CN101413901B - 基于ccd图像特征的表面疲劳裂纹检测方法 - Google Patents
基于ccd图像特征的表面疲劳裂纹检测方法 Download PDFInfo
- Publication number
- CN101413901B CN101413901B CN2008102354109A CN200810235410A CN101413901B CN 101413901 B CN101413901 B CN 101413901B CN 2008102354109 A CN2008102354109 A CN 2008102354109A CN 200810235410 A CN200810235410 A CN 200810235410A CN 101413901 B CN101413901 B CN 101413901B
- Authority
- CN
- China
- Prior art keywords
- crack
- length
- curve
- fatigue crack
- surface fatigue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract 2
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003892 spreading Methods 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 abstract 1
- 230000007257 malfunction Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000005336 cracking Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Image Processing (AREA)
Abstract
本发明针对现有的疲劳裂纹检测手段精度不高，需要接触试样，设备昂贵，实施繁琐等缺陷，公开了一种CCD图像特征的表面疲劳裂纹检测方法，它利用MATLAB图像处理技术，研究了表征表面疲劳裂纹扩展的长度与宽度特征参数，比较了两种表征方法，并验证了该表面疲劳裂纹图像检测方法的精度。该方法具有高精度、非接触式、设备简单、易实现等优点，通过该方法可以实现故障诊断的智能化，为生产实际提供指导性建议。
Description
技术领域
本发明涉及一种表面疲劳裂纹的检测方法，尤其是一种综合了数字图像技术和MATLAB分析技术的表面疲劳裂纹的检测方法，具体地说是一种基于CCD图像特征的表面疲劳裂纹检测方法。
背景技术
随着现代科学技术的迅猛发展，工业设备要求在高温、高压、高速等条件下使用的场合越来越多，承受的交变应力越来越高，疲劳破坏问题日益突出。机械零件的疲劳破坏是导致其结构强度破坏的主要因素，而疲劳裂纹是疲劳破坏的主要形式。在交变应力作用下构件会萌生微观裂纹，尤其是主要受力构件。若没有得到及时处理，这些微裂纹就可能扩展为宏观裂纹，而宏观裂纹一旦扩展到其临界值会发生骤然失稳，而引起构件的疲劳断裂，造成不可想象的后果。因此，开展疲劳裂纹扩展规律的研究，对我国现代工业的发展有重要的指导意义，并带来极大的社会效益。
疲劳裂纹萌生与扩展的测试及分析是金属结构疲劳设计与寿命预测的主要任务之一。曾有学者提出根据材料的性能及其热处理方式等预测疲劳裂纹的da/dN曲线，进而预测其疲劳寿命，但这种估算方法精度并不高。目前，国内外已有的疲劳裂纹检测方法：(1)离位方式，主要为目测法，两次测试时间间隔很长，忽略了疲劳裂纹扩展的某些信息，因此，离位方式不能实时连续的跟踪、记录裂纹扩展的全过程；(2)停机在位方式，普遍采用的有表面复型技术(Replica法)、电位法、磁粉法、超声法、射线法、电磁检测法等，这些方法普遍存在设备复杂、需要接触试样、实施繁琐等问题；(3)在线方式，主要采用声发射法、模态声发射法，这两方法设备昂贵、实施困难、对测量环境要求高。
图像识别技术具有精度高、对测量环境要求低、非接触式并可实现实时监测等优点。因此将图像识别技术应用于表面疲劳裂纹的检测，可实现无接触检测，而且设备简单易操作、成本低，节约劳动力，精度可靠，为实现加工自动化、智能化奠定基础。
发明内容
