CN109427049A - 一种涂层缺陷的检测方法 - Google Patents

一种涂层缺陷的检测方法 Download PDF

Info

Publication number
CN109427049A
CN109427049A CN201710725215.3A CN201710725215A CN109427049A CN 109427049 A CN109427049 A CN 109427049A CN 201710725215 A CN201710725215 A CN 201710725215A CN 109427049 A CN109427049 A CN 109427049A
Authority
CN
China
Prior art keywords
defect
image
holiday
pixel
detection method
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
Application number
CN201710725215.3A
Other languages
English (en)
Other versions
CN109427049B (zh
Inventor
梁鑫
丁祖群
朱丽
邱静
高斌
程红霞
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
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
University of Electronic Science and Technology of China
Chengdu Aircraft Industrial Group Co Ltd
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, Chengdu Aircraft Industrial Group Co Ltd filed Critical University of Electronic Science and Technology of China
Priority to CN201710725215.3A priority Critical patent/CN109427049B/zh
Publication of CN109427049A publication Critical patent/CN109427049A/zh
Application granted granted Critical
Publication of CN109427049B publication Critical patent/CN109427049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种涂层缺陷的检测方法，属于无损检测技术领域。所述检测方法包括以下步骤：A. 利用闪光热成像无损检测设备获得热图像数据；B.对热图像数据进行去除背景处理及标准化处理；C. 对标准化处理后的每一帧热图片进行向量化处理，并顺序化排列，构架出一个新矩阵；D.利用PCA法得到表征缺陷的特征图像；E.将得到的特征图像进行图像分割处理，量化出实际试件中缺陷的大小。相较于现有技术中的涂层缺陷检测方法，本发明具有检测自动化和涂层缺陷可量化，检测效率高的优点。

Description

一种涂层缺陷的检测方法
技术领域
本发明涉及一种涂层缺陷的检测方法，属于无损检测技术领域。
背景技术
无损检测技术是指在不损害或不影响被检测对象的使用性能及内部组织的前提下，保证在役设备安全运行的重要手段。闪光热成像技术是通过利用闪光灯主动加热的方式，实现大范围上不同大小缺陷的快速检测，可用于检测板型导体或非导体材料。
目前使用的红外热成像技术对材料缺陷的检测还局限于人为选择热成像仪记录的视频帧图来定位缺陷，这类处理方式会丢失大量数据信息且效率低下，且无法对缺陷进行量化。如公开号为CN103630543A，名称为“一种利用脉冲红外热波检测吸波涂层缺陷的判定方法”的发明专利，该方法仅仅能判断区域为正常区域还是脱粘区域，无法得出具有缺陷的量化信息，且检测手段繁琐，检测效率低下。
发明内容
本发明旨在解决现有技术中涂层缺陷的检测方法不能得出涂层缺陷的量化信息的技术问题，提供一种新的涂层检测方法，可自动准确地判定缺陷的数量及位置并量化缺陷的大小。
为了实现上述发明目的，本发明的技术方案如下：
一种涂层缺陷的检测方法，其特征在于：包括以下步骤：
A.利用闪光热成像无损检测设备获得热图像数据；
B.对热图像数据进行去除背景处理及标准化处理；
C.对标准化处理后的每一帧热图片进行向量化处理，并顺序化排列，构架出一个新矩阵；
D.利用PCA法得到表征缺陷的特征图像；
E.将得到的特征图像进行图像分割处理，量化出实际试件中缺陷的大小。
闪光红外热成像是基于红外辐射原理，通过记录被检测试件由于缺陷所引起的温度变化来检测表面及亚表面缺陷的无损检测方法。被检物体内部的不连续，如缺陷及结构的差异，会影响物体的热扩散过程。当使用闪光灯向试件主动施加热激励，从而在物体内部形成热流时，物体内部的不连续会影响热传导，使物体表面温度分布产生异常。对于隔热性缺陷，缺陷的热扩散系数要小于本体材料的热扩散系数，热量将会在缺陷上方发生积聚，使该处表面温度高于周围区域。通过获取试件表面的温度场变化信息，从而判断缺陷的存在，且能利用热像图中的热分布信息量化分析实际缺陷。
进一步地，步骤A中，闪光热成像无损检测设备为包括红外热像仪和卤素灯。
本发明步骤B，对热图像数据进行去除背景处理及标准化处理，其目的是消除数据在数量级上的差异，统一各特征量的量纲，标准化处理的方法是按列零均值标准化(Z-score standardization)进行处理；原始数据的标准化计算式如下：
式中：
其中，xij表示第i行第j列像素点的值；
表示第j列各像素点的平均值；
var()表示方差。
本发明步骤C中，对标准化处理后的每一帧热图片进行向量化处理，并顺序化排列，构架出一个新矩阵，其中的构架新矩阵的步骤如下：
假设得到构件的新矩阵为A，首先构建矩阵W，使用如下公式：
W＝(A-Amean)(A-Amean)T
其中，Amean为矩阵A的第一个行向量。
然后对矩阵W进行奇异值分解(SVD)，如下式所示：
其中，D是一个对角矩阵，保存矩阵W的特征值，U是相应的特征向量矩阵。
通过利用较低维度的特征向量矩阵Us与原矩阵，计算得到表征缺陷的特征图像，其计算公式为其中矩阵Ap的每一列表示一个特征图像。
本发明步骤E中，进行图像分割处理的方法为区域生长法，区域生长法是根据同一物体区域内像素的相似性质来聚集像素点的方法，从初始区域(如小邻域或甚至于每个像素)开始，将相邻的具有同样性质的像素或其他区域归并到目前的区域中，从而逐步增长区域，直到没有可以归并的点或其他小区域为止。
区域生长算法具体描述如下：
a.选取待分割区域内的一点作为种子点(x0,y0)；
b.以(x0,y0)为中心，考虑(x0,y0)的4个邻域像素(x,y)：如果(x,y)满足生长规则，则将(x,y)与(x0,y0)合并，同时将(x,y)压入堆栈；
c.从堆栈中取出一个像素，把它当做种子点(x0,y0)，回到步骤(2)；
d.当堆栈为空时，生长结束。
本发明步骤E中，量化出实际试件中缺陷的大小的具体做法是：在对特征图像进行图像分割处理后，用二值图像把缺陷和背景区分出来，然后通过计算缺陷在热图像中所占像素点的量，将像素点的量和实际缺陷大小，依据热图像中的像素点与试件实际大小的比例，建立图像上的缺陷和实际缺陷尺寸的对应关系，实现热图像缺陷的量化分析。
进一步地，根据试件的实际大小与热图像中的像素点的关系，计算图像上的缺陷与实际缺陷尺寸的关系，采用的等式如下：
缺陷的像素点数＝横向像素点数×纵向像素点数；
所述缺陷的横向像素点数和缺陷的纵向像素点数通过使用纵向标准向量扫描处理，统计、计算得到。
更进一步地，纵向标准向量扫描处理的具体操作如下：首先利用标准向量依次和分割后的二值图作运算，然后统计出运算后的向量中缺陷的像素点数，得到一个扫描统计结果图，其横坐标可以计算出缺陷的横向像素点，纵坐标可得出缺陷的纵向占像素点。
本发明的有益效果：
本发明将含有缺陷的试件在闪光灯作用下的热流分布不同的区域考虑为缺陷特征，并与实际缺陷建立联系，建立了利用统计信号处理算法主成分分解提取热图视频空间和时域模式特征，利用区域生长图像分割方法做后处理，实现了自动缺陷检测及缺陷的量化，相较于现有技术(如公开号为CN103630543A的专利)中的涂层缺陷检测方法，具有缺陷面积可量化，误差小的优点；在检测效率上，常用超声技术扫描检测需要时间≥60s，本申请所使用的方法检测和处理时间为10s左右，大大提高了检测效率。
附图说明
图1为本发明的检测流程图；
图2为本发明的主成分分解示意图；
图3为本发明实施例2的主成分分解后的特征向量图；
图4为本发明实施例2的图像分割后的缺陷示意图；
图5为本发明实施例2涂层缺陷在热像图中的像素点统计流程图；
图6为本发明实施例2缺陷的长宽所占像素点数的统计结果；
图7为本发明实施例2涂层缺陷的量化关系图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1
一种涂层缺陷的检测方法，包括以下步骤：
A.利用闪光热成像无损检测设备获得热图像数据；
B.对热图像数据进行去除背景处理及标准化处理；
C.对标准化处理后的每一帧热图片进行向量化处理，并顺序化排列，构架出一个新矩阵；新矩阵的每一个行向量代表了每一个像素点的温度-时间变化曲线；
D.利用PCA法得到表征缺陷的特征图像，如图2所示；
E.将得到的特征图像进行图像分割处理，量化出实际试件中缺陷的大小。
本实施例的检测流程图如图1所示。
本实施例的步骤A中采用的闪光热成像无损检测设备包括红外摄像仪，型号为FLIR A655sc；卤素灯，型号为Par64 1000W。
实施例2
一种涂层缺陷的检测方法，包括以下步骤：
A.利用闪光热成像无损检测设备获得热图像数据；
B.对热图像数据进行去除背景处理及标准化处理；
标准化处理的方法为零均值标准化方法，对于每一帧图像，计算每一列的平均值和方差，然后按下述公式得到每个像素点的标准化值；
原始数据的标准化计算式如下：
式中：
其中，xij表示第i行第j列像素点的值；
表示第j列各像素点的平均值；
var()表示方差；
C.对标准化处理后的每一帧热图片进行向量化处理，并顺序化排列，构架出一个新矩阵；新矩阵的每一个行向量代表了每一个像素点的温度-时间变化曲线；
新矩阵的构建，假设得到构件的新矩阵为A，首先构建矩阵W，使用如下公式：
W＝(A-Amean)(A-Amean)T
其中，Amean为矩阵A的第一个行向量。
然后对矩阵W进行奇异值分解(SVD)，如下式所示：
其中，D是一个对角矩阵，保存矩阵W的特征值，U是相应的特征向量矩阵。
通过利用较低维度的特征向量矩阵Us与原矩阵，计算得到表征缺陷的特征图像，其计算公式如下：其中矩阵Ap的每一列表示一个特征图像。如图3所示，显示了具有较大特征的4张特征向量图，缺陷信息十分明显且大大减少了数据量，保存了最大的缺陷有效信息。
D.利用PCA法得到表征缺陷的特征图像，分解步骤如图2所示；
具体操作如下：
在得到特征图像后，利用区域生长法对特征图像进行图像分割处理，用二值图像把缺陷和背景区分出来，然后通过计算缺陷在图像中所占像素点的量，将像素点的量与实际缺陷的大小，依据图像显示与试件实际大小的比例，建立图像上的缺陷与实际缺陷尺寸的对应关系，实现热图像缺陷的量化分析。
区域生长算法具体描述如下：
a.选取待分割区域内的一点作为种子点(x0,y0)；
b.以(x0,y0)为中心，考虑(x0,y0)的4个邻域像素(x,y)：如果(x,y)满足生长规则，则将(x,y)与(x0,y0)合并，同时将(x,y)压入堆栈；
c.从堆栈中取出一个像素，把它当作种子点(x0,y0)，回到步骤(2)；
d.当堆栈为空时，生长结束。
e.将得到的特征图像进行图像分割处理，量化出实际试件中缺陷的大小。
图4给出了经过区域生长法进行图像分割后得到的缺陷与背景分离的二值化特征图，可以很明显的区分出缺陷的位置，利用该二值图像建立热图像中的缺陷与实际缺陷之间的关系。
E.将得到的特征图像进行图像分割处理，量化出实际试件中缺陷的大小。
本发明步骤E中，量化出实际试件中缺陷的大小的具体做法是：在对特征图像进行图像分割处理后，用二值图像把缺陷和背景区分出来，然后通过计算缺陷在热图像中所占像素点的量，将像素点的量和实际缺陷大小，依据热图像中的像素点与试件实际大小的比例，建立图像上的缺陷和实际缺陷尺寸的对应关系，实现热图像缺陷的量化分析。
进一步地，根据试件的实际大小与热图像中的像素点的关系，计算图像上的缺陷与实际缺陷尺寸的关系，采用的等式如下：
缺陷的像素点数＝横向像素点数×纵向像素点数；
对于上式，实际试件长度、宽度及面积已知，像素点总数依据热图像也容易得到，为了能够自动得到缺陷的的长度与宽度在热图像中的像素点数，使用纵向标准向量做扫描处理，统计计算出缺陷的长度与宽度在热图像中所占的像素点数。扫描统计的过程如图5所示。首先利用标准向量依次和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，扫描统计的结果如图6所示，其横坐标可以计算出缺陷的长度所占像素点，纵坐标可得出缺陷的宽度所占像素点。为了减少误差，宽度取范围内的均值。如图7所示，可以根据热图像中缺陷所占的像素点数量得出实际试件中的缺陷面积大小。
本实施例的整个检测流程图如图1所示。
本实施例针对涂层中面积为4cm2、9cm2、16cm2、25cm2的脱粘缺陷得出了热图像中缺陷的大小与实际试件上缺陷面积大小的量化关系，其误差分别为4％，0.4％，0.6％，3％，误差较小。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (7)

1.一种涂层缺陷的检测方法，其特征在于：包括以下步骤：
A.利用闪光热成像无损检测设备获得热图像数据；
B.对热图像数据进行去除背景处理及标准化处理；
C.对标准化处理后的每一帧热图片进行向量化处理，并顺序化排列，构架出一个新矩阵；
D.利用PCA法得到表征缺陷的特征图像；
E.将得到的特征图像进行图像分割处理，量化出实际试件中缺陷的大小。
2.如权利要求1中所述的涂层缺陷的检测方法，其特征在于：步骤A中，所述闪光热成像无损检测设备包括红外热像仪和卤素灯。
3.如权利要求1中所述的涂层缺陷的检测方法，其特征在于：步骤B中，所述标准化处理是按列零均值标准化进行处理，原始数据的标准化计算式如下：
式中：
4.如权利要求1中所述的涂层缺陷的检测方法，其特征在于：步骤E中，进行图像分割处理的方法为区域生长法。
5.如权利要求4中所述的涂层缺陷的检测方法，其特征在于：步骤E中，量化出实际试件中缺陷的大小的具体做法是：在对特征图像进行图像分割处理后，用二值图像把缺陷和背景区分出来，然后通过计算缺陷在热图像中所占像素点的量，将像素点的量和实际缺陷大小，依据热图像中的像素点与试件实际大小的比例，建立图像上的缺陷和实际缺陷尺寸的对应关系，实现热图像缺陷的量化分析。
6.如权利要求5中所述的涂层缺陷的检测方法，其特征在于：步骤E中，根据试件的实际大小与热图像中的像素点的关系，计算图像上的缺陷与实际缺陷尺寸的关系，采用的等式：
缺陷的像素点数＝横向像素点数×纵向像素点数；
所述缺陷的横向像素点数和缺陷的纵向像素点数通过使用纵向标准向量扫描处理，统计、计算得到。
7.如权利要求5中所述的涂层缺陷的检测方法，其特征在于：所述纵向标准向量扫描处理的具体操作如下：首先利用标准向量依次和分割后的二值图作运算，然后统计出运算后的向量中缺陷的像素点数，得到一个扫描统计结果图，其横坐标可以计算出缺陷的横向像素点，纵坐标可得出缺陷的纵向占像素点。
CN201710725215.3A 2017-08-22 2017-08-22 一种涂层缺陷的检测方法 Active CN109427049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710725215.3A CN109427049B (zh) 2017-08-22 2017-08-22 一种涂层缺陷的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710725215.3A CN109427049B (zh) 2017-08-22 2017-08-22 一种涂层缺陷的检测方法

Publications (2)

Publication Number Publication Date
CN109427049A true CN109427049A (zh) 2019-03-05
CN109427049B CN109427049B (zh) 2022-01-18

Family

ID=65498036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710725215.3A Active CN109427049B (zh) 2017-08-22 2017-08-22 一种涂层缺陷的检测方法

Country Status (1)

Country Link
CN (1) CN109427049B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638218A (zh) * 2020-05-14 2020-09-08 哈尔滨工程大学 一种涂层表面缺陷的检测方法
CN112381792A (zh) * 2020-11-13 2021-02-19 中国人民解放军空军工程大学 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法
CN113125458A (zh) * 2019-12-30 2021-07-16 韩国科学技术院 钢结构涂层状态的检查与评估方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604357A (zh) * 2009-06-24 2009-12-16 北京理工大学 一种基于材料显微组织图像的介观层次裂纹自动统计方法
CN103412246A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于紫外视频的电力设备异常放电自动检测方法
CN103487729A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 基于紫外视频与红外视频融合的电力设备缺陷检测方法
US20140014843A1 (en) * 2012-07-11 2014-01-16 Konica Minolta, Inc. Radiation detecting panel and radiographic detector
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
CN103630543A (zh) * 2013-10-23 2014-03-12 航天材料及工艺研究所 一种利用脉冲红外热波检测吸波涂层缺陷的判定方法
US20140081594A1 (en) * 2012-09-14 2014-03-20 Halliburton Energy Services, Inc. Systems and Methods for Inspecting and Monitoring a Pipeline
CN104123722A (zh) * 2014-07-08 2014-10-29 东北大学 一种核磁图像超分辨率的系统及方法
CN104268878A (zh) * 2014-09-28 2015-01-07 华侨大学 一种超声图像中运动探针检测和定位方法
CN104833699A (zh) * 2015-04-21 2015-08-12 电子科技大学 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法
CN104990925A (zh) * 2015-06-23 2015-10-21 泉州装备制造研究所 一种基于梯度多阈值优化缺陷检测方法
CN105654495A (zh) * 2016-01-07 2016-06-08 太原工业学院 汽车刹车盘内部缺陷的检测方法
CN105717163A (zh) * 2016-01-29 2016-06-29 中国商用飞机有限责任公司 红外热像检测缺陷的方法
CN106599828A (zh) * 2016-12-09 2017-04-26 上海电机学院 一种基于roi的红外图像检测方法
CN106651886A (zh) * 2017-01-03 2017-05-10 北京工业大学 一种基于超像素聚类优化cnn的云图分割方法
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

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604357A (zh) * 2009-06-24 2009-12-16 北京理工大学 一种基于材料显微组织图像的介观层次裂纹自动统计方法
US20140014843A1 (en) * 2012-07-11 2014-01-16 Konica Minolta, Inc. Radiation detecting panel and radiographic detector
US20140081594A1 (en) * 2012-09-14 2014-03-20 Halliburton Energy Services, Inc. Systems and Methods for Inspecting and Monitoring a Pipeline
CN103412246A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于紫外视频的电力设备异常放电自动检测方法
CN103487729A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 基于紫外视频与红外视频融合的电力设备缺陷检测方法
CN103630543A (zh) * 2013-10-23 2014-03-12 航天材料及工艺研究所 一种利用脉冲红外热波检测吸波涂层缺陷的判定方法
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
CN104123722A (zh) * 2014-07-08 2014-10-29 东北大学 一种核磁图像超分辨率的系统及方法
CN104268878A (zh) * 2014-09-28 2015-01-07 华侨大学 一种超声图像中运动探针检测和定位方法
CN104833699A (zh) * 2015-04-21 2015-08-12 电子科技大学 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法
CN104990925A (zh) * 2015-06-23 2015-10-21 泉州装备制造研究所 一种基于梯度多阈值优化缺陷检测方法
CN105654495A (zh) * 2016-01-07 2016-06-08 太原工业学院 汽车刹车盘内部缺陷的检测方法
CN105717163A (zh) * 2016-01-29 2016-06-29 中国商用飞机有限责任公司 红外热像检测缺陷的方法
CN106599828A (zh) * 2016-12-09 2017-04-26 上海电机学院 一种基于roi的红外图像检测方法
CN106651886A (zh) * 2017-01-03 2017-05-10 北京工业大学 一种基于超像素聚类优化cnn的云图分割方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
冉维丽 等: "基于PCA时间延迟神经网络的BOD在线预测软测量方法", 《电工技术学报》 *
唐庆菊: "SiC涂层缺陷的脉冲红外热波无损检测关键技术研究", 《中国博士学位论文全文数据库 工程科技I辑》 *
孔令罔 等: "图像采集系统帧序列上缺陷像素的识别", 《仪器仪表学报》 *
胡林海: "基于红外热成像技术的金属材料缺陷定量评估研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113125458A (zh) * 2019-12-30 2021-07-16 韩国科学技术院 钢结构涂层状态的检查与评估方法及系统
CN113125458B (zh) * 2019-12-30 2023-12-22 韩国科学技术院 钢结构涂层状态的检查与评估方法及系统
CN111638218A (zh) * 2020-05-14 2020-09-08 哈尔滨工程大学 一种涂层表面缺陷的检测方法
CN112381792A (zh) * 2020-11-13 2021-02-19 中国人民解放军空军工程大学 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法

Also Published As

Publication number Publication date
CN109427049B (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
WO2023168972A1 (zh) 一种基于线阵相机的铜表面缺陷检测方法及装置
CN112200178B (zh) 基于人工智能的变电站绝缘子红外图像检测方法
CN107274451A (zh) 基于共享卷积神经网络的绝缘子检测方法及装置
CN111652098B (zh) 产品表面缺陷检测方法及装置
CN104198498B (zh) 基于自适应正交小波变换的布匹疵点检测方法及装置
CN109427049A (zh) 一种涂层缺陷的检测方法
CN102692429A (zh) 一种复合材料内部缺陷类型自动识别检测方法
CN108444934A (zh) 一种复合材料脱粘缺陷的自动分割及量化方法
He et al. Detection of micro solder balls using active thermography and probabilistic neural network
CN115908354A (zh) 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法
CN116543247A (zh) 基于光度立体表面重建的数据集制作方法及验证系统
CN110426395B (zh) 一种太阳能el电池硅片表面检测方法及装置
Wei et al. Insulator defect detection in transmission line based on an improved lightweight YOLOv5s algorithm
CN104698036A (zh) 基于三维温度曲面相似性分析的涡流热成像缺陷识别方法
Wei et al. Using active thermography and modified SVM for intelligent diagnosis of solder bumps
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN110610136B (zh) 一种基于深度学习的变电站设备识别模块及识别方法
CN103983649B (zh) 一种基于光谱成像的异物检测方法
CN114882016B (zh) 基于红外温度场时序信息识别混凝土缺陷面积方法及系统
CN116823769A (zh) 光伏组件缺陷检测方法及系统
TW201043947A (en) Inspection method, inspection device and mobile phone having the inspection device
CN109816651A (zh) 基于变化率与温度差异的热图像缺陷特征提取方法
CN105043275A (zh) 基于图像处理的输电导线覆冰厚度测量方法
CN111429411B (zh) 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法

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