CN109444255A - 一种碳纤维增强复合材料缺陷的诊断方法 - Google Patents
一种碳纤维增强复合材料缺陷的诊断方法 Download PDFInfo
- Publication number
- CN109444255A CN109444255A CN201811035033.4A CN201811035033A CN109444255A CN 109444255 A CN109444255 A CN 109444255A CN 201811035033 A CN201811035033 A CN 201811035033A CN 109444255 A CN109444255 A CN 109444255A
- Authority
- CN
- China
- Prior art keywords
- fibre reinforced
- reinforced composite
- carbon fibre
- angle
- image
- 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
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 47
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 43
- 239000000835 fiber Substances 0.000 title claims abstract description 43
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 239000000523 sample Substances 0.000 claims description 49
- 241001269238 Data Species 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 11
- 238000013461 design Methods 0.000 abstract description 2
- 238000013095 identification testing Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 229920000049 Carbon (fiber) Polymers 0.000 description 3
- 239000004917 carbon fiber Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- LHMQDVIHBXWNII-UHFFFAOYSA-N 3-amino-4-methoxy-n-phenylbenzamide Chemical compound C1=C(N)C(OC)=CC=C1C(=O)NC1=CC=CC=C1 LHMQDVIHBXWNII-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003575 carbonaceous material Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种碳纤维增强复合材料缺陷的诊断方法,本发明首先利用多频涡流检测装置对碳纤维增强复合材料试件的上下表面进行扫描,获得其阻抗信息,并在复平面上显示出平面阻抗信号轨迹图像,采集图像的对称性、幅值及角度作为特征值,并利用支持向量机SVM分类器对特征值进行训练建立训练分类器,然后将待识别图像的特征值输入到训练后的分类中,对阻抗变化图像进行判断,从而对碳纤维增强复合材料的缺陷进行诊断,本发明解决了碳纤维增强复合材料出现缺陷而造成的经济损失的问题,本发明方法基于现有多频率电磁传感器,不需要设计涡流检测设备和系统,易于现场实现,采用SVM分类器能较准确地自动识别试件缺陷,提高了缺陷识别的效率。
Description
技术领域
本发明涉及一种碳纤维增强复合材料缺陷的诊断方法,属于无损检测技术领域。
背景技术
在工业生产、航空航天以及公共基础设施等诸多领域的提高技术水平或者改善产品质量的过程中,对于产品的结构材料的选择是一个非常重要的环节。为了满足这种需求,人们制造并使用了各种复合材料。其中,在碳纤维增强复合材料占了较大的比重。碳纤维增强复合材料不仅具有一般碳素材料的优点,如耐摩擦、耐高温、耐腐蚀、导电性好,而且还具有密度小、质量轻、拉伸强度高、各项异性、热膨胀稀疏小等特性。随着科技进步,碳纤维增强复合材料的制造技术日趋完善,其性能也逐步提高,应用领域逐步拓宽,广泛应用于航空航天、军事工业领域以及工业领域,其中汽车、土木建筑能源和电子领域为最优前景的应用领域。碳纤维增强复合材料通常会在制造过程中或者在使用过程中形成各种形式的缺陷。碳纤维增强复合材料中的缺陷类型有多种,在一块碳纤维增强复合材料板中,有时仅存在一种缺陷,有时会多种缺陷同时存在,其中分层、夹杂、脱粘与孔隙缺陷是最常见的缺陷。在多种应用领域中,特别是在航空航天、公共设施建设等,这些行业都需要周期性的对设备进行检测,以保证其安全稳定。对于碳纤维增强复合材料中缺陷的检测,近年来的无损检测技术广泛应用其中。电磁涡流技术作为无损检测技术的一种,对于检测碳纤维复合材料的缺陷在国内外属于新兴技术,其优势在于测量方法多、敏感度高、检测速度快、适用场合灵活。通过电磁传感器可以便捷地获取电磁涡流检测的阻抗信号,从而进行信号分析及处理,达到检测缺陷的目的。对于可在复平面上实时显示的阻抗信息,急需一种对其能够快捷、直接的提取特征量,并给出检测结果的方法。缺陷检测的实质为模式分类与识别的问题,常见的分类算法中,支持向量机只需确定模式类样本数据之间的最优分类面就可以完全的确定分类器。
支持向量机是在统计学习理论上发展起来的一种新的机器学习方法,基于结构风险最小化原则,具有很强的泛化能力。而且支持向量机算法针对小样本数据具有高效率、高性能的优势。因此,在对阻抗在复平面的图像的小样本分类识别中,支持向量机是一个较好的选择。
发明内容
本发明的目的在于提供一种碳纤维增强复合材料缺陷的诊断方法,本发明解决了碳纤维增强复合材料出现缺陷而造成的经济损失的问题。
本发明的技术方案是:首先利用多频涡流检测装置对碳纤维增强复合材料试件的上下表面进行扫描,获得其阻抗信息,并在复平面上显示出平面阻抗信号轨迹图像,采集图像的对称性、幅值及角度作为特征值,并利用支持向量机SVM分类器对特征值进行训练建立训练分类器,然后将待识别图像的特征值输入到训练后的分类中,对阻抗变化图像进行判断,从而对碳纤维增强复合材料的缺陷进行诊断。
所述多频涡流检测装置包括多频率电磁传感器、定制传感器和2D机动扫描台,定制传感器的探头为差分探头,定制传感器固定于2D机动扫描台上,定制传感器与多频率电磁传感器相连。
所述采集图像的对称性、幅值及角度作为特征值的具体步骤如下:
(1)测量平面阻抗信号轨迹图像的对称性:利用尺度不变特征变换算法计算平面阻抗变化轨迹的图像上下两部分的对称度;
(2)测量平面阻抗信号轨迹图像的幅值:通过MATLAB计算得到平面阻抗信号轨迹图像对应复平面虚轴的最大值和最小值的差;
(3)测量平面阻抗信号轨迹图像的角度:通过MATLAB计算得到平面阻抗信号轨迹图像最大幅值点与最小幅值点相连形成的直线与复平面实轴的夹角。
上述方法的具体步骤如下:
Step1:将定制传感器的差分探头置于距离待测碳纤维增强复合材料试件上表面0.1mm处,将差分探头的垂直角度从0°到50°以5°的间隔进行变化,且差分探头每改变5°,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step2:然后将定制传感器的差分探头的垂直角度保持为0°,将差分探头的距离待测碳纤维增强复合材料试件上表面的距离从0.1mm到1.1mm以0.1mm的间隔变化,且每改变0.1mm,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step3:再将定制传感器的差分探头置于距离待测碳纤维增强复合材料试件下表面0.1mm处,将差分探头的垂直角度从0°到50°以5°的间隔进行变化,且差分探头每改变5°,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step4:然后再将定制传感器的差分探头的垂直角度保持为0°,将差分探头的距离待测碳纤维增强复合材料试件下表面的距离从0.1mm到1.1mm以0.1mm的间隔变化,且每改变0.1mm,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step5:从Step1~Step4中每10组数据中选取5组数据作为训练样本用支持向量机SVM分类器进行分类训练,得到训练分类器;
Step6:Step1~Step4中其余的数据作为测试样本,输入至训练分类器中进行测试,从而根据测试结果对碳纤维增强复合材料有无缺陷进行判断。在本发明中,经过对比发现在SVM算法中采用高斯径向基核函数能到达到较好的效果。
所述Step5进行分类训练时,试件无缺陷记为“1”,有缺陷记为“0”。
碳纤维增强复合材料缺陷的判断是一个有无的问题,因此,本发明只构造一个考虑二值分类的支持向量机即可。给定训练集为{(x1,y1),(x2,y2),(x3,y3)},其中xi∈R3,代表3个特征值;yi∈{+1,-1},yi=+1,表示该样本点属于无缺陷,yi=-1表示该样本点属于有缺陷。
本发明的有益效果是:
(1)本发明方法基于现有多频率电磁传感器,不需要设计涡流检测设备和系统,易于现场实现。
(2)本发明方法引入对复平面阻抗信号的变化轨迹提取特征,根据对称性、幅值及角度进行特征提取,进而训练SVM分类器,达到自动识别缺陷的目的,大量仿真结果表明,本方法具有较高的可靠性。
附图说明
图1为本发明检测方法的流程图;
图2为本发明实施例1装置组成图;
图3为本发明实施例1中各硬件的结构组成;
图4为本发明实施例1实验产生的复平面阻抗变化轨迹图像。
图中各标号:1-多频率电磁传感器、2-定制传感器、3-2D机动扫描台。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:基于最新的现场可编程门阵列(Field-Programmable Gate ArrayFPGA)技术,开发了一个多频率电磁传感器1,如图2所示,并构建了一个包括多频电磁仪器1、定制传感器2及2D机动扫描台在内的实验扫描平台3,如图3所示,多频率电磁传感器1由前端硬件模块和Zynq-7020SoC构成。由接收线圈与发射线圈组成的差分探头构成定制传感器2。PC用于连接多频率电磁传感器1进而处理得到的信号数据。两个信号放大器、激励电路、ADC/DAC模块以及增益控制模块共同构成前端硬件模块。定制传感器2的接收线圈与发射线圈分别与多频率电磁传感器1的前端硬件模块中的两个信号放大器相连,其中,发射线圈与激励电路连接。前端硬件模块通过FMC连接器与Zynq-7020SoC相连,Zynq-7020SoC由PL可编程逻辑模块与PS处理系统组成。PL由DDS、IQ解调器、偏移二进制转换器、数据编码器、增益控制器和DMA单元组成。PS由以太网堆栈、DMA控制器和控制实用程序部分。PL与PS通过AXI AMBA接口连接。Zynq-7020SoC与PC通过UART连接,使用UDP协议。测试信号处理器在LabVIEW环境下在PC机,再通过MATLAB软件对测试信号进行处理分析。PC主要有以下功能:数据记录、数据显示、仪表控制器功能、UDP socket编程和串行接口。
该装置以45kHz的频率对碳纤维增强复合材料试件的上下表面进行扫描,获得其阻抗信息,并在复平面上显示出阻抗变化轨迹的图像,类似于数字“8”,将图像的对称性、幅值及角度作为特征值,对SVM分类器进行训练,将待识别图像的特征值输入到训练后的SVM分类器,对阻抗变化图像进行识别。
所述方法基本步骤如下:
(1)采用SIFT算法确定平面阻抗信号轨迹图像的对称性,所述对称性指阻抗图像类似于数字“8”的上下两部分的对称度;
(2)测量复平面阻抗信号轨迹图像的幅值,所述幅值指图像对应复平面虚轴的最大值和最小值的差;
(3)测量平面阻抗信号轨迹图像的角度,所述角度指图像最大幅值点与最小幅值点相连形成的直线与实轴的夹角;
(4)碳纤维增强复合材料缺陷的判断是一个有无的问题,因此,本发明只构造一xi∈R3,代表3个特征值;yi∈{+1,-1},yi=+1,表示该样本点属于无缺陷,yi=-1表示该样本点属于有缺陷。
如图4所示,一个考虑二值分类的支持向量机即可。给定训练集为{(x1,y1),(x2,y2),(x3,y3)}其中,多频涡流检测装置包括多频电磁仪器1、定制传感器2及2D机动扫描台在内的实验扫描平台3,该装置以45kHz的频率对碳纤维增强复合材料试件的上下表面进行扫描,获得其阻抗信息,并在复平面上显示出阻抗变化轨迹的图像,类似于数字“8”,从以下过程中获得对称性、幅值及角度的特征值。
如图1所示,实验的具体步骤如下:
Step1:将定制传感器2的差分探头置于距离待测碳纤维增强复合材料试件上表面0.1mm处,将差分探头的垂直角度从0°到50°以5°的间隔进行变化,且差分探头每改变5°,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step2:然后将定制传感器2的差分探头的垂直角度保持为0°,将差分探头的距离待测碳纤维增强复合材料试件上表面的距离从0.1mm到1.1mm以0.1mm的间隔变化,且每改变0.1mm,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step3:再将定制传感器2的差分探头置于距离待测碳纤维增强复合材料试件下表面0.1mm处,将差分探头的垂直角度从0°到50°以5°的间隔进行变化,且差分探头每改变5°,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step4:然后再将定制传感器2的差分探头的垂直角度保持为0°,将差分探头的距离待测碳纤维增强复合材料试件下表面的距离从0.1mm到1.1mm以0.1mm的间隔变化,且每改变0.1mm,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step5:从Step1~Step4中每10组数据中选取5组数据作为训练样本用支持向量机SVM分类器进行分类训练,得到训练分类器;
Step6:Step1~Step4中其余的数据作为测试样本,输入至训练分类器中进行测试,从而根据测试结果对碳纤维增强复合材料有无缺陷进行判断。在本发明中,经过对比发现在SVM算法中采用高斯径向基核函数能到达到较好的效果。
表1给出缺陷的诊断识别率达到了89.7%,表明了SVM分类器对于自动识别碳纤维增强复合材料具有较好的效果。而且本方法需要的样本量小,且便于计算,涉及的实验设备操作便捷。
表1
上面结合附图对本发明的具体实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种碳纤维增强复合材料缺陷的诊断方法,其特征在于,首先利用多频涡流检测装置对碳纤维增强复合材料试件的上下表面进行扫描,获得其阻抗信息,并在复平面上显示出平面阻抗信号轨迹图像,采集图像的对称性、幅值及角度作为特征值,并利用支持向量机SVM分类器对特征值进行训练建立训练分类器,然后将待识别图像的特征值输入到训练后的分类器中,对阻抗变化图像进行判断,从而实现碳纤维增强复合材料的缺陷进行诊断。
2.根据权利要求1所述的碳纤维增强复合材料缺陷的诊断方法,其特征在于:所述多频涡流检测装置包括多频率电磁传感器(1)、定制传感器(2)和2D机动扫描台(3),定制传感器(2)的探头为差分探头,定制传感器(2)固定于2D机动扫描台(3)上,定制传感器(2)与多频率电磁传感器(1)相连。
3.根据权利要求1所述的碳纤维增强复合材料缺陷的诊断方法,其特征在于:所述采集图像的对称性、幅值及角度作为特征值的具体步骤如下:
(1)测量平面阻抗信号轨迹图像的对称性:利用尺度不变特征变换算法计算平面阻抗变化轨迹的图像上下两部分的对称度;
(2)测量平面阻抗信号轨迹图像的幅值:通过MATLAB计算得到平面阻抗信号轨迹图像对应复平面虚轴的最大值和最小值的差;
(3)测量平面阻抗信号轨迹图像的角度:通过MATLAB计算得到平面阻抗信号轨迹图像最大幅值点与最小幅值点相连形成的直线与复平面实轴的夹角。
4.根据权利要求1~3所述的碳纤维增强复合材料缺陷的诊断方法,其特征在于:具体步骤如下:
Step1:将定制传感器(2)的差分探头置于距离待测碳纤维增强复合材料试件上表面0.1mm处,将差分探头的垂直角度从0°到50°以5°的间隔进行变化,且差分探头每改变5°,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step2:然后将定制传感器(2)的差分探头的垂直角度保持为0°,将差分探头的距离待测碳纤维增强复合材料试件上表面的距离从0.1mm到1.1mm以0.1mm的间隔变化,且每改变0.1mm,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step3:再将定制传感器(2)的差分探头置于距离待测碳纤维增强复合材料试件下表面0.1mm处,将差分探头的垂直角度从0°到50°以5°的间隔进行变化,且差分探头每改变5°,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step4:然后再将定制传感器(2)的差分探头的垂直角度保持为0°,将差分探头的距离待测碳纤维增强复合材料试件下表面的距离从0.1mm到1.1mm以0.1mm的间隔变化,且每改变0.1mm,获取平面阻抗信号轨迹图像的对称性、幅值和角度,共获得10组试验数据;
Step5:从Step1~Step4中每10组数据中选取5组数据作为训练样本用支持向量机SVM分类器进行分类训练,得到训练分类器;
Step6:Step1~Step4中其余的数据作为测试样本,输入至SVM训练分类器中进行测试,从而根据测试结果对碳纤维增强复合材料有无缺陷进行判断。
5.根据权利要求4所述的碳纤维增强复合材料缺陷的诊断方法,其特征在于:所述Step5进行分类训练时,试件无缺陷记为“1”,有缺陷记为“0”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811035033.4A CN109444255A (zh) | 2018-09-06 | 2018-09-06 | 一种碳纤维增强复合材料缺陷的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811035033.4A CN109444255A (zh) | 2018-09-06 | 2018-09-06 | 一种碳纤维增强复合材料缺陷的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109444255A true CN109444255A (zh) | 2019-03-08 |
Family
ID=65530359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811035033.4A Pending CN109444255A (zh) | 2018-09-06 | 2018-09-06 | 一种碳纤维增强复合材料缺陷的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444255A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307732A (zh) * | 2020-02-21 | 2020-06-19 | 黎明职业大学 | 一种图像扫描检测碳纤维板方法 |
CN112014476A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 一种碳纤维复合材料制造缺陷分类、定量评估方法及系统 |
CN112837294A (zh) * | 2021-02-07 | 2021-05-25 | 浙江工业大学 | 基于卷积自编码器图像扩增的热成像缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4924182A (en) * | 1989-01-09 | 1990-05-08 | The United States Of America As Represented By The Secretary Of The Navy | Eddy current method to measure distance between scanned surface and a subsurface defect |
US20060217908A1 (en) * | 2005-03-09 | 2006-09-28 | General Electric Company | Inspection method and system using multifrequency phase analysis |
CN106645391A (zh) * | 2016-10-10 | 2017-05-10 | 南京航空航天大学 | 一种用于评估碳纤维板缺陷深度的多频涡流检测系统及检测方法 |
CN107167516A (zh) * | 2017-05-24 | 2017-09-15 | 昆明理工大学 | 双差动式脉冲涡流探头单元、阵列探头及检测装置 |
CN107884473A (zh) * | 2017-10-26 | 2018-04-06 | 杨晓艳 | 一种多频涡流检测系统 |
-
2018
- 2018-09-06 CN CN201811035033.4A patent/CN109444255A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4924182A (en) * | 1989-01-09 | 1990-05-08 | The United States Of America As Represented By The Secretary Of The Navy | Eddy current method to measure distance between scanned surface and a subsurface defect |
US20060217908A1 (en) * | 2005-03-09 | 2006-09-28 | General Electric Company | Inspection method and system using multifrequency phase analysis |
CN106645391A (zh) * | 2016-10-10 | 2017-05-10 | 南京航空航天大学 | 一种用于评估碳纤维板缺陷深度的多频涡流检测系统及检测方法 |
CN107167516A (zh) * | 2017-05-24 | 2017-09-15 | 昆明理工大学 | 双差动式脉冲涡流探头单元、阵列探头及检测装置 |
CN107884473A (zh) * | 2017-10-26 | 2018-04-06 | 杨晓艳 | 一种多频涡流检测系统 |
Non-Patent Citations (1)
Title |
---|
LIYUAN YIN ET AL.: "Imaging and detection of cracks based on a multi-frequency electromagnetic scanning instrument and SVM", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGING SYSTEMS AND TECHNIQUES》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307732A (zh) * | 2020-02-21 | 2020-06-19 | 黎明职业大学 | 一种图像扫描检测碳纤维板方法 |
CN111307732B (zh) * | 2020-02-21 | 2022-09-20 | 黎明职业大学 | 一种图像扫描检测碳纤维板方法 |
CN112014476A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 一种碳纤维复合材料制造缺陷分类、定量评估方法及系统 |
CN112837294A (zh) * | 2021-02-07 | 2021-05-25 | 浙江工业大学 | 基于卷积自编码器图像扩增的热成像缺陷检测方法 |
CN112837294B (zh) * | 2021-02-07 | 2024-02-27 | 浙江工业大学 | 基于卷积自编码器图像扩增的热成像缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444255A (zh) | 一种碳纤维增强复合材料缺陷的诊断方法 | |
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN111024728B (zh) | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 | |
CN109187534A (zh) | 水质检测方法及其水样图像识别装置 | |
CN105466998B (zh) | 一种利用变频变磁场激励测试铁磁材料硬度特性的方法 | |
CN204536226U (zh) | 复合绝缘子的缺陷的检测设备和系统 | |
CN105572152B (zh) | 一种复合材料x射线成像灵敏度的替代性测定方法 | |
CN104751473A (zh) | 碳酸岩多尺度孔洞特征的确定方法及装置 | |
CN103163211A (zh) | 一种金属导体表面和亚表面缺陷分类识别方法 | |
CN117309661B (zh) | 一种混凝土质量在线检测系统 | |
CN108830840A (zh) | 一种电路板缺陷的主动智能检测方法及其应用 | |
CN114926462A (zh) | 一种金属材料表面缺陷的智能检测方法及系统 | |
CN103196996A (zh) | 一种用于进行金属缺陷检测的涡流检测装置及其涡流探头 | |
CN111948279A (zh) | 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法 | |
CN108197649A (zh) | 一种太赫兹图像聚类分析方法及系统 | |
CN209460198U (zh) | 一种多频涡流检测装置 | |
Ke et al. | Detection of wood surface defects based on particle swarm-genetic hybrid algorithm | |
Bhondayi | Flotation froth phase bubble size measurement | |
CN108051763A (zh) | 一种复合材料的弱磁检测方法 | |
CN108931774A (zh) | 基于闪电资料的对流性降水识别产品检验方法及系统 | |
CN104132949B (zh) | 一种子午线轮胎模具皮下缺陷无损检测的装置及方法 | |
CN110084804A (zh) | 一种基于弱监督深度学习的水下构筑物缺陷检测方法 | |
CN103760229A (zh) | 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
CN115876661A (zh) | 一种基于三维探地雷达图像的沥青路面空隙率评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |