CN105334216A - 用于自动部件检查的方法与系统 - Google Patents
用于自动部件检查的方法与系统 Download PDFInfo
- Publication number
- CN105334216A CN105334216A CN201410255206.9A CN201410255206A CN105334216A CN 105334216 A CN105334216 A CN 105334216A CN 201410255206 A CN201410255206 A CN 201410255206A CN 105334216 A CN105334216 A CN 105334216A
- Authority
- CN
- China
- Prior art keywords
- defect
- parts
- inspection
- latent
- information
- 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.)
- Pending
Links
Abstract
公开了用于自动部件检查的方法与系统。用于部件检查的方法包括使用目视检查系统确定部件的潜在缺陷并生成缺陷图,该缺陷图包括潜在缺陷和与该潜在缺陷在部件上的潜在位置有关的信息。进一步,该方法包括根据潜在缺陷的严重性来分类缺陷图。分类取决于缺陷图和该部件的在先信息。该方法还包括基于潜在缺陷的第一组特性和分类的缺陷图来开发部件的检查策略。检查策略包括多个检查决策。该方法还包括基于该检查策略为部件进行的检查,生成在该部件上存在的一个或多个缺陷的缺陷信息。
Description
背景技术
本发明一般地涉及检查系统领域,且更具体地涉及用于自动部件检查的方法与系统。
机器部件,一般是金属的,可由于长期使用而劣化。例如,涡轮机组部件由于机械力而劣化,且由于来自在流体介质中使用时的摩擦、腐蚀和侵蚀而磨损。特定地,涡轮机组刀片和叶片在操作期间在其前沿和后沿上经历腐蚀磨损。部件的这种劣化降低涡轮机组的效率。最终,部件的厚度或其他尺寸(诸如弦宽)减少至低于最小容许可用极限,导致强制丢弃或修理磨损部件。
过去,经常必需从机器中完全替换整个部件。然而,出于成本原因,期望一种仅标识并修理部件的磨损部分而不是完全替换的方法。
已经开发了用于标识并特定地指出部件中的缺陷的方法与系统。这些系统还确定缺陷性质和缺陷尺寸。然而,当需要评估多于一个部件时,这些方法和系统基于缺陷的可视性质和/或缺陷的大小来利用人员干预来区别部件。进一步,利用先进的检查工具来收集有关不同缺陷和缺陷特性的更多信息。这些系统没有特定地向操作人员提供有关于对特定缺陷类型使用特定检查系统的信息。
因此,需要一种用于检查并修复部件的自动化方法和系统,其提供关于所标识的缺陷的缺陷特性和位置的详细信息。
发明内容
根据一个示例,用于检查部件的方法包括使用多个目视检查系统中的至少一个来确定部件的一个或多个潜在缺陷。进一步,该方法包括生成缺陷图。缺陷图包括潜在缺陷和与潜在缺陷的在部件上的潜在位置有关的信息。进一步,该方法包括根据潜在缺陷的严重性来分类缺陷图。分类取决于缺陷图和该部件的在先信息。该方法还包括基于潜在缺陷的第一组特性和分类的缺陷图来开发部件的检查策略。所开发的检查策略包括多个检查决策。该方法还包括基于根据该检查策略为部件进行的检查,生成在该部件上存在的一个或多个缺陷的缺陷信息。
根据另一个示例,用于部件检查的系统包括配置为确定部件的一个或多个潜在缺陷的至少一个目视检查系统。该系统还包括处理器,配置为生成缺陷图,该缺陷图包括潜在缺陷和与潜在缺陷的在部件上的潜在位置有关的信息。进一步,该处理器配置为基于缺陷图和部件的在先信息根据潜在缺陷的严重性来分类缺陷图。该处理器还配置为基于潜在缺陷的第一组特性和分类的缺陷图来开发部件的检查策略。由处理器所开发的检查策略包括多个检查决策。该处理器还被配置为基于根据该检查策略为部件进行的检查,生成部件的缺陷信息。
附图说明
结合示出本公开的某些方面的既定原理的附图,根据如下关于示例的更详细的描述,本公开的其他特征和优势将变得明显。
图1示出根据一个示例的用于部件检查的方法;和
图2示出根据另一个示例的用于部件检查的系统。
具体实施方式
下文将详细参考相应附图。只要有可能,在所有附图中使用相同的附图标记来表示相同或类似的部分。
诸如涡轮机组和引擎之类的大型装置包括部署于该装置内用于特定功能的多个部件。这些部件,由于连续使用和操作环境,而易于表现出劣化。机器部件内随时间的劣化导致机器效率降低。很多机器被要求长时间运行且因此在部件中看到更多劣化。此处描述的方法和系统帮助确定部件内的缺陷并向操作人员提供关于可采取可能的措施来修正缺陷的信息输入。周期性地测试部件来标识缺陷并确定它们的剩余使用年限。出于检查目的,部件被放置在可调节的固定设备上。方法包括利用多个目视检查系统之一来执行部件的第一级目视检查。目视检查系统的示例包括机器视觉系统、或红外成像传感器、或偏振成像传感器、或接触感测传感器、或超声成像系统。第一级分析提供关于部件上的潜在缺陷以及它们的可能位置的信息。利用处理系统来生成缺陷图,该缺陷图捕捉了有关这些潜在缺陷及它们的潜在位置的信息。基于每一缺陷的潜在严重性也基于部件的在先信息,来分类缺陷图。利用经分类的缺陷图来生成部件的检查策略。生成检查策略还取决于潜在缺陷的第一组特性。检查策略包括针对执行部件检查的方式的多个检查决策,以标识出缺陷图中有关于缺陷的缺陷信息。该方法还包括根据检查策略执行部件的第二级检查。第二级检查提供关于经分类的缺陷图中的缺陷的信息,诸如准确位置、严重性、和缺陷类型。进一步使用这个缺陷信息来判定该部件是否可被修复或是否必需替换受测试的部件。
图2示出用于部件检查的方法。经常测试诸如刀片、叶片和螺旋桨之类的部件来检测缺陷,以使它们最早被修正。这允许机器操作人员以高效率操作机器从而生成更高产量。检查方法接收该部件并对部件的各部位进行检查。在步骤102,使用多个目视检查系统中的至少一个来进行部件的第一级扫描。部件的第一级扫描导致标识部件上的多个潜在缺陷。目视检查系统,诸如但不限于,机器视觉系统、红外(IR)照相机、偏振照相机、无损测试照相机、接触感测系统和超声感测系统,可用于生成部件的第一级扫描,包括标识潜在缺陷以及它们的潜在位置。
使用部件的在先信息来标识部件上的潜在缺陷。部件的在先信息包括但不限于,部件的设计文件、部件的在先缺陷历史、计算机辅助设计(CAD)影像等。在标识潜在缺陷时,生成部件的多个图像。目视检查系统配置为从多个透视角度生成部件的一个或多个图像来覆盖部件的一个或多个部分。使用已知的图像比较和处理技术,将这些图像与部件的在先信息比较。基于多个图像和部件的在先信息的比较,确定潜在缺陷的第一组特性。该第一组特性包括缺陷的潜在严重性和潜在缺陷的类型。缺陷类型包括但不限于刮痕(scratch)、磨损(abrasion)、凹痕(dent)、裂缝(crack)、刻痕(nick)、撕裂(tear)、弓形(bow)、凹陷(pit)、化学侵蚀等。该方法还可包括从多个图像确定部件不同部分的尺寸。可将这些尺寸与部件的预期尺寸相比较,预期尺寸可作为部件的在先信息获得。当部件的测得尺寸和预期尺寸之差大于特定阈值时,可标识缺陷。
在步骤104,生成缺陷图,包括潜在缺陷和它们的可能位置。为了生成缺陷图,生成部件的3-D登记信息(registrationinformation)。利用已知3-D登记系统,诸如3-D扫描仪和接触探针,来生成3-D登记信息。3-D扫描仪的示例包括但不限于基于结构光的扫描仪、激光雷达扫描仪和摄影测量扫描仪。还可利用可作为在先信息获得的部件模型信息来执行部件的三维登记。3-D登记后,基于使用目视检查系统获得的第一级扫描结果来标识潜在缺陷的多个潜在位置。进一步,将潜在缺陷和它们的位置绘制在部件模型上来生成缺陷图。
在步骤106,分类缺陷图。可利用潜在缺陷的第一组特性(诸如严重性)来执行缺陷图中缺陷的分类。进一步,通过将缺陷图与部件的在先信息比较,也可对缺陷图分类。例如,可基于边缘过渡、或暗点或亮点的变化的表现,来分类缺陷。可利用缺陷图来决定扫描部件各部分的优先级从而生成与潜在缺陷有关的缺陷信息。
在步骤108,利用所得的经分类的缺陷图,来确定部件的检查策略。还可基于经分类的缺陷图中的潜在缺陷的第一组特性来生成检查策略。在步骤108处生成的检查策略包括与部件的详细检查有关的多个检查决策,从而生成与来自经分类的缺陷图的缺陷有关的缺陷信息。多个检查决策包括选择用于详细检查的传感器的类型、检查传感器放置的透视角度、部件相对于检查传感器的对齐、用于检查的照明源、检查的大小(size)和检查的密度(density)。检查策略可取决于缺陷性质、缺陷的可能位置、缺陷的严重性或缺陷的尺寸。可对于切割型(cuttype)缺陷执行超声检查,而可进行涡流探测来收集与凹陷类型缺陷有关的信息。进一步,取决于缺陷的可能位置,可决定检查传感器的透视角度。检查策略中包括一个或多个这样的决策。生成检查策略从而帮助操作人员按照在经分类的缺陷图中建立的顺序来进行部件检查。
在步骤110,基于考虑到检查策略而进行的部件检查,生成多个缺陷的缺陷信息。使用在检查策略中标识的多个传感器来进行部件检查。这些传感器中的每一个配置为生成表示所检查的缺陷的多个输出信号。分析由该多个传感器产生的输出信号来确定经分类的缺陷图中每一个缺陷的缺陷信息。例如,当为部件的特定部分的检查选择超声传感器时,该部件生成多个经反射的信号。分析这些经反射的信号来确定与部件的那个部分有关的信息。基于与基准的经反射信号的比较,确定在部件的那个部分内存在的缺陷的缺陷信息。缺陷信息可包括但不限于,缺陷的准确位置、缺陷的严重性和缺陷的准确性质。
部件上缺陷的缺陷信息被用于做出有关修复/替换该部件的决策。进一步,可将缺陷信息与阈值比较,且如果任何缺陷的缺陷信息大于阈值,则生成警报。该方法还包括使用部件的多个图像以及在检查期间生成的缺陷信息来生成在部件上存在的缺陷的可视三维图。可将该缺陷信息,连同经分类的缺陷图,传输给操作人员或修理控制器。操作人员可利用这个信息来生成对于部件的设计的多个修改建议。另一方面,修理控制器可被配置为修复部件中存在的缺陷。
图2示出用于部件检查的系统。系统200包括受测试部件(CUT)202、目视检查系统204、处理器206、检查系统208、数据储存库210和目视显示器系统212。系统200配置为在已经到达用于检查的部件上执行检查。可将诸如刀片、叶片、螺旋桨之类的部件与使用这些部件的机器分离。将这些部件放置在固定设备上并在隔离的测试区域中进行测试。可在机器操作期间测试CUT202。
可将CUT202放置在平台上。选择平台以使得部件202在被放置在该平台上时不经历任何不稳定。在合适的固定机构的帮助下,可将平台固定至水平面。该平台可被配置为以系统200可扫描部件202的整个几何形状的方式允许部件202的运动。允许部件202在平台上的运动的配置的示例包括但不限于多个轮或可移动台。
目视检查系统204配置为执行CUT202的第一级扫描来确定一个或多个潜在缺陷。目视检查系统的示例包括但不限于机器视觉系统、红外成像传感器、偏振成像传感器、接触感测传感器或超声成像系统。目视检查系统204配置为将多个询查信号传输至部件202。由目视检查系统204收集入射信号从部件202的反射。这些反射的分析提供关于可能存在于部件202上的缺陷的细节。目视检查系统204配置为从多个透射视角获得部件202的多个图像。将多个图像与存储于数据储存库210内的部件202的在先信息的比较,可获得与CUT202上的可能缺陷有关的信息。
系统200可包括槽口(socket)(未示出)来容纳该目视检查系统204。该槽口放置为远离平台容纳部件202的平台,以使得可在不禁止槽口或平台运动的情况下来放置部件202。取决于部件202的形状和大小,槽口相对于平台部署于不同配置内。槽口固定至平台(未示出),部署为平行于容纳部件202的平台。可将多个线性致动器耦合至槽口来将槽口沿部件的长度和宽度移动。槽口可固定至轨道(未示出),部署为平行于容纳部件202的平台。可将具有目视检查系统204的槽口部署于轨道上,从而可沿放置在平台上的部件202移动。轨道配置为能使具有目视检查系统204的槽口沿部件202的长度和宽度移动。进一步,槽口还可包括装有弹簧的装置来实现部件202和目视检查系统204之间的物理接触。
可将目视检查系统204部署在可移动机械臂(未示出)上,该机械臂配置为沿部件202的长度和宽度移动。出于检查目的,可将部件202固定至该机械臂。该机械臂与处理器(诸如处理器206)可通信地耦合,该处理器配置为执行编程指令来使得该机械臂能在部件202的整个长度和宽度上移动。
处理器206配置为从目视检查系统204接收潜在缺陷信息,且进一步配置为生成缺陷图、分类缺陷图、并基于经分类的缺陷图来确定部件202的检查策略。在特定实施例中,处理器206可包括中央处理单元(CPU),诸如微处理器,或可包括任何合适数量的专用集成电路(ASIC)。处理器206可包括存储器,存储器可以是电、磁、光、电磁、或红外系统、装置、或设备。存储器的常见形式包括CD-ROM、硬盘、磁带、闪存、随机存取存储器(RAM)、可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)和便携式紧凑盘只读存储器(CDROM)。处理器204能执行程序指令,诸如生成控制信号,并响应于这些指令或可发生在检查部件202过程中的其他活动来起作用。这样的程序指令一般包括用于实现逻辑功能的可执行指令的列表。该列表可实现于任何计算机可读介质中以供由基于计算机的系统使用或与之结合使用,该系统可检索、处理、并执行这些指令。可选地,可由附加处理器206远程地执行处理的一些或全部。进一步,处理器206还可接收用户输入指令来执行特定功能或修改指令。
从目视检查系统204可获得的潜在缺陷信息传输至处理器206来生成缺陷图。缺陷图包括由系统208确定的潜在缺陷列表和与这些缺陷的潜在位置有关的信息。可基于目视检查系统204的输出与存储于数据存储库210内的部件202的在先信息之间的比较,来标识缺陷的潜在位置。还可由处理器206使用从目视检查传感器204中接收的信息来确定缺陷的第一组特性。
为了生成缺陷图,根据一个实施例,处理器206利用部件的3-D登记信息。利用已知3-D登记系统,诸如3-D扫描仪和接触探针,来生成3-D登记信息。3-D扫描仪的示例包括但不限于基于结构光的扫描仪、激光雷达扫描仪和摄影测量扫描仪。处理器206还可配置为利用作为数据存储库210内的在先信息可获得的部件202模型信息来生成部件的3-D登记。3-D登记后,基于使用目视检查系统204获得的第一级扫描结果来标识潜在缺陷的多个潜在位置。进一步,处理器206利用潜在缺陷和它们的位置来生成缺陷图。
处理器206还被配置为分类缺陷图。可由处理器206利用潜在缺陷的第一组特性(诸如严重性)来执行缺陷图中缺陷的分类。进一步,通过将缺陷图与存储于数据存储库内的部件202的在先信息比较,也可对缺陷图进行分类。例如,可基于边缘过渡、或暗点或亮点的变化的表现,来分类缺陷。可利用经分类的缺陷图来判定扫描部件各部分的优先级从而生成与潜在缺陷有关的缺陷信息。
