CN109444150A - 非接触式裂纹测量方法及其装置 - Google Patents

非接触式裂纹测量方法及其装置 Download PDF

Info

Publication number
CN109444150A
CN109444150A CN201811310560.1A CN201811310560A CN109444150A CN 109444150 A CN109444150 A CN 109444150A CN 201811310560 A CN201811310560 A CN 201811310560A CN 109444150 A CN109444150 A CN 109444150A
Authority
CN
China
Prior art keywords
crack
information
length
image
crackle
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
CN201811310560.1A
Other languages
English (en)
Inventor
李玉龙
袁莹涛
郭翔
索涛
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201811310560.1A priority Critical patent/CN109444150A/zh
Publication of CN109444150A publication Critical patent/CN109444150A/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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开一种非接触式裂纹测量方法及其装置，其中所述方法包括：采集被测量物的图像信息；确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数；根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息；根据所述比例系数计算所述裂纹信息的裂纹长度和裂纹扩展速度。本发明能够实时准确测量裂纹扩展长度及扩展速度，并能够提升测量效率。

Description

非接触式裂纹测量方法及其装置
技术领域
本发明涉及裂纹测量技术领域，尤其涉及一种非接触式裂纹测量方法及其装置。
背景技术
裂纹是材料在应力或环境作用下产生的裂隙。裂纹是汽车零件，机械零件、金属材料中常见的缺陷之一。裂纹的检测方法有很多种，比如磁粉检测、渗透检测等方式。
现有的裂纹实时测量方法主要是通过断裂片进行测量，即在预期裂纹区域粘贴断裂片，当裂纹扩展至此位置后，断裂片断裂，通过电路采集到断裂片的断开响应从而表征裂纹的扩展。断裂片式裂纹测量方法，由于断裂片并不是裂纹尖端位置的实时响应，具有一定的滞后性，同时由于材料特性等的影响，每个断裂片的断裂时刻与裂纹尖端的扩展也并不一致，无法达到准确测量裂纹扩展长度及扩展速度的要求。
综上，现有技术主要是通过磁通等物理和化学方法测量材料的裂纹是否存在，通过物理化学量的大小反映裂纹的大小，并不直观且测量效率低下；手动式测量方法虽然可以根据裂纹的实际长度进行测量，但操作繁琐，无法满足裂纹扩展长度实时准确测量的要求。
发明内容
本发明的主要目的在于提供一种非接触式裂纹测量方法及其装置，以解决现有技术存在的无法实时准确测量裂纹的问题。
为了解决上述问题，根据本发明实施例提出一种非接触式裂纹测量方法，其包括：
采集被测量物的图像信息；
确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数；
根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息；
根据所述比例系数计算所述裂纹信息的裂纹长度和裂纹扩展速度。
其中，所述确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数，包括：设置已知物理尺寸的标定物，将所述标定物设置在图像采集区域内，根据标定物的像素尺寸与其物理尺寸的对比关系，确定所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数。
其中，还包括：建立裂纹特征模板，其包括：收集多个含有裂纹的图片，对含有裂纹的图片中的裂纹区域进行标注，使用卷积神经网络对已标注的图片进行训练，得到所述裂纹特征模板。
其中，所述根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息，包括：使用所述裂纹特征模板对所述图像信息进行检测，对含有裂纹的区域进行定位，标记出裂纹区域；将被标记的区域之外的图像像素灰度值置0，被标注的区域的图像像素保持不变；对处理后的图像信息进行梯度边缘提取，得到所述图像信息中裂纹的边缘图像。
其中，所述计算所述裂纹信息的裂纹长度，包括：根据裂纹信息的像素长度和所述比例系数计算所述裂纹信息的裂纹长度。
其中，所述计算所述裂纹信息的裂纹扩展速度，包括：根据当前帧图像的裂纹信息的裂纹长度、上一帧图像的裂纹信息的裂纹长度、以及两帧图像的时间间隔，计算所述裂纹信息的裂纹扩展速度。
根据本申请实施例还提供一种非接触式裂纹测量装置，其包括：
采集模块，用于采集被测量物的图像信息；
设备标定模块，用于确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数；
识别及提取模块，用于根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息；
计算模块，用于根据所述比例系数计算所述裂纹信息的裂纹长度和裂纹扩展速度。
其中，所述设备标定模块进一步用于，设置已知物理尺寸的标定物，将所述标定物设置在图像采集区域内，根据标定物的像素尺寸与其物理尺寸的对比关系，确定所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数。
其中，还包括：建立模块，用于建立裂纹特征模板，其包括：收集多个含有裂纹的图片，对含有裂纹的图片中的裂纹区域进行标注，使用卷积神经网络对已标注的图片进行训练，得到所述裂纹特征模板。
其中，所述识别及提取模块进一步用于：使用所述裂纹特征模板对所述图像信息进行检测，对含有裂纹的区域进行定位，标记出裂纹区域；将被标记的区域之外的图像像素灰度值置0，被标注的区域的图像像素保持不变；对处理后的图像信息进行梯度边缘提取，得到所述图像信息中裂纹的边缘图像。
根据本发明的技术方案，通过在裂纹扩展过程中非接触实时自动测量裂纹的扩展长度及扩展速度，不仅解决了现有技术中的无法实时准确测量裂纹扩展长度的问题，同时提升了测量效率，可以实现力、疲劳周期等外部信号与裂纹扩展数据的同步。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明一个实施例的裂纹测量方法的流程图；
图2是根据本发明另一实施例的裂纹测量方法的流程图；
图3是根据本发明实施例的Mask R-CNN网络模型结构的示意图；
图4是根据本发明实施例的裂纹测量装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合附图，详细说明本发明各实施例提供的技术方案。
根据本申请实施例提供一种裂纹测量方法，该方法基于光学测量的方式，属于一种非接触的测量方法。图1是根据本发明一个实施例的裂纹测量方法的流程图，如图1所示，该方法至少包括以下步骤：
步骤S102，采集被测量物的图像信息。
其中，可以由预先设置的图像采集设备采集被测量物的图像信息。
步骤S104，确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数。
在实施例中，可以使用已知物理尺寸的光学标定尺(或称基准尺)确定所述比例系数，即进行设备标定。
步骤S106，根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息；
步骤S108，根据所述比例系数计算所述裂纹信息的裂纹长度和裂纹扩展速度。
下面结合图2详细描述上述处理的细节。图2是根据本发明另一实施例的裂纹测量方法的流程图，如图2所示，该方法包括以下步骤：
步骤S202，安装图像采集设备。
将图像采集设备(例如相机)与电脑连接，可以使用有线(USB、GigE等)或无线(WIFI、蓝牙等)通信方式传输数据。设备连接后进行检查，确保数据可以正确返回。
将图像采集设备(例如相机)固定在被测物体前，使被测量物在设备的图像采集区域内，设备能够清晰地采集到被测量物的图像信息。在电脑中打开相机返回的实时图像信息，调节镜头焦距使所采集图像清晰。具体地，在设备安装过程中，要求在图像采集过程中相机不发生抖动，具体可以使用三脚架等设备将相机进行固定。
步骤S204，设备标定。
所述的设备标定指图像像素单位与实际测量试件物理尺寸的对应关系的标定。具体地，使用已知物理尺寸的光学标定尺(基准尺)进行标定，将光学标定尺放置在相机图像采集区域内，根据光学标定尺的像素尺寸与其物理尺寸的对比关系，确定相机采集图像的像素长度与物理长度的比例系数。本实施例中，使用带有标志点的光学标定尺进行标定，当图像采集后，基于标志点识别算法，图像识别两个标志点的坐标间距，得到标志点的像素间距长度Lpixel，再根据已知的标志点间距的物理长度Lphy，计算得到物理尺寸与像素尺寸的比例系数(K)，其中，K＝Lphy/Lpixel。
步骤S206，采集被测物的图像信息。
启动测量任务，调节相机，使相机拍摄的图像清晰，相机图像区域即为裂纹搜索区域。相机开始连续采集被测物的图像信息，将图像保存在计算机中。需要说明，在测量过程中要求相机不能发生移动。设置相机的采样频率为f，即每秒所采集图像的数量。本实施例中，可以设置图像采集帧率为每秒50帧，即采样频率为50Hz，两帧间的时间间隔为0.02秒。
步骤S208，数据处理。
当采集帧为第一帧时，可以人工设置裂纹的尖端位置和根部位置，或是自动识别裂纹位置，所述的自动识别过程与其它帧识别方法一致，具体如下：
步骤(1)、制作裂纹特征模板：收集含裂纹图片(本例收集近10000张图片)，并使用标注工具(本例使用labelme)对含裂纹图片进行标注，然后使用卷积神经网络(本文使用Mask R-CNN网络模型，模型结构如图3所示)对已标注图片进行训练，得到裂纹的权重训练模板。
在Mask R-CNN网络结构中卷积层和池化层选择ResNet101网络，实现对裂纹特征的提取。RPN神经网络滑动窗口并寻找标注区域生成对应的子区域。RoIAlign网络调整训练图片子区域为统一大小。最后通过一个全卷积层实现对裂纹的像素级分割。
步骤(2)、识别裂纹，并对裂纹位置进行初定位：使用训练好的权重模板对实验中测量得到的序列图片进行检测，并将含裂纹的区域做出标注，即完成裂纹的初定位。
步骤(3)、将步骤(2)中含被标注裂纹的图像进行预处理：将被标注区域之外的图像像素置0，被标注区域图像像素保持不变。
步骤(4)、对步骤(3)处理后的图像进行梯度边缘提取，本实施例中使用canny边缘检测算法，首先对图像进行灰度变换，使用如下灰度转换公式：
VGray＝0.299·VR+0.587·VG+0.114·VB
式中：VGray表示计算所得的灰度值；
VR、VG和VB表示RGB三个通道的值。
其次，计算梯度的幅值和方向：本实施例中使用2*2一阶有限差分近似式来计算x与y偏导数的两个阵列P(i,j)与Q(i,j)：
P(i,j)≈0.5*[S(i,j+1)-S(i,j)+S(i+1,j+1)-S(i+1,j)]
Q(i,j)≈0.5*[S(i,j)-S(i+1,j)+S(i,j+1)-S(i+1,j+1)]
其中S(i,j)为数据阵列，其梯度方向和幅值计算公式如下：
其中，数据阵列S(i,j)表示图像中(i，j)像素点的灰度值；P(i，j)表示计算出的图像中(i，j)像素点的x方向偏导数梯度；Q(i，j)表示计算出的图像中(i，j)像素点的y方向偏导数梯度。
在公式中，反正切函数包含了两个参量，它表示一个角度，其取值范围是整个圆周范围。
之后对图像进行非极大值抑制处理，只保留幅值局部变化最大的点。然后再进行图片阈值化处理，消除假边缘。
步骤(4)、通过上述步骤得到实验图片中裂纹的边缘图像，利用边缘灰度分布得到裂纹的长度信息。
将计算所获得的裂纹特征的边缘图像距离D转化为物理距离L，即L＝K×D，基于相机帧数及相机采样频率计算裂纹扩展速度，即V＝(Li-Li-1)/△t，其中，为Li当前帧裂纹长度，Li-1为上一帧图像裂纹长度，△t为两帧时间间隔，即△t＝1/f。至此当前图像帧计算完成，继续处理下一裂纹图像帧，循环步骤S206和S208直至实验结束。
在本实施例中，采用自动模式识别裂纹信息，K＝0.005毫米/像素，△t为20毫米。
步骤S210，测量结束，汇总测量过程中的裂纹长度扩展信息及扩展速度信息，以及每一帧的时间信息，制表及绘图输出。
根据本申请实施例还提供一种非接触式裂纹测量装置，如图4所示，其包括：
采集模块41，用于采集被测量物的图像信息；
设备标定模块42，用于确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数；
识别及提取模块43，用于根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息；
计算模块44，用于根据所述比例系数计算所述裂纹信息的裂纹长度和裂纹扩展速度。
进一步地，所述设备标定模块42还用于设置已知物理尺寸的标定物，将所述标定物设置在图像采集区域内，根据标定物的像素尺寸与其物理尺寸的对比关系，确定所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数。
在实施例中，所述非接触式裂纹测量装置还包括：建立模块(未示出)，用于建立裂纹特征模板，其包括：收集多个含有裂纹的图片，对含有裂纹的图片中的裂纹区域进行标注，使用卷积神经网络对已标注的图片进行训练，得到所述裂纹特征模板。
基于此，所述识别及提取模块43进一步用于：使用所述裂纹特征模板对所述图像信息进行检测，对含有裂纹的区域进行定位，标记出裂纹区域；将被标记的区域之外的图像像素灰度值置0，被标注的区域的图像像素保持不变；对处理后的图像信息进行梯度边缘提取，得到所述图像信息中裂纹的边缘图像。
进一步地，所述计算模块44根据裂纹信息的像素长度和所述比例系数计算所述裂纹信息的裂纹长度；以及计算模块44根据当前帧图像的裂纹信息的裂纹长度、上一帧图像的裂纹信息的裂纹长度、以及两帧图像的时间间隔，计算所述裂纹信息的裂纹扩展速度。
本发明的方法的操作步骤与装置的结构特征对应，可以相互参照，不再一一赘述。
根据本发明的技术方案，通过在裂纹扩展过程中非接触实时自动测量裂纹的扩展长度及扩展速度，不仅解决了现有技术中的无法实时准确测量裂纹扩展长度的问题，同时提升了测量效率，可以实现力、疲劳周期等外部信号与裂纹扩展数据的同步。具体来说，根据本申请实施例具有以下优点：
