CN108665442A - 红外无损检测的热图像缺陷特征增强处理方法 - Google Patents

红外无损检测的热图像缺陷特征增强处理方法 Download PDF

Info

Publication number
CN108665442A
CN108665442A CN201810291457.0A CN201810291457A CN108665442A CN 108665442 A CN108665442 A CN 108665442A CN 201810291457 A CN201810291457 A CN 201810291457A CN 108665442 A CN108665442 A CN 108665442A
Authority
CN
China
Prior art keywords
pixel
matrix
vector
value
independent element
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
CN201810291457.0A
Other languages
English (en)
Inventor
黄雪刚
巩德兴
刘春华
文雪忠
郭运佳
黄洁
柳森
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.)
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Original Assignee
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
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 Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center filed Critical Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Priority to CN201810291457.0A priority Critical patent/CN108665442A/zh
Publication of CN108665442A publication Critical patent/CN108665442A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种红外无损检测的热图像缺陷特征增强处理方法，在本发明中，一种用于红外无损检测的热图像增强处理技术被应用到特燃承压设备表面无损检测中。为了更完善，更有效率的提取缺陷特征，一种新的算法在发明中对试件进行处理分析。新的算法包括了复杂的数值分析计算，模糊运算，利用了峰态系数对数据进行处理，从而提高了缺陷检测的多样性，以及检测方法的有效性。

