CN109682824B - 基于图像融合的钢丝绳无损检测方法及其装置 - Google Patents

基于图像融合的钢丝绳无损检测方法及其装置 Download PDF

Info

Publication number
CN109682824B
CN109682824B CN201811624696.XA CN201811624696A CN109682824B CN 109682824 B CN109682824 B CN 109682824B CN 201811624696 A CN201811624696 A CN 201811624696A CN 109682824 B CN109682824 B CN 109682824B
Authority
CN
China
Prior art keywords
wire rope
steel wire
image
visible light
leakage signal
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
Application number
CN201811624696.XA
Other languages
English (en)
Other versions
CN109682824A (zh
Inventor
张聚伟
卢世梁
王石磊
李继刚
李茜
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201811624696.XA priority Critical patent/CN109682824B/zh
Publication of CN109682824A publication Critical patent/CN109682824A/zh
Application granted granted Critical
Publication of CN109682824B publication Critical patent/CN109682824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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

  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

为了解决现有技术中钢丝绳无损检测中钢丝绳缺陷识别率低的问题，本发明提供一种基于图像融合的钢丝绳无损检测方法及其装置，其解决问题的技术方案是：对被测钢丝绳连续的进行可见光拍摄和漏磁信号检测且同频率采集后将漏磁信号转换为磁场灰度图像；对漏磁信号灰度图像与可见光图像分别提取平均灰度、平均方差、平滑度、三阶矩、一致性、熵以及七阶不变矩共计十三个图像特征向量，再将以上图像特征向量进行融合后，得到融合特征向量，再将融合特征向量输入人工神经网络进行分类识别，从而实现钢丝绳缺陷的定量识别。本发明通过图像处理方式对钢丝绳进行无损检测，具有成本低，精度高的的优点。

Description

基于图像融合的钢丝绳无损检测方法及其装置
技术领域
本发明涉及钢丝绳损伤检测技术，具体涉及一种基于磁场灰度图像和可见光图像融合的钢丝绳无损检测方法。
背景技术
随着科学技术的不断进步，钢丝绳在矿井、电梯、桥梁等领域的应用越来越广泛，也导致起重行业对钢丝绳的依赖程度不断增加。随着使用时间的延长，钢丝绳的锈蚀、磨损和疲劳损伤都将会演变成断丝情况，而大量的断丝损伤会降低钢丝绳的承受强度，如果不能及时发现断丝情况并且更换钢丝绳避免钢丝绳整绳发生断裂，将会导致安全生产受到影响，严重的危害了设备安全和人身、生产财产安全，从而造成巨大的经济损失和不良社会影响。唯有及时准确地掌握钢丝绳当前的承载能力，才能避免因钢丝绳断裂而造成的人员伤亡事故和经济损失的发生。
几乎从钢丝绳问世以来，人们就开始寻找确保钢丝绳安全运行并尽量延长其使用寿命的方法。最早采用的人工目视检查法和定期强制更换法，前者无法发现钢丝绳内部的缺陷以及钢丝绳表面被油污掩盖的缺陷，且强烈依赖检测人员素质和经验，可靠性差、效率低，已逐渐被淘汰；采用后者不仅造成了巨大浪费，且不能及时更换由于偶然因素而严重损伤的钢丝绳，形成事故隐患。
最常用的电磁检测法，可以基本实现表面损伤的位置和损伤情况的定量检测，这种检测装置中的励磁源大多采用大量磁铁，制作成马鞍形，再以导磁体进行聚磁将钢丝绳磁化至饱和，当钢丝绳出现损伤时，损伤处将会产生漏磁场。普通电磁检测方法多采用磁感应传感器周向阵列在钢丝绳上构成检测环，用于检测缺陷处的漏磁信号。
但是普通电磁检测法得到的漏磁图像来源单一，容易钢丝绳表面油污及附着物的影响，对缺陷识别率有较大的影响。
发明内容
为了解决现有技术中钢丝绳无损检测中钢丝绳缺陷识别率低的问题，本发明提供一种基于图像融合的钢丝绳无损检测方法及其装置。本发明融合磁场灰度图像和可见光图像，具有识别准确的优点。
所述的基于图像融合的钢丝绳无损检测方法，其技术方案在于：对被测钢丝绳连续的进行可见光拍摄和漏磁信号检测且同频率采集后将漏磁信号转换为磁场灰度图像；对漏磁信号灰度图像与可见光图像分别提取平均灰度、平均方差、平滑度、三阶矩、一致性、熵以及七阶不变矩共计十三个图像特征向量，再将以上图像特征向量进行融合后，得到融合特征向量，再将融合特征向量输入人工神经网络进行分类识别，从而实现钢丝绳缺陷的定量识别。
所述的漏磁信号灰度图像与可见光图像中的十三个图像特征向量进行融合时，使用主分量变换对可见光图像特征向量和漏磁图像特征向量进行融合，十三个图像特征向量构成的特征向量群的融合向量可以通过样本的平均值来近似：
Figure BDA0001927726150000021
其中xk为输入的样本特征向量群，mx为样本平均向量，K为n维向量个数；特征向量群的n×n协方差矩阵Cx可由下式近似计算：
Figure BDA0001927726150000022
其中mx为已求得的样本平均向量，T为转置矩阵。
一种用于上述钢丝绳无损检测方法提供可见光图像和漏磁信号的装置，其技术方案在于：包括可见光检测模块、漏磁信号检测模块、控制器、编码器以及用于设置可见光检测模块、漏磁信号检测模块、控制器、编码器的载具；
其中，可见光检测模块包括1～8台线阵CCD工业相机和用于为线阵CCD工业相机提供光照的光源模块；
其中，线阵CCD工业相机的拍摄方向与被测钢丝绳的轴向垂直；两台以上的线阵CCD工业相机以被测钢丝绳的轴线为轴均布；
其中，漏磁信号检测模块包括用于对被测钢丝绳进行励磁的励磁组件和用于接收励磁组件励磁后的被测钢丝绳磁场变化的检测环；
其中，载具包括用于移动的滚轮；滚轮的旋转轴端部设置有用于测量载具移动距离的编码器；
其中，控制器与检测环电连接，用于采集检测环中的输出信号并将检测环输出的漏磁信号转换成磁场灰度图像；
控制器与线阵CCD工业相机电连接，用于采集可见光图像；
控制器与编码器电连接，用于根据载具的移动距离控制检测环、线阵CCD工业相机的采样。
本发明的有益效果是：通过分别设置可见光检测模块、漏磁信号检测模块；检测时同时移动可见光检测模块、漏磁信号检测模块，得到的两种图像进行融合识别，提高了缺陷的检测精度和识别率，从而解决普通钢丝绳检测装置对缺陷识别率不高的问题。本发明通过图像处理方式对钢丝绳进行无损检测，具有成本低，精度高的的优点。
附图说明
图1为本发明的使用示意图。
图2为本发明的可见光检测模块示意图。
图3为本发明的漏磁信号检测模块的一种实施例。
图4为本发明的漏磁信号检测模块的另一种实施例。
图5为本发明的漏磁信号检测模块的又一种实施例。
图6为本发明的原理框图。
