CN108444934A - 一种复合材料脱粘缺陷的自动分割及量化方法 - Google Patents
一种复合材料脱粘缺陷的自动分割及量化方法 Download PDFInfo
- Publication number
- CN108444934A CN108444934A CN201810087207.5A CN201810087207A CN108444934A CN 108444934 A CN108444934 A CN 108444934A CN 201810087207 A CN201810087207 A CN 201810087207A CN 108444934 A CN108444934 A CN 108444934A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- defect
- thermal image
- value
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 74
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000002131 composite material Substances 0.000 title claims abstract description 12
- 238000013139 quantization Methods 0.000 title abstract 3
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000002950 deficient Effects 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000011430 maximum method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004451 qualitative analysis Methods 0.000 description 4
- 229920000049 Carbon (fiber) Polymers 0.000 description 3
- 239000004917 carbon fiber Substances 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 239000011208 reinforced composite material Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 101000783960 Homo sapiens N(4)-(beta-N-acetylglucosaminyl)-L-asparaginase Proteins 0.000 description 1
- 102100021003 N(4)-(beta-N-acetylglucosaminyl)-L-asparaginase Human genes 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种复合材料脱粘缺陷的自动分割及量化方法,通过基于传统的区域生长法和热图像信号重构算法相结合,利用峭度选择出经过重构之后的热图像,将峭度值最大的热图像进行分割,利用热图像物理规律及MMRT算法,自动选择出的种子点,并以此为起始种子点生长,最后根据图像均值及缺陷像素比率自动的选择阈值,得出分割最优的图像进行定量分析,通过试件面积与热图像中像素点的对应模型及比例关系获得缺陷大小及量化准确率。
Description
技术领域
本发明属于无损检测技术领域,更为具体地讲,涉及一种复合材料脱粘缺陷的自动分割及量化方法。
背景技术
无损检测技术是指在不损害被测对象性能和结构的前提下,对其状态特性和物理性能进行检测,而检测可分为定性分析和定量分析,定性分析是对研究对象进行“质”的方面的分析,只需知道物理量的性质,例如缺陷的有无;而定量分析时对现象的数量特征、数量关系与数量变化的分析,例如缺陷的具体尺寸和深度。目前使用的热成像检测技术前期主要围绕定性分析,利用激励源激励并实现不同大小缺陷的快速检测,并采用特征提取处理算法增强缺陷信息,但定量分析更加详细具体,有助于后期维修及材料性能判定,更加科学准确,并通过数学模型能计算出对象的各项指标及数值。
碳纤维增强复合材料由于强度高、变形小、重量低和耐高温等出色的物理性能,而广泛应用于人造卫星结构体、飞机承力件和导弹弹头等,为保证产品质量和服役安全,需监控其内部质量,红外热成像检测技术被广泛用于各类缺陷的快速检测,再通过对包含缺陷信息的红外热图像序列做特征提取和图像分割,实现定性分析和定量检测,量化缺陷信息来消除安全隐患,更具有应用现实意义。
发明内容