Description

红外无损检测的热图像缺陷特征增强处理方法
技术领域
本发明属于材料缺陷检测技术领域，将复杂的数值计算、模糊运算以及峰态系数相结合，来增强管道压力容器缺陷特征。
背景技术
高压容器的制造涉及到学科知识和多个行业专业技术的配合，其中包括：冶金、腐烛与防护、机械加工、安全防护、化工、检测。随着近几年各行业技术的不断进步，尤其是由计算机技术的飞速发展所带动的冶金、机械加工、焊接和无损检测等技术的发展，使得压力容器制造技术得到了长足的进步。气体压缩技术在现实生产生活中比较成熟的一个实例是CNG(compressed Natural Gas)压缩天然气技术，这项技术被广泛的应用在天然气汽车的充气站。
同时，天然气汽车充气站与压缩空气动力车充气站需要大量的高压储气设备。在军事领域，可用于开展各类气动力试验的设备主要包括：常规高超声速风洞、脉冲型高超声速风洞(包括激波风洞/炮风洞和高超声速脉冲燃烧风洞等)以及弹道靶设备等。
特燃承压设备包括航天运载工具和飞行器的燃料储存容器、加注、转注燃料管道及辅助的供气系统。其中燃料储存容器规格范围为ф500～ф3000mm，长度范围为2500～16000mm，材质主要有1Cr18Ni9Ti、0Cr18Ni11Ti、LF2、LF3、L2、L3、TC4，壁厚范围为3～30mm，约一半左右的储存容器表面有0.4mm以下的漆层和0.5～2.5mm的焊缝余高；转注燃料管道规格范围为ф30～ф159mm，累计长度约为20000000mm，材质主要有1Cr18Ni9Ti、0Cr18Ni11Ti、L2、L3，壁厚范围为3～12mm，表面没有漆层，焊缝余高范围为0.5～2.0mm；加注燃料管道规格范围为ф60～ф219mm，累计长度约为40000000mm，材质主要有1Cr18Ni9Ti、0Cr18Ni11Ti、L2、L3，壁厚范围为3～12mm，表面有保温层，焊缝余高范围为0.5～2.0mm；供气系统存储容器规格范围为ф219～ф2000mm，长度范围为2000～25000mm，材质主要有30CrMnSiA、35CrMo、38CrA、16MnR、15MnMoVN、18MnMoNb、13MnNiMoNbR、SA516Cr70、0Cr18Ni9，壁厚范围为14～100mm，约一半左右的储存容器表面有0.2～1.0mm的漆层，焊缝余高已磨平；供气管道规格范围为ф20～ф50mm，累计长度约为8000000mm，材质主要有0Cr18Ni9、1Cr18Ni9Ti，壁厚范围为3～10mm，表面有有0.2～0.4mm的漆层，焊缝余高范围为0.5～2.0mm；
特种燃料承压设备作为存储、输送航天发射场火箭燃料的特种设备，其操作工况较为苛刻，具有泄漏、燃爆等事故危害性，主要有以下特点：
(1)作用大：转注管道主要担负从槽车向特种燃料储罐输送燃料的使命，加注管道则是向火箭等航天器输送能源的生命通道。特种燃料压力容器是存储燃料极其重要的地面设备之一。
(2)分布范围小：目前主要集中分布三个卫星发射中心，未见国内其他单位有此类设备的报道。
(3)品种规格多：材质类别主要分为铝制和不锈钢制两种，安装型式主要为支座架空管线；加注管线有保温层覆盖，转注管线为裸管；外直径的主要规格有10余种。
(4)工程安装质量不高：由于建造安装过程中没有专业检验单位进行安装质量监督检验，管道建造质量堪忧。近年来相继发现容器存在泄漏和管道膨胀节损坏等问题，通过巡查还发现了管道支撑件损坏和管道变形等问题。
(5)工作条件特殊：传输的是四氧化二氮(N2O4)和偏二甲肼等特殊介质，管线较长，管道处于昼夜温差大，管道热热应力大，交变幅度明显，具备应力腐蚀和疲劳腐蚀条件，存在腐蚀穿孔、流体冲刷、热胀冷缩应力变形、支座结构振动破损等可能，容易产生腐蚀穿孔和腐蚀裂纹。
(6)检修条件非常有限：近年来由于高密度的试验任务，使用单位无法像其它行业那样一般都能提供设计安装资料、拆除保温层、内表面宏观检查、压力试验等基本的检验检测条件，
(7)发生事故的危害性大：特燃管道发生失效事故不仅污染环境，造成人员、设备、财产等重大损失，而且会导致神舟飞船发射等大型任务延误等重大事件。表面无损检测是压力管道、压力容器等承压设备定检工作中的关键检验项目。对于Cr-Mo钢、标准抗拉强度下限值≥540MPa钢制设备、盛装介质有明显应力腐蚀倾向等设备定期检验时，均要求应进行检测比例不小于20％的表面无损检测。按照现行安全技术法规、相关技术标准，主要包括磁粉检测和渗透检测。用上述方法检测时，虽然具有缺陷检出率较高、灵敏度高、缺陷显示直观、易识别等优点，但同时存在需去除涂层、打磨受检面等表面预处理，存在劳动强度大、检修周期长、效率低、成本高、污染环境、损伤本体、安全性差等问题，很大程度上制约了检测工作的开展，在易燃爆环境，因安全隐患大，传统检测表面方法往往无法在现场实施。
近年来，涡流等表面检测新技术得到飞速发展。其不损伤本体、快速高效等特性，能有效地解决传统无损检测方法存在劳动强度大、周期长、效率低、安全性差等问题，实现大面积快速检测、节省大量人力物力。涡流红外检测是基于电磁学中的涡流现象与焦耳热现象，运用高速高分辨率红外热像仪获取温度场分布，并通过对红外热图像序列的分析处理来检测结构缺陷及材料电磁热特性变化。其检测结果为图像，直观易懂，单次检测面积大，效率高，检测时无需接触被测件表面，同时可利用涡流效应检测表面及近表面缺陷，可检测更深层缺陷，这些都是这种检测方法的优势。
根据电磁感应定律，当通入高频的交变电流的感应线圈靠近导体试件时，在试件的表面会感生出涡流，如果被测件中有缺陷，涡流将被迫绕过缺陷，改变其流向，这将使得被测件内部涡流密度发生变化。由焦耳定律可知，涡流在被测件中转换成焦耳热，导致被测件中产生的热量不均匀，从而产生高温区和低温区，由于温度的差异性，高温区热量通过热传导向低温区传递，导致被测件不同区域温度发生变化，通过红外热像仪采集试件温度的变化过程，然后将采集的热图像视频交给计算机进行分析处理，来获取被测件相关信息，实现缺陷的定性与定量检测。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现根据本发明的这些目的和其它优点，提供了一种红外无损检测的热图像缺陷特征增强处理方法，包括以下步骤：
步骤1、采用脉冲涡流对待测件加热，通过红外热像仪采集原始数据；以三维形式存储是到M×N×P维矩阵O(t)，代表热图像的视频流数据；
步骤2、将第k(k＝1,2,…,P)帧的图像行向量首尾相接，构成新的矩阵的行向量，行向量按时间排序组成新的矩阵为P×MN维，X(t)＝{x(t)1，x(t)2，...，x(t)mn}；构成新的观测向量矩阵X(t)；
步骤3、白化过程：
