CN108682002B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108682002B
CN108682002B CN201810291483.3A CN201810291483A CN108682002B CN 108682002 B CN108682002 B CN 108682002B CN 201810291483 A CN201810291483 A CN 201810291483A CN 108682002 B CN108682002 B CN 108682002B
Authority
CN
China
Prior art keywords
coefficient
image
kuric
kuric3
fuzzy
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.)
Active
Application number
CN201810291483.3A
Other languages
English (en)
Other versions
CN108682002A (zh
Inventor
黄雪刚
陈晓辉
巩德兴
刘春华
郭运佳
姜林
李晶
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 CN201810291483.3A priority Critical patent/CN108682002B/zh
Publication of CN108682002A publication Critical patent/CN108682002A/zh
Application granted granted Critical
Publication of CN108682002B publication Critical patent/CN108682002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06T5/73—
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种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，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，以识别并增强缺陷特征的信息。为了更完善，更有效率地提取缺陷特征，一种新的算法在发明中对试件的红外热图像序列进行处理分析；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

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
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。
气动力承压设备包括高、中、低压存储容器和进出气管道。其中储存容器规格范围为
Figure BDA0001617647890000013
长度范围为2500～18000mm，材质主要有16Mn、16MnR、Q345R、20G、AST41/18MnMoNb、13MnNiMoR、S30408，壁厚范围为28～100mm，储存容器表面有0.4mm以下的漆层和0.5～2.5mm的焊缝余高；进出气管道规格范围为
Figure BDA0001617647890000014
累计长度约为15800000mm，材质主要有20#、16Mn、20G，壁厚范围为6～30mm，表面没有漆层，焊缝余高范围为0.5～2.0mm。
气动力承压设备作为存储、输送压缩空气的特种设备，其压力范围波动较大，会产生疲劳裂纹、腐蚀凹坑等缺陷，具有泄漏、断裂等事故危害性，主要有以下特点：
(1)作用大：主要担负存储、输送气动力的使命，是空气动力试验极其重要的蓄能、传送设备之一。
(2)品种规格多：材质类别主要分为碳钢和低合金钢及少量的不锈钢，安装型式主要为支座架空管线；外直径的主要规格有几十种。
(3)工程安装质量水平不一：由于老设备的早先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，容器、管道建造质量堪忧。近年来相继出现容器存在裂纹和管道腐蚀泄漏等问题。
(4)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、开罐内表面宏观检查、压力试验等基本的检验检测条件，
(5)发生事故的危害性大：发生失效事故不仅危及人员、设备、厂房等安全，而且会导致试验任务延误、失败等事故气动力承压设备中常储存天然气等易爆气体，且在军事气动力试验中扮演重要的地位，若没有前期的检测与评估，设备损坏会造成重大事故，所以对于气动力承压设备的检测至关重要。
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，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O(t)；将采集的原始数据以三维形式存储；
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，构成新的观测向量矩阵X(t)；
步骤3、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
Figure BDA0001617647890000031
然后对其进行中心化处理
Figure BDA0001617647890000032
然后再对中心化后的方差进行归一化处理
Figure BDA0001617647890000033
从而构成新的观测数据X'(t)＝(x'(t)1,x'(t)2,...,x'(t)mn)T；
步骤4、根据X'(t)计算出协方差矩阵CX'(t)，
Figure BDA0001617647890000041
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；由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5、选择需要估计的分量的个数，初始化迭代次数p的值为1，选择一个初始权矢量wp＝(rand(e))T，令
Figure BDA0001617647890000042
可以计算得
Figure BDA0001617647890000043
对
Figure BDA0001617647890000044
单位化后可以得到
Figure BDA0001617647890000045
此时如果
Figure BDA0001617647890000046
不收敛的话，就重新计算
Figure BDA0001617647890000047
且重复步骤计算新的
Figure BDA0001617647890000048
直到
Figure BDA0001617647890000049
收敛；如果
Figure BDA00016176478900000410
收敛的话，p＝p+1；判断p≤e是否成立，若成立的话，重新选择初始权矢量wp＝(rand(e))T，重复步骤5，直至p≤e条件不成立；若不成立的话，由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
Figure BDA00016176478900000411
反应红外热响应随时间变换规律；对比函数G分别为
Figure BDA00016176478900000412
Figure BDA00016176478900000413
以及
Figure BDA00016176478900000414
其中，非线性函数g是对比函数的导函数；
步骤6、根据峰态系数的求解方法，求出步骤5中得到的S(t)对应的峰态系数kurt(t)，在模糊融合中，峰态系数kurt(t)作为清晰集，通过高斯隶属函数
Figure BDA00016176478900000415
变换到模糊集，得到模糊集的数据S'(t)，其中c是清晰集均值，σ是清晰集的标准差；得到模糊集S'(t)后，模糊逻辑中引入了t-余模作为数据模糊准则，对S'(t)进行模糊运算；先将要融合的其中两个模糊集S'1和S'2带入算子中，得到新的模糊集
Figure BDA00016176478900000416
将其和模糊集S'3带入算子中，再一次进行融合，得到结果
Figure BDA00016176478900000417
步骤7、将得到的模糊融合结果
Figure BDA00016176478900000418
通过重心法
Figure BDA00016176478900000419
进行去模糊的操作，将其变换到清晰集，也就是模糊运算的逆变换，得到最终融合结果S*(t)，函数μB表示选取的隶属函数；
步骤8、通过独立成分和混叠向量的分析，选取代表缺陷部分的独立成分进行分析，并选取最终目标图像；即将图像基于高斯对比函数处理后的峰态系数kurIC1k作为目标峰态系数进行分析、将图像基于正切对比函数处理后的峰态系数kurIC2k作为目标峰态系数进行分析、将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析。
优选的是，所述步骤4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，采用Dubois-Prade算子实现融合，其形式为：
Figure BDA0001617647890000051
其中，a、b为要进行模糊运算的两个模糊集S'(t)的数据，a,b∈(0,1)；α为Dubois-Prade算子的一个常数参数，α∈(0,1)。
优选的是，所述步骤8中，将图像基于高斯对比函数处理后的峰态系数kurIC1k作为目标峰态系数进行分析包括以下步骤：
步骤8-1、先比较图像基于高斯对比函数处理后的峰态系数kurIC1k，和图像基于正切对比函数处理后的峰态系数kurIC2k的大小，若kurIC2k＞kurIC1k，则进行将图像基于正切对比函数处理后的峰态系数kurIC2k作为目标峰态系数进行分析；
步骤8-2、若kurIC2k＜kurIC1k，接着比较kurIC1k，和图像基于多项式对比函数处理后的峰态系数kurIC3k的大小，若kurIC1k＜kurIC3k，则进行将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析；
步骤8-3、若kurIC1k＞kurIC3k，接着比较kurIC1k，和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC1k＜kurIC4k，则选取融合后的图像作为最终目标图像；
步骤8-4、若kurIC4k＜kurIC1k，则选取基于高斯对比函数处理后的图像作为最终目标图像。
优选的是，所述将图像基于正切对比函数处理后的峰态系数kurIC2k作为目标峰态系数进行分析的步骤为步骤9，包括：
步骤9-1：比较kurIC2k和图像基于多项式对比函数处理后的峰态系数kurIC3k的大小，若kurIC2k＜kurIC3k，则进行将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析；
步骤9-2：若kurIC2k＞kurIC3k，则比较kurIC2k，和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC2k＜kurIC4k，则选取融合后的图像作为我们最终目标图像；
步骤9-3：若kurIC4k＜kurIC2k，则选取基于正切对比函数处理后的图像作为最终的目标图像。
优选的是，将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析的步骤为步骤10，包括：