本发明的目的在于克服现有技术的不足,提供一种复合材料脱粘缺陷的自动分割及量化方法,通过传统的区域生长法和特征提取算法相结合,对碳纤维增强复合材料脱粘缺陷进行自动分割及量化,从而实现自动识别和定位缺陷位置。
为实现上述发明目的,本发明一种复合材料脱粘缺陷的自动分割及量化方法,其特征在于,包括以下步骤:
(1)、图像预处理
(1.1)、对被测试件进行热加载,采集被测试件的红外热图像序列;
(1.2)、利用热图像信号重构算法对红外热图像序列进行重构
将红外热图像序列的温度响应从时域转换到对数域,拟合成n次多项式函数:
ln(T(0,t))=a0+a1ln(t)+a2[ln(t)]2…+an[ln(t)]n
其中,表示热扩散率,kρc分别表示被测试件的热导率、密度和比热容;Q为表面总能量,t为时间;a0,a1,…,an分别对应压缩之后的n+1帧图像的系数;
(2)、图像自动分割
(2.1)、计算重构后的n+1帧图像的峭度值;
其中,Ki表示第i帧图像的峭度值,i=0,1,2,…,n;表示第i帧图像中第j个像素点的像素值,μi,σi分别表示第i帧图像的像素均值和标准差,M表示第i帧图像中像素点总个数;
选出最大峭度值对应的该帧图像并作为最佳热图像;
(2.2)、将最佳热图像划分为非试件区域、试件的非缺陷区域和试件的脱粘区域;
(2.3)、在试件的非缺陷区域中自动选择起始种子点
使用平均最大值法MMRT计算初始种子点集合S:
|MMRT-S|<o
其中,其中,ι和r分别表示最佳热图像的第ι行和总行数,|Xι|表示第ι行的绝对值最大的像素值,μ表示最佳热图像的像素均值,MMRT为所得初始种子点值,o为常数;
利用形态学的边缘检测算法去除初始种子点集合S中落在非试件区域中的种子点,得到最终的种子点集合S*,再从种子点集合S*中随机挑选一个点作为起始种子点;
(2.4)、对最佳热图像进行自动阈值选择
(2.4.1)、获取二值化处理的最佳阈值
(2.4.1)、求出最佳热图像的像素均值及像素均值对应的单位数量级;
(2.4.2)、确定阈值范围:以像素均值的绝对值对应的像素点为中间点,再向左右分别取τ个单位长度,作为阈值点;在阈值范围内,对2τ个阈值进行区域分割;
(2.4.3)、以起始种子点作为分割点,对最佳热图像进行二值化分割,得到的二值化图像中分别用0和1代表缺陷区域和非缺陷区域;
(2.4.4)、计算缺陷区域中像素点个数和总像素点之间的比例;
其中,∑pj=0表示缺陷区域中像素点总个数,M表示图像总像素点个数;
(2.4.5)、在每个阈值点自然生长时,重复步骤步骤(2.4.3)、(2.4.4),直到2τ个阈值点生长结束,再在同一幅图中绘出缺陷比例曲线,最后分析缺陷比例曲线变化结果,找出缺陷比例跳变最大的阈值点作为最佳阈值,所对应的二值化图像即为最佳分割图像;
(3)、缺陷定量识别
(3.1)、计算被测试件的面积与最佳二值化图像中像素点的比例关系λ;
(3.2)、根据比例关系λ计算被测试件中的缺陷面积Sdef;
本发明的发明目的是这样实现的:
本发明一种复合材料脱粘缺陷的自动分割及量化方法,通过基于传统的区域生长法和热图像信号重构算法相结合,利用峭度选择出经过重构之后的热图像,将峭度值最大的热图像进行分割,利用热图像物理规律及MMRT算法,自动选择出的种子点,并以此为起始种子点生长,最后根据图像均值及缺陷像素比率自动的选择阈值,得出分割最优的图像进行定量分析,通过试件面积与热图像中像素点的对应模型及比例关系获得缺陷大小及量化准确率。
附图说明
图1是本发明一种复合材料脱粘缺陷的自动分割及量化方法流程图;
图2是自动区域生长算法流程图;
图3是不同种子点的分割结果图;
图4是缺陷像素比变化趋势图;
图5实验数据分割量化结果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种复合材料脱粘缺陷的自动分割及量化方法流程图。
在本实施例中,如图1所示,本发明一种复合材料脱粘缺陷的自动分割及量化方法,包括以下步骤:
S1、对被测试件进行热加载,采集被测试件的红外热图像序列;
S2、利用热图像信号重构算法对红外热图像序列进行重构
对于获得的含缺陷的红外热图像序列,为减少热图像帧数及提高缺陷检测的精度,先通过常用的特征提取算法进行预处理,例如主成分分析(PCA)、独立成分分析(ICA)和热图像信号重构(TSR)在本实施例中,采用热图像信号重构(TSR)进行预处理,具体原理及步骤可在论文《Daryabor P,Safizadeh M S.Comparison of three thermographic postprocessing methods for the assessment of a repaired aluminum plate withcomposite patch[J].Infrared Physics&Technology,2016,79:58-67.》中得到。热图像中表面温度场在趋于平衡的过程中,每个像素点的温度变化可简化为一维热传导模型,由傅里叶扩散方程得出的温度曲线可表示为:
