CN108548846A - 基于热图像ap聚类的承压设备亚表面缺陷提取方法 - Google Patents

基于热图像ap聚类的承压设备亚表面缺陷提取方法 Download PDF

Info

Publication number
CN108548846A
CN108548846A CN201810643447.9A CN201810643447A CN108548846A CN 108548846 A CN108548846 A CN 108548846A CN 201810643447 A CN201810643447 A CN 201810643447A CN 108548846 A CN108548846 A CN 108548846A
Authority
CN
China
Prior art keywords
thermal image
pixel
row
log
omn
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
Application number
CN201810643447.9A
Other languages
English (en)
Inventor
程玉华
白利兵
甘文东
于海超
韩曙光
王彬彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810643447.9A priority Critical patent/CN108548846A/zh
Publication of CN108548846A publication Critical patent/CN108548846A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (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

本发明公开了一种基于热图像AP聚类的承压设备亚表面缺陷提取方法，运用涡流热成像平台对承压设备的亚表面缺陷进行可视化自动检测，具体讲，先对得到的热成像视频流数据，通过对数域处理，构建时间与温度的线性关系，然后通过计算出最大的标准差，提取缺陷可视化效果最好的热图像，接着，结合热传播的特点，通过“行归一化”消除热量在纵向上(与加热线圈垂直的方向)的不均匀，从而得到较好的承压设备亚表面缺陷可视化效果；为了将亚表面缺陷自动检测出来，引入了对数域AP聚类方法对处理的热图像进行聚类分析，这样不但使承压设备亚表面缺陷检测的可视化效果好，而且减少了人为的经验判断，方便实用，能满足工业检测的需求，具有一定的意义。