处理器206基于所得的经分类的缺陷图来生成检查策略。还可基于经分类的缺陷图中的潜在缺陷的第一组特性来生成检查策略。检查策略包括与部件202的详细检查有关的多个检查决策,从而生成与来自经分类的缺陷图的缺陷有关的缺陷信息。多个检查决策包括但不限于,选择至少一个检查系统208、将被用于详细检查的检查系统208中的传感器204、放置检查传感器204的透视角度、部件202相对于检查传感器204的对齐、将被用于检查的照明光源、检查的大小、和检查的密度。检查策略可取决于所标识的缺陷性质、所标识的缺陷的可能位置、缺陷的严重性或缺陷的尺寸。在检查策略中选择的检查传感器204可包括一个或多个传感器。检查传感器204的示例包括但不限于,机器视觉传感器、光点传感器、激光点传感器、结构光3D传感器、红外成像传感器、偏振成像传感器、接触感测传感器或超声成像系统。生成检查策略从而帮助操作人员按照在经分类的缺陷图中建立的顺序来进行部件202的检查。
处理器206进一步配置为基于由检查系统208在考虑检查策略情况下进行的部件202的检查来确定多个缺陷的缺陷信息。使用在检查策略中标识的检查传感器204的类型来进行部件202的检查。每一个检查传感器204配置为生成表示所检查的缺陷的多个输出信号。由处理器206来分析由该检查传感器204产生的输出信号来确定经分类的缺陷图中每一个缺陷的缺陷信息。例如,当为部件的特定部件的检查选择超声传感器时,该部件生成多个经反射的信号。分析这些经反射的信号来确定与部件的那个部分有关的信息。基于与基准的经反射信号的比较,确定在部件的那个部分中存在的缺陷的缺陷信息。缺陷信息可包括但不限于,缺陷的准确位置、缺陷的严重性和缺陷的准确性质。
处理器206进一步配置为当缺陷的严重性大于阈值时为部件202中的缺陷生成警告。进一步,处理器配置为生成部件202的3-D体积表示。部件202的体积表示基于3-D计算机辅助设计(CAD)。可由处理器206基于多个部件参数来生成部件202的体积表示。部件参数包括但不限于部件厚度、部件直径、部件几何形状和部件长度。部件几何形状包括但不限于,与部件202的形状有关的细节、部件202内观察到的曲率的角度、锥角和弯曲。基于部件202的可用几何信息,处理器206重构部件202来生成部件202的3-D图像。由处理器206通过利用3-D建模软件来生成3-D图像,建模软件诸如由(SiemensPLM)出售的NX、由加州圣拉斐尔的Autodesk有限公司开发的AutoCADTM、和由法国DassaultSystémes开发的CATIATM。处理器206接收部件202的体积表示作为输入,形式为计算机辅助设计文件,诸如用于SiemensPLM软件的NX文件、用于AutoCADTM开发的DXF文件、或DWF文件、或用于CATIATM开发的CAT文件。可通过与处理器206通信耦合的数据存储库210来将这些文件提供至处理器206。可将体积表示文件通过用户界面提供至处理器206,其中操作人员上载该表示文件,然后由处理器206接收。
进一步,处理器206配置为用通过检查系统208获得的缺陷信息来编辑部件202的体积表示。体积表示,随附缺陷信息,可显示在显示系统212上。还可利用显示系统212来显示与CUT202有关的警告。
还可将处理器206配置为确定部件202设计的修改建议。修改建议可基于与部件202的缺陷有关的缺陷信息。进一步,可将处理器206配置为将缺陷信息提供至修复控制器,该修复控制器配置为修复(repair)并修理(fix)部件202中存在的缺陷。
上述系统和方法提供了不昂贵的确定部件202上可能存在的缺陷的缺陷信息的方式。进一步,系统和方法提供了对于任何缺陷的大小和严重性的更为定量的测量。可使用该信息来直接驱动加工或其他自动化修复操作。通过首先与仅定位缺陷足够的总体信息协作,然后做出更多的详细成像或其他分析来量化仅位于缺陷区域上的每一个缺陷,仅收集需要的高分辨率数据,因此最小化了收集数据的时间以及必须处理的数据量。相比替代方法,该分段方法使得数据收集更快且更完整。进一步,经分类的缺陷图提供系统化方式来分析各种缺陷,因此减少了修复这些缺陷还有做出关于替换的决策所花费的时间,而不需要等待整个部件202被测试。
应当理解,以上描述旨在是说明性而非限制性。例如,上述示例(和/或其一个或多个方面)可彼此组合地使用。此外,可作出各种修改来使得特定情况或材料适于本公开的教示而不背离其范围。尽管此处描述的材料的尺寸和类型意在定义示例的参数,但是没有任何形式的限制。在阅读以上描述之后,许多其它示例对本领域内技术人员而言将是显而易见的。因此,本发明的范围应参考所附权利要求书以及使这些权利要求享有权利的等效方案的完全范围来确定。在随附权利要求中,术语“包含”和“在其中”分别用作术语“包括”和“其中”的等价词。此外,术语“第一”、“第二”等仅用作标记,而不旨在对他们的对象施加数值或位置要求。进一步,随后的权利要求的限制并没有以手段加功能的形式撰写,且并不意在基于35U.S.C.§112第六段而解释,除非且直到这样的权利要求限制直接使用短语“用于…装置(meansfor)”随后跟功能描述而没有进一步的结构。
此书面描述使用示例来描述要求保护的发明,包括最佳模式,也可以使任何所属技术领域的专业人员能实现要求保护的发明,包括制造并使用任何设备或系统以及执行任何包括的方法。本发明的专利保护范围由权利要求书定义,并可包括本领域内技术人员作出的其它例子。旨在使这些其它例子落在权利要求书的范围内,如果它们具有与权利要求书的文字语言没有区别的结构要素,或者它们包括与权利要求书的文字语言无实质区别的等效结构要素。
如此处所用,术语“处理器”是指软件、硬件、或固件、或其中的任意组合,或执行或帮助此处描述的过程的任何系统、过程、或功能。
如此处所使用,以单数表达且前有单词“一(a)”或“一个(an)”的元件或步骤应该被理解为没有排除复数个元件或步骤,除非明确叙述了这样的排除。进一步,除非明确叙述相反情况,示例“包括(comprising)”、“包含(including)”、“具有(having)”具有特定性质的元件或多个元件可包括不具有该性质的附加的这样的元件。
Claims (23)
1.一种用于部件检查的方法,所述方法包括:
使用多个目视检查系统中的至少一个来确定部件的至少一个潜在缺陷;
生成缺陷图,所述缺陷图包括所述至少一个潜在缺陷和与所述至少一个潜在缺陷在所述部件上的至少一个潜在位置有关的信息;
基于所述缺陷图和所述部件的在先信息,根据所述至少一个潜在缺陷的第一组特性来分类所述缺陷图;
基于所述至少一个潜在缺陷的所述第一组特性和经分类的缺陷图来开发部件的检查策略,其中所述检查策略包括多个检查决策;且
基于根据所述检查策略对所述部件进行的检查来生成所述部件上存在的至少一个缺陷的缺陷信息。
2.如权利要求1所述的方法,其特征在于,还包括当任何缺陷的严重性大于阈值时生成对部件的警告。
3.如权利要求1所述的方法,其特征在于,所述多个目视检查系统包括机器视觉系统、红外成像传感器、偏振成像传感器、接触感测传感器和超声成像系统。
4.如权利要求1所述的方法,其特征在于,确定所述至少一个潜在缺陷还包括:
生成所述部件的多个图像,其中所述部件的所述多个图像包括所述部件的一个或多个部分的图像;
将所述多个图像与所述部件的在先数据比较;且
基于所述比较来确定所述至少一个潜在缺陷的第一组特性。
5.如权利要求4所述的方法,其特征在于,生成所述缺陷图还包括:
基于所述部件的多个图像、接触感测探针和/或3D结构光传感器来创建所述部件的3-D登记信息;
基于所述3-D登记信息来标识每一个潜在缺陷的位置;且
在所述位置中绘制每一个潜在缺陷从而创建所述缺陷图。
6.如权利要求1所述的方法,其特征在于,所述第一组特性包括每一个潜在缺陷的严重性和每一个潜在缺陷的类型中的至少一个。
7.如权利要求1所述的方法,其特征在于,所述多个检查决策包括选择检查传感器、检查传感器放置的透视角度、部件相对于检查传感器的对齐、用于检查的照明光源、检查的大小(size)和/或检查的密度(density)。
8.如权利要求4所述的方法,其特征在于,还包括在每个潜在缺陷的每个位置处基于多个检查决策来执行部件的检查。
9.如权利要求1所述的方法,其特征在于,缺陷信息包括所述部件上存在的缺陷的准确位置、存在的缺陷的严重性或所存在的缺陷的类型中的至少一个。
10.如权利要求1所述的方法,其特征在于,所述检查包括软扫描、区域绘制、视频分析、或无损测试中的至少一项。
11.如权利要求4所述的方法,其特征在于,还包括使用所述部件的所述多个图像来创建所述部件上存在的缺陷的可视3-D图。
12.如权利要求1所述的方法,其特征在于,还包括向修复控制器提供所述缺陷信息,所述修复控制器配置为修复所述部件上存在的缺陷。
13.如权利要求1所述的方法,其特征在于,还包括基于所述缺陷信息生成对于部件设计的多个修改建议。
14.一种用于部件检查的系统,所述系统包括:
至少一个目视检查系统,配置为确定部件的至少一个潜在缺陷;
处理器,其被配置成:
生成缺陷图,所述缺陷图包括所述至少一个潜在缺陷和与所述至少一个潜在缺陷在所述部件上的至少一个潜在位置有关的信息;
基于所述缺陷图和所述部件的在先信息,根据所述潜在缺陷的第一组特性来分类所述缺陷图;
基于所述潜在缺陷的所述第一组特性和经分类的缺陷图来开发部件的检查策略,其中所述检查策略包括多个检查决策;且
基于根据所述检查策略为所述部件进行的检查,生成部件的缺陷信息。
15.如权利要求14所述的系统,其特征在于,所述多个检查决策包括选择至少一个检查系统、所述至少一个检查系统的放置的透视角度、部件相对于所述至少一个检查系统的对齐、用于检查的照明光源、检查的大小(size)和/或检查的密度(density)。
16.如权利要求15所述的系统,其特征在于,基于所述检查策略来进行所述部件检查的检查系统包括多个传感器。