其中,表示热扩散率,kρc分别表示被测试件的热导率、密度和比热容;Q为表面总能量,t为时间;
将红外热图像序列的温度响应从时域转换到对数域,拟合成n次多项式函数:
ln(T(0,t))=a0+a1ln(t)+a2[ln(t)]2…+an[ln(t)]n
其中,a0,a1,…,an分别对应压缩之后的n+1帧图像的系数;
这样,通过重构后的红外热图像序列能消除噪声,并提高缺陷的分辨率。
S3、自动区域生长
S3.1、图像自动分割
如图2所示,区域生长法(SRG)的分割思想是将具有相似性质的像素集合起来构成区域。首先对每个需要分割的区域找出一个种子像素点作为生长的起点,然后将种子像素邻域中与种子有相同或相似性质的像素(根据事先确定的生长或相似准则来确定)与种子像素合并成集合。而新的像素继续做种子向四周生长,直到没有满足条件的像素可以合并进来,最终形成一个像素集合,得到区域。此原始的分割算法存在太多人为的主观因素,且效率和准确率低。
自动区域生长法(ASRG)则是自动的选择出的最优热图像进行分割,并自动选择种子点、阈值以及终止条件,并能获得较强的鲁棒性和准确率。
下面我们对分割的具体流程进行描述:
S3.1.1、计算重构后的n+1帧图像的峭度值;
峭度值是用来反映随机变量分布特性的数值统计量,是归一化四阶中心矩,即可衡量多项式的非高斯性,具体公式为:
其中,Ki表示第i帧图像的峭度值,i=0,1,2,…,n;表示第i帧图像中第j个像素点的像素值,μi,σi分别表示第i帧图像的像素均值和标准差,M表示第i帧图像中像素点总个数;
将峭度值应用于每个像素点的温度随时间变化的过程,选择出峭度最大的一帧图像作为最佳热图像进行分割处理,同时峭度值的波动幅度能够反映出缺陷特征提取结果的好坏,利用图像特征参数可以快速准确的选择出最佳结果。
S3.1.2、将图3(a)所示的最佳热图像划分为非试件区域、试件的非缺陷区域和试件的脱粘区域;
如图3(a)所示,种子点可能分布在3个不同的区域,分别为非试件区域(如区域A)、试件的非缺陷区域(如区域B)和试件的脱粘区域(如区域C)。在三种不同范围内选择一个种子点经相同处理所得结果如图3(b)-(d)所示,当种子点选择在区域A时,存在缺陷漏检的情况与种子点选在区域B相比。当种子点选在在区域C时,只有一个缺陷能够被检测出来。
S3.1.3、在试件的非缺陷区域中自动选择起始种子点
由上述实验现象和区域生长法的规律可知,最恰当的种子点选择是在区域B范围内。而种子点的自动选择根据红外热图像物理规律和区域特性,非试件区域温度最低且变化最小,而由于缺陷是集热的导致此区域温度最高,试件的非缺陷区域温度则是介于A和C之间。因此,使用平均最大值法MMRT计算初始种子点集合S:
|MMRT-S|<o
其中,其中,ι和r分别表示最佳热图像的第ι行和总行数,|Xι|表示第ι行的绝对值最大的像素值,μ表示最佳热图像的像素均值,MMRT为所得初始种子点值,o表示一个很小的值,如量级为10-8,再根据o即可得种子点范围S;
为了消除种子点落在非试件区域的可能性,利用形态学的边缘检测算法去除初始种子点集合S中落在非试件区域中的种子点,得到最终的种子点集合S*,再从种子点集合S*中随机挑选一个点作为起始种子点;
S3.2、对最佳热图像进行自动阈值选择
S3.2.1、获取二值化处理的最佳阈值
S3.2.1、求出最佳热图像的像素均值及像素均值对应的单位数量级;
S3.2.2、确定阈值范围:以像素均值的绝对值对应的像素点为中间点,再向左右分别取τ个像素点,作为阈值点;在阈值范围内,对2τ个阈值点进行自然生长;在本实施例中,以像素均值的绝对值为中间点,再向左右分别取十五个单位长度,例如若像素均值为0.8,则阈值范围为0.05到1.55,同时对每个阈值都进行区域生长;
S3.2.3、以起始种子点作为分割点,对最佳热图像进行二值化分割,得到二值化图像,在二值化图像中分别用0和1代表缺陷区域和非缺陷区域;
S3.2.4、计算缺陷区域中像素点个数和总像素点之间的比例;
其中,∑pj=1表示缺陷区域中像素点总个数;
S3.2.5、在每个阈值点自然生长时,重复步骤步骤S3.2.3、S3.2.4,直到2τ个阈值点自然生长结束,再在同一幅图中绘出缺陷比例曲线,最后分析缺陷比例曲线变化结果,找出缺陷比例跳变最大的阈值点作为最佳阈值,所对应的二值化图像即为最佳分割图像;
在本实施例中,将所选范围内的三十个阈值均进行区域生长,并根据缺陷像素比值的属性,选择出变化趋势最大的点即为最佳阈值。
在本实施例中,图4为一试件的缺陷比例系数变化趋势图,其中第12个阈值为最佳阈值并取出对应的二值化图像,做后期量化分析。
S4、缺陷定量识别
S4.1、计算被测试件的面积与最佳二值化图像中像素点的比例关系λ;
在本实施例中,根据被测试件的实际大小(长和宽)与热图像中像素点的对应关系如下:
Sspe=length×width,Sdef=π×r2
其中,Sspe和Sdef分别代表试件面积和缺陷面积。
S4.2、根据比例关系λ计算被测试件中的缺陷面积Sdef;
实例
为了能够自动得到在热图像中试件的长度与宽度所占像素点数,使用横纵标准向量做扫描处理,统计计算出试件的长度与宽度在热图像中所占的像素点数。,同理缺陷处根据统计直径可判断。首先利用标准向量分别与分割后的二值图做与运算,然后统计出运算后的向量中缺陷的像素点数,再根据圆面积公式即可得缺陷处面积即像素点总数。
图5(a)中给出了复合材料脱粘缺陷试件的原始红外热图像,其中少部分缺陷能被清晰检测,本试件包含两排深度不同的缺陷,每排的缺陷直径均为6mm、10mm和15mm,图5(b)为经过TSR特征提取后由峭度最大选择出的待分割的图像,提高了缺陷检出率和对比度。图5(c)为经过自动区域生长算法后的图像,其中每个缺陷均能识别,而图5(d)则是对缺陷量化的结果,通过缺陷大小和误差率均能清晰的定量缺陷,将缺陷依次定义编号为D1至D6,D1、D2、D3为薄层缺陷,D4、D5、D6为深层缺陷,该方法能较好的量化不同大小和不同深度的脱粘缺陷。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种复合材料脱粘缺陷的自动分割及量化方法,其特征在于,包括以下步骤:
(1)、图像预处理
(1.1)、对被测试件进行热加载,采集被测试件的红外热图像序列;
(1.2)、利用热图像信号重构算法对红外热图像序列进行重构
将红外热图像序列的温度响应从时域转换到对数域,拟合成n次多项式函数:
ln(T(0,t))=a0+a1ln(t)+a2[ln(t)]2…+an[ln(t)]n
其中,表示热扩散率,kρc分别表示被测试件的热导率、密度和比热容;Q为表面总能量,t为时间;a0,a1,…,an分别对应压缩之后的n+1帧图像的系数;
(2)、图像自动分割
(2.1)、计算重构后的n+1帧图像的峭度值;
其中,Ki表示第i帧图像的峭度值,i=0,1,2,…,n;表示第i帧图像中第j个像素点的像素值,μi,σi分别表示第i帧图像的像素均值和标准差,M表示第第i帧图像中像素点总个数;
选出最大峭度值对应的该帧图像并作为最佳热图像;
(2.2)、将最佳热图像划分为非试件区域、试件的非缺陷区域和试件的脱粘区域;
(2.3)、在试件的非缺陷区域中自动选择起始种子点
使用平均最大值法MMRT计算初始种子点集合S:
|MMRT-S|<o
其中,其中,ι和r分别表示最佳热图像的第ι行和总行数,|Xι|表示第ι行的绝对值最大的像素值,μ表示最佳热图像的像素均值,MMRT为所得初始种子点值;
利用形态学的边缘检测算法去除初始种子点集合S中落在非试件区域中的种子点,得到最终的种子点集合S*,再从种子点集合S*中随机挑选一个点作为起始种子点;
(2.4)、对最佳热图像进行自动阈值选择
(2.4.1)、获取二值化处理的最佳阈值
(2.4.1)、求出最佳热图像的像素均值及像素均值对应的单位数量级;
(2.4.2)、确定阈值范围:以像素均值的绝对值对应的像素点为中间点,再向左右分别取τ个单位长度,作为阈值点;在阈值范围内,对2τ个阈值进行区域分割;
(2.4.3)、以起始种子点作为分割点,对最佳热图像进行二值化分割,得到的二值化图像中分别用0和1代表缺陷区域和非缺陷区域;
(2.4.4)、计算缺陷区域中像素点个数和总像素点之间的比例;
其中,∑pj=0表示缺陷区域中像素点总个数,M表示图像总像素点个数;
(2.4.5)、在每个阈值点自然生长时,重复步骤步骤(2.4.3)、(2.4.4),直到2τ个阈值点生长结束,再在同一幅图中绘出缺陷比例曲线,最后分析缺陷比例曲线变化结果,找出缺陷比例跳变最大的阈值点作为最佳阈值,所对应的二值化图像即为最佳分割图像;
(3)、缺陷定量识别
(3.1)、计算被测试件的面积与最佳二值化图像中像素点的比例关系λ;
(3.2)、根据比例关系λ计算被测试件中的缺陷面积Sdef;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810087207.5A CN108444934B (zh) | 2018-01-30 | 2018-01-30 | 一种复合材料脱粘缺陷的自动分割及量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810087207.5A CN108444934B (zh) | 2018-01-30 | 2018-01-30 | 一种复合材料脱粘缺陷的自动分割及量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108444934A true CN108444934A (zh) | 2018-08-24 |
CN108444934B CN108444934B (zh) | 2021-12-10 |
Family