Description

基于热图像AP聚类的承压设备亚表面缺陷提取方法
技术领域
本发明属于材料缺陷检测技术领域，更为具体地讲，涉及一种基于热图像对数域AP聚类的承压设备亚表面缺陷提取方法。
背景技术
承压设备是工业生产和制造中承受各种压力的设备。其主要包含高压管道、锅炉和压力容器，属于特种设备，安全要求高。承压设备如图1所示，截止到2015年，我国拥有近千万数量级别的承压设备，其中锅炉约60万台，压力容器约350万台，高压管道约45万公里。这些承压设备被运用在工业制造的各个行业，如石油、化工和电力等。承压设备的重要性使得其安全问题不容忽视。例如，在石油行业，大量的高压管道用于运输燃油、燃气和石油衍生产品。这些介质具有易燃易爆、剧毒和腐蚀性特点。高压管道又常处于高温、高压或潮湿等极端自然环境。介质的特殊性和工作环境的极端性，给高压管道的安全状态造成了极大的考验。高压管道易受到损伤，如：产生腐蚀孔洞和凹槽，产生疲劳裂纹等。一旦高压管道因为损伤发生泄漏，将会引起爆炸、火灾和大型环境污染等事故，对人民群众的什么财产造成巨大的损失。因此，工业越发达，对于承压设备的安全检测要求越多。承压设备的安全检测是具有极大的需求。
承压设备缺陷类型众多，如图1(a)所示的焊缝缺陷、如图1(b)所示的腐蚀孔洞，如图1(c)所示的疲劳裂纹，如图1(d)所示的腐蚀性凹槽、管壁等。承压设备的亚表面腐蚀性管壁是一种难以直接发现和检测的缺陷，需要提出相应的方法检测。
对这类缺陷常见的检测方法有：超声波检测法和射线检测法。超声波检测法，虽然检测精度较高，但需要接触承压设备，需要涂抹耦合剂，对检测的设备表面形状和粗糙程度要求较高，因此适用范围有限。射线检测是一种传统的检测方式，使用较为不便。其缺点是：有辐射、使用成本高、对检测设备尺寸有限制、对检测人员个人技能要求较高等。作为新兴的一种无损检测技术，红外热波检测技术具有不接触、快速、高效和可视化效果好等优点。为检测承压设备管壁的亚表面腐蚀缺陷，针对红外热图像，本发明提出了一种基于“对数域行归一化”和“AP聚类”的快速定性检测方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于热图像AP聚类的承压设备亚表面缺陷提取方法，基于“对数域行归一化”来对被测试件的热图像进行处理，消除热传导纵向上的不均，以凸显亚表面缺陷。
为实现上述发明目的，本发明一种基于热图像AP聚类的承压设备亚表面缺陷提取方法，其特征在于，包括以下步骤：
(1)、数据预处理
将获取的热图像序列O(t)调整为M×N×T的三维热图像序列O3D(t)，其中，M和N分别表示热图像的行和列，T表示热图像的张数，t＝1,2,3,…T；
(2)、构建O3D(t)的时间和温度线性关系
对三维热图像序列O3D(t)的时间轴和温度值取对数域计算，得到对数域热图像序列Oln(t)，其中，第ln(t)帧热图像的第i行第j列像素点的像素值Oln,ij(t)＝ln(O3D,ij(t))；
(3)、计算对数域热图像序列Oln(t)中每一帧对数域热图像的标准差S(t)；
其中，为Oln(t)中所有像素点像素值的平均值；
(4)、在对数域热图像序列Oln(t)中，选出标准差S(t)最大的一帧对数域热图像Oln(t)，并记为OM；
(5)、对OM进行行归一化处理
对OM的每一行进行行归一化处理，得到归一化的对数域热图像OMN，其中，OMNij为OM中第i行第j列像素点的像素归一化值；
其中，OMimax和OMimin为OM中第i行像素点的像素最大值和像素最小值；
(6)、计算对数域热图像OMN中像素点间的相似度矩阵S，S＝[s(i_j,k_l)]row×col，其中，i_j表示OMN中第i行的第j列的像素点，k_l表示OMN中第k行的第l列的像素点，i≠k，j≠l，row＝col＝M×N；s(i_j,k_l)表示第i行的第j列的像素点与第k行的第l列的像素点的相似度；
s(i_j,k_l)＝-||OMNi_j-OMNk_l||2
其中，OMNi_j表示OMN第i行的第j列的像素点的像素值，OMNk_l表示OMN第k行的第l列的像素点的像素值；
(7)、设置最大迭代次数maxits，以及聚类中心不发生改变的连续迭代次数convits；设置阻尼系数λ，偏向参数p；
(8)、计算对数域热图像OMN中像素点间的吸引度矩阵R，R＝[r(i_j,k_l)]row×col，其中，吸引度矩阵R中元素[r(i_j,k_l)]的值为：
(9)、计算对数域热图像OMN中像素点间的归属度矩阵A，A＝[a(i_j,k_l)]row×col，其中，归属度矩阵A中元素a(i_j,k_l)的值为：
当i_j≠k_l时，
当i_j＝k_l时，
(10)、计算第t次迭代后，矩阵R和矩阵A中r(t)(i_j,k_l)和a(t)(i_j,k_l)的值；
当i_j≠k_l时，
当i_j＝k_l时，
再将r(t)(i_j,i_j)+a(t)(i_j,i_j)＞0的像素点i_j作为聚类中心；
(11)、判断当前迭代次数t是否达到最大迭代次数maxits或达到迭代聚类中心不发生改变的次数convits，如果达到，则迭代停止，输出各个聚类中心；如果没有达到，则返回步骤(10)；
(12)、根据各聚类中心对对数域热图像OMN进行AP聚类，得到对各聚类区域，再分别对各聚类区域中的像素点计算平均像素值，最后再对各聚类区域的平均像素值求取平均值，得到反映承压设备亚表面缺陷区域。
本发明的发明目的是这样实现的：
本发明基于热图像AP聚类的承压设备亚表面缺陷提取方法，运用涡流热成像平台对承压设备的亚表面缺陷进行可视化自动检测，具体讲，先对得到的热成像视频流数据，通过对数域处理，构建时间与温度的线性关系，然后通过计算出最大的标准差，提取缺陷可视化效果最好的热图像，接着，结合热传播的特点，通过“行归一化”消除热量在纵向上(与加热线圈垂直的方向)的不均匀，从而得到较好的承压设备亚表面缺陷可视化效果；为了将亚表面缺陷自动检测出来，引入了对数域AP聚类方法对处理的热图像进行聚类分析，这样不但使承压设备亚表面缺陷检测的可视化效果好，而且减少了人为的经验判断，方便实用，能满足工业检测的需求，具有一定的意义。
同时，本发明基于热图像AP聚类的承压设备亚表面缺陷提取方法还具有以下有益效果：
(1)、对承压设备的亚表面的缺陷热图像使用“对数域”和行归一化方法，解决了亚表面缺陷检测时，试件热量纵向(与加热线圈垂直的方向)上的不均匀的问题，使得亚表面缺陷可视化差的问题得以解决。
(2)、运用AP聚类自动提取亚表面缺陷区域。运用到对数域热图像OMN的AP聚类方法，无需提前输入聚类数目，即无需提前知道热图像中的亚表面缺陷数目这一先验知识。这与实际使用条件相契合，很好的解决了缺陷区域提取过程中缺陷数目未知的难题。
(3)、此外，本方法中，由于AP聚类方法鲁棒性好，对初始值不敏感，所以本方法具有提取的缺陷区域结果稳定的优点。
附图说明
图1是承压设备的各种缺陷示意图；
图2是本发明基于热图像AP聚类的承压设备亚表面缺陷提取方法图；
图3是被测试件(a)、(b)的示意图；
图4是被测试件(a)的尺寸示意图；
图5是被测试件(b)的尺寸示意图；
图6是被测试件(a)、(b)的原始红外热像图；
图7是原始红外热像图序列转换为三维热图像序列流程图；
图8是三种热图像对比图；
图9是通过本发明所述方法提取的热图像结果图。
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2是本发明基于热图像AP聚类的承压设备亚表面缺陷提取方法图。
在本实施例中，如图1所示，本发明一种基于热图像AP聚类的承压设备亚表面缺陷提取方法，包括以下步骤：
S1、数据预处理
采集图3所示的被测试件(a)、(b)的红外热图像序列，具体尺寸分别如图4和图5所示。被测试件(a)、(b)的材料为钢，试件中设计了不同深度的亚表面缺陷。亚表面缺陷的深度分别是：被测试件(a)1mm-5mm和被测试件(b)5mm-9mm。
对被测试件(a)、(b)进行涡流加热5s，得到的原始红外热图像，如图6所示。从图6可以看到，在亚表面缺陷上方的热成像较为高亮，但是不是特别明显。
按照图7所示流程，将获取的原始热图像序列O(t)调整为M×N×T的三维热图像序列O3D(t)，其中，M和N分别表示热图像的行和列，T表示热图像的张数，t＝1,2,3,…T；
S2、构建O3D(t)的时间和温度线性关系
对三维热图像序列O3D(t)的时间轴和温度值取对数域计算，得到对数域热图像序列Oln(t)，其中，第ln(t)帧热图像的第i行第j列像素点的像素值Oln,ij(t)＝ln(O3D,ij(t))；
S3、计算对数域热图像序列Oln(t)中每一帧对数域热图像的标准差S(t)；
其中，为Oln(t)中所有像素点像素值的平均值；
S4、在对数域热图像序列Oln(t)中，选出标准差S(t)最大的一帧对数域热图像Oln(t)，并记为OM；
S5、对OM进行行归一化处理
对OM的每一行进行行归一化处理，消除纵向上热量传导的不均匀，得到归一化的对数域热图像OMN，其中，OMNij为OM中第i行第j列像素点的像素归一化值；
其中，OMimax和OMimin为OM中第i行像素点的像素最大值和像素最小值；
在本实施例中，将被测试件(a)、(b)的“原始热图像”、“对数域处理后的热图像”和“对数域行归一化处理后的热图像”进行对比，其对比图如图8所示，通过对比发现，经过对数域处理后，“对数域处理后的热图像”比“原始热图像”的高亮区域得到加深，即亚表面缺陷区域显示的更明显。实验结果与理论相符，验证了对数域处理的有效性。再对比“对数域行归一化处理后的热图像”和“对数域处理后的热图像”，可以看到“对数域行归一化处理后的热图像”比“对数域处理后的热图像”在纵向上的热量分布更加均衡，这和理论分析的一致。实验结果与理论相符，因此本发明设计的算法可以运用于承压设备亚表面缺陷定性检测，本算法具有快速高效和可视化强的特点。
S6、计算对数域热图像OMN中像素点间的相似度矩阵S，S＝[s(i_j,k_l)]row×col，像素点的相似度矩阵包含OMN中各个像素点之间的相似度，其值通过计算两个像素点的像素差得到，其中，i_j表示OMN中第i行的第j列的像素点，k_l表示OMN中第k行的第l列的像素点，i≠k，j≠l，row＝col＝M×N；s(i_j,k_l)表示第i行的第j列的像素点与第k行的第l列的像素点的相似度；
s(i_j,k_l)＝-||OMNi_j-OMNk_l||2
其中，OMNi_j表示OMN第i行的第j列的像素点的像素值，OMNk_l表示OMN第k行的第l列的像素点的像素值；
S7、设置最大迭代次数maxits＝1000次，以及聚类中心不发生改变的连续迭代次数convits＝100；设置阻尼系数λ，λ满足：λ∈(0,1)；设置偏向参数值p，p满足：
其中，s(i-j,i-j)表示相似度矩阵S中对角线上像素点的像素值。
在本实施例中，选取p＝2×min(s(i_j,k_l))，λ＝0.9。
S8、计算对数域热图像OMN中像素点间的吸引度矩阵R，R＝[r(i_j,k_l)]row×col，其中，吸引度矩阵R中元素[r(i_j,k_l)]的值为：
S9、计算对数域热图像OMN中像素点间的归属度矩阵A，A＝[a(i_j,k_l)]row×col，其中，归属度矩阵A中元素a(i_j,k_l)的值为：
当i_j≠k_l时，
当i_j＝k_l时，
S10、计算第t次迭代后，矩阵R和矩阵A中r(t)(i_j,k_l)和a(t)(i_j,k_l)的值；
当i_j≠k_l时，
当i_j＝k_l时，
再将r(t)(i_j,i_j)+a(t)(i_j,i_j)＞0的像素点i_j作为聚类中心；
S11、判断当前迭代次数t是否达到最大迭代次数maxits或达到迭代聚类中心不发生改变的次数convits，如果达到，则迭代停止，输出各个聚类中心；如果没有达到，则返回步骤S10；
S12、根据各聚类中心对对数域热图像OMN进行AP聚类，得到对各聚类区域，如图8所示，AP聚类提取的缺陷区域实验结果再分别对各聚类区域中的像素点计算平均像素值，最后再对各聚类区域的平均像素值求取平均值，得到反映承压设备亚表面缺陷区域。
由图9可知，在“对数域行归一化”处理了热图像后，通过“AP聚类”可以很好的提取出热图像中的缺陷区域。即通过“对数域AP聚类”的方法可以很好的自动快速检测出承压设备的亚表面缺陷，可视化效果很好，从而验证了本发明的可行性。
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 (2)

1.一种基于热图像AP聚类的承压设备亚表面缺陷提取方法，其特征在于，包括以下步骤：
(1)、数据预处理
将获取的热图像序列O(t)调整为M×N×T的三维热图像序列O3D(t)，其中，M和N分别表示热图像的行和列，T表示热图像的张数，t＝1,2,3,…T；
(2)、构建O3D(t)的时间和温度线性关系
对三维热图像序列O3D(t)的时间轴和温度值取对数域计算，得到对数域热图像序列Oln(t)，其中，第ln(t)帧热图像的第i行第j列像素点的像素值Oln,ij(t)＝ln(O3D,ij(t))；
(3)、计算对数域热图像序列Oln(t)中每一帧对数域热图像的标准差S(t)；
其中，为Oln(t)中所有像素点像素值的平均值；
(4)、在对数域热图像序列Oln(t)中，选出标准差S(t)最大的一帧对数域热图像Oln(t)，并记为OM；
(5)、对OM进行行归一化处理
对OM的每一行进行行归一化处理，得到归一化的对数域热图像OMN，其中，OMNij为OM中第i行第j列像素点的像素归一一化值；
其中，OMimax和OMimin为OM中第i行像素点的像素最大值和像素最小值；
(6)、计算对数域热图像OMN中像素点间的相似度矩阵S，S＝[s(i_j,k_l)]row×col，其中，i_j表示OMN中第i行的第j列的像素点，k_l表示OMN中第k行的第l列的像素点，i≠k，j≠l，row＝col＝M×N；s(i_j,k_l)表示第i行的第j列的像素点与第k行的第l列的像素点的相似度；
s(i_j,k_l)＝-||OMNi_j-OMNk_l||2
其中，OMNi_j表示OMN第i行的第列的像素点的像素值，OMNk_l表示OMN第k行的第l列的像素点的像素值；
(7)、设置最大迭代次数maxits，以及聚类中心不发生改变的连续迭代次数convits；设置阻尼系数λ，偏向参数p；
(8)、计算对数域热图像OMN中像素点间的吸引度矩阵R，R＝[r(i_j,k_l)]row×col，其中，吸引度矩阵R中元素[r(i_j,k_l)]的值为：
(9)、计算对数域热图像OMN中像素点间的归属度矩阵A，A＝[a(i_j,k_l)]row×col，其中，归属度矩阵A中元素a(i_j,k_l)的值为：
当i_j≠k_l时，
当i_j＝k_l时，
(10)、计算第t次迭代后，矩阵R和矩阵A中r(t)(i_j,k_l)和a(t)(i_j,k_l)的值；
当i_j≠k_l时，
当i_j＝k_l时，
再将r(t)(i_j,i_j)+a(t)(i_j,i_j)＞0的像素点i_j作为聚类中心；
(11)、判断当前迭代次数t是否达到最大迭代次数maxits或达到迭代聚类中心不发生改变的次数convits，如果达到，则迭代停止，输出各个聚类中心；如果没有达到，则返回步骤(10)；
(12)、根据各聚类中心对对数域热图像OMN进行AP聚类，得到对各聚类区域，再分别对各聚类区域中的像素点计算平均像素值，最后再对各聚类区域的平均像素值求取平均值，得到反映承压设备亚表面缺陷区域。
2.根据权利要求1所述的一种基于热图像对数域AP聚类的承压设备亚表面缺陷提取方法，其特征在于，所述的阻尼系数λ满足：λ∈(0,1)；所述的偏向参数值p的取值为：
其中，s(i-j,i-j)表示相似度矩阵S中对角线上像素点的像素值。
CN201810643447.9A 2018-06-21 2018-06-21 基于热图像ap聚类的承压设备亚表面缺陷提取方法 Pending CN108548846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810643447.9A CN108548846A (zh) 2018-06-21 2018-06-21 基于热图像ap聚类的承压设备亚表面缺陷提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810643447.9A CN108548846A (zh) 2018-06-21 2018-06-21 基于热图像ap聚类的承压设备亚表面缺陷提取方法

Publications (1)

Publication Number Publication Date
CN108548846A true CN108548846A (zh) 2018-09-18

Family

ID=63494060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810643447.9A Pending CN108548846A (zh) 2018-06-21 2018-06-21 基于热图像ap聚类的承压设备亚表面缺陷提取方法

Country Status (1)

Country Link
CN (1) CN108548846A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070526A (zh) * 2019-04-18 2019-07-30 深圳市深视创新科技有限公司 基于深度神经网络热度图预测的缺陷检测方法
CN111537439A (zh) * 2020-05-09 2020-08-14 广东省特种设备检测研究院 一种承压设备缺陷自动识别及评定的系统及方法
CN117173425A (zh) * 2023-11-02 2023-12-05 东华理工大学南昌校区 一种岩石结构面粗糙度智能提取方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885346A (zh) * 2006-06-01 2006-12-27 电子科技大学 一种复杂背景下红外图像序列中运动目标的检测方法
CN102881029A (zh) * 2012-07-19 2013-01-16 中国人民解放军第二炮兵工程大学 一种热波图像序列的压缩和重构方法
CN104010179A (zh) * 2014-06-12 2014-08-27 山东大学 基于立体多画的多用户聚类与视点计算系统及方法
CN105447857A (zh) * 2015-11-17 2016-03-30 电子科技大学 脉冲涡流红外热图像的特征提取方法
CN105844622A (zh) * 2016-03-16 2016-08-10 南京工业大学 一种基于激光视觉的v型坡口焊缝检测方法
CN106340013A (zh) * 2016-08-25 2017-01-18 上海航天控制技术研究所 一种基于双重Kmeans聚类的红外目标轮廓分割方法
CN106411896A (zh) * 2016-09-30 2017-02-15 重庆邮电大学 基于apde‑rbf神经网络的网络安全态势预测方法
CN107274418A (zh) * 2017-07-07 2017-10-20 江苏省无线电科学研究所有限公司 一种基于ap聚类算法的作物图像分割方法
US20180053033A1 (en) * 2014-08-29 2018-02-22 Definiens Ag Applying Pixelwise Descriptors to a Target Image that are Generated by Segmenting Objects in Other Images
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
CN107992873A (zh) * 2017-10-12 2018-05-04 西安天和防务技术股份有限公司 目标检测方法及装置、存储介质、电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885346A (zh) * 2006-06-01 2006-12-27 电子科技大学 一种复杂背景下红外图像序列中运动目标的检测方法
CN102881029A (zh) * 2012-07-19 2013-01-16 中国人民解放军第二炮兵工程大学 一种热波图像序列的压缩和重构方法
CN104010179A (zh) * 2014-06-12 2014-08-27 山东大学 基于立体多画的多用户聚类与视点计算系统及方法
US20180053033A1 (en) * 2014-08-29 2018-02-22 Definiens Ag Applying Pixelwise Descriptors to a Target Image that are Generated by Segmenting Objects in Other Images
CN105447857A (zh) * 2015-11-17 2016-03-30 电子科技大学 脉冲涡流红外热图像的特征提取方法
CN105844622A (zh) * 2016-03-16 2016-08-10 南京工业大学 一种基于激光视觉的v型坡口焊缝检测方法
CN106340013A (zh) * 2016-08-25 2017-01-18 上海航天控制技术研究所 一种基于双重Kmeans聚类的红外目标轮廓分割方法
CN106411896A (zh) * 2016-09-30 2017-02-15 重庆邮电大学 基于apde‑rbf神经网络的网络安全态势预测方法
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
CN107274418A (zh) * 2017-07-07 2017-10-20 江苏省无线电科学研究所有限公司 一种基于ap聚类算法的作物图像分割方法
CN107992873A (zh) * 2017-10-12 2018-05-04 西安天和防务技术股份有限公司 目标检测方法及装置、存储介质、电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张天序 等: "《气动光学校应校正-原理、方法与应用》", 31 January 2014 *
白利兵: "电涡流脉冲热成像无损检测技术研究", 《中国博士学位论文全文数据库》 *
茅赵阳: "图像的聚类和可视化方法研究", 《现代计算机（专业版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070526A (zh) * 2019-04-18 2019-07-30 深圳市深视创新科技有限公司 基于深度神经网络热度图预测的缺陷检测方法
CN111537439A (zh) * 2020-05-09 2020-08-14 广东省特种设备检测研究院 一种承压设备缺陷自动识别及评定的系统及方法
CN117173425A (zh) * 2023-11-02 2023-12-05 东华理工大学南昌校区 一种岩石结构面粗糙度智能提取方法及系统
CN117173425B (zh) * 2023-11-02 2024-01-30 东华理工大学南昌校区 一种岩石结构面粗糙度智能提取方法及系统

Similar Documents

Publication Publication Date Title
CN108548846A (zh) 基于热图像ap聚类的承压设备亚表面缺陷提取方法
CN104914111B (zh) 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN102927448B (zh) 管道无损检测方法
CN105787486B (zh) 一种基于图像处理的钢梁裂纹检测方法
Gao et al. Quantitative validation of eddy current stimulated thermal features on surface crack
CN108717069B (zh) 一种基于行变步长分割的高压容器热成像缺陷检测方法
Ali et al. Deep learning-based crack detection in a concrete tunnel structure using multispectral dynamic imaging
CN106706216A (zh) 一种高于环境温度的气体泄漏的非接触检测方法
Chen et al. A cascaded deep learning approach for detecting pipeline defects via pretrained YOLOv5 and ViT models based on MFL data
Zhu et al. Quantitative detection of defect size based on infrared thermography: temperature integral method
Zhao et al. Collaborative detection and on-line monitoring of pipeline stress in oil and gas stations
Hedan et al. Subpixel precision of crack lip movements by Heaviside‐based digital image correlation for a mixed‐mode fracture
Li et al. Theoretical study on the characteristics of self-magnetic flux leakage signals from pipeline defects
Liu et al. Orthogonal locality preserving projections thermography for subsurface defect detection
Ye et al. Building damage detection from post-quake remote sensing image based on fuzzy reasoning
Wang et al. Crack identification of infrared thermal imaging steel sheet based on convolutional neural network
Ferreira et al. Corrosion-like defect severity estimation in pipelines using convolutional neural networks
Siakavellas et al. Detection of the interface between two metals by eddy current thermography
Zheng et al. Design of advanced automatic inspection system for turbine blade FPI analysis
Yu et al. Underwater Structure Health Status Assessment Using Fractal Theory-Based Crack Detection Algorithm
Lei et al. Intelligent detection method of tunnel cracks based on improved Mask R-CNN deep learning algorithm
CN108492046A (zh) 一种基于模糊聚类分析的压力管道风险评价方法
Shrestha et al. Image analysis for classification of damaged and undamaged areas on composite structures
PENG et al. Structural Damage Detection, Localization, and Quantification via UAV-Based 3D Imaging
CN116953196B (zh) 一种钢制三通的缺陷检测与安全状态评估方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180918

RJ01 Rejection of invention patent application after publication