CN102692429B - 一种复合材料内部缺陷类型自动识别检测方法 - Google Patents
一种复合材料内部缺陷类型自动识别检测方法 Download PDFInfo
- Publication number
- CN102692429B CN102692429B CN 201110071603 CN201110071603A CN102692429B CN 102692429 B CN102692429 B CN 102692429B CN 201110071603 CN201110071603 CN 201110071603 CN 201110071603 A CN201110071603 A CN 201110071603A CN 102692429 B CN102692429 B CN 102692429B
- Authority
- CN
- China
- Prior art keywords
- defective
- matrix
- defect
- image
- carried out
- 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
Images
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种复合材料内部缺陷类型自动识别检测方法,步骤为:利用红外热波无损检测设备对复合材料进行检测,生成红外图像;对红外序列图像进行相空间重构,确定复合材料缺陷的位置并分割图像的缺陷区域;对具有缺陷区域的红外序列图像进行相空间重构,进行奇异值分解得到奇异矩阵及左右两个投影矩阵,对上述两个投影矩阵分别进行再次矩阵重构,再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征,构造混合特征向量作为缺陷的特征表征;运用RBF神经网络分类器结果完成识别分类判断。本发明对复合材料的部缺陷实现自动识别检测,对复合材料的损伤类型进行快速的检测,对复合材料的使用情况提供快速检测手段,具有重要的实际意义和研究价值。
Description
技术领域
本发明涉及一种红外热波无损检测技术,具体地说是一种复合材料内部缺陷类型自动识别检测的方法。
背景技术
红外热波无损检测技术是一门新兴的学科,其原理是通过热源对待检测试件进行加热,采用红外热像仪采集试件表面温度的实时图像信号。在热传导过程中,当试件内部存在断裂、气孔、分层等缺陷时,材料的热传导性能会发生改变,试件的表面温度产生不均匀分布。通过处理采集的温度信号,从而可以判断试件内部缺陷信息。红外热波无损检测具有非接触性测量、测试速度快、灵敏度高、可实现自动检测等优点,已广泛用于航空航天复合新型材料及其力学特性研究的检测领域。
目前,对相应的红外序列图像的处理方法的研究主要集中于两方面:一种是通过红外序列图像建立热物理模型来计算材料的内部的热物理性质分布的反推法,如脉冲热像法、脉冲相位法等;一种是采用图像处理手段分析图像序列中的缺陷信息。反推法主要缺点是需要建立完备的材料热传模型以及测量大量的材料物理参数,只有在可控实验室条件易于实现,而在实际工程应用中具有较大的局限性。因此,通过对不需要建立物理模型的图像处理方法对红外序列图像中缺陷信息进行快速分析成为一种较好的分析方法。而目前能够实现复合材料内部缺陷类型自动识别检测的方法的技术方案尚未见报道。
发明内容
针对现有技术对复合材料内部缺陷的检测方法需要建立完备的材料热传模型以及测量大量的材料物理参数,在实际工程应用中的较大局限性等不足之处,本发明要解决的技术问题是提供一种不需要建立物理模型的对红外序列图像中缺陷信息进行快速分析的复合材料内部缺陷类型自动识别检测的方法。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种复合材料内部缺陷类型自动识别检测方法包括以下步骤:
利用红外热波无损检测设备对复合材料进行检测,生成红外图像;
对采集的红外序列图像进行相空间重构,确定复合材料缺陷的位置并分割图像的缺陷区域;
对具有缺陷区域的红外序列图像进行相空间重构,进行奇异值分解得到奇异矩阵及左右两个投影矩阵,对上述两个投影矩阵分别进行再次矩阵重构,再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征,构造混合特征向量作为缺陷的特征表征;
运用RBF神经网络分类器,将已知的缺陷样本通过提取缺陷的特征表征,生成训练集,作为神经网络的输入,完成缺陷分类识别的网络训练;对待识别的复合材料缺陷,输入到RBF神经网络,利用网络参数训练的结果完成识别分类判断。
对红外序列图像进行相空间重构方法为:
把每帧红外图像数据进行有序排列,构成一维向量,对构成的所有向量依次排列,构成二维矩阵,即为包含缺陷全部空间与时间信息的缺陷矩阵。
所述确定复合材料缺陷的位置包括以下步骤:
通过奇异值分解算法对红外序列图像进行相空间重构得到的二维矩阵进行处理,得到奇异矩阵及其投影矩阵,提取反映缺陷空间位置信息的投影矩阵的列/行向量构造二维图像矩阵,并通过预先确定的灰度阈值定位图像位置。
所述两个投影矩阵为包括反映时间特征的投影矩阵和反映空间特征的投影矩阵,其中对反映时间特征的投影矩阵进行再重构过程为:
对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵,通过奇异值分解提取包含时间特征的投影矩阵的首行/列数据,通过对提取的首行/列数据进行变换,构造缺陷时间特征矩阵。
对反映空间特征的投影矩阵进行再重构过程为:
对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵,通过奇异值分解提取包含空间特征的投影矩阵的首列/行数据,通过截取与原缺陷图像行像素长度相等的数据构成第一行,并依次类推构造缺陷空间特征矩阵。
提取缺陷时间信息和空间信息的代数特征过程为:
对两个投影矩阵进行再重构得到的缺陷空间特征矩阵和缺陷时间特征矩阵分别进行奇异值分解,提取奇异向量,从奇异向量的第一个值的平方和进行累加,直到选取累加值占全部奇异向量的奇异值平方累加和的70%~90%的奇异值作为特征值构造缺陷时间信息和缺陷空间信息的代数特征。
构造混合特征向量作为缺陷的特征表征过程为:
在缺陷时间信息的代数特征和缺陷空间信息的代数特征的基础上,结合缺陷相空间矩阵奇异值分解后的奇异值向量进行组合,构成缺陷混合特征向量。
所述缺陷分类识别的网络训练的步骤为:
设定神经网络输入层、隐含层和输出层的节点数目、初始参数以及误差函数;
通过梯度下降法对神经网络参数进行训练,当误差达到误差要求时停止训练。
本发明具有以下有益效果及优点:
1.复合材料的自动分类识别。本方法采用红外热波无损检测技术,结合图像处理方法确定缺陷位置,并运用奇异值分解提取缺陷的特征值,运用RBF神经网络进行识别分类,通过该方法可以实现对复合材料的部缺陷实现自动识别检测。
2.复合材料比单一材料更为优良的性能,但在力学破损、失效等方面的特性十分复杂。通过缺陷自动识别检测,可以实现对复合材料的损伤类型进行快速的检测,可以辅助实现对复合材料的力学研究中实现材料缺陷演化过程的研究,并可以对复合材料的使用情况提供快速检测手段,因而具有极其重要的实际意义和研究价值。
附图说明
图1本发明复合材料内部缺陷自动识别方法流程图;
图2本发明方法中复合材料红外序列图像相空间重构示意图;
图3A为本发明方法中缺陷序列图像样本图像(第1帧)(来自于热障涂层实测图像);
图3B为本发明方法中缺陷序列图像样本图像(第25帧)(来自于热障涂层实测图像);
图3C为本发明方法中缺陷序列图像样本图像(第45帧)(来自于热障涂层实测图像);
图3D为本发明方法中缺陷序列图像样本图像(第60帧)(来自于热障涂层实测图像);
图4A为本发明方法中缺陷空间向量第一列重构矩阵的图像示意图;
图4B为本发明方法中缺陷空间向量第二列重构矩阵的图像示意图;
图4C为本发明方法中缺陷空间向量第三列重构矩阵的图像示意图;
图5为本发明方法缺陷定位与分割示意图;
图6为本发明方法RBF神经网络结构示意图。
具体实施方式
本发明提出的复合材料内部缺陷自动识别检测的方法是基于红外无损检测技术,步骤为:利用红外热波无损检测设备对复合材料进行检测,生成红外图像;对采集的红外序列图像进行相空间重构,确定复合材料缺陷的位置并分割图像的缺陷区域;对具有缺陷区域的红外序列图像进行相空间重构,进行奇异值分解得到奇异矩阵及两个投影矩阵,对上述两个投影矩阵进行再重构,再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征,构造混合特征向量作为缺陷的特征表征;运用RBF神经网络分类器,将已知的缺陷样本通过提取缺陷的特征表征,生成训练集,作为神经网络的输入,完成缺陷分类识别的网络训练;对待识别的复合材料缺陷,输入到RBF神经网络,利用网络参数训练的结果完成识别分类判断。
本实施例中的试件以航空发动机叶片热障涂层缺陷样本为例。
本发明方法如图1所示,包括以下步骤:
1)利用红外热波无损检测设备对复合材料进行检测生成红外图像
本实施例中,通过高能闪光灯对试件进行主动加热,通过红外热像仪进行红外辐射信号的捕捉,红外热像仪输出端接显示红外图像的成像装置,如图3A~3D所示,是通过红外热像仪采集的发动机叶片热障涂层二维红外图像,其中每帧图像为缺陷在热成像过程中有明显特征变化的图像。
2)对采集的红外序列图像进行相空间重构,确定复合材料缺陷的位置并分割图像的缺陷区域
由于红外序列图像为三维矩阵数据,在通过奇异值分解(SVD)进行缺陷特征提取之前,需要对其进行相空间重构,相空间重构过程示意图如图2所示。设缺陷区域的红外序列图像的第i帧为Xi,对图像数据从左到右,从上到下排列,构成一维矩阵,则从t帧图像序列得到t个一维矩阵,并按行方向依次排列构成包含缺陷全部空间与时间信息的二维矩阵Y。
对缺陷图像序列相空间重构后的矩阵Y进行奇异值分解,根据奇异值分解理论,二维矩阵Y的表现形式如下所示:
其中Ui(x,y)为二维矩阵Y空间变量的正交基,矩阵为描述二维矩阵Y时间变量的正交基,σi为二维矩阵的奇异值,x,y分别为红外图像序列像素坐标,t为具有缺陷区域的红外序列图像时间帧,r为二维矩阵的秩。缺陷区域的红外序列图像的空间特征信息集中在基向量Ui(x,y)的列向量中,通过提取Ui(x,y)的列向量进行图像重构。提取Ui(x,y)列向量的前三列进行重构后的图像如图4A~4C所示,其中从图中分析可知,当i=1时,Ui(x,y)重构图像矩阵示意图包含了缺陷的最主要信息。
由图4A所示,缺陷的灰度值比周围材料的灰度高,因此通过灰度阈值对缺陷的位置进行分割定位,定位后结果如图5所示。
3)构造混合特征向量作为缺陷的特征表征
对具有缺陷区域的红外序列图像进行相空间重构后,得到的二维矩阵Y进行奇异值分解,得到奇异向量:
SV=(σ1,σ2,…,σi,…,σr)
其中SV为重构后矩阵的代数特征,作为对缺陷序列图像重构矩阵的代数特征;σi为二维矩阵的奇异值,r为二维矩阵Y的秩。经过奇异值分解,缺陷的空间特征矩阵集中在二维矩阵Y空间变量的正交基Ui(x,y)的列向量中,通过提取Ui(x,y)的列向量进行图像重构。对重构后矩阵进行二次奇异值分解,提取缺陷空间特征向量:
SVu=(σ′1,σ′2,…,σ′i,…,σ′p)
其中SVu为重构后矩阵的代数特征,作为缺陷空间特征矩阵的代数特征;σ′i为二维矩阵的奇异值,p为空间特征矩阵的秩。
SVv=(σ″1,σ″2,…,σ″i,…,σ″q)
其中SVv为重构后矩阵的代数特征,作为对缺陷时间特征矩阵的代数特征;σ″i为二维矩阵D的奇异值,q为缺陷时间特征矩阵的秩。
由于奇异向量的数值其余大部分趋近于零值,因此提取占各向量总能量贡献率ECP主要成分的奇异值组成缺陷的特征向量。
其中ECP定义为:
其中λi为奇异向量值,g为截取后特征向量长度,s为奇异向量长度。
通过对红外序列图像样本进行奇异值分解,并结合具有缺陷时间、空间代数特征的特征向量SV、SVu、SVV构造特征向量,其中特征向量为奇异向量取ECP占90%的部分,构造后的混合特征向量为:
SVnew=(SV,SVU,SVV)
4)运用RBF神经网络分类器,缺陷分类识别的网络训练
针对复合材料的实验成本高、采集样本少的特点,采用在解决小样本训练集问题、非线性等模式分类问题上有着很好性能的RBF神经网络进行识别验证。
RBF神经网络结构图如图6所示,其中RBF神经网络的隐含层函数采用径向基函数。识别步骤如下:
(1)设采集的有缺陷区域的红外序列图像训练样本数为N,待分类类别为M。通过SVD进行特征提取,得到R维数SVnew 1,SVnew 2,…SVnew l,…,SVnew n的N组特征向量作为RBF神经网络输入值,其中SVnew l(SVl,SVl U,SVl V)。
(2)设置隐含层单元数目R,输出层数目为待分类类别M,网络输出为yi(i=1,2,…,M),随机初始化数据中心Ci、数据宽度δi和权值wj,并定义目标函数:
(3)令权值wj固定,对第k个隐含层单元的数据中心Ck和数据宽度δk调整采用梯度下降法进行训练:
其中,η1、η2分别为数据中心Ck和数据宽度δk的学习速率,m为迭代次数,E(m)为第m迭代时目标函数。
5)运用RBF神经网络分类器,缺陷分类识别结果
表1给出了使用本发明方法后得到的分类识别结果
表1识别结果表明,通过神经网络对缺陷混合特征向量的代数特征与仅通过提取相空间重构后的缺陷矩阵特征值相比,识别率有明显的提高。其中,由于氧化层弯曲与断裂引起的缺陷损伤在损伤表面的热量分布不均匀以及热传过程温度变化剧烈,其识别效果更好。而盐腐蚀造成的缺陷面积大、热分布均匀性差造成识别率低,需要通过结合其他算法加强其特征表征。另外,训练样本数较少的问题也是影响其识别效果的重要原因。
Claims (7)
1.一种复合材料内部缺陷类型自动识别检测方法,其特征在于包括以下步骤:
利用红外热波无损检测设备对复合材料进行检测,生成红外图像;
对采集的红外序列图像进行相空间重构,确定复合材料缺陷的位置并分割图像的缺陷区域;
对具有缺陷区域的红外序列图像进行相空间重构,进行奇异值分解得到奇异矩阵及左右两个投影矩阵,对上述两个投影矩阵分别进行再次矩阵重构,再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征,构造混合特征向量作为缺陷的特征表征;
运用RBF神经网络分类器,将已知的缺陷样本通过提取缺陷的特征表征,生成训练集,作为神经网络的输入,完成缺陷分类识别的网络训练;对待识别的复合材料缺陷,输入到RBF神经网络,利用网络参数训练的结果完成识别分类判断;
所述两个投影矩阵为包括反映时间特征的投影矩阵和反映空间特征的投影矩阵,其中对反映时间特征的投影矩阵进行再重构过程为:
对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵,通过奇异值分解提取包含时间特征的投影矩阵的首行/列数据,通过对提取的首行/列数据进行变换,构造缺陷时间特征矩阵。
2.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法,其特征在于对红外序列图像进行相空间重构方法为:
把每帧红外图像数据进行有序排列,构成一维向量,对构成的所有向量依次排列,构成二维矩阵,即为包含缺陷全部空间与时间信息的缺陷矩阵。
3.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法,其特征在于所述确定复合材料缺陷的位置包括以下步骤:
通过奇异值分解算法对红外序列图像进行相空间重构得到的二维矩阵进行处理,得到奇异矩阵及其投影矩阵,提取反映缺陷空间位置信息的投影矩阵的列/行向量构造二维图像矩阵,并通过预先确定的灰度阈值定位图像位置。
4.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法,其特征在于对反映空间特征的投影矩阵进行再重构过程为:
对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵,通过奇异值分解提取包含空间特征的投影矩阵的首列/行数据,通过截取与原缺陷图像行像素长度相等的数据构成第一行,并依次类推构造缺陷空间特征矩阵。
5.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法,其特征在于提取缺陷时间信息和空间信息的代数特征过程为:
对两个投影矩阵进行再重构得到的缺陷空间特征矩阵和缺陷时间特征矩阵分别进行奇异值分解,提取奇异向量,从奇异向量的第一个值的平方和进行累加,直到选取累加值占全部奇异向量的奇异值平方累加和的70%~90%的奇异值作为特征值构造缺陷时间信息和缺陷空间信息的代数特征。
6.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法,其特征在于构造混合特征向量作为缺陷的特征表征过程为:
在缺陷时间信息的代数特征和缺陷空间信息的代数特征的基础上,结合缺陷相空间矩阵奇异值分解后的奇异值向量进行组合,构成缺陷混合特征向量。
7.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法,其特征在于所述缺陷分类识别的网络训练的步骤为:
设定神经网络输入层、隐含层和输出层的节点数目、初始参数以及误差函数;
通过梯度下降法对神经网络参数进行训练,当误差达到误差要求时停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110071603 CN102692429B (zh) | 2011-03-24 | 2011-03-24 | 一种复合材料内部缺陷类型自动识别检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110071603 CN102692429B (zh) | 2011-03-24 | 2011-03-24 | 一种复合材料内部缺陷类型自动识别检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102692429A CN102692429A (zh) | 2012-09-26 |
CN102692429B true CN102692429B (zh) | 2013-10-30 |
Family
ID=46858026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110071603 Expired - Fee Related CN102692429B (zh) | 2011-03-24 | 2011-03-24 | 一种复合材料内部缺陷类型自动识别检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102692429B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439342B (zh) * | 2013-09-17 | 2015-09-30 | 华东交通大学 | 基于热图时序特征的红外无损检测方法 |
CN103984956B (zh) * | 2014-04-25 | 2017-07-18 | 广东电网公司电力科学研究院 | 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法 |
CN104794303B (zh) * | 2015-04-30 | 2017-10-03 | 合肥工业大学 | 平面双材料圆环界面应力奇异性特征值的分析方法 |
CN105628868B (zh) * | 2015-12-18 | 2018-08-21 | 北京航空航天大学 | 一种复合材料结构的欠采样信号冲击定位处理方法和系统 |
GB2551378A (en) | 2016-06-16 | 2017-12-20 | Bentley Motors Ltd | Method of assessing damage to composite members |
US10473603B2 (en) * | 2017-04-18 | 2019-11-12 | Saudi Arabian Oil Company | Apparatus, system and method for inspecting composite structures using quantitative infra-red thermography |
CN107870181A (zh) * | 2017-06-20 | 2018-04-03 | 成都飞机工业(集团)有限责任公司 | 一种复合材料脱粘缺陷的后期识别方法 |