ID=63191233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810087207.5A Active CN108444934B (zh) | 2018-01-30 | 2018-01-30 | 一种复合材料脱粘缺陷的自动分割及量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108444934B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813758A (zh) * | 2019-02-28 | 2019-05-28 | 西安交通大学 | 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 |
CN110376249A (zh) * | 2019-07-02 | 2019-10-25 | 福建师范大学福清分校 | 一种电涡流热成像检测方法及装置 |
CN110880170A (zh) * | 2019-10-22 | 2020-03-13 | 四川沐迪圣科技有限公司 | 一种复合材料缺陷的深度预测方法 |
CN113538232A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 大尺寸航空航天复合材料构件全局缺陷定量识别方法 |
CN114818799A (zh) * | 2022-04-15 | 2022-07-29 | 西南交通大学 | 复合材料叠层构件钻锪一体加工监测信号分割方法 |
CN115330802A (zh) * | 2022-10-17 | 2022-11-11 | 山东大学 | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1923692A1 (en) * | 2006-01-20 | 2008-05-21 | Sumitomo Electric Industries, Ltd. | Optical measuring apparatus and wide-band light source device adaptable to same |
CN106886797A (zh) * | 2017-02-24 | 2017-06-23 | 电子科技大学 | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 |
CN107346545A (zh) * | 2017-05-22 | 2017-11-14 | 沈阳工业大学 | 用于视杯图像分割的改进区域生长方法 |
-
2018
- 2018-01-30 CN CN201810087207.5A patent/CN108444934B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1923692A1 (en) * | 2006-01-20 | 2008-05-21 | Sumitomo Electric Industries, Ltd. | Optical measuring apparatus and wide-band light source device adaptable to same |
CN106886797A (zh) * | 2017-02-24 | 2017-06-23 | 电子科技大学 | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 |
CN107346545A (zh) * | 2017-05-22 | 2017-11-14 | 沈阳工业大学 | 用于视杯图像分割的改进区域生长方法 |
Non-Patent Citations (5)
Title |
---|
QIZHI FENG ETC.: "Automatic seeded region growing for thermography debonding detection of CFRP", 《NDT AND E INTERNATIONAL》 * |
冯琪智: "基于红外热成像的复合材料无损检测研究", 《中国优秀硕士学位论文全文数据库》 * |
冯琪智等: "基于热图重构区域生长算法的碳纤维增强复合材料脱粘缺陷检测", 《无损检测》 * |
李姗姗等: "基于区域生长法的数控刀具磨损状态检测方法", 《工艺与检测》 * |
赵韩: "《安徽汽车工程学会2010学术年会论文集》", 31 March 2011, 合肥工业大学出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813758A (zh) * | 2019-02-28 | 2019-05-28 | 西安交通大学 | 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 |
CN110376249A (zh) * | 2019-07-02 | 2019-10-25 | 福建师范大学福清分校 | 一种电涡流热成像检测方法及装置 |
CN110880170A (zh) * | 2019-10-22 | 2020-03-13 | 四川沐迪圣科技有限公司 | 一种复合材料缺陷的深度预测方法 |