本发明的目的是针对现有的疲劳裂纹检测方法设备昂贵、实施繁琐、需要接触试样等问题，提出一种基于CCD图像特征的表面疲劳裂纹检测方法。
因为，申请人发现通过对表面疲劳裂纹图像进行预处理，可以获得其长度特征和宽度特征，进而可以获得表面疲劳裂纹的长度曲线(a-N曲线)、宽度曲线(w-N曲线)、长度扩展速率曲线(da/dN-N曲线)和宽度扩展速率曲线(dw/dN-N曲线)。
有鉴于此，本发明提出了以下的技术解决方案：
一种表面疲劳裂纹的图像检测方法，其特征主要包括以下步骤：
第一步：对试样进行疲劳裂纹扩展试验；
对试样进行疲劳裂纹扩展试验，利用图像采集设备连续或间隙采集其表面疲劳裂纹的数字图像，将获得的数字图像输入计算机；图像采集的次数可根据采集设备的数据处理能力加以确定，此外，为了验证本发明的精度可同时采用表面复型法对该试样表面疲劳裂纹的扩展进行研究。
第二步：对表面疲劳裂纹图像进行预处理；
将该试样的疲劳裂纹分为微小裂纹和长裂纹，利用MATLAB图像处理技术，分别对微小裂纹和长裂纹图像进行预处理，通过裁截、缩放操作获得微小裂纹区域图像，通过灰度化、二值化、膨胀腐蚀、开闭操作、细化操作获得长裂纹骨架图像；
第三步：获取试样表面疲劳裂纹的长度特征和宽度特征参数；
(1)利用鼠标点击微小裂纹区域，获得点的坐标值，进而计算出微小裂纹的像素长度(单位：pixel)；利用树结构存储长裂纹骨架信息，采用递归的方法去除骨架分支，提取出长裂纹主干，进而计算出长裂纹的像素长度(单位：pixel)。
(2)在所获取的试样的疲劳裂纹扩展过程的全部图像中，以表面疲劳裂纹的扩展初始位置为研究对象，利用鼠标点击获得点的坐标的方法计算表面疲劳裂纹的像素宽度，像素宽度单位为pixel；
(3)对图像采集设备进行标定，计算放大因子(单位：mm/pixel)，进而计算表面疲劳裂纹的实际长度(单位：mm)和实际宽度(单位：mm)。实际长度(mm)＝像素长度(pixel)×放大因子(mm/pixel)，实际宽度(mm)＝像素长度(pixel)×放大因子(mm/pixel)。
(4)利用指数曲线拟合方法，拟合表面疲劳裂纹扩展的长度曲线(a-N曲线)、宽度曲线(w-N曲线)、长度扩展速率曲线(da/dN-N曲线)和宽度扩展速率曲线(dw/dN-N曲线)。
将上述图像检测方法得到的表面疲劳裂纹长度扩展曲线(a-N曲线和da/dN-N曲线)和表面复型法得到的表面疲劳裂纹的长度扩展曲线(a-N曲线和da/dN-N曲线)进行比较，验证本发明的图像检测方法的精度。通过对误差进行分析得出，误差满足随机分布，分布范围为-4％～4％。
比较表征表面疲劳裂纹扩展的长度特征参数和宽度特征参数；
将试样的表面疲劳裂纹长度扩展速率曲线(da/dN-N曲线)和宽度扩展速率曲线(dw/dN-N曲线)进行比较，比较结果表明：长度扩展特征参数更适合表征表面疲劳裂纹的扩展情况。
本发明的有益效果：
1.图像采集系统拍摄的图像可靠度高，具备成本低、不接触试样和易实现等突出优点。
2.充分发挥利用了MATLAB中图像处理工具在提取数字图像特征参数方面的强大优势，对表面疲劳裂纹图像进行有效的预处理，为表面疲劳裂纹长度扩展速率和宽度扩展速率的计算奠定了坚实的基础。
3.本发明涉及到的计算方法及图像处理技术易于实现。
4.本发明将数据结构、曲线拟合有效应用到表面疲劳裂纹扩展特征参数的计算当中，排除了实验中由于偶然因素而造成的误差，大大提高了数据计算的准确度。
5.可实现在线处理，为检测人员提供了有利工具，降低了劳动强度。
6.有助于提高对工件疲劳强度、使用寿命进行评价的自动化水平和智能化水平。
7.本发明可用于任何材料工件在任何机械加工方式下的表面疲劳裂纹检测。
8.为机械加工参数选择及条件的确定提供了依据。
9.为下一步机械加工过程中故障诊断提供了一种可供借鉴且行之有效的方法。
10.应用范围广，可用于各种金属、非金属材料加工表面的检测，尤其适用于难加工材料和难以观察到的深孔表面疲劳裂纹的检测。
11.有利于降低成本，可减少因微小裂纹而检测不准确出现的将其报废的现象，降低企业材料成本，且检测速度很快，可提高加工速度。
附图说明
图1是利用本发明进行疲劳裂纹扩展试验的试样零件图。
图2是本发明中的进行疲劳裂纹扩展试验的试样装夹示意图，图a为夹头的结构示意图，图b为单侧装夹状态示意图。
图3是本发明中的图像采集及处理流程示意图。
