投影图像进行特征提取，加速网络训练、避免梯度消失，同时利用级联的卷积操作逐步提升特征图的通道数，将二维投影域特征映射为三维空间域特征，并利用特征拼接后再卷积的方式将双视角空间域特征进行融合；基于特征的三维快速重构优化，基于双视角投影数据的二维特征值，通过将三维深度信息与通道信息编码在同一维度中，利用二维卷积代替三维卷积特征进行处理与重
构，提高重建的空间分辨率实现发动机燃烧过程的动态剖面测试。
8.进一步地，所述三维数据特征提取与重构采取三维卷积与反卷积作为基本运算。
9.进一步地，所述表示生成网络模型中的表示网络是由残差块与最大池化构成的，将三个残差块与最大池化进行组合，构造了下采样块，每个下采样块将特征图的空间尺寸下降2倍。
10.进一步地，所述表示生成网络模型中的生成网络通过二维反卷积来提高特征图的空间分辨率，将反卷积与三个残差块进行组合，构造了上采样块，每个上采样块将特征图的空间尺寸增加2倍。
11.进一步地，所述表示生成网络模型中的表示网络与生成网络中使用相同维度的卷积操作，为不同网络结构间的特征共享带来了便利。
12.进一步地，所述表示生成网络模型在表示生成网络中，通过控制二维卷积核通道数量，限定为数据空间分辨率的两倍，最后再通过卷积操作进行三维特征空间尺寸的缩小，保证特征的稀疏性，从而避免最大池化操作中特征信息量的损失。
13.进一步地，所述表示成成网络模型中的表示网络将空间特征进一步抽象与编码，生成网络在解码过程中，将空间特征逐步重构为三维密度数据，通过训练过程将生成的三维数据逼近真实数据来约束表示网络的抽象过程，进而确保所提取特征的准确性与完备性。
14.本发明获得的有益效果本发明能够依据两个视角的发动机动态投影二维数据实现发动机动态工作中剖面结构三维快速重建，实现发动机燃烧过程的动态剖面测试；实现发动机试验过程中芯孔装药固体火箭发动机试验燃烧剖面数据的动态测试。本发明采用重建过程采用深度学习模型，是对数据中隐含关系进行学习训练，在训练过程中隐式的获得先验知识，不必针对数据分布建立复杂的数学模型，极大简化了先验知识的利用。针对双视角投影数据的特征提取、融合以及跨维度映射，设计采用“表示生成网络模型”作为基本框架，通过残差网络对双视角投影图像进行特征提取，加速网络训练、避免梯度消失，同时利用级联的卷积操作逐步提升特征图的通道数，将二维投影域特征映射为三维空间域特征，并利用特征拼接后再卷积的方式将双视角空间域特征进行融合。
附图说明
15.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1：一种双视角x射线透视成像的三维快速重构方法流程图；图2：成像系统示意图；图3：双视角重构网络结构示意图；图4：残差学习；图5：三维卷积与二维卷积对比图；图6：下采样块(a)与上采样块(b)示意图。
具体实施方式
16.本发明所要解决的技术问题是现有固体火箭发动机地面试验dr测试方法不能满足发动机内部燃烧剖面的测试需求，提供一种新的基于数据驱动的双视角x射线透视成像的三维快速重构方法。
17.本方法共由下面3个模块组成：视角投影数据快速采集系统设计与双视角数据采集 ：该模块首先从硬件出发，基于发动机内结构剖面射线测试方法研究，确定x射线数据采集系统相关的部件指标、成像系统的几何参数和物理参数，开展x射线数据采集系统硬件构建技术研究。
18.基于双视角投影三维结构特征提取与跨维度融合 ：所述双视角投影三维结构特征提取与跨维度融合是指通过残差网络对双视角投影图像进行特征提取，加速网络训练、避免梯度消失，同时利用级联的卷积操作逐步提升特征图的通道数，将二维投影域特征映射为三维空间域特征，并利用特征拼接后再卷积的方式将双视角空间域特征进行融合。
19.基于特征的三维快速重构优化技术 ：所述基于特征的三维快速重构优化技术是指基于双视角投影数据的二维特征值，通过将三维深度信息与通道信息编码在同一维度（通道维）中，利用二维卷积代替三维卷积特征进行处理与重构，大大提高了运算效率，并提高重建的空间分辨率实现发动机燃烧过程的动态剖面测试。
20.为使本发明所提出的技术方案的目的、特征和优点能够更加明显易懂，下面将结合附图，对本发明所提出的技术方案的实施例进行清楚、完整地描述。显然，所描述的实施例仅仅是所提出的技术方案的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
21.采用垂直双视角方式对发动机横向剖面进行同步动态dr数据获取，在发动机试验中测试属于首次。
22.如图1所示为本发明的技术路线，分别为离线三维重构网络训练，在线实时数据采集以及三维重构网络的在线实时应用，共分为以下三个关键技术：双视角投影数据快速采集系统设计与双视角数据采集双视角x射线成像系统采用正交的射线排布方案（如图2所示），射线光路成正交排布，从而保证双视角投影数据中物体特征分布的正交性。在此基础上，为保证双视角成像相应一致性，开展双视角同步成像时序控制研究。通过进行硬件设计，保证射线源与探测器能够以一致参数同步工作，同步捕捉剖面的瞬时状态。
23.为了确保重构网络训练过程中的大数据支撑问题，在物体装备之前，获取完备的ct投影数据，重构网络在训练阶段使用其进行训练，利用较为完备的数据可以提高网络对不同形态重构的泛化能力。在测试阶段使用实际采集双视角投影数据进行重构，利用实际数据重构出三维物体。
24.基于双视角投影三维结构特征提取与跨维度融合双视角下的投影数据是物体内结构不同方向的积分信号，网络重构的关键取决于特征提取与双视角特征匹配融合的准确性，针对双视角投影数据的特征提取、融合以及跨维度映射，设计采用“表示生成网络模型”作为基本框架，如图3所示。
25.通过残差网络对双视角投影图像进行特征提取，加速网络训练、避免梯度消失，同时利用级联的卷积操作逐步提升特征图的通道数，将二维投影域特征映射为三维空间域特征，并利用特征拼接后再卷积的方式将双视角空间域特征进行融合。表示网络将空间特征进一步抽象与编码，生成网络在解码过程中，将空间特征逐步重构为三维密度数据。通过训练过程将生成的三维数据逼近真实数据来约束表示网络的抽象过程，进而确保所提取特征的准确性与完备性。
26.在表示生成网络框架中，表示网络逐步压缩特征空间尺寸，对特征主要成分进行提取，这一过程往往导致网络感受野扩大，引起细节信息的丢失，在重构过程中表现为对微小结构重构不完整。因此，在完成特征提取的基础上，进行多尺度特征融合，采用跨层连接在相同尺度的网络结构间进行特征传递（如图3中虚线所示）。同时，为提高网络的表达能力，对跨层连接处的特征处理采用对特征进行拼接之后利用卷积对特征进行融合的方案。跨层连接将不同尺度的特征引入到重构过程中，使得网络能够在不同分辨率下定位特征，从而增强网络重构细节的能力。
27.表示网络是由残差块（图4）与最大池化构成的。将三个残差块与最大池化进行组合，构造了下采样块，每个下采样块将特征图的空间尺寸下降2倍，如图6（a）所示。生成网络通过二维反卷积来提高特征图的空间分辨率。将反卷积与三个残差块进行组合，构造了上采样块，如图6（b）所示，每个上采样块将特征图的空间尺寸增加2倍。在表示网络与生成网络中使用相同维度的卷积操作，为不同网络结构间的特征共享带来了便利。这使得我们可以直接在具有相同空间分辨率的不同网络块之间直接进行跨层连接而不必对特征进行裁剪或变换。在表示生成网络中，通过控制二维卷积核通道数量，限定为数据空间分辨率的两倍，最后再通过卷积操作进行三维特征空间尺寸的缩小，保证特征的稀疏性，从而避免最大池化操作中特征信息量的损失。
28.基于特征的三维快速重构优化在完成网络基本模型设计的基础上，开展网络运算优化以及训练效率优化研究，提高网络的重构效率与训练速度。对于三维数据特征提取与重构大多采取三维卷积与反卷积作为基本运算，如图5（a）所示，三维卷积中所处理的特征数据与滤波器尺寸均为四维，使得生成网络具有庞大待训练参数以及运算量，在现有硬件资源下，三维卷积具有巨大的运算开销以及时间开销，从而限制了重建的空间分辨率与重建速度。同时针对网络的参数数量以及网络结构，进行了网络优化研究。通过将三维深度信息与通道信息编码在同一维度（通道维）中，如图5（b）所示，利用二维卷积代替三维卷积特征进行处理与重构，大大提高了运算效率，并提高重建的空间分辨率。
29.使用二维卷积可以大大减少了卷积运算的待训练参数数量以及运算量，从而缩短网络的运算速度，同时可以缩短网络的训练时间。
30.为了提高网络的表达能力，在跨层连接中没有直接将特征相加，而是将特征进行拼接之后利用卷积对特征进行融合。