CN110880170B (zh) * | 2019-10-22 | 2023-10-31 | 四川沐迪圣科技有限公司 | 一种复合材料缺陷的深度预测方法 |
CN113538232A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 大尺寸航空航天复合材料构件全局缺陷定量识别方法 |
CN114818799A (zh) * | 2022-04-15 | 2022-07-29 | 西南交通大学 | 复合材料叠层构件钻锪一体加工监测信号分割方法 |
CN114818799B (zh) * | 2022-04-15 | 2024-03-19 | 西南交通大学 | 复合材料叠层构件钻锪一体加工监测信号分割方法 |
CN115330802A (zh) * | 2022-10-17 | 2022-11-11 | 山东大学 | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108444934B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444934B (zh) | 一种复合材料脱粘缺陷的自动分割及量化方法 | |
CN106468677B (zh) | 一种脉冲涡流热成像中缺陷的自动分割方法 | |
CN110097537B (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
CN111415349B (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法 | |
JP6371044B2 (ja) | 表面欠陥検査装置および表面欠陥検査方法 | |
CN103389255A (zh) | 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法 | |
CN117273554A (zh) | 一种基于数据识别的纺织品生产质量预测方法 | |
CN115035081B (zh) | 一种基于工业ct的金属内部缺陷危险源定位方法及系统 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN113936132A (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
Jiang et al. | Thermal wave image deblurring based on depth residual network | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
Chen et al. | Automated measurement of vessel properties in birch and poplar wood | |
CN111915552B (zh) | 一种太阳能电池内部缺陷检测方法 | |
CN117433966A (zh) | 一种粉磨颗粒粒径非接触测量方法及系统 | |
CN110880170A (zh) | 一种复合材料缺陷的深度预测方法 | |
CN114166850B (zh) | 一种基于差分张量分解的光激励红外热成像缺陷检测方法 | |
Sun et al. | A novel method for multi-feature grading of mango using machine vision | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
Abd Rashid et al. | Automated asian fruit grading system using stereo vision technique | |
CN109785315A (zh) | 烟梗重量的测量方法、存储介质、终端及装置 | |
Mishra et al. | Surface defects detection for ceramic tiles using image processing and morphological techniques | |
Shah et al. | Non-destructive quality analysis of kamod oryza sativa ssp indica (indian rice) using machine learning technique | |
KR20220160401A (ko) | 열화도 평가 장치 및 열화도 평가 방법 | |
CN112508862A (zh) | 一种通过改进gan增强裂纹磁光图像的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |