CN109636755A - 一种通过加权估计实现红外热图像增强的方法 - Google Patents
一种通过加权估计实现红外热图像增强的方法 Download PDFInfo
- Publication number
- CN109636755A CN109636755A CN201811518732.4A CN201811518732A CN109636755A CN 109636755 A CN109636755 A CN 109636755A CN 201811518732 A CN201811518732 A CN 201811518732A CN 109636755 A CN109636755 A CN 109636755A
- Authority
- CN
- China
- Prior art keywords
- thermal
- pixel
- point
- induced imagery
- target point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000007547 defect Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 17
- 230000005284 excitation Effects 0.000 claims description 15
- 238000001931 thermography Methods 0.000 claims description 12
- 238000009659 non-destructive testing Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种通过加权估计实现红外热图像增强的方法,先计算目标像素点周围的k个像素点与目标点之间的差值,再将任意两个周围像素点与目标点之间的差值的乘积作为这两个像素点之间的相关系数,然后通过这两个像素点像素值及它们之间的相关系数估算出目标点的像素值,并对其进行归一化,得到增强处理后该目标点的像素值,最后再按照该方法重复对红外热图像中的每个像素点进行处理,并进行平滑滤波处理,即可得到增强处理后的红外热图像。
Description
技术领域
本发明属于红外热图像处理技术领域,更为具体地讲,涉及一种通过加权估计实现红外热图像增强的方法。
背景技术
近些年来,红外热成像无损检测技术已经发展为无损检测技术的一个重要分支并得到了广泛关注。在红外热图像的处理和增强方面也取得了一系列的进展。红外热成像无损检测技术可分为主动式和被动式。被动式指的是不对试件施加任何激励,直接检测试件表面的热辐射强度;主动式指的是对试件施加一定的激励,使试件内部的能量发生流动并记录试件表面热辐射的变化。主动式热成像无损检测技术的激励源有很多种,不同的激励源产生热激励的方式也不一样。以涡流作为激励源的脉冲涡流热成像无损检测技术以其加热快、热量分布均匀、效率高等优势得到了广泛的应用。脉冲涡流热成像技术的主要原理在于:高频的脉冲激励源使试件表面和内部感应出高频涡流,涡流在试件中的流动总是选择阻抗最低的环路,当试件内部存在缺陷时,内部孔洞或者裂缝的存在使得缺陷处的阻抗变大,因此当涡流遇到缺陷时,会绕过缺陷从缺陷的边缘处流过,使得缺陷边缘处的涡流密度变大,由焦耳定律可知,导体中产生的热量与电流的平方成正比,因此缺陷边缘处的温度要高于其他无缺陷区域,通过观察红外热图像中的颜色差异即可判断出缺陷的轮廓。
通过对采集到的热图像或热图像序列进行适当的处理,可以得到大量的关于试件材料和缺陷的信息。因此很多研究人员对热图像的处理方法进行了研究。目前对热图像的处理都只是将热图像看作一幅普通的可见光图像,许多学者通过在空间域或者频率域对热图像中的各个像素进行处理,消除噪声,提高图像质量从而达到使缺陷轮廓更加清晰,便于缺陷检测的目的。但是,这些空间域的处理方法忽略了红外热图像的本质,红外热图像中每个像素点表示的是对应的试件表面的温度,当试件表面受到来自激励源的温度影响时,就会使得热图像上对应的位置出现比较亮的高温区域,而此时如果缺陷刚好在该表面下,激励源的影响下产生的颜色较亮的区域会使得因缺陷存在而产生的亮色轮廓不够明显,从而有可能在进行缺陷识别时产生误判。这些热图像处理方法没有充分理解热图像的物理含义,也没有关注到热图像与可见光图像之间的不同,极大地限制了热成像无损检测技术对缺陷进行检测和定位时的精度。因此提出一种新的算法来解决上述问题是非常有必要的。
发明内容
本发明的目的在于克服现有技术的不足,提供一种通过加权估计实现红外热图像增强的方法,充分考虑到热图像与可见光图像的区别,消除激励线圈在试件表面产生的热量的影响,提高脉冲涡流热成像无损检测的准确性。
为实现上述发明目的,本发明一种通过加权估计实现红外热图像增强的方法,其特征在于,包括以下步骤:
(1)、获取红外热图像
(1.1)、利用脉冲涡流热成像无损检测平台对常温状态下已知缺陷的被测试件进行加热,且激励线圈位于缺陷上表面的正上方,采集红外热图像序列;
(1.2)、在采集到的红外热图像序列中挑选一幅清晰度最高的红外热图像,用于后续处理;
(2)、相邻点的选取及计算
(2.1)、在选取的红外热图像上选取一个像素点作为目标点F,并将其坐标标记为(i,j),以s为步长,选取点F周围的k个像素点,其像素值分别用ak表示,并将其用矩阵P表示,作为计算点F的像素的依据:
(2.2)分别求目标点F与周围的k个点之间的差值Δk,并用矩阵L表示为:
其中,F(i,j)是目标点(i,j)的像素值;
(3)、求相邻点之间的相关性
(3.1)、根据F(i,j)与ai之间的差值Δi表示周围k个点两两之间的相关性,即:am与an的相关系数为:Δm×Δn,am与an分别表示周围第m和第n个点的像素值;
(3.2)、将所有的相关系数用矩阵R表示为:
R=L×LT (3)
其中,R为F(i,j)的相邻k个像素点之间的相关性矩阵,R中的元素R(m,n)表示周围第m和第n个点的相关系数,LT为矩阵L的逆矩阵;
(4)、红外热图像增强处理
(4.1)、将目标点的像素值由相邻k个点中的每两个点及其相关系数的乘积的和来表示,即:
其中,F'(i,j)为计算得到的目标点F的像素值;
(4.2)、对F'(i,j)进行归一化处理:
(4.3)、重复步骤(2)~(4.2)所述方法对红外热图像中的每个像素点进行处理,得到增强处理后的红外热图像,再对红外热图像进行平滑滤波处理,得到最终处理后的红外热图像。
本发明的发明目的是这样实现的:
本发明一种通过加权估计实现红外热图像增强的方法,先计算目标像素点周围的k个像素点与目标点之间的差值,再将任意两个周围像素点与目标点之间的差值的乘积作为这两个像素点之间的相关系数,然后通过这两个像素点像素值及它们之间的相关系数估算出目标点的像素值,并对其进行归一化,得到增强处理后该目标点的像素值,最后再按照该方法重复对红外热图像中的每个像素点进行处理,并进行平滑滤波处理,即可得到增强处理后的红外热图像。
同时,本发明一种通过加权估计实现红外热图像增强的方法还具有以下有益效果:
(1)、本发明提出的加权算法中的权值是通过对目标像素点及其周围的k个像素进行处理得到的,它会随着目标像素点的改变而改变,与已知权值的加权算法相比,本发明提出的加权算法具有更强的鲁棒性。
(2)、本发明考虑到了脉冲涡流热成像无损检测的物理过程,在被测试件的表面,任意一点的温度是受到周围温度的影响的,且周围某点与目标点的温度差越大,其对该点的温度贡献也越大。本发明提出的加权算法通过用周围的k个像素点的值来求解目标点,并用周围像素点与目标像素点的差值作为相关系数,差值越大,相关性越强,这与热成像无损检测中热量扩散的原理是一致的。
(3)、本发明提出的加权算法可以消除激励线圈的影响,通过本算法处理得到的热图像中,受到热图像影响而变得更亮的区域受到了抑制且缺陷区域的轮廓得到了增强,这使得热图像中缺陷的轮廓更加清晰,便于缺陷的检测、定位和分析。
附图说明
图1是本发明一种通过加权估计实现红外热图像增强的方法流程图;
图2是相邻点的选取示意图;
图3是实施例中所选用的初始热图像;
图4是初始热图像的网格图;
图5是s为3时处理后得到的热图像;
图6是s为3时处理后得到的热图像的网格图;
图7是s取8时处理后得到的热图像;
图8是s取8时处理后得到的热图像的网格图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种通过加权估计实现红外热图像增强的方法流程图。
在本实施例中,如图1所示,本发明一种通过加权估计实现红外热图像增强的方法,包括以下步骤:
S1、获取红外热图像
S1.1、在脉冲涡流热成像无损检测平台上进行实验,对处于室温的含有已知缺陷的试件进行加热,保证激励线圈在缺陷上表面的正上方,体现在采集到的红外热图像上即为缺陷边缘的轮廓恰好在激励线圈在热图像上产生影响的区域内;
S1.2、在采集到的红外热图像序列中,选取一幅如图2所示的比较清晰的热图像,如图3所示,并求其网格图,以便于进行后续处理和对比。
S2、相邻点的选取及计算
S2.1、如图4所示,在红外热图像上选取一像素点作为目标点F,并将其坐标用(i,j)表示,以s为步长,选取点F周围的k个点,本实施例中设k为8,其像素值分别用ak表示,并将其用矩阵P表示,作为计算点F的像素的依据:
S2.2、分别求目标点F与周围的8个点之间的差值Δk,并用矩阵L表示为:
其中,F(i,j)是目标点(i,j)的像素值。
S3、求相邻点之间的相关性
S3.1、根据F(i,j)与ai之间的差值Δi表示周围8个点两两之间的相关性,即:am与an的相关系数为:Δm×Δn,am与an分别表示周围第m和第n个点的像素值;
S3.2、将所有的相关系数用矩阵R表示为:
R=L×LT (3)
其中,R为F(i,j)的相邻8个像素点之间的相关性矩阵,R中的元素R(m,n)表示周围第m和第n个点的相关系数,LT为矩阵L的逆矩阵;
S4、求解目标点的像素值
S4.1、本实施例中,目标点的像素值可以由相邻8个点中的每两个点及其相关系数的乘积的和来表示,即:
其中,F'(i,j)为计算得到的目标点F的像素值;
S4.2、上述过程得到的公式也可用矩阵P和R表示为:
其中,PT为矩阵P的逆矩阵;
S4.3、上述过程得到的计算值F'(i,j)与实际值F(i,j)进行对比的差别可能会非常大,这是因为对F'(i,j)进行计算时,权值之和不为1。当F'(i,j)的值过大或者过小时,会使得处理得到的热图像失真,因此,需要对F'(i,j)进行归一化处理:
S5、重复步骤S2~S4.3所述方法对红外热图像中的每个像素点进行处理,得到增强处理后的红外热图像,再对红外热图像进行平滑滤波处理,得到最终处理后的红外热图像。
图5和图6分别是s为3时处理后的红外热图像及其网格图。
通过对图5与图2和图7进行对比可以发现,当s为3时,因激励线圈的影响而在热图像中产生的亮度较高的区域得到了一定的抑制,与初始图像相比,图像上该处的亮度变低,但仍与其它背景区域之间的颜色存在差异;从图6中与图3和图8的比较中可以看出,当s的值为3时,在处理后的热图像网格图中,鼓包已经被基本消除,但在轮廓较不明显的一个缺陷周围仍存在一些温度值比较高的点,影响缺陷轮廓与背景区域的分离。
图7和图8分别是s为8时处理后的红外热图像及其网格图。
通过对分别与初始的红外热图像及其网格图作对比可以发现,首先在红外热图像上可以看出,处理后的热图像中,激励线圈的存在对热图像产生的干扰受到了抑制,因激励线圈的存在而产生的高温区域几乎与其他背景区域颜色相同;从网格图中也可以看出,初始热图像的网格图中有一个因激励线圈的存在而产生的鼓包,鼓包产生的原因是因激励线圈的温度影响,试件表面上该处的热辐射要比其他不受影响的背景区域的热辐射更强,体现在热图像上就是该处的温度值要比其他背景区域更高,颜色也更亮;从处理后得到的热图像的网格图中可以看到,当s为8时,在初始热图像中因受到激励线圈的影响而出现的鼓包被几乎完全消除了,该处的温度值与其他背景区域的温度近乎一致,而因缺陷存在而产生的高温区域则得到了增强,在热图像中可以看到更加清晰明显的两个缺陷轮廓。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种通过加权估计实现红外热图像增强的方法,其特征在于,包括以下步骤:
(1)、获取红外热图像
(1.1)、利用脉冲涡流热成像无损检测平台对常温状态下已知缺陷的被测试件进行加热,且激励线圈位于缺陷上表面的正上方,采集红外热图像序列;
(1.2)、在采集到的红外热图像序列中挑选一幅清晰度最高的红外热图像,用于后续处理。
(2)、相邻点的选取及计算
(2.1)、在选取的红外热图像上选取一个像素点作为目标点F,并将其坐标标记为(i,j),以s为步长,选取点F周围的k个像素点,其像素值分别用ak表示,并将其用矩阵P表示,作为计算点F的像素的依据:
(2.2)分别求目标点F与周围的k个点之间的差值Δk,并用矩阵L表示为:
其中,F(i,j)是目标点(i,j)的像素值;
(3)、求相邻点之间的相关性
(3.1)、根据F(i,j)与ai之间的差值Δi表示周围k个点两两之间的相关相关性,即:am与an的相关系数为:Δm×Δn,am与an分别表示周围第m和第n个点的像素值;
(3.2)、将所有的相关系数用矩阵R表示为:
R=L×LT (3)
其中,R为F(i,j)的相邻k个像素点之间的相关性矩阵,R中的元素R(m,n)表示周围第m和第n个点的相关系数,LT为矩阵L的逆矩阵;
(4)、红外热图像增强处理
(4.1)、将目标点的像素值由相邻k个点中的每两个点及其相关系数的乘积的和来表示,即:
其中,F'(i,j)为计算得到的目标点F的像素值;
(4.2)、对F'(i,j)进行归一化处理:
(4.3)、重复步骤(2)~(4.2)所述方法对红外热图像中的每个像素点进行处理,得到增强处理后的红外热图像,再对红外热图像进行平滑滤波处理,得到最终处理后的红外热图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518732.4A CN109636755B (zh) | 2018-12-12 | 2018-12-12 | 一种通过加权估计实现红外热图像增强的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518732.4A CN109636755B (zh) | 2018-12-12 | 2018-12-12 | 一种通过加权估计实现红外热图像增强的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636755A true CN109636755A (zh) | 2019-04-16 |
CN109636755B CN109636755B (zh) | 2023-03-28 |
Family
ID=66073131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811518732.4A Active CN109636755B (zh) | 2018-12-12 | 2018-12-12 | 一种通过加权估计实现红外热图像增强的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636755B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333267A (zh) * | 2019-07-01 | 2019-10-15 | 武汉科技大学 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统 |
CN112435156A (zh) * | 2020-12-08 | 2021-03-02 | 烟台艾睿光电科技有限公司 | 一种基于fpga的图像处理方法、装置、设备及介质 |
CN112903952A (zh) * | 2021-01-21 | 2021-06-04 | 北京航空航天大学 | 一种金属板结构损伤评价系统和方法 |
CN114119614A (zh) * | 2022-01-27 | 2022-03-01 | 天津风霖物联网科技有限公司 | 一种远程检测建筑物的裂缝的方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663696A (zh) * | 2012-03-31 | 2012-09-12 | 广东威创视讯科技股份有限公司 | 放大图像的去噪方法和系统 |
CN103530862A (zh) * | 2013-10-30 | 2014-01-22 | 重庆邮电大学 | 基于nsct的邻域特性区域化的红外与微光图像融合方法 |
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 |
CN103914807A (zh) * | 2012-12-31 | 2014-07-09 | 北京大学 | 一种缩放尺度补偿的非局部性图像超分辨率方法及系统 |
WO2014173145A1 (zh) * | 2013-04-23 | 2014-10-30 | 华为技术有限公司 | 一种图像增强方法及设备 |
CN106018479A (zh) * | 2016-05-12 | 2016-10-12 | 电子科技大学 | 基于异常区域定位的红外热图像处理方法 |
CN106934771A (zh) * | 2017-02-16 | 2017-07-07 | 武汉镭英科技有限公司 | 一种基于局部相关性的红外图像条纹噪声去除方法 |
CN107346532A (zh) * | 2017-06-20 | 2017-11-14 | 广东电网有限责任公司珠海供电局 | 一种考虑尺度间相关性的电缆瓷套终端红外图像去噪方法 |
US20180068432A1 (en) * | 2016-09-06 | 2018-03-08 | University Of Electronic Science And Technology Of China | Method for automatically separating out the defect image from a thermogram sequence |
CN108109128A (zh) * | 2017-11-30 | 2018-06-01 | 电子科技大学 | 一种基于空间相关性的红外热图像处理方法 |
CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
CN108665442A (zh) * | 2018-04-03 | 2018-10-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 红外无损检测的热图像缺陷特征增强处理方法 |
-
2018
- 2018-12-12 CN CN201811518732.4A patent/CN109636755B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663696A (zh) * | 2012-03-31 | 2012-09-12 | 广东威创视讯科技股份有限公司 | 放大图像的去噪方法和系统 |
CN103914807A (zh) * | 2012-12-31 | 2014-07-09 | 北京大学 | 一种缩放尺度补偿的非局部性图像超分辨率方法及系统 |
WO2014173145A1 (zh) * | 2013-04-23 | 2014-10-30 | 华为技术有限公司 | 一种图像增强方法及设备 |
CN103530862A (zh) * | 2013-10-30 | 2014-01-22 | 重庆邮电大学 | 基于nsct的邻域特性区域化的红外与微光图像融合方法 |
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 |
CN106018479A (zh) * | 2016-05-12 | 2016-10-12 | 电子科技大学 | 基于异常区域定位的红外热图像处理方法 |
US20180068432A1 (en) * | 2016-09-06 | 2018-03-08 | University Of Electronic Science And Technology Of China | Method for automatically separating out the defect image from a thermogram sequence |
CN106934771A (zh) * | 2017-02-16 | 2017-07-07 | 武汉镭英科技有限公司 | 一种基于局部相关性的红外图像条纹噪声去除方法 |
CN107346532A (zh) * | 2017-06-20 | 2017-11-14 | 广东电网有限责任公司珠海供电局 | 一种考虑尺度间相关性的电缆瓷套终端红外图像去噪方法 |
CN108109128A (zh) * | 2017-11-30 | 2018-06-01 | 电子科技大学 | 一种基于空间相关性的红外热图像处理方法 |
CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
CN108665442A (zh) * | 2018-04-03 | 2018-10-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 红外无损检测的热图像缺陷特征增强处理方法 |
Non-Patent Citations (2)
Title |
---|
BIN GAO ET.AL: "Single channel blind source separation for defect identification using Eddy Current Pulsed Thermography", 《2013 FAR EAST FORUM ON NONDESTRUCTIVE EVALUATION/TESTING: NEW TECHNOLOGY AND APPLICATION》 * |
杨帆: "不锈钢覆面焊缝脉冲涡流热成像检测技术研究", 《科技视界》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333267A (zh) * | 2019-07-01 | 2019-10-15 | 武汉科技大学 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统 |
CN112435156A (zh) * | 2020-12-08 | 2021-03-02 | 烟台艾睿光电科技有限公司 | 一种基于fpga的图像处理方法、装置、设备及介质 |
WO2022121077A1 (zh) * | 2020-12-08 | 2022-06-16 | 烟台艾睿光电科技有限公司 | 一种基于fpga的图像处理方法、装置、设备及介质 |
CN112435156B (zh) * | 2020-12-08 | 2022-12-09 | 烟台艾睿光电科技有限公司 | 一种基于fpga的图像处理方法、装置、设备及介质 |
CN112903952A (zh) * | 2021-01-21 | 2021-06-04 | 北京航空航天大学 | 一种金属板结构损伤评价系统和方法 |
CN112903952B (zh) * | 2021-01-21 | 2022-05-27 | 北京航空航天大学 | 一种金属板结构损伤评价系统和方法 |
CN114119614A (zh) * | 2022-01-27 | 2022-03-01 | 天津风霖物联网科技有限公司 | 一种远程检测建筑物的裂缝的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109636755B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636755A (zh) | 一种通过加权估计实现红外热图像增强的方法 | |
CN108198181A (zh) | 一种基于区域分割和图像融合的红外热图像处理方法 | |
CN108109128B (zh) | 一种基于空间相关性的红外热图像处理方法 | |
US7822268B2 (en) | Advanced processing of active thermography signals | |
Roche et al. | Images of TSR coefficients: A simple way for a rapid and efficient detection of defects | |
Usamentiaga et al. | Automated dynamic inspection using active infrared thermography | |
CN104359944A (zh) | 一种固定视场的红外热波脉冲相位无损检测方法 | |
CN103376433B (zh) | 图像畸变校正方法及系统、磁共振成像设备 | |
CN106018479B (zh) | 基于异常区域定位的红外热图像处理方法 | |
CN109919905A (zh) | 一种基于深度学习的红外无损检测方法 | |
CN108195884A (zh) | 一种基于电涡流脉冲热成像的无损检测方法及系统 | |
CN107993258A (zh) | 一种图像配准方法及装置 | |
Swiderski | Non-destructive testing of CFRP by laser excited thermography | |
Xie et al. | Improving visibility of rear surface cracks during inductive thermography of metal plates using Autoencoder | |
CN103472092B (zh) | 基于偏最小二乘回归的红外无损检测电磁激励数学模型建模方法 | |
Xiao et al. | Spatial-time-state fusion algorithm for defect detection through eddy current pulsed thermography | |
CN105300267B (zh) | 基于电磁涡流和数据融合算法的金属板厚度测量方法 | |
Wang et al. | High temperature image correction in DIC measurement due to thermal radiation | |
CN106022365B (zh) | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 | |
Xia et al. | Defect visualization and depth quantification in scanning induction thermography | |
CN104698036B (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 | |
He et al. | Methods for suppression of the effect of uneven surface emissivity of material in the moving mode of eddy current thermography | |
CN106023150A (zh) | 一种针对数字全息图噪声干扰的实时客观质量评价方法 | |
CN109655483A (zh) | 一种基于深度学习算法的材料微观结构缺陷检测方法 | |
JP4097079B2 (ja) | 欠陥検査方法およびその装置 |
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 |