(1)本申请使用数字图像处理的原理，使用图像进行实时裂纹测量，能够自动获得实际裂纹扩展长度和扩展速度的数据；
(2)本申请使用基于数字图像处理的方式，所以直观反映裂纹的实时扩展长度和扩展速度，不存在滞后等问题；
(3)本申请在检测过程中测量方便，计算完全自动化，测量数据丰富，相对现有的传感器式和磁感式等方式所进行的测量效率更高、准确性更佳，测量局限性小，为材料断裂力学研究、结构断裂、疲劳、航空航天等多个科学研究领域提供了可靠的测量依据；
(4)本申请使用数字图像处理的方法进行裂纹特征的识别解算，因此所以测量精度高，精度可以达到10μm。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种非接触式裂纹测量方法，其特征在于，包括：
采集被测量物的图像信息；
确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数；
根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息；
根据所述比例系数计算所述裂纹信息的裂纹长度和裂纹扩展速度。
2.根据权利要求1所述的方法，其特征在于，所述确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数，包括：
设置已知物理尺寸的标定物，将所述标定物设置在图像采集区域内，根据标定物的像素尺寸与其物理尺寸的对比关系，确定所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数。
3.根据权利要求1所述的方法，其特征在于，还包括：
建立裂纹特征模板，其包括：收集多个含有裂纹的图片，对含有裂纹的图片中的裂纹区域进行标注，使用卷积神经网络对已标注的图片进行训练，得到所述裂纹特征模板。
4.根据权利要求3所述的方法，其特征在于，所述根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息，包括：
使用所述裂纹特征模板对所述图像信息进行检测，对含有裂纹的区域进行定位，标记出裂纹区域；
将被标记的区域之外的图像像素灰度值置0，被标注的区域的图像像素保持不变；
对处理后的图像信息进行梯度边缘提取，得到所述图像信息中裂纹的边缘图像。
5.根据权利要求4所述的方法，其特征在于，所述计算所述裂纹信息的裂纹长度，包括：
根据裂纹信息的像素长度和所述比例系数计算所述裂纹信息的裂纹长度。
6.根据权利要求5所述的方法，其特征在于，所述计算所述裂纹信息的裂纹扩展速度，包括：
根据当前帧图像的裂纹信息的裂纹长度、上一帧图像的裂纹信息的裂纹长度、以及两帧图像的时间间隔，计算所述裂纹信息的裂纹扩展速度。
7.一种非接触式裂纹测量装置，其特征在于，包括：
采集模块，用于采集被测量物的图像信息；
设备标定模块，用于确定采集的所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数；
识别及提取模块，用于根据预先建立的裂纹特征模板，在采集的所述被测量物的图像信息中识别并提取裂纹信息；
计算模块，用于根据所述比例系数计算所述裂纹信息的裂纹长度和裂纹扩展速度。
8.根据权利要求7所述的装置，其特征在于，所述设备标定模块进一步用于，设置已知物理尺寸的标定物，将所述标定物设置在图像采集区域内，根据标定物的像素尺寸与其物理尺寸的对比关系，确定所述被测量物的图像信息的像素长度与该被测量物的物理长度的比例系数。
9.根据权利要求7所述的装置，其特征在于，还包括：
建立模块，用于建立裂纹特征模板，其包括：收集多个含有裂纹的图片，对含有裂纹的图片中的裂纹区域进行标注，使用卷积神经网络对已标注的图片进行训练，得到所述裂纹特征模板。
10.根据权利要求9所述的装置，其特征在于，所述识别及提取模块进一步用于：
使用所述裂纹特征模板对所述图像信息进行检测，对含有裂纹的区域进行定位，标记出裂纹区域；
将被标记的区域之外的图像像素灰度值置0，被标注的区域的图像像素保持不变；
对处理后的图像信息进行梯度边缘提取，得到所述图像信息中裂纹的边缘图像。
CN201811310560.1A 2018-11-06 2018-11-06 非接触式裂纹测量方法及其装置 Pending CN109444150A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811310560.1A CN109444150A (zh) 2018-11-06 2018-11-06 非接触式裂纹测量方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811310560.1A CN109444150A (zh) 2018-11-06 2018-11-06 非接触式裂纹测量方法及其装置