图4是本发明中表面疲劳裂纹长度的表面复型法研究结果。
其中：图4(a)表示复型法-疲劳裂纹的a-N曲线，图4(b)表示复型法-疲劳裂纹的da/dN-N曲线。
图5是本发明中采用的表面疲劳裂纹的图像检测系统流程图。
图6是本发明中表面疲劳裂纹长度的图像检测方法研究结果，其中图6(a)为图像识别法-疲劳裂纹的a-N曲线，图6(b)为图像识别法-疲劳裂纹的da/dN-N曲线。
图7是本发明中图像检测方法精度验证结果，其中图7(a)a-N曲线对比，图7(b)da/dN-N曲线对比。
图8是本发明中表面疲劳裂纹宽度的图像检测方法研究结果，其中图8(a)为图像识别法-疲劳裂纹的w-N曲线，图8(b)为图像识别法-疲劳裂纹的dw/dN-N曲线。
图9是本发明中宽度与长度扩展速率曲线比较结果。
图10是本发明中长裂纹主干提取相关示意图，其中图10(a)为裂纹骨架示意图，图10(b)为树结构示意图，图10节点信息结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1-4所示。
一种表面疲劳裂纹的图像检测方法，它包括以下步骤：
第一步：对试样进行疲劳裂纹扩展试验并采集数字图像；
试样如图1所示，装夹方案如图2所示。利用自行设计的图像采集系统(如图3所示)采集(可在整个试验过程中连续采集或间隔一定周期定期采集)表面疲劳裂纹扩展过程图像，对表面疲劳裂纹采用表面复型法进行分析，获得表面疲劳裂纹扩展各阶段的长度，根据疲劳试验机振动次数和对应的表面疲劳裂纹长度，利用指数曲线拟合得到表面疲劳裂纹的长度扩展曲线(a-N曲线和da/dN-N曲线)，根据表面复型法得到的疲劳裂纹扩展曲线将长度扩展速率小于2×10-4mm/cycle的归为微小裂纹，长度扩展速大于等于2×10-4mm/cycle的归为长裂纹，如图4所示。
第二步，对采集到的数字图像进行处理；
如图5～9所示。
表面疲劳裂纹图像的预处理；
对于微小裂纹，先裁截包含表面疲劳裂纹的区域，然后进行适当的缩放，获得清晰的表面疲劳裂纹图像，MATLAB图像处理工具箱中利用imcrop()进行裁截，利用imsize()进行缩放；
对于长裂纹，(a)采用最大值法进行灰度化，(b)采用区域提取法进行二值化，(c)采用膨胀与腐蚀操作，而后采用开、闭操作，解决表面疲劳裂纹区域不连通的问题，(d)采用细化算法提取表面疲劳裂纹骨架，MATLAB图像处理工具箱中利用imdilate()进行膨胀，imerode()进行腐蚀，bwmorph()进行开、闭以及细化操作，。
表面疲劳裂纹长度特征研究；
(a)对于微小裂纹，利用鼠标点击裂纹上点，同时获得点的坐标，进而计算出微小裂纹的像素长度(pixel)；
(b)对于长裂纹，利用树结构存储其骨架信息，采用递归的方法去除骨架分支，提取出主干，进而计算出长裂纹的像素长度(pixel)；
(c)对图像采集系统进行标定，计算出1mm长度的像素长度，获得放大因子(单位：mm/pixel)，进而计算表面疲劳裂纹的实际长度(单位：mm)。实际长度(mm)＝像素长度(pixel)×放大因子(mm/pixel)。
(d)利用指数曲线拟合方法，拟合表面疲劳裂纹扩展的长度曲线(a-N曲线)和长度扩展速率曲线(da/dN-N曲线)。
获取表面疲劳裂纹的宽度特征参数；
利用鼠标点击裂纹上点，同时获得点的坐标，计算出表面疲劳裂纹的像素宽度(pixel)；计算表面疲劳裂纹的实际宽度(单位：mm)，实际宽度(mm)＝像素长度(pixel)×放大因子(mm/pixel)；利用指数曲线拟合方法，拟合表面疲劳裂纹扩展的宽度曲线(w-N曲线)和宽度扩展速率曲线(dw/dN-N曲线)。
对本发明的检测方法的精度进行验证：
将图像检测方法得到的表面疲劳裂纹长度扩展曲线(a-N曲线和da/dN-N曲线)和表面复型法得到的表面疲劳裂纹的长度扩展曲线(a-N曲线和da/dN-N曲线)进行比较，验证本研究中图像检测方法的精度。通过对误差进行分析得出，误差满足随机分布，分布范围为-4％～4％。
比较表征表面疲劳裂纹扩展的长度特征参数和宽度特征参数；
将该试样的表面疲劳裂纹长度扩展速率曲线(da/dN-N曲线)和宽度扩展速率曲线(dw/dN-N曲线)进行比较，比较结果表明：长度扩展特征参数更适合表征表面疲劳裂纹的扩展情况。
图像处理过程中有关参数的说明。