首先分别对每一个列向量即每个像素点的瞬态热响应求均值
然后对其进行中心化处理然后再对中心化后的方差进行归一化处理从而构成新的观测数据X'(t)＝(x'(t)1,x'(t)2,...,x'(t)n)T；
然后计算X'(t)的协方差矩阵：
CX'(t)的特征值记为λh，h＝1,2,…mn，特征值λh对应的特征向量为eh，要求||eh||＝1；根据CX'(t)的特征值矩阵Λ和特征向量矩阵U计算得到白化矩阵Q，Q＝Λ-1/2U；对观测数据左乘白化矩阵Q，Z(t)＝QX'(t)，得到的Z为白化向量；
步骤4、计算独立成分：
4-1、选择需要估计的分量的个数e，设迭代次数p←1；选择一个初始权矢量wp＝(rand(e))T；
4-2、令且对单位化后可以得到
4-3、此时如果Wp不收敛的话，返回4-2；
4-4、令p＝p+1；如果p≤e，返回4-1；
4-5、由循环结束后的方向向量构成解混矩阵，将观测向量经解混矩阵的线性变换S(t)＝W'Z(t)，得到三个由不同对比函数G处理后的独立成分S(t)，分别记作S1(t)，S2(t)以及S3(t)，而所得数据对应的混叠向量为反应红外热响应随时间变换规律；对比函数G分别为 以及其中，非线性函数g是对比函数的导函数处理后的独立成分；
步骤5、三组独立成分S1(t)，S2(t)以及S3(t)分别由3个分量组成，用来表示源信号的不同特征，记作Sk1(t)＝{s11(t),s21(t),s31(t)}，Sk2(t)＝{s12(t),s22(t),s32(t)}以及Sk3(t)＝{s13(t),s23(t),s33(t)}，其中k＝1,2,3，把所有分量都恢复成M×N的二维矩阵，记作独立成分ICgh，其中，h＝1,2,3，代表不同的对比函数，g＝1,2,3，代表同一对比函数下的不同独立成分的分量；
步骤6、参数初始化过程：初始化αL，VL，β，αθ，Vθ，Wijab的值；像素点坐标和迭代次数的初始化；初始化输入输出：Yij＝0,Lij(0)＝0,Uij＝0；初始化动态阈值θij：θij(0)＝θij(1)＝0；
步骤7、进行循环迭代，得到融合后的图像：
7-1、判断像素点的横坐标i是否满足i≤row，如果是进行下一步，反之退出循环，给出最后的融合结果；
7-2、判断像素点的纵坐标j是否满足j≤col，如果是进行下一步，反之使i＝i+1,j＝1，并返回7-1再次进行判断；
7-3、在确定某一像素点的坐标值后，导入该像素点的像素值，即将用两种不同的对比函数得到的隶属于表征同一区域的独立成分IC11,ij和IC12,ij分别作为两个馈送通道Fij的输入值，得到和即
7-4、判断当前迭代次数n是否满足n≤iter，如果是进行下一步，反之退出当前关于迭代次数的循环，并使j＝j+1,n＝1，然后返回7-2再次进行判断；
7-5、计算神经网络的链接项
7-6、分别计算两个通道的神经元内部激励，并通过比较器得到最大值，即
7-7、计算当前的动态阈值θij(n)＝exp(-αθ)θij(n-1)+VθYij；
7-8、判断前两步中得到的内部激励和阈值见的关系，若Uij＞θij，则对神经网络的输出值Yij赋值为1，并使j＝j+1,n＝1，然后返回7-2再次进行判断，若Uij＜θij，则保持Yij＝0，并使n＝n+1，然后返回7-4再次进行判断；其中，1表示触发态，也称为“点火”，0表示非触发态；
步骤8、将所有的Uij按照原来的像素顺序排列，构成最终的融合图像IUICg，并将图像基于高斯对比函数处理后的峰态系数kurIC1k作为目标峰态系数。
优选的是，所述步骤1中，O(t)是由P个M×N维矩阵按时间t排列组成O(t)＝{O(1),O(2),…,O(P)}，其中O(k)＝(aij)m×n,(k＝1,2,...,P)，aij为一幅图像中第i行第j列像素点对应的像素值。
优选的是，所述步骤2中，X(t)的一个行向量代表一幅热图像，一个列向量代表一个像素点随时间变化的瞬态热响应，即X(t)＝{x(t)1,x(t)2,...,x(t)mn}，其中，x(t)i表示第i个列向量，也就是第i像素点对应的瞬态热响应曲线。
优选的是，所述步骤3中，在Z(t)＝QX'(t)中，向量Z的各个分量互不相关，同时还可以保证Z的协方差矩阵是单位阵，即E{ZZT}＝1。
优选的是，所述步骤6中，参数初始化过程中αL为链接输入的衰减系数；VL为振幅增益，作用是限制周围神经元的耦合输入；β为连接系数，是[0,1]范围内的常数；αθ为动态阈值的时间衰减常数，用于控制动态阈值的下降速率，值越大下降的输出越慢，每次激发点火的周期越长；Vθ为调节点火周期的关键因子，对神经元点火时刻阈值的提升幅度起决定性作用，严格控制神经元的两次点火间隔，为了使神经元在第一次点火之后将不能立刻进行第二次点火，一般取较大的值；Wijab为神经元i和j之间的链接输入的突出增益强度的连接权值矩阵，下标a和b表示链接范围的大小；
像素点坐标和迭代次数的初始化：像素点的开始位置为i＝j＝1，(i,j)表示独立成分ICgh的像素点坐标，即从独立成分ICgh图像的第一个像素点开始扫描；初始迭代次数n＝1，迭代总次数为iter；
输入输出的初始化：Yij为中神经网络的输出；Lij为神经网络的链接输入；Uij为神经元的内部活动，用来表示上述独立成分ICgh融合后的结果。
优选的是，所述步骤7中，IC11,ij为由对比函数G1得到的表征第一类区域的独立成分的图像矩阵第(i，j)个像素的灰度值，IC12,ij为由对比函数G2得到的表征第一类区域的独立成分的图像矩阵第(i，j)个像素的灰度值，两个独立成分的图像矩阵大小均为row×col。
本发明至少包括以下有益效果：在本发明中，涡流脉冲热成像技术被应用到压力容器表面无损检测中，以增强缺陷特征的信息。为了更完善，更有效率的提取缺陷特征，一种新的算法在发明中对试件进行处理分析；新的算法包括了复杂的数值分析计算，模糊运算，利用了峰态系数对数据进行处理，从而提高了缺陷检测的多样性，以及检测方法的有效性。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明：
图1为本发明仿真实验过程中，针对试件1的不同对比函数计算的混叠向量；
图2为本发明仿真实验过程中，针对试件1的不同对比函数计算的成分；
图3为本发明仿真实验过程中，针对试件1的不同对比函数计算的成分对应的峰态系数；
图4为本发明仿真实验过程中，针对试件1的合并后的成分；
图5为本发明仿真实验过程中，针对试件1的合并后的成分的峰态系数；
图6为本发明仿真实验过程中，针对试件2的不同对比函数计算的混叠向量；
图7为本发明仿真实验过程中，针对试件2的不同对比函数计算的成分；
图8为本发明仿真实验过程中，针对试件2的不同对比函数计算的成分对应的峰态系数；
