CN109035237B - 一种风叶裂痕检测方法 - Google Patents
一种风叶裂痕检测方法 Download PDFInfo
- Publication number
- CN109035237B CN109035237B CN201810856295.0A CN201810856295A CN109035237B CN 109035237 B CN109035237 B CN 109035237B CN 201810856295 A CN201810856295 A CN 201810856295A CN 109035237 B CN109035237 B CN 109035237B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- point
- cracks
- processing
- 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
Links
- 238000001514 detection method Methods 0.000 title claims description 27
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000004062 sedimentation Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000001629 suppression Effects 0.000 claims abstract description 6
- 230000000670 limiting effect Effects 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 206010017076 Fracture Diseases 0.000 abstract description 8
- 208000010392 Bone Fractures Diseases 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000000463 material Substances 0.000 abstract description 7
- 238000005260 corrosion Methods 0.000 abstract description 4
- 230000002829 reductive effect Effects 0.000 abstract description 4
- 230000007797 corrosion Effects 0.000 abstract description 3
- 230000004069 differentiation Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229910001335 Galvanized steel Inorganic materials 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000008397 galvanized steel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明揭示了一种风叶裂痕检测方法,通过摄像设备对风叶进行图像采集,并将图像转入计算机处理;计算机中运用微分对图像进行任意方向的锐化计算;将预先处理的图像限定滤波范围,根据编译算法进行图像噪声的平滑滤波,采用非极值抑制对图像进行梯度式处理,呈现清晰灰度比图像;在图像所有点域内取4*4运算单元,运用相邻点灰度差值比较运算和基函数拟合;通过区别图形相似度提取图形,利用间断点识别图形中直线、曲线的裂痕;运用沉降法检测主次裂痕间根部的角度。本发明结合边缘检测,霍夫变换,高斯滤波,灰度膨胀腐蚀等多种计算机视觉处理技术,加强了识别精准度,很好地识别和标识裂缝;大大减少了人力物力。
Description
技术领域
本发明涉及计算机视觉、机器学习领域,提出了一种风叶裂痕的检测方法。
背景技术
由于大风机的工作环境及性质多为恶劣气候环境,机器长时间暴露在飓风暴雨、凝冻大雪中,西北部地区甚至会有风沙,这类环境中温度差值高,环境因素变化大且有外部风险,因此大型复杂设备及机组的悬挑类部件(例如本研究之风机叶片)会在复杂外部环境、直接间接因素的相互作用的影响下,使得部件承载力度在方向、力矩、受拉压方式及不同力传递介质的综合影响下造成设备折损折旧,影响综合操作使用流程,甚至造成机组相关操作人员的健康损害。由于各叶片所处物理位置的不同,损坏方式及程度不一,常见设备折损有叶片金属防腐防火漆脱落,叶片内主材磨损,防护贴片、镀锌钢板外部脱皮裂纹等。造成叶片折损的原因多是由于运行过程中机组振荡。风力叶片由于质量与面积的双重折损容易引起发电效率低下,叶片折损加快,同时低转速拉条影响高负荷电机引起设备发热,造成设备、产值和技术的
三重损失,并且叶片由于体积大、质量大,故障时对机组本身和相关操作人员都会造成潜在的安全隐患,所以状态检测在任何工业设备的制作安装、运行维护上都显得尤为重要。
以下主要阐明现有的广泛运用的风叶裂痕检测技术及其缺点:
复型法:在一定的时间间隔下对试样循环事假载荷,使裂痕完全张开,滴入丙酮后形成复型,若有气泡等杂质,必须重新复型,一个循环间隔一般在25-30个复型。这种方法属于立面工程操作,对工人技术要求较高,且隐含危险,机具使用步骤繁琐,准确性很难保证。
声发射技术:类比潜艇声呐系统,在塔架操作台上的发声源发射规则可波动低分贝音波,音波传导到风机叶片材料表层并根据形状不同传导回不同时间的音波,利用滤波收集器采取声音样本后,传感器可自动检测表面物质位置变化,将音频转化为电信号,在屏幕上可以通过色差表现出叶片损坏状态但精确度略有欠缺,不方便检测损坏面积。
X射线:X射线具有较强的穿透性,可穿透被测物表面测量物体内部结构,广泛的用于工业探伤领域。但是其成本高昂,在风叶裂痕应用较少。
显微镜直接观测法:观测法是比较直接的一种测试方法,它有着分辨率高和精度高的特点。但显微镜需要配置精密昂贵的设备及其它视频系统,成本高。
传统检测方式受限于技术基础,对设备损耗的检测也不尽完善。
发明内容
本发明的目的在于提出一种风叶裂痕检测方法,解决裂痕检测中消除大量误差、提升检测效率的问题。
为了实现上述目的,本发明的技术解决方案为:一种风叶裂痕检测方法,其特征在于包括:
S1:获取图像,通过摄像设备对风叶进行图像采集,并将图像转入计算机处理;
S2:图片锐化,计算机中运用微分对图像进行任意方向的锐化计算;
S3:Canny算子边缘检测,将预先处理的图像限定滤波范围,根据编译算法进行图像噪声的平滑滤波,采用非极值抑制对图像进行梯度式处理,呈现清晰灰度比图像;
S4:双三次插值,在图像所有点域内取4*4运算单元,运用相邻点灰度差值比较运算和基函数拟合;
S5:检测裂痕,通过区别图形相似度提取图形,利用间断点识别图形中直线、曲线的裂痕;
S6:提取裂痕特征,运用沉降法检测主次裂痕间根部的角度。
进一步地,S1中获取图像的过程为,面向风叶采用专业CCD摄像机采集图像,而后输入到图像采集卡中,再接入计算机保存、作适于图像处理的格式转换。
进一步地,S3中Canny算子边缘检测的过程为,首先通过函数对基础的图像进行平滑处理,然后利用一阶微分算子处理获得点方差幅值和图像变化度;接着保留局部极大值作为候选边缘点,其余删除舍弃,最后比照预设阈值 确定裂缝的边缘点,物理边缘连接处理。
进一步地,S4中双三次插值的公式为:f(i+u,j+v)=ABC,其中A、B、C均为矩阵,
A=[S(1+u)S(u)S(1-u)S(2-u)],
C=[S(1+v)S(v)S(1-v)S(2-v)]T。
进一步地,S5中检测裂痕的方法为,运用点坐标提取相关直线的参数方程,通过汇总提取直线方程来确定图形边界。
进一步地,S6中沉降法的过程为,首先对原二值灰度图像进行处理,将主裂缝旋转至垂直角度,再从主裂缝顶端向底部做沉降搜索,每搜索一个像素时向该像素的两侧各搜索k 个像素,k为正整数,以搜索到值为1的像素点判断存在次裂缝的可能性,标记像素点为A,继续沿着主裂缝向下搜索,仍搜索两侧的像素,当距离为j的像素值为1时,其中j为小于k的正整数,标记像素点为B,通过计算AB所成直线的斜率得到主裂缝与该次裂缝间的角度,剩余次裂缝的角度计算相同。
与现有技术相比,本发明具有突出的实质性特点和显著的进步性,表现为:本发明结合边缘检测,霍夫变换,高斯滤波,灰度膨胀腐蚀等多种计算机视觉处理技术,加强了识别精准度。并且在不断尝试和经验总结中,得到了图像处理时用到参数的优值,如霍夫曼变换、灰度膨胀与腐蚀等用到的参数。通过对图片的霍夫曼变换、旋转和沉降法搜索,获得了裂缝的位置信息,计算出了主次裂缝间的角度,很好地识别和标识裂缝;大大减少了人力物力。
附图说明
图1为本发明图像获取的流程示意图。
图2为本发明图像锐化变换前的图像。
图3为本发明图像锐化变化后的图像。
图4为本发明提取裂痕的流程示意图。
图5为本发明风叶裂痕检测方法的总流程示意图。
图6为由本发明检测方法所得的裂痕检测图。
具体实施方式
下面结合说明书附图对本发明创造作进一步详细的说明。
为了降低人工操作的复杂性和设备的费用,本发明提出了一种基于canny算子和区域增长的风叶裂痕检测方式。
本发明的技术方案为:如图5所示,第一,二步为图像获取和前处理部分,主要完成图像的采集和锐化等工作。第三步边缘检测和阈值分割是整个检测过程的关键,这一步将决定整个检验算法的精度,我们选取了Canny算子。第四步完善了基础准备工作,第五步可显示通过机器将机械损耗及裂痕部分的检测结果。第六步是提取裂痕特征部分。
以下从每一步骤的详细操作细节来了解。
S1、获取图像:光照、实物、反射介质、图像接受器官设备等多种因素组合成人类观察到的自然动态景观,自然环境物质群的动态范围关联甚广。对于传统的摄像技术来说,已经不能满足在一个明暗变化较大的环境中获取理想图像的要求。通常情况下,CMOS摄像机的动态范围约为54dB,普通CDD摄像机的动态范围约为66dB,而专业CCD摄像机的该范围则大于78dB。为此,对于风叶裂纹检测适宜采用价格稍贵的78dBCCD摄像机。
而如图1所示,叶片反射光波通过CCD摄像机记录并保存于采集器再由计算机进行初步图像处理。
S2、图片锐化:由于是对风叶的损坏进行精密识别及排查,所以为计算机识别所提供的机组风叶边缘记录图像更应精确、拥有强对比度和识别度。图像边缘增强的一般技术为尖锐化,区分图形边缘的原理是像素的灰度级和领域点在图形原理中若相邻像素点灰度差值较大,则可表示物质轮廓外形计算机中运用微分对图像进行任意方向的锐化计算,这里采用拉普拉斯算子,其定义为:
如图2和图3所述,为拉普拉斯变换前后得出的图像处理结果,图片实验结果显示拉普拉斯可增强灰度差值较大像素点识别度,扩大幅值敏感度,所得成果的细节更为清晰。
S3、Canny算子边缘检测:Canny算子边缘检测算法是本系统及方法研究的理论核心,精密计算性能和简易化流程使得它作为算子更加能得到实际中的有效运用,其核心运行理念可概括为:将预选处理的图像群限定滤波范围,根据编译算法进行图像噪声的平滑滤波,降低噪声后采用“非极值抑制”(Nonmaxima Supression)对图像进行梯度式处理,最后呈现出清晰灰度比图像,进而方便边缘识别。
在学术理论上,坎尼提出了三个计算准则:
1)、信噪比准则,其数学表达式为:
其中,f(x)是边界为[-ω,+ω]的滤波器的脉冲响应;G(-x)代表边缘函数;σ是平均数学方差,信噪比与图像清晰质量成正比。
2)、定位精度准则,其数学表达式为:
运用微积分原理,G′(-x)和f′(x)所求得的原函数一阶导数与分母等式比较而得的L值与图像定位精度正相关。
3)、单边缘响应准则,相邻灰度突变像素原则要求基准轴线单侧一个像素的条件符合,该算子的零交叉点均距D(f′)在运算时应具备:
该Canny算子边缘检测主要分为四步来检测边缘:利用灰度进行图像像素磨平处理,像素点选择范围精细化和边缘方向识别,非极大值抑制运算和物理边缘连接处理。
(1)图像平滑:Canny算子以高斯一阶导数为基函数,在以此作为近似算法基础上交换卷积运算结果,以此方法为指导,canny算法先以下列函数平滑收集来的基础图像:
(2)梯度幅值和方向的计算:根据幅值与方向的理论依据,用高斯一阶导数所平滑后的图像需要经过一阶微分算子来处理,目的是获得相应的点方差幅值、图像变化度数据,并以参数形式记录到途中。假设图像所选取样本点为(i,j),则双向偏导数可由下列公式得出:
Gx(i,j)=(I(i,j+1)-I(i,j)+I(i+1,j+1)-I(i+1,j))/2,
Gy(i,j)=(I(i,j)-I(i+1,j)+I(i,j+1)-I(i+1,j+1))/2;
根据偏导数算得结果即为图像的梯度参数:
(3)非极大值抑制:生成相对精确的边缘图像,此过程中上一步得到的含有梯度参数图像的屋脊带中,局部极大值成为精确化目标得以保留,其余则删除。此过程称为非极大值抑制(NMS)。运用简单插值法,先将选定像素点周围9单位网格内沿刚得到的方向参数θ(i,j)进行插值,幅值差度大则纳入候选域。
(4)检测和连接边缘:基于上述步骤得到的候选边缘点,接下来需要确定边缘若选取点的G(i,j)高于高阈值则认定是边缘点。
S4、双三次插值:以离散数学为依据的插值算法经常被用于处理图像放大中的图像线性补全问题,由于原始图像分辨率未能无限放大,插值法也就完善了超分辨率显示下图像拉伸压缩的算法与显示功能。被视为图像拉伸的关键。这种运算方法以16个单位点作为基础运算元,在所有点域内取4*4运算网,以其灰度值作三次插值运算,拓展了老式4点相邻灰度运算,本质上运用了相邻点灰度差值比较运算和基函数拟合。相比于其它简单插值运算,其运算量更大,但其图像处理效果更佳。
其数学表达式如下:
双三次插值公式如下:
f(i+u,j+v)=ABC。
其中A,B,C均为矩阵,其形式如下:
A=[S(1+u)S(u)S(1-u)S(2-u)],
C=[S(1+v)S(v)S(1-v)S(2-v)]T。
S5、检测裂痕:霍夫变换是一种通过区别图形相似度进而提取图形,利用间断点识别图形边界的方法。现实中,裂痕也只由直线和曲线构成。
霍夫变换检测直线:过某一点(x0,y0)的所有直线都满足方程y0=k·x0+b的直线也会通过点(k=1,b=0)。把直线上的点看做图像上的前景点,则确定直线后为直线方程 +1,最后检索相关最大点的数值,得到的数组就是需要检测的直线参数。
霍夫变换检测直线裂痕的原理同上所述,就是运用点坐标提取相关直线的参数方程,最后通过汇总提取直线方程来确定图形边界。
S6、提取裂痕特征:能够运用沉降法检测裂缝间的角度是利用了裂缝的局部可以近似作为直线处理,即通过图像的灰度信息,计算主次裂缝间根部的角度。沉降法的具体步骤为,首先对原二值灰度图像进行处理,将主裂缝旋转至垂直角度,再从主裂缝顶端向底部做沉降搜索,每搜索一个像素时向该像素的两侧各搜索k个像素,k为正整数,实际操作时可设为50搜索到为1的像素点时说明该处可能存在次裂缝,标记该点为A,继续沿着主裂缝向下搜索,仍搜索两侧的像素,当距离为j的像素值为1时,其中j为小于k的正整数,标记该点为B,此时通过计算AB所成直线的斜率即可得到主裂缝与该次裂缝间的角度,此时便完成了对一条此裂缝的角度计算,其他裂缝依此法类推。通过斜率计算主次裂缝间的角度公式如下:其中k2为主裂缝斜率,即1,k1为此裂缝斜率,即通过 A(x1,y1)、B(x2,y2)两点坐标计算得到:
综上结合图示的实施例详细介绍可见,本发明较之于传统检测方法具有显著的进步性,表现为:其结合边缘检测,霍夫变换,高斯滤波,灰度膨胀腐蚀等多种计算机视觉处理技术,加强了识别精准度。并且在不断尝试和经验总结中,得到了图像处理时用到参数的优值,如霍夫曼变换、灰度膨胀与腐蚀等用到的参数。通过对图片的霍夫曼变换、旋转和沉降法搜索,获得了裂缝的位置信息,计算出了主次裂缝间的角度,很好地识别和标识裂缝;大大减少了人力物力。
以上详细描述了本发明的优选实施方式,但是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内进行修改或者等同变换,均应包含在本发明的保护范围之内。
Claims (6)
1.一种风叶裂痕检测方法,其特征在于包括:
S1:获取图像,通过摄像设备对风叶进行图像采集,并将图像转入计算机处理;
S2:图片锐化,计算机中运用微分对图像进行任意方向的锐化计算;
S3:Canny算子边缘检测,将预先处理的图像限定滤波范围,根据编译算法进行图像噪声的平滑滤波,采用非极值抑制对图像进行梯度式处理,呈现清晰灰度比图像;
S4:双三次插值,在图像所有点域内取4*4运算单元,运用相邻点灰度差值比较运算和基函数拟合,数学表达式如下:
A=[S(1+u)S(u)S(1-u)S(2-u)],
C=[S(1+v)S(v)S(1-v)S(2-v)]T;
S5:检测裂痕,通过区别图形相似度提取图形,利用间断点识别图形中直线、曲线的裂痕;
S6:提取裂痕特征,运用沉降法检测主次裂痕间根部的角度。
2.根据权利要求1所述风叶裂痕检测方法,其特征在于:S1中获取图像的过程为,面向风叶采用专业CCD摄像机采集图像,而后输入到图像采集卡中,再接入计算机保存、作适于图像处理的格式转换。
5.根据权利要求1所述风叶裂痕检测方法,其特征在于:S5中检测裂痕的方法为,运用点坐标提取相关直线的参数方程,通过汇总提取直线方程来确定图形边界。
6.根据权利要求1所述风叶裂痕检测方法,其特征在于:S6中沉降法的过程为,首先对S5所得原二值灰度图像进行处理,将主裂缝旋转至垂直角度,再从主裂缝顶端向底部做沉降搜索,每搜索一个像素时向该像素的两侧各搜索k个像素,k为正整数,以搜索到值为1的像素点判断存在次裂缝的可能性,标记像素点为A,继续沿着主裂缝向下搜索,仍搜索两侧的像素,当距离为j的像素值为1时,其中j为小于k的正整数,标记像素点为B,通过计算AB所成直线的斜率得到主裂缝与该次裂缝间的角度,剩余次裂缝的角度计算相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810856295.0A CN109035237B (zh) | 2018-07-31 | 2018-07-31 | 一种风叶裂痕检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810856295.0A CN109035237B (zh) | 2018-07-31 | 2018-07-31 | 一种风叶裂痕检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035237A CN109035237A (zh) | 2018-12-18 |
CN109035237B true CN109035237B (zh) | 2022-06-17 |
Family
ID=64648027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810856295.0A Active CN109035237B (zh) | 2018-07-31 | 2018-07-31 | 一种风叶裂痕检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035237B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767444A (zh) * | 2019-01-21 | 2019-05-17 | 福建省特种设备检验研究院 | 一种基于无人机的裂缝检测方法 |
CN109872292A (zh) * | 2019-02-22 | 2019-06-11 | 东华理工大学 | 用于对图形图像进行快速处理的方法 |
CN109993742B (zh) * | 2019-04-04 | 2020-03-17 | 哈尔滨工业大学 | 基于对角导数算子的桥梁裂缝快速识别方法 |
CN110992264B (zh) * | 2019-11-28 | 2023-09-01 | 北京金山云网络技术有限公司 | 一种图像处理方法、处理装置、电子设备及存储介质 |
CN111242923A (zh) * | 2020-01-13 | 2020-06-05 | 国网湖北省电力有限公司宜昌供电公司 | 基于Canny算子的最大熵阈值优化的绝缘子裂纹检测方法 |
CN116563288B (zh) * | 2023-07-11 | 2023-09-05 | 深圳市欣精艺科技有限公司 | 一种汽车发动机齿轮螺纹孔检测方法 |
CN117593294B (zh) * | 2024-01-18 | 2024-04-09 | 中化学西部新材料有限公司 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009231760A (ja) * | 2008-03-25 | 2009-10-08 | Tokyo Seimitsu Co Ltd | ブレード破損/磨耗検出装置 |
JP6320081B2 (ja) * | 2014-02-27 | 2018-05-09 | 三菱重工業株式会社 | 風車翼の損傷検知方法及び風車 |
-
2018
- 2018-07-31 CN CN201810856295.0A patent/CN109035237B/zh active Active
Non-Patent Citations (1)
Title |
---|
Wind Turbine Blade Condition Monitoring and Damage Detection by Image-Based Method and Frequency-Based Analysis;Jiansheng Yang等;《2018 10th International Conference on Modelling, Identification and Control (ICMIC)》;20180704;第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109035237A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035237B (zh) | 一种风叶裂痕检测方法 | |
CN111256594B (zh) | 一种飞机蒙皮表面状态物理特征的测量方法 | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
Shahrokhinasab et al. | Performance of image-based crack detection systems in concrete structures | |
CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
CN111524224A (zh) | 一种电力变压器表面温度分布的全景成像方法 | |
CN109410139A (zh) | 一种文物内部和表面病害数字化分析评估方法 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
Hu et al. | A method for measuring ice thickness of wind turbine blades based on edge detection | |
CN107871320A (zh) | 一种绝缘纸板热老化程度的检测系统及方法 | |
Sun et al. | Research on fatigue crack growth detection of M (T) specimen based on image processing technology | |
CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
Febrianti et al. | Analysis of non-destructive testing ultrasonic signal for detection of defective materials based on the Simulink Matlab Mathematica computation method | |
Tang et al. | Fracture extraction from smooth rock surfaces using depth image segmentation | |
Ye et al. | Scientific computational visual analysis of wood internal defects detection in view of tomography image reconstruction algorithm | |
Jung et al. | Fast and non-invasive surface crack detection of press panels using image processing | |
Zhang et al. | A New Image Detection Method of Transmission Line Icing Thickness | |
CN115689995A (zh) | 一种复杂光照背景条件下的圆孔边缘亚像素级提取方法 | |
Wang et al. | Fiber diameter measuring method of textile materials based on phase information | |
CN108765381B (zh) | 一种水利工程裂纹提取方法及系统、信息处理终端 | |
Xu et al. | Building crack monitoring based on digital image processing | |
Li | Intelligent restoration of ancient murals based on discrete differential algorithm |
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 |