US10551297B2 (en) * | 2017-09-22 | 2020-02-04 | Saudi Arabian Oil Company | Thermography image processing with neural networks to identify corrosion under insulation (CUI) |
CN108918557B (zh) * | 2018-05-23 | 2021-02-09 | 哈尔滨理工大学 | 一种非导电性产品结构缺陷无损检测的方法 |
US10643324B2 (en) * | 2018-08-30 | 2020-05-05 | Saudi Arabian Oil Company | Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation |
CN109145846A (zh) * | 2018-08-30 | 2019-01-04 | 苏州富莱智能科技有限公司 | 材料微观结构智能识别分析系统及分析方法 |
CN109117818A (zh) * | 2018-08-30 | 2019-01-01 | 苏州富莱智能科技有限公司 | 材料组织特性智能识别分析系统及分析方法 |
CN109360204B (zh) * | 2018-11-28 | 2021-07-16 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN109655483B (zh) * | 2018-12-14 | 2021-06-15 | 四川大学 | 一种基于深度学习算法的材料微观结构缺陷检测方法 |
CN109919905B (zh) * | 2019-01-08 | 2021-04-06 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
CN109948207A (zh) * | 2019-03-06 | 2019-06-28 | 西安交通大学 | 一种航空发动机高压转子装配误差预测方法 |
CN110322429B (zh) * | 2019-05-09 | 2022-04-05 | 中南大学 | 一种基于深度学习的蜂窝复合材料缺陷分类方法 |
CN110261437B (zh) * | 2019-07-01 | 2021-10-29 | 重庆科技学院 | 一种基于红外热像的天然气站场压力设备缺陷普查方法 |
CN110532924A (zh) * | 2019-08-22 | 2019-12-03 | 江苏联峰实业有限公司 | 一种高耐热钢的识别处理方法及装置 |
CN111781244B (zh) * | 2020-07-15 | 2021-10-26 | 中国科学院自动化研究所 | 基于长短期记忆网络的红外热成像式涂层检测方法 |
CN111968084B (zh) * | 2020-08-08 | 2022-05-20 | 西北工业大学 | 一种基于人工智能的航空发动机叶片缺陷快速精准识别方法 |
CN112489016B (zh) * | 2020-11-30 | 2024-02-20 | 浙江工业大学 | 复合材料缺陷热影像图的局部敏感判别分析方法 |
CN112798648B (zh) * | 2020-12-09 | 2022-06-03 | 浙江工业大学 | 基于生成核主成分热影像分析的复合材料缺陷检测方法 |
CN114791067B (zh) * | 2021-01-25 | 2024-02-06 | 杭州申昊科技股份有限公司 | 一种具有热检测功能的管道机器人及控制方法与控制系统 |
CN112818822B (zh) * | 2021-01-28 | 2022-05-06 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种航空航天复合材料损伤区域自动识别方法 |
CN112906672B (zh) * | 2021-04-08 | 2024-02-02 | 上海应用技术大学 | 钢轨缺陷识别方法及系统 |
CN113295732B (zh) * | 2021-04-22 | 2022-09-30 | 杭州申昊科技股份有限公司 | 可供检测管道缺陷的管道机器人及其控制方法与控制系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
CN101828911B (zh) * | 2010-04-27 | 2011-07-20 | 杭州电子科技大学 | 一种基于奇异谱熵的神经元动作电位特征提取方法 |
-
2011
- 2011-03-24 CN CN 201110071603 patent/CN102692429B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102692429A (zh) | 2012-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102692429B (zh) | 一种复合材料内部缺陷类型自动识别检测方法 | |
Liang et al. | Low energy impact damage detection in CFRP using eddy current pulsed thermography | |
d’Ovidio et al. | Comparison between Eulerian diagnostics and finite-size Lyapunov exponents computed from altimetry in the Algerian basin | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
Zhu et al. | Analysis of hydraulic tomography using temporal moments of drawdown recovery data | |
CN106886797B (zh) | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 | |
CN110108754A (zh) | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 | |
CN105631480A (zh) | 一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法 | |
CN103792246A (zh) | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 | |
Li et al. | Damage localization in composite laminates based on a quantitative expression of anisotropic wavefront | |
CN104833699B (zh) | 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 | |
CN106769818A (zh) | 一种基于代数迭代重建算法的铝合金结构腐蚀损伤监测方法 | |
Hagenmuller et al. | Characterization of the snow microstructural bonding system through the minimum cut density | |
CN109813758A (zh) | 基于红外检测图像信号的层间脱粘缺陷复杂边界轮廓定量重构方法 | |
Toulouse et al. | A multimodal 3D framework for fire characteristics estimation | |
CN110186851A (zh) | 一种基于半监督自编码分析的高光谱影像土壤重金属浓度评估方法 | |
Vu et al. | Mapping of hydraulic transmissivity field from inversion of tracer test data using convolutional neural networks. CNN-2T | |
Zarlenga et al. | Advective transport in heterogeneous formations: The impact of spatial anisotropy on the breakthrough curve | |
CN103837533A (zh) | 基于热成像仪的混凝土温度监测与仿真反分析方法 | |
Earls | Bayesian inference of hidden corrosion in steel bridge connections: Non-contact and sparse contact approaches | |
Sbalchiero et al. | 3D radar sounder simulations of geological targets on Ganymede Jovian Moon | |
Ullmann et al. | Automated defect detection for non-destructive evaluation by radar imaging and machine learning | |
CN107045003A (zh) | 一种基于同步迭代重建算法的铝合金结构腐蚀损伤监测方法 | |
Ceniceros et al. | Comparison of BRDF-predicted and observed light curves of GEO satellites | |
Zhong et al. | Reconstruction of subsurface objects by LSM and FWI from limited-aperture electromagnetic data |
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: 20131030 Termination date: 20170324 |
|
CF01 | Termination of patent right due to non-payment of annual fee |