图9为本发明仿真实验过程中，针对试件2的合并后的成分；
图10为本发明仿真实验过程中，针对试件2的合并后的成分的峰态系数。
具体实施方式：
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
一种红外无损检测的热图像缺陷特征增强处理方法，其特征在于，包括以下步骤：
步骤1、采用脉冲涡流对待测件加热，通过红外热像仪采集原始数据；以三维形式存储是到M×N×P维矩阵O(t)，代表热图像的视频流数据；O(t)是由P个M×N维矩阵按时间t排列组成O(t)＝{O(1),O(2),...,O(P)}，其中，O(k)＝(aij)m×n，(k＝1，2，…，P)，aij为一幅图像中第i行第j列像素点对应的像素值(温度值)；
步骤2、将第k(k＝1,2,…,P)帧的图像行向量首尾相接，构成新的矩阵的行向量，行向量按时间排序组成新的矩阵为P×MN维，X(t)＝{x(t)1，x(t)2，...，x(t)mn}，将三维矩阵转化成二维矩阵的形式，构成新的观测向量矩阵X(t)；此时X(t)的一个行向量代表一幅热图像，一个列向量代表一个像素点随时间变化的瞬态热响应，即X(t)＝{x(t)1,x(t)2,...,x(t)mn}，其中，x(t)i表示第i个列向量，也就是第i像素点对应的瞬态热响应曲线；
步骤3、白化过程：
首先分别对每一个列向量即每个像素点的瞬态热响应求均值然后对其进行中心化处理目的是为了使全部像素点的均值为零，简化估计算法，并不是说算法不能估计出均值，而是用经过中心化处理的数据估计源信号S时，最后还需加上均值即可；然后再对中心化后的方差进行归一化处理 从而构成新的观测数据X'(t)＝(x'(t)1,x'(t)2,...,x'(t)n)T；经上述预处理后的像素点的方差为1，它保证了各变量的方差一致，各变量在分类过程中影响程度相同；
然后计算X'(t)的协方差矩阵：
CX'(t)的特征值记为λh，h＝1,2,…mn，特征值λh对应的特征向量为eh，要求||eh||＝1；根据CX'(t)的特征值矩阵Λ和特征向量矩阵U计算得到白化矩阵Q，Q＝Λ-1/2U；白化观测数据X′(t)：所谓“白化”就是对观测数据X′(t)施加一个线性变换，即对观测数据左乘白化矩阵Q，Z(t)＝QX'(t)，使得新向量Z的各个分量互不相关，同时还可以保证Z的协方差矩阵是单位阵，即E{ZZT}＝1，此时得到的Z我们称其为白化向量，这一过程称为白化；
步骤4、计算独立成分：
4-1、选择需要估计的分量的个数e，设迭代次数p←1；选择一个初始权矢量wp＝(rand(e))T；
4-2、令且对单位化后可以得到
4-3、此时如果Wp不收敛的话，返回4-2；
4-4、令p＝p+1；如果p≤e，返回4-1；
4-5、由循环结束后的方向向量构成解混矩阵，将观测向量经解混矩阵的线性变换S(t)＝W'Z(t)，得到三个由不同对比函数G处理后的独立成分S(t)，分别记作S1(t)，S2(t)以及S3(t)，而所得数据对应的混叠向量为反应红外热响应随时间变换规律；对比函数G分别为 以及其中，非线性函数g是对比函数的导函数处理后的独立成分；
步骤5、三组独立成分S1(t)，S2(t)以及S3(t)分别由3个分量组成，用来表示源信号的不同特征，记作Sk1(t)＝{s11(t),s21(t),s31(t)}，Sk2(t)＝{s12(t),s22(t),s32(t)}以及Sk3(t)＝{s13(t),s23(t),s33(t)}，其中k＝1,2,3，把所有分量都恢复成M×N的二维矩阵，记作独立成分ICgh，其中，h＝1,2,3，代表不同的对比函数，g＝1,2,3，代表同一对比函数下的不同独立成分的分量；
步骤6、参数初始化过程：初始化αL，VL，β，αθ，Vθ，Wijab的值；
参数初始化过程中αL为链接输入的衰减系数；VL为振幅增益，作用是限制周围神经元的耦合输入；β为连接系数，是[0,1]范围内的常数；αθ为动态阈值的时间衰减常数，用于控制动态阈值的下降速率，值越大下降的输出越慢，每次激发点火的周期越长；Vθ为调节点火周期的关键因子，对神经元点火时刻阈值的提升幅度起决定性作用，严格控制神经元的两次点火间隔，为了使神经元在第一次点火之后将不能立刻进行第二次点火，一般取较大的值；Wijab为神经元i和j之间的链接输入的突出增益强度的连接权值矩阵，下标a和b表示链接范围的大小；
像素点坐标和迭代次数的初始化：像素点的开始位置为i＝j＝1，(i,j)表示独立成分ICgh的像素点坐标，即从独立成分ICgh图像的第一个像素点开始扫描；初始迭代次数n＝1，迭代总次数为iter；
初始化输入输出：Yij＝0,Lij(0)＝0,Uij＝0；输入输出的初始化：Yij为中神经网络的输出；Lij为神经网络的链接输入；Uij为神经元的内部活动，用来表示上述独立成分ICgh融合后的结果。
初始化动态阈值θij：θij(0)＝θij(1)＝0；
步骤7、进行循环迭代，得到融合后的图像：
7-1、判断像素点的横坐标i是否满足i≤row，如果是进行下一步，反之退出循环，给出最后的融合结果；
7-2、判断像素点的纵坐标j是否满足j≤col，如果是进行下一步，反之使i＝i+1,j＝1，并返回7-1再次进行判断；
7-3、在确定某一像素点的坐标值后，导入该像素点的像素值，即将用两种不同的对比函数得到的隶属于表征同一区域的独立成分IC11,ij和IC12,ij分别作为两个馈送通道Fij的输入值，得到和即IC11,ij为由对比函数G1得到的表征第一类区域的独立成分的图像矩阵第(i，j)个像素的灰度值，IC12,ij为由对比函数G2得到的表征第一类区域的独立成分的图像矩阵第(i，j)个像素的灰度值，两个独立成分的图像矩阵大小均为row×col；
7-4、判断当前迭代次数n是否满足n≤iter，如果是进行下一步，反之退出当前关于迭代次数的循环，并使j＝j+1,n＝1，然后返回7-2再次进行判断；
7-5、计算神经网络的链接项
7-6、分别计算两个通道的神经元内部激励，并通过比较器得到最大值，即
7-7、计算当前的动态阈值θij(n)＝exp(-αθ)θij(n-1)+VθYij；
7-8、判断前两步中得到的内部激励和阈值见的关系，若Uij＞θij，则对神经网络的输出值Yij赋值为1，并使j＝j+1,n＝1，然后返回7-2再次进行判断，若Uij＜θij，则保持Yij＝0，并使n＝n+1，然后返回7-4再次进行判断；其中，1表示触发态，也称为“点火”，0表示非触发态；
步骤8、将所有的Uij按照原来的像素顺序排列，构成最终的融合图像IUICg，并将图像基于高斯对比函数处理后的峰态系数kurIC1k作为目标峰态系数。
实验仿真过程：