17.如权利要求16所述的系统,其特征在于,所述多个传感器包括激光点传感器、白光点传感器、结构光3D传感器、接触感测探针、超声传感器、图像传感器和/或涡流传感器。
18.如权利要求14所述的系统,其特征在于,所述目视检查系统包括机器视觉系统、红外成像传感器、偏振成像传感器、接触感测传感器和/或超声成像系统中的至少一项。
19.如权利要求14所述的系统,其特征在于,还包括数据存储库,配置为存储所述部件的在先信息,其中所述在先信息包括所述部件的在先成像数据。
20.如权利要求19所述的系统,其特征在于,所述处理器被进一步配置成:
从所述目视检查系统接收所述部件的多个图像,其中所述部件的所述多个图像包括所述部件的一个或多个部分的图像;
将所述多个图像与所述部件的在先数据比较;且
基于所述比较来确定所述潜在缺陷的第一组特性。
21.如权利要求20所述的系统,其特征在于,所述处理器被进一步配置成:
基于所述部件的多个图像、接触感测探针和/或结构光3D传感器来创建所述部件的3-D登记信息;
基于所述3-D登记信息来标识每一个潜在缺陷的位置;且
在每一个位置中绘制每一个潜在缺陷从而创建所述缺陷图。
22.如权利要求14所述的系统,其特征在于,所述第一组特性包括所述潜在缺陷的严重性和所述潜在缺陷的类型中的至少一个。
23.如权利要求14所述的系统,其特征在于,还包括显示系统,配置为显示所述部件上存在的缺陷的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410255206.9A CN105334216A (zh) | 2014-06-10 | 2014-06-10 | 用于自动部件检查的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410255206.9A CN105334216A (zh) | 2014-06-10 | 2014-06-10 | 用于自动部件检查的方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105334216A true CN105334216A (zh) | 2016-02-17 |
Family
ID=55284869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410255206.9A Pending CN105334216A (zh) | 2014-06-10 | 2014-06-10 | 用于自动部件检查的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105334216A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356434A (zh) * | 2016-05-09 | 2017-11-17 | 赛峰航空助推器股份有限公司 | 用于涡轮机的增强现实测试方法和测试台 |
CN108196029A (zh) * | 2018-03-02 | 2018-06-22 | 绵阳金泰机械设备制造有限公司 | 一种金属零件缺陷检测系统及修复方法 |
CN108291880A (zh) * | 2015-03-13 | 2018-07-17 | 科内克斯伯德有限公司 | 用于检查货柜的布置、方法、装置和软件 |
CN108416824A (zh) * | 2018-01-23 | 2018-08-17 | 网易(杭州)网络有限公司 | Dwf文件贴图方法、装置、计算设备和介质 |
CN110998463A (zh) * | 2017-01-18 | 2020-04-10 | Asml荷兰有限公司 | 用于缺陷检查的知识推荐 |
CN111741854A (zh) * | 2018-02-22 | 2020-10-02 | 特瑞堡密封系统美国有限公司 | 用于检测密封件的状态的系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1444035A (zh) * | 2001-12-31 | 2003-09-24 | 奥博泰克有限公司 | 检查图形的方法 |
CN1514231A (zh) * | 2002-08-19 | 2004-07-21 | 光子力学公司 | 集成视觉成像和电子检测检查系统 |
JP2008249653A (ja) * | 2007-03-30 | 2008-10-16 | Toray Ind Inc | 検査システム |
CN101292263A (zh) * | 2005-08-26 | 2008-10-22 | 卡姆特有限公司 | 目视检验仪中自动检测物品缺陷的方法和系统 |
CN101493425A (zh) * | 2008-10-31 | 2009-07-29 | 东莞康视达自动化科技有限公司 | 微观表面缺陷全自动紫外光学检测方法及其系统 |