(a)最大值法灰度化：彩色图像的灰度化就是使彩色图像的R、G、B分量值相等的过程。最大值法：使灰度值等于原始图像像素R、G、B三个值中最大的一个，即Gray(灰度值)＝max(R，G，B)。
(b)区域提取法二值化：
首先，采用鼠标点取的方式获得裂纹区域若干点的灰度值g0，g1，…，gn，取均值记为gmean，以gmean为阈值对裂纹表面图像进行二值化；
而后，提取裂纹区域，MATLAB图像处理工具箱中利用bwselect()。
(c)长裂纹主干提取算法：
对一副疲劳裂纹骨架，如图10所示，对点和边的规定如表1～3所示。
定义如下两个数组：
I.节点编号数组：该数组是一个和裂纹骨架图像大小相等的二维数组，它的每一个元素对应裂纹骨架图像上相应位置的像素点，如果该像素点是节点，则元素记录像素点的节点编号，否则记为0。使用这个数组可以通过像素点的坐标值来查询它的节点编号。
II.边线起始点数组：用来存放在裂纹骨架树中从一个节点到另一个节点连线上第一个枝干点的坐标。它的行号对应分支节点号，列号对应另一节点号，纵向编号对应像素的x坐标和y坐标。比如数组下标[3][4][2]表示骨架上从3号分支节点到4号节点连线上第一个枝干点的y坐标。使用这个数组可以查找到一条边线的起始点，只要将该起始点设为背景点，就可以将边线和裂纹骨架断开。
算法步骤如下：
(1)对每个未结束分支节点进行处理，若该节点属于I类分支节点，则保留其最长的外边线，将其它短的外边线在裂纹骨架中断开，修改节点信息数组；
(2)对每个未结束分支节点进行处理，若该节点属于II类分支节点，将该节点退化为枝干点，与该节点相连的分支节点成为新的末端分支节点，即III类分支节点退化为II类分支节点，新的外边线长度为保留的最长外边线与内边线长度之和，结束该分支节点；
(3)重复(1)(2)的处理直至剩下一个IV类分支节点；
(4)比较该IV类分支节点的外边线长度，最长的两条构成裂纹主干，断开其它外边线。
(5)去掉多余前景点，将裂纹主干上被标记为分支节点的前景点置为背景点，若裂纹主干连通性不变，则继续，若改变，则该节点保留。
表1 裂纹骨架像素点规定
| 骨架像素点 | 对应到树结构 | 在图像平面内特点 |
| 端节点 | 根和树叶 | 8邻域中只有一个前景点 |
| 分支节点 | 其他层次子节点 | 8邻域内有三个或以上前景点 |
| 枝干点 | 边 | 8邻域内有两个前景点 |
表2 裂纹骨架数的边线规定
| 边线类型 | 具备条件 |
| 外边线 | 端节点D和分支节点F之间的连线 |
| 内边线 | 两个分支节点F之间的连线 |
表3 裂纹骨架树的节点规定
| 节点类型 | 具备条件 |
| I类 | 一条内边线，两条及以上外边线 |
| 节点类型 | 具备条件 |
| II类 | 一条内边线，一条外边线 |
| III类 | 两条及以上内边线，一条及以下外边线 |
| IV类 | 两条及以上外边线 |
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (1)
1.一种CCD图像特征的表面疲劳裂纹检测方法，其特征是：
第一步：对试样进行疲劳裂纹扩展试验；
对试样进行疲劳裂纹扩展试验，利用图像采集设备连续或间隙采集其表面疲劳裂纹产生过程中的数字图像，将获得的数字图像输入计算机；
第二步：对表面疲劳裂纹图像进行预处理；
将试样的疲劳裂纹分为微小裂纹和长裂纹，根据表面复型法得到的疲劳裂纹扩展曲线长度扩展速率小于2×10-4mm/cycle的归为微小裂纹，长度扩展速率大于等于2×10-4mm/cycle的归为长裂纹；利用MATLAB图像处理技术，分别对微小裂纹和长裂纹图像进行预处理，通过裁截、缩放操作获得微小裂纹区域图像，通过灰度化、二值化、膨胀腐蚀、开闭操作、细化操作获得长裂纹骨架图像；
第三步：获取试样表面疲劳裂纹的长度特征和宽度特征；
(1)利用鼠标点击微小裂纹区域，获得点的坐标值，进而计算出微小裂纹的像素长度，像素长度单位为pixel；利用树结构存储长裂纹骨架信息，采用递归的方法去除骨架分支，提取出长裂纹主干，进而计算出长裂纹的像素长度，像素长度单位为pixel；
(2)在所获取的试样的疲劳裂纹扩展过程的全部图像中，以表面疲劳裂纹的扩展初始位置为研究对象，利用鼠标点击获得点的坐标的方法计算表面疲劳裂纹的像素宽度，像素宽度单位为pixel；