具体实施方式
下面结合附图对本发明进行进一步的说明。
如图1～6，一种提供可见光图像和漏磁信号的装置，其技术方案在于：包括可见光检测模块1、漏磁信号检测模块2、控制器4、编码器5以及用于设置可见光检测模块1、漏磁信号检测模块2、控制器4、编码器5的载具6；如图2，可见光检测模块1包括4台线阵CCD工业相机101和光源模块102；线阵CCD工业相机101分别设置在沿被测钢丝绳3周向的四个方位，各相机之间的夹角为90°，每台相机镜头与钢丝绳轴向垂直。光源模块102设置在钢丝绳轴向延伸方向；漏磁信号检测模块2则设有供被测钢丝绳3穿过并沿被测钢丝绳3轴向移动的由励磁组件201和检测环202组成的检测通道，被测钢丝绳3在检测通道内穿过，检测通道设置在载具6上，沿被测钢丝绳3轴向移动。检测环202可以是由十八个均布在被测钢丝绳3轴向的巨磁阻传感器组成。
光源模块102为环形LED视觉光源，光照方向与钢丝绳轴向呈30°—60°的角度，该角度可以根据需要自由调节。光照均匀打在线阵CCD工业相机101拍摄范围内的被测钢丝绳3待测区域，以达到线阵CCD工业相机101拍摄时所需的光照条件。
具体的，载具6上通过支架601尽可能靠近的设置可见光检测模块1和漏磁信号检测模块2，如图1。四台线阵CCD工业相机101可以通过环形支架安装，分列被测钢丝绳3周向的四个方位。
具体的，所述的控制器4可以是PC；同时，控制器4可以设置在载具6上，也可以不设置在载具6上，如设置在远程控制间。
励磁组件201对被测钢丝绳3的励磁方式可以分为强磁励磁和弱磁励磁，励磁的方式不同，励磁组件201的设置方式也不相同。
具体实施例I：当采用强磁励磁方式时，励磁组件201的结构如图3所示，励磁组件201包括马鞍形的永磁体2011。对被测钢丝绳3进行检测时，将励磁组件201设置在被测钢丝绳3的一侧；永磁体产生磁场，对被测钢丝绳3励磁。作为其它实施方式，可以采用马鞍形的磁导体和线圈通电代替永磁体。
具体实施例II：弱磁励磁又分为非饱和励磁和剩磁励磁。
采用非饱和励磁时，励磁组件201结构如图4所示，通过在圆环2013上等间距固定n个永磁体2012构成，各永磁体2012均布在被测钢丝绳3的周向，各永磁体2012的磁极指向相同且与被测钢丝绳3平行。
采用剩磁励磁时，励磁组件201的结构如图5所示，包括第一条形永磁体2014和第二条形永磁体2015。当需要励磁时，将第一条形永磁体2014和第二条形永磁体2015分别设置在被测钢丝绳3的两端，并与被测钢丝绳3轴向平行。第一条形永磁体2014的N级靠近并指向被测钢丝绳3，另一端的第二条形永磁体2015的S级靠近并指向被测钢丝绳3，从而对被测钢丝绳3进行励磁。作为其他实施方式，可以采用磁导体和线圈通电代替永磁体。
具体的，如图1和图6，载具6可以是电机驱动的小车6A，小车上通过支架601设置有可见光检测模块1、漏磁信号检测模块2；小车6A的轮子60A的轴上连接编码器5；被测钢丝绳3穿过由励磁组件201和检测环202组成的检测通道，电机驱动小车6A沿被测钢丝绳3轴向移动。线阵CCD工业相机101和检测环202工作持续工作，当小车6A轴上的编码器5发送小车6A的移动距离达到1cm时，控制器4采集线阵CCD工业相机101和检测环202输出的图片和漏磁信号，然后将漏磁信号转换为磁场灰度图像，进行存储。当编码器5检测小车6A的移动距离达到预设的最大距离时，控制器4对漏磁信号灰度图像与可见光图像分别提取平均灰度、平均方差、平滑度、三阶矩、一致性、熵以及七阶不变矩共计十三个图像特征向量，再将以上图像特征向量进行融合后，得到融合特征向量，再将融合特征向量输入人工神经网络进行分类识别，从而实现钢丝绳缺陷的定量识别。
具体的，基于图像融合的钢丝绳无损检测方法，包括以下步骤：
a.对采集到的被测钢丝绳3光学图像进行同态滤波处理。同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法，能够减少低频分量并增加高频分量，主要用于减少光照不均匀对图像的影响，并锐化边缘或细节。
具体的，图像f(x，y)的光照模型可以由下式构成：
f(x，y)＝i(x，y)·r(x，y)
其中，i(x，y)为入射光分量，r(x，y)为反射光分量，x，y为图像像素值。
反射光分量r(x，y)性质取决于物体的表面纹理及边界，相当于高频部分；而入射光分量i(x，y)反映灰度的恒定分量，相当于低频部分。要降低光照的影响需要适当提高反射光分量的比重，减小入射光分量。
对原图像f(x，y)取对数，得到下式：z(x，y)＝lnf(x，y)＝lni(x，y)+lnr(x，y)；