Publications (1)

Publication Number Publication Date
CN109444150A true CN109444150A (zh) 2019-03-08

Family

ID=65551137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811310560.1A Pending CN109444150A (zh) 2018-11-06 2018-11-06 非接触式裂纹测量方法及其装置

Country Status (1)

Country Link
CN (1) CN109444150A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113446932A (zh) * 2021-05-18 2021-09-28 西北工业大学 非接触式裂纹测量方法及其系统
CN116297679A (zh) * 2022-12-22 2023-06-23 上海尚实航空发动机股份有限公司 航空器监测方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957178A (zh) * 2009-07-17 2011-01-26 上海同岩土木工程科技有限公司 一种隧道衬砌裂缝测量方法及其测量装置
CN102346013A (zh) * 2010-07-29 2012-02-08 同济大学 一种隧道衬砌裂缝宽度的测量方法及装置
CN102680480A (zh) * 2012-05-03 2012-09-19 中南大学 一种混凝土结构裂缝智能化检测方法
CN104034733A (zh) * 2014-07-02 2014-09-10 中国人民解放军国防科学技术大学 基于双目视觉监测与表面裂纹图像识别的寿命预测方法
WO2017200524A1 (en) * 2016-05-16 2017-11-23 United Technologies Corporation Deep convolutional neural networks for crack detection from image data
CN107909564A (zh) * 2017-10-23 2018-04-13 昆明理工大学 一种基于深度学习的全卷积网络图像裂纹检测方法
CN108038853A (zh) * 2017-12-18 2018-05-15 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957178A (zh) * 2009-07-17 2011-01-26 上海同岩土木工程科技有限公司 一种隧道衬砌裂缝测量方法及其测量装置
CN102346013A (zh) * 2010-07-29 2012-02-08 同济大学 一种隧道衬砌裂缝宽度的测量方法及装置
CN102680480A (zh) * 2012-05-03 2012-09-19 中南大学 一种混凝土结构裂缝智能化检测方法
CN104034733A (zh) * 2014-07-02 2014-09-10 中国人民解放军国防科学技术大学 基于双目视觉监测与表面裂纹图像识别的寿命预测方法
WO2017200524A1 (en) * 2016-05-16 2017-11-23 United Technologies Corporation Deep convolutional neural networks for crack detection from image data
CN107909564A (zh) * 2017-10-23 2018-04-13 昆明理工大学 一种基于深度学习的全卷积网络图像裂纹检测方法
CN108038853A (zh) * 2017-12-18 2018-05-15 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113446932A (zh) * 2021-05-18 2021-09-28 西北工业大学 非接触式裂纹测量方法及其系统
CN116297679A (zh) * 2022-12-22 2023-06-23 上海尚实航空发动机股份有限公司 航空器监测方法、装置、电子设备及存储介质
CN116297679B (zh) * 2022-12-22 2024-05-14 上海尚实航空发动机股份有限公司 航空器监测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN102521560B (zh) 高鲁棒仪表指针图像识别方法
CN107229930B (zh) 一种指针式仪表数值智能识别方法
WO2021063062A1 (zh) 一种电网设备带电检测系统、红外热像仪及方法
CN105091922B (zh) 一种基于虚拟表盘的指针表读数识别方法
CN103604371A (zh) 移动终端及其物体测量方法
CN105842062A (zh) 一种裂纹扩展实时监测装置及方法
CN107220645A (zh) 基于动态图像处理的水表识别方法
CN102359966A (zh) 一种混凝土表面微小裂缝的定位系统
CN107092905B (zh) 一种电力巡检机器人的待识别仪器定位方法
CN110503623A (zh) 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法
CN201653450U (zh) 一种基于机器视觉的数显仪表自动检定装置
CN109444150A (zh) 非接触式裂纹测量方法及其装置
CN104376323B (zh) 一种确定目标距离的方法及装置
US8094922B2 (en) Crack measuring method and apparatus
CN105371769B (zh) 一种测量动态裂纹长度的方法及装置
CN104515473A (zh) 一种漆包线直径的在线检测方法
CN202216911U (zh) 一种混凝土表面微小裂缝的定位系统
CN113446932A (zh) 非接触式裂纹测量方法及其系统
CN104122194A (zh) 金属表面腐蚀速率检测方法
CN114216403B (zh) 基于红外和可见光双光相机的非连续变形测量方法
CN116310263A (zh) 一种指针式航空地平仪示数自动读取实现方法
CN109632055A (zh) 一种基于智能终端的机械式水表动态视觉测量方法
US11953379B2 (en) Live detection system, method, and thermal infrared imager for power grid equipment
CN204044085U (zh) 一种基于光谱成像的异物检测系统
CN103983649B (zh) 一种基于光谱成像的异物检测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190308

WD01 Invention patent application deemed withdrawn after publication