(3)对图像采集设备进行标定，计算放大因子，进而计算表面疲劳裂纹的实际长度和实际宽度；实际长度＝像素长度×放大因子，实际宽度＝像素长度×放大因子；
(4)利用指数曲线拟合方法，拟合得到表面疲劳裂纹扩展的长度曲线、宽度曲线、长度扩展速率曲线和宽度扩展速率曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008102354109A CN101413901B (zh) | 2008-12-01 | 2008-12-01 | 基于ccd图像特征的表面疲劳裂纹检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008102354109A CN101413901B (zh) | 2008-12-01 | 2008-12-01 | 基于ccd图像特征的表面疲劳裂纹检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101413901A CN101413901A (zh) | 2009-04-22 |
| CN101413901B true CN101413901B (zh) | 2010-10-27 |
Family
ID=40594537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2008102354109A Expired - Fee Related CN101413901B (zh) | 2008-12-01 | 2008-12-01 | 基于ccd图像特征的表面疲劳裂纹检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101413901B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102502000B (zh) * | 2011-10-25 | 2014-08-27 | 中国电子科技集团公司第四十一研究所 | 一种基于机器视觉技术的烟包缺支、反支检测方法 |
| CN102607948B (zh) * | 2012-03-02 | 2014-02-19 | 西安石油大学 | 一种套管钻井用钢疲劳裂纹扩展行为的表征方法 |
| CN102692188B (zh) * | 2012-05-08 | 2014-11-12 | 浙江工业大学 | 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法 |
| FR2995080B1 (fr) * | 2012-09-04 | 2015-10-23 | Snecma | Procede de determination en haute frequence du seuil de non-propagation de fissure par fatigue |
| CN103018150A (zh) * | 2012-12-06 | 2013-04-03 | 福建建工建材科技开发有限公司 | 一种加气砼宏观孔分析方法 |
| CN104535589A (zh) * | 2015-01-20 | 2015-04-22 | 广东电网有限责任公司电力科学研究院 | 一种低压电流互感器在线检测方法和装置 |
| CN104657706B (zh) * | 2015-01-27 | 2017-12-29 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
| CN104777174B (zh) * | 2015-03-27 | 2017-11-28 | 中国人民解放军装甲兵工程学院 | 轴类零件截面突变部位表面疲劳裂纹检测系统及方法 |
| CN104897463A (zh) * | 2015-04-16 | 2015-09-09 | 广东工业大学 | 一种钢-混凝土组合件受力变形的实时检测装置及其的检测方法 |
| CN104867130B (zh) * | 2015-04-21 | 2018-09-18 | 浙江工业大学 | 一种基于裂纹图像子区灰度均值的自适应分割方法 |
| CN106198567A (zh) * | 2015-05-06 | 2016-12-07 | 法国圣戈班玻璃公司 | 光学检测方法、光学检测装置以及光学检测系统 |
| CN104964886A (zh) * | 2015-05-27 | 2015-10-07 | 东南大学 | 一种焊接构件疲劳应力及应变实时非接触式监测方法 |
| CN105181492B (zh) * | 2015-07-23 | 2018-01-19 | 中国科学院力学研究所 | 一种表面强化构件疲劳裂纹扩展速率的测定方法 |
| CN105352826B (zh) * | 2015-09-28 | 2019-04-02 | 同济大学 | 一种非接触式道路材料弯拉性能测试方法 |
| CN105389793B (zh) * | 2015-10-14 | 2018-10-19 | 北京智博联科技股份有限公司 | 一种自动识别物体表面裂缝走向及宽度的方法 |
| CN108351310B (zh) * | 2015-10-28 | 2021-05-18 | 日本碍子株式会社 | 蜂窝结构体的端面检查方法以及端面检查装置 |
| CN105371769B (zh) * | 2015-11-04 | 2018-06-12 | 西北工业大学 | 一种测量动态裂纹长度的方法及装置 |
| CN110009606A (zh) * | 2019-03-22 | 2019-07-12 | 北京航空航天大学 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
| KR20200140591A (ko) * | 2019-06-07 | 2020-12-16 | 코닝 인코포레이티드 | 기판 내의 결함들을 검출하기 위한 시스템 및 방법 |
| CN112577822A (zh) * | 2020-12-09 | 2021-03-30 | 江苏科技大学 | 一种腐蚀疲劳裂纹检测系统及其使用方法 |
| CN113446932A (zh) * | 2021-05-18 | 2021-09-28 | 西北工业大学 | 非接触式裂纹测量方法及其系统 |
| CN113533435B (zh) * | 2021-06-28 | 2022-08-05 | 南京航空航天大学 | 一种电位法与复型法相结合的曲线裂纹扩展监测方法 |
| CN113899746B (zh) * | 2021-09-30 | 2024-05-17 | 江苏纹动测控科技有限公司 | 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005028462A (ja) * | 2003-07-07 | 2005-02-03 | National Maritime Research Institute | 疲労亀裂の進展抑制方法及び検出方法、並びに、それらに用いるペースト |
| CN101105436A (zh) * | 2007-06-26 | 2008-01-16 | 上海大学 | 钢的热疲劳性能测试和分析方法 |
-
2008
- 2008-12-01 CN CN2008102354109A patent/CN101413901B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005028462A (ja) * | 2003-07-07 | 2005-02-03 | National Maritime Research Institute | 疲労亀裂の進展抑制方法及び検出方法、並びに、それらに用いるペースト |
| CN101105436A (zh) * | 2007-06-26 | 2008-01-16 | 上海大学 | 钢的热疲劳性能测试和分析方法 |
Non-Patent Citations (5)
| Title |
|---|
| 孟兆新,等.基于边缘检测的微小疲劳裂纹图像数据提取.东北林业大学学报.2006,34(3),111-112. |
| 孟兆新等.基于边缘检测的微小疲劳裂纹图像数据提取.东北林业大学学报.2006,34(3),111-112. * |
| 段黎明,周渝庆.基于工业CT图像的材料疲劳寿命预测.重庆大学学报.2008,31(8),831-835. * |
| 莫国影,等.基于CCD图像的表面疲劳裂纹识别与长度计算.机械制造与研究.2008,37(2),66-68. |