步骤10-1：将kurIC3k作为目标峰态系数，比较kurIC3k和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC3k＜kurIC4k，则选取融合后的图像作为我们最终目标图像；
步骤10-2：若kurIC4k＜kurIC3k，则选取基于多项式对比函数处理后的图像作为最终的目标图像。
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的圆孔型缺陷，基于高斯函数的独立成分和混叠向量；
图2为本发明仿真实验过程中针对试件1的圆孔型缺陷，基于正切函数的独立成分和混叠向量；
图3为本发明仿真实验过程中针对试件1的圆孔型缺陷，基于多项式函数的独立成分和混叠向量；
图4为本发明仿真实验过程中针对试件1的圆孔型缺陷，融合后的独立成分；
图5为本发明仿真实验过程中针对试件1的圆孔型缺陷，基于三种对比函数和模糊融合的峰态系数；
图6为本发明仿真实验过程中针对试件1的圆孔型缺陷，对试件1峰态系数比较的算法流程图；
图7为本发明仿真实验过程中针对试件1的圆孔型缺陷，最终的独立成分和峰态系数；
图8为本发明仿真实验过程中针对试件2的圆孔型缺陷，基于高斯函数的独立成分和混叠向量；
图9为本发明仿真实验过程中针对试件2的圆孔型缺陷，基于正切函数的独立成分和混叠向量；
图10为本发明仿真实验过程中针对试件2的圆孔型缺陷，基于多项式函数的独立成分和混叠向量；
图11为本发明仿真实验过程中针对试件2的圆孔型缺陷，融合后的独立成分；
图12为本发明仿真实验过程中针对试件2的圆孔型缺陷，基于三种对比函数的独立成分和混叠向量；
图13为本发明仿真实验过程中针对试件2的圆孔型缺陷，对试件2峰态系数比较的算法流程图；
图14为本发明仿真实验过程中针对试件2的圆孔型缺陷，最终的独立成分和峰态系数。
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。
本发明的一种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，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O(t)1和O(t)2；在脉冲涡流热成像检测采集到的热视频流中的每一帧图像都包含了所有区域，但很难从某一帧图像中提取出不同热分布的区域；因此采用整个视频流，作为多维观测量；将采集的原始数据以三维形式存储；
步骤2、针对O(t)1，将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。构成新的观测向量矩阵X(t)1，此时X(t)1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(或帧数)变化的瞬态热响应，即X(t)1＝{x(t)1 1，x(t)2 1，...，x(t)mn 1}，同理针对O(t)2将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。构成新的观测向量矩阵X(t)2，此时X(t)2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(或帧数)变化的瞬态热响应，即X(t)2＝{x(t)1 2，x(t)2 2，...，x(t)mn 2}，x(t)i k表示第k个试件第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、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
Figure BDA0001617647890000084
k＝1,2，然后对其进行中心化处理
Figure BDA0001617647890000085
k＝1,2，目的是为了使全部像素点的均值为零，然后再对中心化后的方差进行归一化处理
Figure BDA0001617647890000086
k＝1,2，从而构成新的观测数据X'(t)k＝(x'(t)1 k,x'(t)2 k,...,x'(t)mn k)T，k＝1,2，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；
步骤4、根据X'(t)k计算出协方差矩阵
Figure BDA0001617647890000087
Figure BDA0001617647890000088
Figure BDA0001617647890000089
的特征值记为λh k，h＝1,2,…mn，特征值λh k对应的特征向量为eh k，要求||eh k||＝1；由
Figure BDA00016176478900000810
的特征值矩阵Λk和特征向量矩阵Uk计算得到白化矩阵Qk，Qk＝(Λk)-1/2Uk；对观测数据左乘白化矩阵Qk，Z(t)k＝QkX'(t)k，使得新向量Zk的各个分量互不相关，同时还可以保证Zk的协方差矩阵是单位阵，即E{ZkZk T}＝1，此时得到的Zk我们称其为白化向量，这一过程称为白化，k＝1,2；步骤5、选择需要估计的分量的个数，初始化迭代次数p的值为1，选择一个初始权矢量(随机的)kwp＝(rand(e))T，令
Figure BDA0001617647890000091
可以计算得
Figure BDA0001617647890000092
对
Figure BDA0001617647890000093
单位化后可以得到
Figure BDA0001617647890000094
此时如果
Figure BDA0001617647890000095
不收敛的话，就重新计算
Figure BDA0001617647890000096
且重复步骤计算新的
Figure BDA0001617647890000097
直到
Figure BDA0001617647890000098
收敛；如果
Figure BDA0001617647890000099
收敛的话，p＝p+1。判断p≤e是否成立，若成立的话，重新选择初始权矢量kwp＝(rand(e))T，重复步骤5，直至p≤e条件不成立；若不成立的话，由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kS(t)＝kW'kZ(t)，得到三个由不同对比函数
Figure BDA00016176478900000910
Figure BDA00016176478900000911
以及
Figure BDA00016176478900000912
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kS(t)，分别记作kS1(t)，kS2(t)以及kS3(t)；在实际应用中，对比函数对ICA算法性能有着重要影响；这样就可以达到恢复原始信号的目的；而所得数据对应的混叠向量为
Figure BDA00016176478900000913
反应红外热响应随时间变换规律，k＝1,2；
步骤6、根据峰态系数的求解方法，求出步骤5中得到的kS(t)对应的峰态系数kkurt(t)，在模糊融合中，峰态系数kkurt(t)作为清晰集，通过高斯隶属函数
Figure BDA00016176478900000914
变换到模糊集，(其中c是清晰集均值，σ是清晰集的标准差)，也就是进行模糊化，得到模糊集的数据kS'(t)；得到模糊集kS'(t)后，模糊逻辑中引入了t-余模作为数据模糊准则，对kS'(t)进行模糊运算；先将要融合的其中两个模糊集kS'1和kS'2带入算子中，得到新的模糊集
Figure BDA00016176478900000915
将其和模糊集kS'3带入算子中，再一次进行融合，得到结果
Figure BDA00016176478900000916
本文采用Dubois-Prade算子实现融合，其形式为：
Figure BDA00016176478900000917
其中，a、b为要进行模糊运算的两个模糊集S'(t)的数据，a,b∈(0,1)。α为Dubois-Prade算子的一个常数参数，α∈(0,1)，k＝1,2。
步骤7、将上述得到的模糊融合结果
Figure BDA00016176478900000918
通过重心法
Figure BDA00016176478900000919
进行去模糊的操作，(函数μB表示选取的隶属函数)，将其变换到清晰集，也就是模糊运算的逆变换，得到最终融合结果kS*(t)，k＝1,2；
步骤8、通过独立成分和混叠向量的分析，选取代表缺陷部分的独立成分进行下面步骤的分析；
将图像基于高斯对比函数处理后的峰态系数kurIC1k作为目标峰态系数进行分析包括以下步骤：
步骤8-1、先比较图像基于高斯对比函数处理后的峰态系数kurIC1k，和图像基于正切对比函数处理后的峰态系数kurIC2k的大小，若kurIC2k＞kurIC1k，则进行将图像基于正切对比函数处理后的峰态系数kurIC2k作为目标峰态系数进行分析；
步骤8-2、若kurIC2k＜kurIC1k，接着比较kurIC1k，和图像基于多项式对比函数处理后的峰态系数kurIC3k的大小，若kurIC1k＜kurIC3k，则进行将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析；
步骤8-3、若kurIC1k＞kurIC3k，接着比较kurIC1k，和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC1k＜kurIC4k，则选取融合后的图像作为最终目标图像；
步骤8-4、若kurIC4k＜kurIC1k，则选取基于高斯对比函数处理后的图像作为最终目标图像。
步骤9、将图像基于正切对比函数处理后的峰态系数kurIC2k作为目标峰态系数进行分析9，包括：
步骤9-1：比较kurIC2k和图像基于多项式对比函数处理后的峰态系数kurIC3k的大小，若kurIC2k＜kurIC3k，则进行将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析；
步骤9-2：若kurIC2k＞kurIC3k，则比较kurIC2k，和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC2k＜kurIC4k，则选取融合后的图像作为我们最终目标图像；
步骤9-3：若kurIC4k＜kurIC2k，则选取基于正切对比函数处理后的图像作为最终的目标图像；
步骤10、
将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析，包括：
步骤10-1：将kurIC3k作为目标峰态系数，比较kurIC3k和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC3k＜kurIC4k，则选取融合后的图像作为我们最终目标图像；
步骤10-2：若kurIC4k＜kurIC3k，则选取基于多项式对比函数处理后的图像作为最终的目标图像；
通过比较分析，针对O(t)1，取模糊处理后的结果为kur1 *，针对O(t)2，取模糊处理后的结果为kur2 *。
进行实验仿真：
为了能够更好的加强试件缺陷的信息，本文针对试件1、试件2的圆孔型缺陷所采集到的热图像序列进行了处理。采用提到的三种对比函数计算其对应的三个独立成分，并通过模糊的方法进行融合，得到融合后的独立成分。由提出的通过峰态系数实现缺陷的自动识别的方法分析可知，峰态系数的大小可以作为缺陷判断与识别的依据，因此下面对试件1，试件2进行计算分析。
根据本发明的算法流程，首先采集试件1的原始数据序列，得到479帧640×480维的图像，将479帧图像的行向量首尾相连，构成479×(640×480)维的矩阵X1(t)，由相应的计算过程，选取不同的对比函数Gi，i＝1,2,3，得到对应的解混矩阵W'i，i＝1,2,3，最后求解出独立成分Si(t)，i＝1,2,3。针对试件1的圆孔型缺陷，选取高斯函数、正切函数、多项式函数作为对比函数，处理后的热成像图，混叠向量，如图1、2、3所示。从图中可以观察出，针对热量高亮的区域，可以比较明确的区分为：ICi1为裂痕缺陷区域，ICi2为裂痕附近及线圈周围区域，ICi3为试件边缘区域。(i＝1,2,3)
试件在2.5秒左右的时候被加热，混叠向量随着时间的推移，先上升再下降，最后缓慢趋于平衡。在加热阶段，混叠向量1,2,3都以很大斜率达到最大幅值，但变化速率逐渐变缓；混叠向量1与混叠向量2的变换速率明显比混叠向量3的变化速率快；停止加热后，混叠向量1,2的下降速率明显比混叠向量3的下降速率大。
综合本发明的算法分析，混叠向量1体现的是试件的缺陷区域。因为在加热阶段，当载有高频交流电的感应线圈靠近圆孔缺陷试件时，由于圆孔缺陷的存在，将改变电涡流的分布，而试件的缺陷深度远大于涡流趋肤深度，当涡流在流动过程中遇到缺陷时，对于流经圆孔侧面的涡流，经由圆孔端点的路径最短，阻抗最小，并且涡流密度随着深度的增加快速衰减，因此，涡流向两侧分开并经由圆孔端点绕过缺陷，进而造成圆孔侧面涡流密度降低，端点处涡流密度升高。圆孔区域的涡流密度高于周围区域，产生局部高温，所以缺陷两侧温度上升速率相对较高，形成高温区域；在冷却阶段，由于圆孔缺陷在内部储存了一定的热量，缺陷区域温度下降速率比其他区域慢，一直保持较高温度，并最终趋于平稳。
混叠向量2体现的是试件的缺陷及线圈附近区域。在加热阶段，裂纹及线圈附近区域虽然没有线圈直接激励，但是受线圈高温影响，以较快速率上升，在停止加热后，由于没有热源提供，温度迅速下降，直至达到热平衡。
混叠向量3体现的是试件边缘区域，在加热阶段，温度近似呈线性增长，停止加热后，温度迅速下降，但由于受到散热影响，温度下降速率缓慢，最终趋于热平衡。
根据本发明的算法中提到的模糊融合部分，将三种基于三种对比函数的独立成分进行融合，得到的独立成分IC4j(j＝1,2,3)如图4所示；
由上面分析已知独立成分ICi1(i＝1,2,3)为缺陷部分，接着按照第二部分的算法流程进行分析计算，试件1经过三种对比函数和融合处理的峰态系数如图5所示；
经过本发明的算法流程如6所示，得到最终处理后的图像如图7所示；
可以发现，缺陷的独立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图5所示。经合并后，体现缺陷区域的成分峰态系数最大，为22.6259，远大于经合并的其他两个的成分峰态系数(6.2837和5.2662)；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。
根据本发明的算法流程，首先采集试件2的原始数据序列，得到451帧640×480维的图像，将451帧图像的行向量首尾相连，构成479×(640×480)维的矩阵X2(t)，由相应的计算过程，选取不同的对比函数G，得到对应的解混矩阵W'2，最后求解出独立成分S2(t)。针对试件2的圆孔型缺陷，选取高斯函数、正切函数、多项式函数作为对比函数，处理后的热成像图，混叠向量，如图8、9、10所示。从图中可以观察出，针对热量高亮的区域，可以比较明确的区分为：ICi1为裂痕缺陷区域，ICi2为裂痕附近及线圈周围区域，ICi3为试件边缘区域。(i＝1,2,3)
试件2在2秒的时候被加热，由受热程度和时间的关系，将混叠向量分为两大类，一类是随着时间的推移，受热程度先上升在下降，一类是受热程度一直处于上升阶段，最后缓慢趋于平衡。
随时间变化，混叠向量走势先上升再下降的为混叠向量1，2。在加热阶段，混叠向量1，2都是以很大斜率达到最大幅值，但变化速率逐渐变缓；在停止加热后，由于没得激励源，混叠向量1迅速下降，最后趋于稳定；混叠向量2也迅速下降，但速率比混叠向量1慢。
混叠向量3，在整个过程呈对数趋势增长，最后缓慢趋于平衡。
综合本发明的算法分析，混叠向量1体现的是试件的缺陷区域。因为在加热阶段，当载有高频交流电的感应线圈靠近圆孔缺陷试件时，由于圆孔缺陷的存在，将改变电涡流的分布，而试件的缺陷深度远大于涡流趋肤深度，当涡流在流动过程中遇到缺陷时，对于流经圆孔侧面的涡流，经由圆孔端点的路径最短，阻抗最小，并且涡流密度随着深度的增加快速衰减，因此，涡流向两侧分开并经由圆孔端点绕过缺陷，进而造成圆孔侧面涡流密度降低，端点处涡流密度升高。圆孔区域的涡流密度高于周围区域，产生局部高温，所以缺陷两侧温度上升速率相对较高，形成高温区域；在冷却阶段，由于圆孔缺陷在内部储存了一定的热量，缺陷区域温度下降速率比其他区域慢，一直保持较高温度，并最终趋于平稳。
混叠向量2体现的是线圈及缺陷四周的区域，收到激励热源的热传导作用，区域温度升高；当撤去加热源，线圈及缺陷四周的区域温度迅速下降，但受到缺陷散热的影响，温度下降速率比混叠向量1缓慢，最终达到平稳。
混叠向量3，体现的是试件边缘区域。在整个阶段，试件周围区域虽然没有线圈直接激励，但是受试件表面热传导影响，温度缓慢升高达到热平衡后，受热程度趋于稳定。
根据本发明算法中提到的模糊融合部分，将三种基于对比函数的独立成分进行融合，得到的独立成分IC4j(j＝1,2,3)如图11所示；
由上面分析已知独立成分ICi1(i＝1,2,3)为缺陷部分，接着按照第二部分的算法流程进行分析计算，试件2经过三种对比函数和融合处理的峰态系数如图12所示
经过本发明的算法流程，如图13所示，得到最终处理后的图像如图14所示。
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11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图12所示。经合并后，体现缺陷区域的成分峰态系数最大，为11.1438，远大于经合并的其他两个的成分峰态系数(3.3622和3.977)。
通过本发明提供的红外热图像序列处理算法，不仅可以有效地增强试件热图像中缺陷区域的显示效果，以便于检测人员在实际操作过程中更好地识别出缺陷，而且该方法还能够帮助识别缺陷不同区域的热响应信号特征，有利于进一步开展缺陷的定量识别。
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 (4)

1.一种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，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O(t)；将采集的原始数据以三维形式存储；
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，构成新的观测向量矩阵X(t)；
步骤3、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
Figure FDA0003164322670000011
然后对其进行中心化处理
Figure FDA0003164322670000012
然后再对中心化后的方差进行归一化处理
Figure FDA0003164322670000013
从而构成新的观测数据X'(t)＝(x'(t)1,x'(t)2,...,x'(t)mn)T；
步骤4、根据X'(t)计算出协方差矩阵CX'(t)，
Figure FDA0003164322670000014
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；由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5、选择需要估计的分量的个数，初始化迭代次数p的值为1，选择一个初始权矢量wp＝(rand(e))T，令
Figure FDA0003164322670000015
可以计算得
Figure FDA0003164322670000016
对
Figure FDA0003164322670000017
单位化后可以得到
Figure FDA0003164322670000018
此时如果
Figure FDA0003164322670000019
不收敛的话，就重新计算
Figure FDA00031643226700000110
且重复步骤计算新的
Figure FDA00031643226700000111
直到
Figure FDA00031643226700000112
收敛；如果
Figure FDA00031643226700000113
收敛的话，p＝p+1；判断p≤e是否成立，若成立的话，重新选择初始权矢量wp＝(rand(e))T，重复步骤5，直至p≤e条件不成立；若不成立的话，由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
Figure FDA0003164322670000021
反应红外热响应随时间变换规律；对比函数G分别为
Figure FDA0003164322670000022
Figure FDA0003164322670000023
以及
Figure FDA0003164322670000024
其中，非线性函数g是对比函数的导函数；
步骤6、根据峰态系数的求解方法，求出步骤5中得到的S(t)对应的峰态系数kurt(t)，在模糊融合中，峰态系数kurt(t)作为清晰集，通过高斯隶属函数
Figure FDA0003164322670000025
变换到模糊集，得到模糊集的数据S'(t)，其中c是清晰集均值，σ是清晰集的标准差；得到模糊集S'(t)后，模糊逻辑中引入了t-余模作为数据模糊准则，对S'(t)进行模糊运算；先将要融合的其中两个模糊集S'1和S'2带入算子中，得到新的模糊集
Figure FDA0003164322670000026
将其和模糊集S'3带入算子中，再一次进行融合，得到结果
Figure FDA0003164322670000027
步骤7、将得到的模糊融合结果
Figure FDA0003164322670000028
通过重心法
Figure FDA0003164322670000029
进行去模糊的操作，将其变换到清晰集，也就是模糊运算的逆变换，得到最终融合结果S*(t)，函数μB表示选取的隶属函数；
步骤8、通过独立成分和混叠向量的分析，选取代表缺陷部分的独立成分进行分析，并选取最终目标图像；即将图像基于高斯对比函数处理后的峰态系数kurIC1k作为目标峰态系数进行分析、将图像基于正切对比函数处理后的峰态系数kurIC2k作为目标峰态系数进行分析、将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析；
所述步骤4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；
所述步骤6中，采用Dubois-Prade算子实现融合，其形式为：
Figure FDA00031643226700000210
其中，a、b为要进行模糊运算的两个模糊集S'(t)的数据，a,b∈(0,1)；α为Dubois-Prade算子的一个常数参数，α∈(0,1)。
2.如权利要求1所述的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，其特征在于，所述步骤8中，将图像基于高斯对比函数处理后的峰态系数kurIC1k作为目标峰态系数进行分析包括以下步骤：
步骤8-1、先比较图像基于高斯对比函数处理后的峰态系数kurIC1k，和图像基于正切对比函数处理后的峰态系数kurIC2k的大小，若kurIC2k＞kurIC1k，则进行将图像基于正切对比函数处理后的峰态系数kurIC2k作为目标峰态系数进行分析；
步骤8-2、若kurIC2k＜kurIC1k，接着比较kurIC1k，和图像基于多项式对比函数处理后的峰态系数kurIC3k的大小，若kurIC1k＜kurIC3k，则进行将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析；
步骤8-3、若kurIC1k＞kurIC3k，接着比较kurIC1k，和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC1k＜kurIC4k，则选取融合后的图像作为最终目标图像；
步骤8-4、若kurIC4k＜kurIC1k，则选取基于高斯对比函数处理后的图像作为最终目标图像。
3.如权利要求1所述的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，其特征在于，所述将图像基于正切对比函数处理后的峰态系数kurIC2k作为目标峰态系数进行分析的步骤为步骤9，包括：
步骤9-1：比较kurIC2k和图像基于多项式对比函数处理后的峰态系数kurIC3k的大小，若kurIC2k＜kurIC3k，则进行将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析；
步骤9-2：若kurIC2k＞kurIC3k，则比较kurIC2k，和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC2k＜kurIC4k，则选取融合后的图像作为我们最终目标图像；
步骤9-3：若kurIC4k＜kurIC2k，则选取基于正切对比函数处理后的图像作为最终的目标图像。
4.如权利要求1所述的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，其特征在于，将图像基于多项式对比函数处理后的峰态系数kurIC3k作为目标峰态系数进行分析的步骤为步骤10，包括：
步骤10-1：将kurIC3k作为目标峰态系数，比较kurIC3k和图像基于融合处理后的峰态系数kurIC4k的大小，若kurIC3k＜kurIC4k，则选取融合后的图像作为我们最终目标图像；
步骤10-2：若kurIC4k＜kurIC3k，则选取基于多项式对比函数处理后的图像作为最终的目标图像。
CN201810291483.3A 2018-04-03 2018-04-03 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 Active CN108682002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810291483.3A CN108682002B (zh) 2018-04-03 2018-04-03 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810291483.3A CN108682002B (zh) 2018-04-03 2018-04-03 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

Publications (2)

Publication Number Publication Date
CN108682002A CN108682002A (zh) 2018-10-19
CN108682002B true CN108682002B (zh) 2022-02-15

Family

ID=63800286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810291483.3A Active CN108682002B (zh) 2018-04-03 2018-04-03 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

Country Status (1)

Country Link
CN (1) CN108682002B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109360145A (zh) * 2018-10-30 2019-02-19 电子科技大学 一种基于涡流脉冲红外热图像拼接方法
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
CN112884716B (zh) * 2021-01-28 2022-03-18 中国空气动力研究与发展中心超高速空气动力研究所 一种超高速撞击损伤区域特征强化方法
CN113804727B (zh) * 2021-08-30 2022-06-14 电子科技大学 一种基于电阻抗成像的涡流热成像缺陷重构方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102510363A (zh) * 2011-09-30 2012-06-20 哈尔滨工程大学 一种强干扰源环境下的lfm信号检测方法
CN104764770A (zh) * 2015-03-30 2015-07-08 南京航空航天大学 一种钢轨裂纹的脉冲涡流红外热成像检测系统及其方法
CN105352998A (zh) * 2015-11-17 2016-02-24 电子科技大学 脉冲涡流红外热图像的独立成分个数确定方法
CN106023176A (zh) * 2016-05-16 2016-10-12 电子科技大学 基于ica融合算法来增强缺陷特征的方法
RU2628752C1 (ru) * 2016-10-03 2017-08-22 Олег Фёдорович Меньших Электронно-управляемый силовой трансформатор (ЭУСТ) для линии электропередачи к потребителю с переменной нагрузкой

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201417122A (zh) * 2012-10-22 2014-05-01 Espower Electronics Inc 感應耦合電能傳輸與電場耦合電能傳輸兩用線圈
CN103592333A (zh) * 2013-11-13 2014-02-19 电子科技大学 一种脉冲涡流热成像缺陷自动检测与识别方法
US9473263B2 (en) * 2015-01-16 2016-10-18 Huawei Technologies Co., Ltd. Method and system for removing a pilot tone from an optical signal
CN105447857B (zh) * 2015-11-17 2018-05-04 电子科技大学 脉冲涡流红外热图像的特征提取方法
DE102016117591B4 (de) * 2016-09-19 2019-12-05 Bundesdruckerei Gmbh Verfahren und Vorrichtung zum zerstörungsfreien Bestimmen eines laminierten Zustands einer Anordnung von laminierten Kunststofffolienschichten für einen Kunststoffkartenkörper

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102510363A (zh) * 2011-09-30 2012-06-20 哈尔滨工程大学 一种强干扰源环境下的lfm信号检测方法
CN104764770A (zh) * 2015-03-30 2015-07-08 南京航空航天大学 一种钢轨裂纹的脉冲涡流红外热成像检测系统及其方法
CN105352998A (zh) * 2015-11-17 2016-02-24 电子科技大学 脉冲涡流红外热图像的独立成分个数确定方法
CN106023176A (zh) * 2016-05-16 2016-10-12 电子科技大学 基于ica融合算法来增强缺陷特征的方法
RU2628752C1 (ru) * 2016-10-03 2017-08-22 Олег Фёдорович Меньших Электронно-управляемый силовой трансформатор (ЭУСТ) для линии электропередачи к потребителю с переменной нагрузкой

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钢材表面缺陷涡流脉冲热成像检测装置和系统的开发;苏伯泰 等;《中国机械工程学会会议论文集》;20171013;800-803 *

Also Published As

Publication number Publication date
CN108682002A (zh) 2018-10-19

Similar Documents

Publication Publication Date Title
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
Pollock Acoustic emission inspection
CN108665442A (zh) 红外无损检测的热图像缺陷特征增强处理方法
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
Fedala et al. Infrared lock-in thermography crack localization on metallic surfaces for industrial diagnosis
US9278412B2 (en) Sucker rod
Zhao et al. A coefficient clustering analysis for damage assessment of composites based on pulsed thermographic inspection
Wang et al. 3D X-ray tomography characterization of creep cavities in small-punch tested 316 stainless steels
Zhou et al. Pattern recognition of barely visible impact damage in carbon composites using pulsed thermography
Larrosa et al. An efficient procedure for reducing in-line-inspection datasets for structural integrity assessments
Wang et al. Pixel-based thermal sequence processing algorithm based on R2 fractile threshold of non-linear fitting in active infrared thermography
Maruschak et al. Digital analysis of shape and size of dimples of ductile tearing on fracture surface of long-operated steel
CN108931572B (zh) 基于变行分割和区域生长法的压容器热成像缺陷检测方法
Kopf et al. Thermographic identification of hidden corrosion
Makhmudov et al. Strength of upstream and downstream chambers, collectors, heat exchange tubes of gas aerial cooler apparatus, and assessment of life extension
Zhang et al. An enhance feature algorithm for defect detection of pneumatic pressure equipment using eddy current pulsed thermography
Ehlen et al. Automated NDT of railway wheels using induction thermography
Johnson et al. High Temperature Hydrogen Attack Life Assessment Modeling and Inspection
Kemppainen et al. Production of Real Flaws in Probability of Detection (POD-) Samples for Aerospace Applications
US10195699B2 (en) Sucker rod
Oswald-Tranta et al. Comparison of hit/miss and ‘â versus a’POD calculations for short surface cracks using inductive thermography
Addepalli et al. Active thermography in through-life engineering
Larrosa et al. A Screening Methodology to Rapidly Reduce ILI Data, Visualise and Determine Most Detrimental Defects in Pipelines
CN109885930B (zh) 焊缝内危害性缺陷的安全性分级方法
Larrosa et al. An Approach to Reduce the Amount of ILI Data in Fatigue Analysis of Pits in Pipelines

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