然后进行傅里叶变换，得到图像的频域部分：F[z(x，y)]＝F[lni(x，y)]+F[lnr(x，y)]；
也可写为：Z(u，v)＝I(u，v)+R(u，v)；
选用一个滤波器H(u，v)对图像的频域部分进行滤波可以得到：
S(u，v)＝H(u，v)Z(u，v)＝H(u，v)I(u，v)+H(u，v)R(u，v)；
再通过傅里叶逆变换到时域可得：s(x，y)＝F-1[S(u，v)]；
最后对s(x，y)取指数即得到经同态滤波处理的图像g(x，y)。
b.对漏磁信号检测模块2采集到的被测钢丝绳3漏磁信号降噪处理。采用基于小波变换的自适应滤波来对被测钢丝绳3漏磁信号进行降噪。
对信号ft小波变换定义式为：WTf(α，τ)＝<f(t)，
Figure BDA0001927726150000051
其中函数ψ称为小波，α为尺度因子，τ为平移因子，t为时间。
首先使用Mallat算法对信号进行小波分解，将信号C0在L2(R)的2个正交空间逐级分解。每级输入被分解为高频细节信号和低频近似信号两部分。此算法的基本关系式为：
Figure BDA0001927726150000052
Figure BDA0001927726150000053
式中，cj+1，k为信号在第j+1级的近似输出；dj+1，k为信号在第j+1级的细节输出。二尺度序列{h0(k)}看作低通滤波器系数。而{h1(k)}则看作高通滤波器系数。m为小波放大倍数，k为小波平移倍数。
对小波分解后的信号进行自适应滤波：y(j)＝WT(j)X(j)；
其中，W＝[w1，w2，...，wL]T，X(j)＝[x(j)，x(j-1)，...，x(j-L+1)]T，wi为加权系数；x为输入信号，L为自适应滤波器权系数个数；如无特别说明，T均为转置矩阵。。
由此可得到第j时刻自适应滤波器的误差信号e(j)＝d(j)-WT(j)X(j)；其中d(j)为期望信号。
滤波器输出的均方误差为：E[e2(j)]＝E[d2(j)]-2PTW+wTRW；
其中，P＝E[d(j)X(j)]，R＝E[X(j)XT(j)]。P为期望信号与输入信号的互相关矢量；R为输入信号的自相关矩阵。
自适应滤波结束后，对滤波后的各信号进行小波重构，重构公式如下：
Figure BDA0001927726150000061
对降噪后的漏磁信号灰度归一化得到漏磁信号灰度图像，对灰度图像进行三次样条插值，提高数据周向分辨率。
c.分别对漏磁信号灰度图像与可见光图像采用模极大值的方法进行缺陷定位，通过设置合适的阈值来判断此处是否为缺陷。经过试验，阈值选择70较为合适。以找到的缺陷位置为中心点，对图像周向与轴向上下左右各截取200个点，得到400*400的缺陷图；提取各缺陷图平均灰度、平均方差、平滑度、三阶矩、一致性、熵以及七阶不变矩共计13个图像特征向量。
平均灰度为图像的平均灰度值，反映图像的亮度。对一幅像素为M*N的灰度图f(x，y)，平均灰度可表示为：
Figure BDA0001927726150000062
平均方差表示图像像素值与均值的离散程度，反映图像的对比度，计算公式为：
Figure BDA0001927726150000063
平滑度t(3)是平均方差的归一化，对于恒定区域为0，而对于较大的方差值，其接近于1，计算公式为：
Figure BDA0001927726150000064
其中t(2)为上式求得的平均方差。
三阶矩t(4)是直方图偏斜度的测度，对称为0，右偏斜为正，左偏斜为负，计算公式为：
Figure BDA0001927726150000065
熵值t(5)反映像素的随机性，值越大越粗糙，而一致性t(6)测度与熵值变化相反，而结论相同,计算公式如下
Figure BDA0001927726150000066
Figure BDA0001927726150000067
其中，L为不同灰度级的数量，z是表示灰度的一个随机变量，p(zi)是当灰度为i时的概率密度。
矩特征表征了图像区域的几何特征，又称为几何矩，由于其具有旋转、平移、尺度等特性的不变特征，所以又称为不变矩。不变矩在图像处理中可以作为一个重要特征来表示物体，并据此对图像进行分类识别。
对图像f(x，y)的二维(p+q)阶矩定义为：
Figure BDA0001927726150000071
其中p，q＝0，1，2，...；
对应的(p+q)阶中心矩为：
Figure BDA0001927726150000072
其中
Figure BDA0001927726150000073
对中心矩进行归一化后，得到：
Figure BDA0001927726150000074
其中，
Figure BDA0001927726150000075
得到七个不变矩组。
d.使用主分量变换对光学图像特征向量和漏磁图像特征向量进行融合。特征向量群的融合向量可以通过样本的平均值来近似：
Figure BDA0001927726150000076
其中xk为输入的样本特征向量群，mx为样本平均向量，K为n维向量个数；特征向量群的n×n协方差矩阵Cx可由下式近似计算：
Figure BDA0001927726150000077
其中T为转置矩阵。
将融合后的特征向量输入人工神经网络进行分类识别，从而实现钢丝绳缺陷的定量识别。
本发明所提供的技术方案，分别设置了可见光检测模块1、漏磁信号检测模块2；检测时同时移动可见光检测模块1、漏磁信号检测模块2，得到的两种图像进行融合识别，提高了缺陷的检测精度和识别率，从而解决普通钢丝绳检测装置对缺陷识别率不高的问题。
以上仅为发明的较佳实施例而己，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于图像融合的钢丝绳无损检测方法，其特征在于：对被测钢丝绳连续的进行可见光拍摄和漏磁信号检测且均为同频率采集，然后对采集到的可见光图像进行同态滤波处理，对采集到的漏磁信号降噪处理，再将降噪后的漏磁信号灰度归一化得到漏磁信号灰度图像；对漏磁信号灰度图像与可见光图像进行缺陷定位，并获得缺陷图，然后分别提取缺陷图平均灰度、平均方差、平滑度、三阶矩、一致性、熵以及七阶不变矩共计十三个图像特征向量，再将以上图像特征向量进行融合后，得到融合特征向量，再将融合特征向量输入人工神经网络进行分类识别，从而实现钢丝绳缺陷的定量识别；漏磁信号灰度图像与可见光图像中的十三个图像特征向量进行融合时，使用主分量变换对可见光图像特征向量和漏磁图像特征向量进行融合，十三个图像特征向量构成的特征向量群的融合向量可以通过样本的平均值来近似：
Figure FDA0003146303030000011
其中xk为输入的样本特征向量群，mx为样本平均向量，K为n维向量个数；特征向量群的n×n协方差矩阵cx可由下式近似计算：
Figure FDA0003146303030000012
其中T为转置矩阵。
2.一种用于对权利要求1所述钢丝绳无损检测方法提供可见光图像和漏磁信号的装置，其特征在于：包括可见光检测模块(1)、漏磁信号检测模块(2)、控制器(4)、编码器(5)以及用于设置可见光检测模块(1)、漏磁信号检测模块(2)、控制器(4)、编码器(5)的载具(6)；
其中，可见光检测模块(1)包括1～8台线阵CCD工业相机(101)和用于为线阵CCD工业相机(101)提供光照的光源模块(102)；
其中，线阵CCD工业相机(101)的拍摄方向与被测钢丝绳(3)的轴向垂直；两台以上的线阵CCD工业相机(101)以被测钢丝绳(3)的轴线为轴均布；
其中，漏磁信号检测模块(2)包括用于对被测钢丝绳(3)进行励磁的励磁组件(201)和用于接收励磁组件(201)励磁后的被测钢丝绳(3)磁场变化的检测环(202)；
其中，载具(6)包括用于移动的滚轮；滚轮的旋转轴端部设置有用于测量载具(6)移动距离的编码器(5)；
其中，控制器(4)与检测环(202)电连接，用于采集检测环(202)中的输出信号并将检测环(202)输出的漏磁信号转换成磁场灰度图像；
控制器(4)与线阵CCD工业相机(101)电连接，用于采集可见光图像；
控制器(4)与编码器(5)电连接，用于根据载具(6)的移动距离控制检测环(202)、线阵CCD工业相机(101)的采样。
3.根据权利要求2所述的装置，其特征在于：检测环(202)包括十八个均布在被测钢丝绳(3)轴向的巨磁阻传感器。
CN201811624696.XA 2018-12-28 2018-12-28 基于图像融合的钢丝绳无损检测方法及其装置 Active CN109682824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811624696.XA CN109682824B (zh) 2018-12-28 2018-12-28 基于图像融合的钢丝绳无损检测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811624696.XA CN109682824B (zh) 2018-12-28 2018-12-28 基于图像融合的钢丝绳无损检测方法及其装置

Publications (2)

Publication Number Publication Date
CN109682824A CN109682824A (zh) 2019-04-26
CN109682824B true CN109682824B (zh) 2021-09-24

Family

ID=66190880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811624696.XA Active CN109682824B (zh) 2018-12-28 2018-12-28 基于图像融合的钢丝绳无损检测方法及其装置

Country Status (1)

Country Link
CN (1) CN109682824B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112730602B (zh) * 2020-12-11 2024-04-23 浙江大学 生物安全柜前窗移门悬挂钢丝缺陷的检测装置和方法
CN114166861A (zh) * 2021-12-15 2022-03-11 中煤科工集团上海有限公司 一种钢丝绳表面在线无损探伤装置及方法
CN114113152A (zh) * 2021-12-28 2022-03-01 北京西管安通检测技术有限责任公司 一种无损检测的系统、管材生产的方法和装置
CN116046883B (zh) * 2023-04-03 2023-06-09 南京市特种设备安全监督检验研究院 起重机钢丝绳漏磁-视觉多模态融合检测装置及方法
CN116990323B (zh) * 2023-09-26 2023-12-05 睿同科技有限公司 一种高精密印刷版视觉检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203178201U (zh) * 2013-02-20 2013-09-04 烟台久新精密机械设备有限公司 钢丝绳无损探伤仪
CN104515777A (zh) * 2015-01-14 2015-04-15 兖州煤业股份有限公司 强磁-图像联合钢丝绳在线无损探伤系统及方法
CN107340328A (zh) * 2017-09-08 2017-11-10 广东工业大学 一种焊件缺陷检测系统以及检测方法
CN107941899A (zh) * 2017-11-15 2018-04-20 河南科技大学 一种弱磁激励的钢丝绳探伤装置和探伤方法
CN108333252A (zh) * 2018-02-07 2018-07-27 河南科技大学 一种钢丝绳探伤系统及其漏磁信号检测装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104483322B (zh) * 2014-12-11 2017-05-31 长沙理工大学 桥梁绳索的检测系统
CN105469093A (zh) * 2015-12-07 2016-04-06 周升峰 一种智能耳鼻喉电子检查装置及图像处理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203178201U (zh) * 2013-02-20 2013-09-04 烟台久新精密机械设备有限公司 钢丝绳无损探伤仪
CN104515777A (zh) * 2015-01-14 2015-04-15 兖州煤业股份有限公司 强磁-图像联合钢丝绳在线无损探伤系统及方法
CN107340328A (zh) * 2017-09-08 2017-11-10 广东工业大学 一种焊件缺陷检测系统以及检测方法
CN107941899A (zh) * 2017-11-15 2018-04-20 河南科技大学 一种弱磁激励的钢丝绳探伤装置和探伤方法
CN108333252A (zh) * 2018-02-07 2018-07-27 河南科技大学 一种钢丝绳探伤系统及其漏磁信号检测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于弱磁成像的铁磁性构件无损检测技术研究;谭孝江;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20181115(第11期);第83-108页 *
谭孝江.基于弱磁成像的铁磁性构件无损检测技术研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2018,(第11期),第83-108页. *

Also Published As

Publication number Publication date
CN109682824A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109682824B (zh) 基于图像融合的钢丝绳无损检测方法及其装置
CN104483326B (zh) 基于深度信念网络的高压线绝缘子缺陷检测方法及系统
CN106959337A (zh) 一种开放式微磁激励钢丝绳损伤检测系统
CN107941899B (zh) 一种弱磁激励的钢丝绳探伤装置和探伤方法
CN108333252A (zh) 一种钢丝绳探伤系统及其漏磁信号检测装置
CN109376773A (zh) 基于深度学习的裂纹检测方法
CN109164165A (zh) 基于图像融合的钢丝绳无损检测方法及其装置
CN105527338A (zh) 一种金属丝绳的在线监测方法及装置
Peng et al. The broken wires identification of wire rope based on multilevel filtering method using EEMD and wavelet analysis
Zheng et al. Application of variational mode decomposition and k-nearest neighbor algorithm in the quantitative nondestructive testing of wire ropes
Lu et al. Quantitative nondestructive testing of wire ropes based on features fusion of magnetic image and infrared image
CN105717191A (zh) 磁巴克豪森噪声信号和磁性参数的检测方法和装置
Li et al. A new quantitative non-destructive testing approach of broken wires for steel wire rope
Li et al. Quantitative Nondestructive Testing of Wire Rope Using Image Super‐Resolution Method and AdaBoost Classifier
CN111638218A (zh) 一种涂层表面缺陷的检测方法
CN115205297A (zh) 一种气动风动绞车的异常状态检测方法
Zhang et al. Nondestructive testing of wire ropes based on image fusion of leakage flux and visible light
CN117197700B (zh) 智能化无人巡检接触网缺陷识别系统
Luo et al. Fluorescent magnetic particle inspection device based on digital image processing
Li et al. Quantitative nondestructive testing of broken wires for wire rope based on magnetic and infrared information
Zhang et al. Application of pseudo-color image feature-level fusion in nondestructive testing of wire ropes
CN109459489B (zh) 一种基于磁记忆检测原理的电梯裂纹检测方法
CN104483322B (zh) 桥梁绳索的检测系统
CN114034738B (zh) 一种电感式磨粒材质区分检测装置及方法
CN110889830B (zh) 基于三维漏磁彩色成像的钢丝绳损伤检测方法及检测系统

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