实验在两种试件上分别进行，试件1为半圆柱合金试件，试件2为铝块凹槽缺陷试件。进行的实验验证和结果分析如下所述。
(1)试件1(半圆柱合金试件)
1)对试件1进行涡流加热，由热像仪获取320帧数据。根据处理方法的步骤将数据存储为三维形式O(t)。由处理方法构成新的观测向量矩阵X(t)。由处理方法得到白化后的观测数据Z(t)，接着计算出混叠向量，如图1所示；
2)由处理方法计算出成分，用三种不同的对比函数(G1，G2和G3)，产生了三种成分的形式(ICi1，ICi2和ICi3)，如图2所示；
3)引入峰态系数对计算的成分进行评估，计算成分对应的峰态系数如图3所示；
4)由处理方法分别计算不同对比函数的IC1、IC2和IC3合并后的成分IUICg(即IC14，IC24和IC34)，如图4所示；
5)计算成分对应的峰态系数，对比比较合并后的效果；如图5所示；
6)对峰态系数对比分析，峰态系数整理如表1所示：
表1
峰态系数 IC1 IC2 IC3
G1 36.4042 7.0933 4.6457
G2 37.7348 8.0172 5.6705
G3 38.1896 6.6273 7.5993
合并后 194.8013 17.4153 23.1116
如图1所示，混叠向量1，在加热开始时以很大速率上升，然后变化速率逐渐变缓；在停止加热后迅速下降，然后下降的速率逐渐变缓，直到观测结束。混叠向量2，在加热开始时，以近似固定的速率到达峰值；在停止加热后，温度以近似固定的速率迅速下降，然后下降的速率逐渐变缓，最后趋于平缓，保持在一个比较高的温度。混叠向量3，在加热开始时，以近似固定的速率到达峰值；在停止加热后，温度开始下降，且下降速率逐渐变缓，最后保持在一个较的温度。
从图2中可以观察出，针对热量高亮的区域，可以比较明确的区分为：IC1为裂痕缺陷区域，IC2为试件其它区域，IC3为线圈及其阴影区域。结合涡流理论和本文提出的算法，对混叠向量和成分分析如下。
混叠向量1体现的是裂痕缺陷区域。在加热阶段，当载有高频交流电的感应线圈靠近横裂纹试件时，横条缝缺陷将改变电涡流的分布。涡流在流动过程中遇到横条缝缺陷时，涡流场刚好顺着缺陷轮廓，由于边缘效应，涡流在缺陷处汇集，比其它区域密度要高。根据焦耳定律，缺陷区域产生了比其它区域高的热量，所以温度迅速上升；在冷却阶段，缺陷高温的热量向其它区域传导，温度开始变低，最终趋于平稳。
混叠向量2体现的是试件其它区域。在加热阶段，由于均匀稳定的热传递，温度近视呈线性增长，停止加热后，来自线圈的热量传递消失，所以温度迅速下降，其它的热量在时间上缓慢传导，所以一段时间后变缓，并保持在一个较高的温度。
混叠向量3体现的是线圈及其阴影区域。在加热阶段，线圈通电迅速产生焦耳热，所以温度上升；停止加热后，线圈内通入冷却水，所以温度下降，最后达到一个较低的温度。
可以发现，缺陷的成分的峰态系数相对于其它区域的峰态系数要大很多，即验证了峰态系数可以作为缺陷自动检测与识别这一指标。对每个成分将三个不同对比函数的图片进行合并得到图4所示。计算结果能很好的反应该高亮区域表示的区域。试件1的合并前后的峰态系数如表1所示。经合并后，体现缺陷区域的成分峰态系数最大，为194.8013，远大于经合并的其他两个的成分峰态系数(17.4153和23.1116)；同时可以看出合并后IC1比未合并的成分IC1的峰态系数大很多。
(2)试件2(铝块凹槽缺陷试件)
1)对试件2进行涡流加热，由热像仪获取370帧数据。根据算法的step2将数据存储为三维形式O(t)，由算法的step3构成新的观测向量矩阵X(t)。由算法的step 4得到白化后的观测数据Z(t)，接着计算出混叠向量，如图6所示；
2)由算法的step 5和step 6计算出成分，用三种不同的对比函数(G1，G2和G3)，产生了三种成分的形式(ICi1，ICi2和ICi3)，如图7所示；
3)引入峰态系数对计算的成分进行评估，计算成分对应的峰态系数，计算结果如图8所示；
4)由算法的step 7～step 8分别计算不同对比函数的IC1、IC2和IC3合并后的成分IUICg(即IC14，IC24和IC34)，如图9所示；
5)计算成分对应的峰态系数，对比比较合并后的效果，如图10所示；
6)对峰态系数对比分析，峰态系数整理如表2所示：
峰态系数 IC1 IC2 IC3
G1 12.1745 9.4219 1.5711
G2 13.0805 10.3355 1.6976
G3 13.6398 10.2467 1.6463
合并 55.5893 38.2648 35.9436
如图6所示，混叠向量1，在加热开始时，以很大速率上升，然后变化速率逐渐变缓；在停止加热后，迅速下降，然后下降的速率逐渐变缓，最后保持在一个较低的温度值。混叠向量2，在加热开始时，快速上升达到峰值；在停止加热后，温度以近似固定的速率迅速下降，一段时间然后下降的速率逐渐变缓，然后又有小幅度的上升，保持在一个比较低的温度。混叠向量3，在加热开始后，温度基本整体上保持着一个上升趋势，先快速上升然后上升速度逐渐变缓。
从图7中可以观察出，针对热量高亮的区域，可以比较明确的区分为：IC1为裂痕缺陷区域，IC2为线圈及其阴影区域，IC3为试件边缘区域。结合涡流理论和本文算法，对混叠向量和成分分析如下。
混叠向量1体现的是裂痕缺陷区域。在加热阶段，当载有高频交流电的感应线圈靠近横裂纹试件时，由于横条缝缺陷的存在，将改变电涡流的分布。涡流在流动过程中遇到横条缝缺陷时，涡流主要集中从横条缝缺陷的底下穿过，因此横裂纹区域的涡流密度高于周围区域，由于焦耳定律，此处产生局部高温；在冷却阶段，缺陷高温的热量向其它区域传导，温度开始变低，最终趋于平稳。
混叠向量2体现的是线圈及其阴影区域。在加热阶段，线圈通电迅速产生焦耳热，所以温度上升；停止加热后，线圈内通入冷却水，所以温度下降，最后达到一个较低的温度。
混叠向量3体现的是试件边缘区域。在加热阶段，试件边缘区域的热量主要来自于涡流场的边缘效应，所以温度快速上升；当停止加热后，热量主要来自于试件中的热传导，所以上升变缓。
由图中的峰态系数可知，表示缺陷区域的成分峰态系数要大很多，这验证了将峰态系数用于缺陷的自动检测与识别这一方法。对每个成分将三个不同对比函数的图片进行合并得到如图9所示。计算结果能很好的反应该高亮区域表示的区域。试件2的合并前后的峰态系数如表2所示。经合并后，体现缺陷区域的成分峰态系数最大，为55.5893，远大于经合并的其他两个的成分峰态系数(38.2648和35.9436)；同时可以看出合并后IC1比未合并的成分IC1的峰态系数大很多。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (6)

1.一种红外无损检测的热图像缺陷特征增强处理方法，其特征在于，包括以下步骤：
步骤1、采用脉冲涡流对待测件加热，通过红外热像仪采集原始数据；以三维形式存储是到M×N×P维矩阵O(t)，代表热图像的视频流数据；
步骤2、将第k(k＝1,2,…,P)帧的图像行向量首尾相接，构成新的矩阵的行向量，行向量按时间排序组成新的矩阵为P×MN维，X(t)＝{x(t)1，x(t)2，...，x(t)mn}；构成新的观测向量矩阵X(t)；
步骤3、白化过程：
首先分别对每一个列向量即每个像素点的瞬态热响应求均值：
然后对其进行中心化处理然后再对中心化后的方差进行归一化处理从而构成新的观测数据X'(t)＝(x'(t)1,x'(t)2,...,x'(t)n)T；
然后计算X'(t)的协方差矩阵：
CX'(t)的特征值记为λh，h＝1,2,…mn，特征值λh对应的特征向量为eh，要求||eh||＝1；根据CX'(t)的特征值矩阵Λ和特征向量矩阵U计算得到白化矩阵Q，Q＝Λ-1/2U；对观测数据左乘白化矩阵Q，Z(t)＝QX'(t)，得到的Z为白化向量；
步骤4、计算独立成分：
4-1、选择需要估计的分量的个数e，设迭代次数p←1；选择一个初始权矢量wp＝(rand(e))T；
4-2、令且对单位化后可以得到
4-3、此时如果Wp不收敛的话，返回4-2；
4-4、令p＝p+1；如果p≤e，返回4-1；
4-5、由循环结束后的方向向量构成解混矩阵，将观测向量经解混矩阵的线性变换S(t)＝W'Z(t)，得到三个由不同对比函数G处理后的独立成分S(t)，分别记作S1(t)，S2(t)以及S3(t)，而所得数据对应的混叠向量为反应红外热响应随时间变换规律；对比函数G分别为 以及其中，非线性函数g是对比函数的导函数处理后的独立成分；
步骤5、三组独立成分S1(t)，S2(t)以及S3(t)分别由3个分量组成，用来表示源信号的不同特征，记作Sk1(t)＝{s11(t),s21(t),s31(t)}，Sk2(t)＝{s12(t),s22(t),s32(t)}以及Sk3(t)＝{s13(t),s23(t),s33(t)}，其中k＝1,2,3，把所有分量都恢复成M×N的二维矩阵，记作独立成分ICgh，其中，h＝1,2,3，代表不同的对比函数，g＝1,2,3，代表同一对比函数下的不同独立成分的分量；
步骤6、参数初始化过程：初始化αL，VL，β，αθ，Vθ，Wijab的值；像素点坐标和迭代次数的初始化；初始化输入输出：Yij＝0,Lij(0)＝0,Uij＝0；初始化动态阈值θij：θij(0)＝θij(1)＝0；
步骤7、进行循环迭代，得到融合后的图像：
7-1、判断像素点的横坐标i是否满足i≤row，如果是进行下一步，反之退出循环，给出最后的融合结果；
7-2、判断像素点的纵坐标j是否满足j≤col，如果是进行下一步，反之使i＝i+1,j＝1，并返回7-1再次进行判断；
7-3、在确定某一像素点的坐标值后，导入该像素点的像素值，即将用两种不同的对比函数得到的隶属于表征同一区域的独立成分IC11,ij和IC12,ij分别作为两个馈送通道Fij的输入值，得到和即
7-4、判断当前迭代次数n是否满足n≤iter，如果是进行下一步，反之退出当前关于迭代次数的循环，并使j＝j+1,n＝1，然后返回7-2再次进行判断；
7-5、计算神经网络的链接项
7-6、分别计算两个通道的神经元内部激励，并通过比较器得到最大值，即
7-7、计算当前的动态阈值θij(n)＝exp(-αθ)θij(n-1)+VθYij；
7-8、判断前两步中得到的内部激励和阈值见的关系，若Uij＞θij，则对神经网络的输出值Yij赋值为1，并使j＝j+1,n＝1，然后返回7-2再次进行判断，若Uij＜θij，则保持Yij＝0，并使n＝n+1，然后返回7-4再次进行判断；其中，1表示触发态，也称为“点火”，0表示非触发态；
步骤8、将所有的Uij按照原来的像素顺序排列，构成最终的融合图像IUICg，并将图像基于高斯对比函数处理后的峰态系数kurIC1k作为目标峰态系数。
2.如权利要求1所述的红外无损检测的热图像缺陷特征增强处理方法，其特征在于，所述步骤1中，O(t)是由P个M×N维矩阵按时间t排列组成O(t)＝{O(1),O(2),…,O(P)}，其中O(k)＝(aij)m×n,(k＝1,2,…,P)，aij为一幅图像中第i行第j列像素点对应的像素值。
3.如权利要求1所述的红外无损检测的热图像缺陷特征增强处理方法，其特征在于，所述步骤2中，X(t)的一个行向量代表一幅热图像，一个列向量代表一个像素点随时间变化的瞬态热响应，即X(t)＝{x(t)1,x(t)2,...,x(t)mn}，其中，x(t)i表示第i个列向量，也就是第i像素点对应的瞬态热响应曲线。
4.如权利要求1所述的红外无损检测的热图像缺陷特征增强处理方法，其特征在于，所述步骤3中，在Z(t)＝QX'(t)中，向量Z的各个分量互不相关，同时还可以保证Z的协方差矩阵是单位阵，即E{ZZT}＝1。
5.如权利要求1所述的红外无损检测的热图像缺陷特征增强处理方法，其特征在于，所述步骤6中，参数初始化过程中αL为链接输入的衰减系数；VL为振幅增益，作用是限制周围神经元的耦合输入；β为连接系数，是[0,1]范围内的常数；αθ为动态阈值的时间衰减常数，用于控制动态阈值的下降速率，值越大下降的输出越慢，每次激发点火的周期越长；Vθ为调节点火周期的关键因子，对神经元点火时刻阈值的提升幅度起决定性作用，严格控制神经元的两次点火间隔，为了使神经元在第一次点火之后将不能立刻进行第二次点火，一般取较大的值；Wijab为神经元i和j之间的链接输入的突出增益强度的连接权值矩阵，下标a和b表示链接范围的大小；
像素点坐标和迭代次数的初始化：像素点的开始位置为i＝j＝1，(i,j)表示独立成分ICgh的像素点坐标，即从独立成分ICgh图像的第一个像素点开始扫描；初始迭代次数n＝1，迭代总次数为iter；
输入输出的初始化：Yij为中神经网络的输出；Lij为神经网络的链接输入；Uij为神经元的内部活动，用来表示上述独立成分ICgh融合后的结果。
6.如权利要求1所述的红外无损检测的热图像缺陷特征增强处理方法，其特征在于，所述步骤7中，IC11,ij为由对比函数G1得到的表征第一类区域的独立成分的图像矩阵第(i，j)个像素的灰度值，IC12,ij为由对比函数G2得到的表征第一类区域的独立成分的图像矩阵第(i，j)个像素的灰度值，两个独立成分的图像矩阵大小均为row×col。
CN201810291457.0A 2018-04-03 2018-04-03 红外无损检测的热图像缺陷特征增强处理方法 Pending CN108665442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810291457.0A CN108665442A (zh) 2018-04-03 2018-04-03 红外无损检测的热图像缺陷特征增强处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810291457.0A CN108665442A (zh) 2018-04-03 2018-04-03 红外无损检测的热图像缺陷特征增强处理方法

Publications (1)

Publication Number Publication Date
CN108665442A true CN108665442A (zh) 2018-10-16

Family

ID=63783001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810291457.0A Pending CN108665442A (zh) 2018-04-03 2018-04-03 红外无损检测的热图像缺陷特征增强处理方法

Country Status (1)

Country Link
CN (1) CN108665442A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544546A (zh) * 2018-11-30 2019-03-29 电子科技大学 一种基于多目标优化的红外热图像缺陷特征提取方法
CN109559309A (zh) * 2018-11-30 2019-04-02 电子科技大学 基于均匀进化的多目标优化红外热图像缺陷特征提取方法
CN109598711A (zh) * 2018-11-30 2019-04-09 电子科技大学 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109636755A (zh) * 2018-12-12 2019-04-16 电子科技大学 一种通过加权估计实现红外热图像增强的方法
CN109767437A (zh) * 2019-01-09 2019-05-17 电子科技大学 基于k均值动态多目标的红外热图像缺陷特征提取方法
CN109816651A (zh) * 2019-01-24 2019-05-28 电子科技大学 基于变化率与温度差异的热图像缺陷特征提取方法
CN109816638A (zh) * 2019-01-03 2019-05-28 电子科技大学 基于动态环境特征和加权贝叶斯分类器的缺陷提取方法
CN109872319A (zh) * 2019-02-25 2019-06-11 电子科技大学 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109886930A (zh) * 2019-01-24 2019-06-14 电子科技大学 基于变化率与温度差异的热图像缺陷特征提取方法
CN109919905A (zh) * 2019-01-08 2019-06-21 浙江大学 一种基于深度学习的红外无损检测方法
CN110333267A (zh) * 2019-07-01 2019-10-15 武汉科技大学 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统
CN111429494A (zh) * 2020-04-13 2020-07-17 中国空气动力研究与发展中心超高速空气动力研究所 一种基于生物视觉的点云高精度自动配准方法
CN111627007A (zh) * 2020-05-27 2020-09-04 电子科技大学 一种基于自优化匹配网络图像拼接的航天器缺陷检测方法
CN112016628A (zh) * 2020-09-04 2020-12-01 中国空气动力研究与发展中心超高速空气动力研究所 一种基于动态多目标预测的空间碎片撞击损伤判读方法
CN112284595A (zh) * 2020-10-28 2021-01-29 湖南大学 金属构件的应力测量方法、装置、设备及存储介质
CN113295732A (zh) * 2021-04-22 2021-08-24 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
CN115345876A (zh) * 2022-10-17 2022-11-15 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于超声图像的螺栓螺纹缺陷检测方法
CN118314139A (zh) * 2024-06-07 2024-07-09 山东巴比熊食品有限公司 一种蛋糕成型监测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101941425A (zh) * 2010-09-17 2011-01-12 上海交通大学 对驾驶员疲劳状态的智能识别装置与方法
CN102360452A (zh) * 2011-10-26 2012-02-22 西安电子科技大学 基于最少资源神经网络求解大规模图的最短路径方法
CN102628796A (zh) * 2012-01-13 2012-08-08 首都师范大学 超声红外无损检测中热图序列缺陷信号的自动识别方法
CN102651132A (zh) * 2012-04-06 2012-08-29 华中科技大学 一种基于交叉视觉皮质模型的医学图像配准方法
CN104008536A (zh) * 2013-11-04 2014-08-27 无锡金帆钻凿设备股份有限公司 基于cs-chmt和idpcnn的多聚焦噪声图像融合方法
CN104036495A (zh) * 2014-05-22 2014-09-10 南京航空航天大学 一种焊接缺陷提取方法及焊接缺陷检测方法
CN104267094A (zh) * 2014-09-23 2015-01-07 江南大学 铁磁性构件的脉冲漏磁响应信号分离方法
CN106164089A (zh) * 2014-04-02 2016-11-23 日东电工株式会社 靶向分子及其用途
CN106996944A (zh) * 2017-05-25 2017-08-01 电子科技大学 一种热成像检测中的亚表面缺陷形状重构方法
CN107341501A (zh) * 2017-05-31 2017-11-10 三峡大学 一种基于pcnn和分级聚焦技术的图像融合方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101941425A (zh) * 2010-09-17 2011-01-12 上海交通大学 对驾驶员疲劳状态的智能识别装置与方法
CN102360452A (zh) * 2011-10-26 2012-02-22 西安电子科技大学 基于最少资源神经网络求解大规模图的最短路径方法
CN102628796A (zh) * 2012-01-13 2012-08-08 首都师范大学 超声红外无损检测中热图序列缺陷信号的自动识别方法
CN102651132A (zh) * 2012-04-06 2012-08-29 华中科技大学 一种基于交叉视觉皮质模型的医学图像配准方法
CN104008536A (zh) * 2013-11-04 2014-08-27 无锡金帆钻凿设备股份有限公司 基于cs-chmt和idpcnn的多聚焦噪声图像融合方法
CN106164089A (zh) * 2014-04-02 2016-11-23 日东电工株式会社 靶向分子及其用途
CN104036495A (zh) * 2014-05-22 2014-09-10 南京航空航天大学 一种焊接缺陷提取方法及焊接缺陷检测方法
CN104267094A (zh) * 2014-09-23 2015-01-07 江南大学 铁磁性构件的脉冲漏磁响应信号分离方法
CN106996944A (zh) * 2017-05-25 2017-08-01 电子科技大学 一种热成像检测中的亚表面缺陷形状重构方法
CN107341501A (zh) * 2017-05-31 2017-11-10 三峡大学 一种基于pcnn和分级聚焦技术的图像融合方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
白利兵: ""电涡流脉冲热成像无损检测技术研究"", 《万方》 *
陈怡帆: ""不锈钢焊缝缺陷脉冲涡流热成像检测的图像处理算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544546B (zh) * 2018-11-30 2021-05-14 电子科技大学 一种基于多目标优化的红外热图像缺陷特征提取方法
CN109559309A (zh) * 2018-11-30 2019-04-02 电子科技大学 基于均匀进化的多目标优化红外热图像缺陷特征提取方法
CN109598711A (zh) * 2018-11-30 2019-04-09 电子科技大学 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109559309B (zh) * 2018-11-30 2021-03-30 电子科技大学 基于均匀进化的多目标优化红外热图像缺陷特征提取方法
CN109598711B (zh) * 2018-11-30 2021-03-30 电子科技大学 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109544546A (zh) * 2018-11-30 2019-03-29 电子科技大学 一种基于多目标优化的红外热图像缺陷特征提取方法
CN109636755A (zh) * 2018-12-12 2019-04-16 电子科技大学 一种通过加权估计实现红外热图像增强的方法
CN109636755B (zh) * 2018-12-12 2023-03-28 电子科技大学 一种通过加权估计实现红外热图像增强的方法
CN109816638A (zh) * 2019-01-03 2019-05-28 电子科技大学 基于动态环境特征和加权贝叶斯分类器的缺陷提取方法
CN109816638B (zh) * 2019-01-03 2021-05-14 电子科技大学 基于动态环境特征和加权贝叶斯分类器的缺陷提取方法
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
CN109919905A (zh) * 2019-01-08 2019-06-21 浙江大学 一种基于深度学习的红外无损检测方法
CN109767437A (zh) * 2019-01-09 2019-05-17 电子科技大学 基于k均值动态多目标的红外热图像缺陷特征提取方法
CN109767437B (zh) * 2019-01-09 2021-03-12 电子科技大学 基于k均值动态多目标的红外热图像缺陷特征提取方法
CN109886930A (zh) * 2019-01-24 2019-06-14 电子科技大学 基于变化率与温度差异的热图像缺陷特征提取方法
CN109816651A (zh) * 2019-01-24 2019-05-28 电子科技大学 基于变化率与温度差异的热图像缺陷特征提取方法
CN109886930B (zh) * 2019-01-24 2021-01-26 电子科技大学 基于变化率与温度差异的热图像缺陷特征提取方法
CN109872319A (zh) * 2019-02-25 2019-06-11 电子科技大学 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109872319B (zh) * 2019-02-25 2021-01-26 电子科技大学 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN110333267A (zh) * 2019-07-01 2019-10-15 武汉科技大学 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统
CN111429494A (zh) * 2020-04-13 2020-07-17 中国空气动力研究与发展中心超高速空气动力研究所 一种基于生物视觉的点云高精度自动配准方法
CN111429494B (zh) * 2020-04-13 2023-04-07 中国空气动力研究与发展中心超高速空气动力研究所 一种基于生物视觉的点云高精度自动配准方法
CN111627007A (zh) * 2020-05-27 2020-09-04 电子科技大学 一种基于自优化匹配网络图像拼接的航天器缺陷检测方法
CN112016628A (zh) * 2020-09-04 2020-12-01 中国空气动力研究与发展中心超高速空气动力研究所 一种基于动态多目标预测的空间碎片撞击损伤判读方法
CN112284595A (zh) * 2020-10-28 2021-01-29 湖南大学 金属构件的应力测量方法、装置、设备及存储介质
CN112284595B (zh) * 2020-10-28 2022-03-15 湖南大学 金属构件的应力测量方法、装置、设备及存储介质
CN113295732A (zh) * 2021-04-22 2021-08-24 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
CN115345876A (zh) * 2022-10-17 2022-11-15 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于超声图像的螺栓螺纹缺陷检测方法
CN118314139A (zh) * 2024-06-07 2024-07-09 山东巴比熊食品有限公司 一种蛋糕成型监测方法

Similar Documents

Publication Publication Date Title
CN108665442A (zh) 红外无损检测的热图像缺陷特征增强处理方法
Pollock Acoustic emission inspection
Lynde et al. Preliminary results from an experimental assessment of a natural laminar flow design method
Mehmood et al. Analysis of premature failure of aircraft hydraulic pipes
CN108682002B (zh) 基于涡流脉冲热成像技术以增强压力容器缺陷特征的方法
Alian et al. 3D finite element modeling of in-service sleeve repair welding of gas pipelines
Song et al. A framework for estimating residual stress profile in seam-welded pipe and vessel components part I: Weld region
Shen et al. Fatigue life evaluation of welded joints considering the local multiaxial stress/strain states and numerically determined residual stresses/strains
Shine et al. 3d-printed quasi-random distributed roughness for turbulent boundary layer analysis on hypersonic ogive nosecones
O¨ zdemir et al. Through-thickness residual stress distribution after the cold expansion of fastener holes and its effect on fracturing
Rybicki et al. A computational model for improving weld residual stresses in small diameter pipes by induction heating
Hirschen et al. Experimental study of a scramjet nozzle flow using the pressure-sensitive-paint method
Kim et al. Investigation of optimal thermal injection conditions and the capability of IR thermography for detecting wall-thinning defects in small-diameter piping components
JP7500166B2 (ja) 損傷リスク評価方法、システムの保守管理方法およびリスク評価装置
Makhmudov et al. Strength of upstream and downstream chambers, collectors, heat exchange tubes of gas aerial cooler apparatus, and assessment of life extension
Prueter Fatigue-Life Assessment
Combs et al. Fluorescence Imaging of Reaction Control Jets and Backshell Aeroheating of Orion Capsule
Muñoz et al. A conservative approach for mode I-II fatigue analysis under residual stresses: The RSIF proportionality conjecture
Zaeh et al. Development of a robust laser beam bending process for aluminum fuselage structures
Xu et al. Hydrogen diffusion simulation of the X80 pipeline steel girth weld zone considering the synergistic effect of the structure–stress–concentration field
Shi et al. Evaluation of welding residual stress based on temper bead welding technique
Cohn Main Steam Piping Creep Life Consumption in Circumferential Welds
Seiler et al. Theoretical and experimental modeling of real Projectile Flight Heating
Rangel et al. Effect of solar field aiming strategies on the fatigue life in molten salt external central receivers
Kaltmann Quantitative line-scan thermographic evaluation of composite structures

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: 20181016

RJ01 Rejection of invention patent application after publication