CN101893579A (zh) * | 2009-05-19 | 2010-11-24 | 日本麦可罗尼克斯股份有限公司 | 目视检查装置和目视检查方法 |
-
2014
- 2014-06-10 CN CN201410255206.9A patent/CN105334216A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1444035A (zh) * | 2001-12-31 | 2003-09-24 | 奥博泰克有限公司 | 检查图形的方法 |
CN1514231A (zh) * | 2002-08-19 | 2004-07-21 | 光子力学公司 | 集成视觉成像和电子检测检查系统 |
CN101292263A (zh) * | 2005-08-26 | 2008-10-22 | 卡姆特有限公司 | 目视检验仪中自动检测物品缺陷的方法和系统 |
JP2008249653A (ja) * | 2007-03-30 | 2008-10-16 | Toray Ind Inc | 検査システム |
CN101493425A (zh) * | 2008-10-31 | 2009-07-29 | 东莞康视达自动化科技有限公司 | 微观表面缺陷全自动紫外光学检测方法及其系统 |
CN101893579A (zh) * | 2009-05-19 | 2010-11-24 | 日本麦可罗尼克斯股份有限公司 | 目视检查装置和目视检查方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108291880A (zh) * | 2015-03-13 | 2018-07-17 | 科内克斯伯德有限公司 | 用于检查货柜的布置、方法、装置和软件 |
CN108291880B (zh) * | 2015-03-13 | 2021-09-10 | 科内克斯伯德有限公司 | 用于检查货柜的布置、方法、装置和软件 |
CN107356434A (zh) * | 2016-05-09 | 2017-11-17 | 赛峰航空助推器股份有限公司 | 用于涡轮机的增强现实测试方法和测试台 |
CN110998463A (zh) * | 2017-01-18 | 2020-04-10 | Asml荷兰有限公司 | 用于缺陷检查的知识推荐 |
US11650576B2 (en) | 2017-01-18 | 2023-05-16 | Asml Netherlands B.V. | Knowledge recommendation for defect review |
CN110998463B (zh) * | 2017-01-18 | 2023-08-25 | Asml荷兰有限公司 | 用于缺陷检查的知识推荐的服务器和方法 |
CN108416824A (zh) * | 2018-01-23 | 2018-08-17 | 网易(杭州)网络有限公司 | Dwf文件贴图方法、装置、计算设备和介质 |
CN108416824B (zh) * | 2018-01-23 | 2022-05-03 | 网易(杭州)网络有限公司 | Dwf文件贴图方法、装置、计算设备和介质 |
CN111741854A (zh) * | 2018-02-22 | 2020-10-02 | 特瑞堡密封系统美国有限公司 | 用于检测密封件的状态的系统和方法 |
CN111741854B (zh) * | 2018-02-22 | 2022-10-21 | 特瑞堡密封系统德国有限责任公司 | 用于检测密封件的状态的系统和方法 |
CN108196029A (zh) * | 2018-03-02 | 2018-06-22 | 绵阳金泰机械设备制造有限公司 | 一种金属零件缺陷检测系统及修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105334216A (zh) | 用于自动部件检查的方法与系统 | |
US10871444B2 (en) | Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system | |
Jahanshahi et al. | Adaptive vision-based crack detection using 3D scene reconstruction for condition assessment of structures | |
JP7048499B2 (ja) | データセットの半自動ラベル付け | |
Lin et al. | Bridge inspection with aerial robots: Automating the entire pipeline of visual data capture, 3D mapping, defect detection, analysis, and reporting | |
CN106463428B (zh) | 用于使用近场恢复进行的光罩检验的系统和方法 | |
CN108460760B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 | |
Chen et al. | Convolutional neural networks (CNNs)-based multi-category damage detection and recognition of high-speed rail (HSR) reinforced concrete (RC) bridges using test images | |
O’Byrne et al. | An underwater lighting and turbidity image repository for analysing the performance of image-based non-destructive techniques | |
JP2019056668A (ja) | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム | |
JP6719008B2 (ja) | 点検結果検索装置及び方法 | |
JPWO2017130550A1 (ja) | 欠陥検査装置、方法およびプログラム | |
Turkan et al. | Terrestrial laser scanning-based bridge structural condition assessment | |
EP3894840A1 (en) | Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system | |
Das et al. | Application of deep convolutional neural networks for automated and rapid identification and computation of crack statistics of thin cracks in strain hardening cementitious composites (SHCCs) | |
Jahanshahi et al. | Vision-based quantitative assessment of microcracks on reactor internal components of nuclear power plants | |
KR101557308B1 (ko) | 외관조사망도 작성 오류 검색 기능을 갖는 외관조사망도에 근거한 구조물의 손상물량 자동 집계 방법이 구현된 컴퓨터 판독가능한 기록매체 | |
Ye et al. | Method for automatic railway track surface defect classification and evaluation using a laser‐based 3D model | |
Pan | Three-dimensional vision-based structural damage detection and loss estimation–towards more rapid and comprehensive assessment | |
Ge et al. | Automated detection and characterization of cracks on concrete using laser scanning | |
Guan et al. | Defect classification for specular surfaces based on deflectometry and multi-modal fusion network | |
JP2006292615A (ja) | 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体 | |
Li et al. | 3D laser point cloud-based geometric digital twin for condition assessment of large diameter pipelines | |
CN111027601A (zh) | 一种基于激光传感器的平面检测方法、装置 | |
Belloni et al. | Crack Monitoring from Motion (CMfM): crack detection and measurement using cameras with non-fixed positions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160217 |