| 莫国影等.基于CCD图像的表面疲劳裂纹识别与长度计算.机械制造与研究.2008,37(2),66-68. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101413901A (zh) | 2009-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101413901B (zh) | 基于ccd图像特征的表面疲劳裂纹检测方法 | |
| Miao et al. | Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network | |
| CN108198181B (zh) | 一种基于区域分割和图像融合的红外热图像处理方法 | |
| CN109472769A (zh) | 一种不良图像缺陷检测方法和系统 | |
| CN108008006B (zh) | 一种焊缝缺陷检测方法、装置、设备及系统 | |
| CN112762362A (zh) | 基于卷积神经网络的水下管道泄漏声发射检测方法 | |
| CN109254532A (zh) | 一种面向通信时滞的多智能体分布式合作故障检测方法 | |
| CN104376231A (zh) | 基于改进近似贝叶斯计算的损伤识别方法 | |
| CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
| Zhang et al. | An intelligent sustainability evaluation system of micro milling | |
| CN116825243B (zh) | 一种基于多源数据的热障涂层服役寿命预测方法及系统 | |
| CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
| Lu et al. | A novel unbalanced weighted KNN based on SVM method for pipeline defect detection using eddy current measurements | |
| CN115099266A (zh) | 一种基于梯度提升决策树的硬车表面白层预测方法 | |
| Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
| CN102628858B (zh) | 大型锻件内部缺陷分析方法 | |
| CN103235862A (zh) | 选择拆卸序列规划方法及装置 | |
| CN114692465B (zh) | 桥梁损伤位置的无损识别方法、存储介质及设备 | |
| CN113899746B (zh) | 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 | |
| CN106021693A (zh) | 一种风洞多模态实时系统辨识方法 | |
| CN113935416B (zh) | 一种多状态结晶器的连铸漏钢预报方法 | |
| Zhao et al. | Research on detection method of coating defects based on machine vision | |
| Lakshmi et al. | IoT based Fault Detection in Dusty Solar Panels using Modified DenseNet121 | |
| Jun et al. | Reliability-based EDM process parameter optimization using kriging model and sequential sampling | |
| CN106021907A (zh) | 一种卫星遥测数据趋势预测的置信度动态评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101027 Termination date: 20151201 |
|
| EXPY | Termination of patent right or utility model |