CN109697723B - 涡轮叶片温度场图像处理方法 - Google Patents

Abstract

本申请提供了一种涡轮叶片温度场图像处理方法，包括步骤一：温度场数据的显示与分析：步骤二：温度场图像的分割：步骤三：温度场图像边缘检测：步骤四：温度场图像的处理：步骤五：温度场图像处理结果评价。

Description

涡轮叶片温度场图像处理方法

技术领域

本申请涉及航空发动机技术领域，具体提供一种涡轮叶片温度场图像处理方法。

背景技术

目前，红外测温系统基于转速已知的前提给出温度场图像，实际情况下发动机转速在测试时间内无法做到完全精确地测量，经对比观察，发动机最大工作状态下，当转速发生1/10000的恒定偏移时，温度场图像即会发生较明显的扭曲。

测量转速的常用手段为多级齿轮，该方案的缺点是：采用多级齿轮测量高压涡轮转速时，由于齿轮间振动、电磁干扰、转速表锁相环设计缺陷等原因，测得值存在一定的微小误差。

发明内容

为了解决上述技术问题至少之一，本申请提供了一种涡轮叶片温度场图像处理方法，包括：

步骤一：温度场数据的显示与分析：

红外测温系统以二维的方式显示温度场图像，其中，纵坐标代表测温过程经过的圆周数，横坐标代表发动机每转采集温度点的个数；

经观察和分析，在测试过程中，测试时间内转速值的偏移分为两个分量：低频规律偏移和高频随机干扰；

根据低频规律偏移和高频随机干扰，构造一副虚拟的涡轮叶片温度场图像；

步骤二：温度场图像的分割：

设试验对象的叶片数为b_number，则选择数据中所有峰值数为的b_number的行，求取第m行相邻峰值间的b_number-1个坐标差gap_mn(m＝1～rows,n＝1～blade_number-1)，理想峰值坐标差为

利用如下公式求得叶片间隔与理想叶片间隔最接近的一行数据，将这一行作为基准行，

利用预设的偏移量计算方法，求取每行数据相对基准行需要进行的位移W，即得出每行相对基准行需要位移的像素个数；

根据图像实际情况，选取最易提取且能反映叶片轮廓的特征，用于叶片的粗略轮廓提取；

根据叶片的粗略轮廓，对b_number个叶片进行分割，然后将每个叶片图像单独存储；

步骤三：温度场图像边缘检测：

分别对单个叶片图像进行边缘检测；

边缘检测提取出的边缘图像需剔除孤立点：若某一边缘点的n×n邻域内无其他边缘点，则剔除该点；

设定发动机叶片位置朝向，选右侧单侧边缘，即边缘图像中的每一行仅保留最右侧的点，删除其他检测到的边缘点，得到的结果可作为该叶片在1～m行中每一行的唯一位置定位；

将所有叶片的边缘检测解耦股图按原组成方式拼接到一起；

步骤四：温度场图像的处理：

利用边缘检测的结果，以边缘点作为叶片的特征点，以行为单位求解温度场图像的精确偏移量W(i)(i＝1～rows)；

获得精确偏移量后，采用删点/补点的方法修正数据；

将新的数据重塑为rows×colomns大小的图像；

步骤五：温度场图像处理结果评价：

图像处理结果评价分为客观评价与主观评价：

客观评价：检查补点、删点个数之和与总数据点个数的比值，该比值不超过0.1％，比值过大的情况下认为算法本身对被测对象温度场造成了显著影响，应考虑重新计算；

主观评价：对比观察处理前后温度场图像扭曲现象的改善程度，若处理结果不理想，调整参数重新计算。

本申请实施例提供的涡轮叶片温度场图像处理方法，相对于硬件改装，图像处理方法成本低廉、无安全隐患；处理过程仅与基本测量原理有关，不同的焦距、安装位置、测试对象、探头类型对算法影响极小；在较差的测试条件下获得的数据，仍可通过本方法处理后充分利用；可扩展性强，随着试验经验与试验数据的积累，图像处理算法可以不断地更新、迭代、优化。

附图说明

图1是本申请实施例提供的涡轮叶片温度场图像处理方法的流程示意图；

图2是本申请实施例提供的温度场图像的显示方式；

图3是本申请实施例提供的可能出现的温度场图像；

图4是本申请实施例提供的偏移量计算方法的流程图；

图5是本申请实施例提供的叶片的粗略轮廓图；

图6是本申请实施例提供的温度场图像对应叶片位置示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1是本申请实施例提供的涡轮叶片温度场图像处理方法的流程示意图，如图1所示，该方法包括以下步骤：

步骤一：温度场数据的显示与分析。

在本实施例中，红外测温系统以二维的方式显示温度场图像，其中，纵坐标rows代表测温过程经过的圆周数，横坐标colomns代表发动机每转采集温度点的个数，随着系统时间的增加。

在一示例中，扫描过程的进行顺序如图2所示。

经观察和分析，在测试过程中，测试时间内转速值的偏移分为两个分量：低频规律偏移和高频随机干扰。低频偏移分量决定了温度场图像中叶片的分段倾斜情况，高频随机干扰分量则使温度场中叶片扭曲并产生锯齿。

根据低频规律偏移和高频随机干扰，构造一副虚拟的涡轮叶片温度场图像。在一示例中，作为可能出现的温度场图像如图3所示。

步骤二：温度场图像的分割。

基准行：

设试验对象的叶片数为b_number，则选择数据中所有峰值数为的b_number的行，求取第m行相邻峰值间的b_number-1个坐标差gap_mn(m＝1～rows,n＝1～blade_number-1)，理想峰值坐标差为

利用如下公式求得叶片间隔与理想叶片间隔最接近的一行数据，将这一行作为基准行：

偏移量计算：

利用预设的偏移量计算方法，求取每行数据相对基准行需要进行的位移W，即得出每行相对基准行需要位移的像素个数。

由于叶片偏移时连续的，偏移量以相邻行的相对偏移量求解和表示，首先在每一行数据中，针对每一个叶片定义一个唯一的、可反映叶片一定特征的点，这个点可以是左/右边缘、温度峰值、温度谷值、高温区域中心点等。由于存在干扰和漏检，每行检测出的叶片特征点数可能不相等，将每行中检测到的特征点坐标存入数组中。

编写一个函数，输入量为相邻的两行特征点坐标，记为row1、row2，预设值threshold为相邻两行偏移的最大值，超过threshold则认为无对齐必要，输出量为row1对row2的相对偏移量p，其算法流程如图4所示。

构造2个简单数据r1、r2作为示例，假设选取特征为叶片的高温点，即检测每行中可能出现的叶片温度的峰值，两行出现4个叶片，r1在坐标为7处有一个非叶片的干扰点，r2中第二个叶片的中心点没有捕获到，相邻两行同一叶片位置之差的绝对值threshold为3，运行如下代码后：

r1＝[2,7,12,22,32]；

r2＝[1,21,31]；

[sum,p,count]＝f(r1,r2)；

结果为：sum＝-3；count＝3；p＝-1；

上述结果代表以r1、r2提供的位置信息进行计算，r1需移动-1个像素令r1、r2对齐。

以基准行为基准，设基准行为row_n,利用上述编写的函数计算

f(row_n-1,row_n),f(row_n-2,row_n-1).........f(row₁,row₂)，

依次求出从基准行向上每相邻两行需要的位移量；计算

f(row_n+1,row_n),f(row_n+2,row_n+1).........f(row_rows,row_rows-1)，

依次求出从基准行向下每相邻两行需要的偏移量。

通过累加、取整的方法求取每行数据相对基准行需要进行的位移W，即得出每行相对基准行需要位移的像素个数。

叶片粗略轮廓提取：

根据图像实际情况，选取最易提取且能反映叶片轮廓的特征，用于叶片的粗略轮廓提取。

在一示例中，以每行峰值位置作为叶片特征点，应用偏移量计算方法，可粗略求出所有叶片的扭曲轮廓，如图5所示。

在实际情况中，每个叶片温度的弦向峰值不一定在前缘或尾缘，故基于温度峰值提取出的轮廓仅作为分割叶片的参考，不用于图像处理计算。

叶片分割：

根据叶片的粗略轮廓，对b_number个叶片进行分割，然后将每个叶片图像单独存储。

在提取叶片信息时，为避免高温叶片与低温叶片对整体参数的影响，需要将所有叶片分割开来单独处理，利用偏移量计算方法得到叶片粗略轮廓，对b_number个叶片进行分割，将每个叶片图像单独存储。

步骤三：温度场图像边缘检测。

图像增强：

不规则的叶片存在与切割出来的矩形图像中，为凸显高温边缘区域，需要进行图像增强，消除掉值为0的黑色区域和叶片低温区域，仅保留视觉显著的高温边缘，将灰度值[min，max]区间内的像素线性映射到[0，1]区间内，灰度区间的选取可根据试验结果的不同进行预设，一般取[0.6，0.8]。

边缘检测：

温度场图像中被测叶片之间位置关系如图6所示，热区、冷区交汇处为叶片尾缘与叶背遮挡处，此处温度跨度大且能反映真实叶片形状，故选取此处作为叶片边缘检测的对象。

分别对单个叶片图像进行边缘检测，可根据实际情况设计边缘检测算子，在一示例中，边缘检测函数为Sobel算子，检测方向为水平方向，可提取单个叶片的高温边缘。

边缘检测提取出的边缘图像需剔除孤立点：若某一边缘点的n×n邻域内无其他边缘点，则剔除该点。

设定发动机叶片位置朝向，选右侧单侧边缘，即边缘图像中的每一行仅保留最右侧的点，删除其他检测到的边缘点，得到的结果可作为该叶片在1～m行中每一行的唯一位置定位。

叶片边缘拼接：

将所有叶片的边缘检测结果按原组成方式拼接到一起。

步骤四：温度场图像的处理：

温度场的精确偏移量：

利用边缘检测的结果，以边缘点作为叶片的特征点，以行为单位求解温度场图像的精确偏移量W(i)(i＝1～rows)。

温度场图像位置的修正：

获得精确偏移量后，采用删点/补点的方法修正数据。

即指定一种规则，在每一行数据中删除若干点，或以插入平均值的方式补充若干点，达到修正叶片偏移的目的，具体算法如下：

求位移量W的差分：

diff_W(i)＝W(i+1)-W(i)(i＝1～rows-1)

diff_W(i)表示第i+1行需要相对第i行进行位移的像素数，通过对第i行删/补点实现。

当diff_W(i)＝p＞0时，删除第i行的p个点；

当diff_W(i)＝p＜0时，补充第i行的p个点。

构造两个函数row2＝addp(row,p),row2＝delp(row,p)。addp函数的功能为：输入任意一维数据row，以及需要添加点的个数，依次求取变化量绝对值最小的相邻两点，在两点间插入一个点，值取两点的平均值，依此类推，插入p个点时结束，返回row2。delp函数的功能为：输入任意一维数据row，以及需要删除点的个数，依次求取变化量绝对值最小的相邻两点，删除第二个点，依此类推，删除p个点时结束，返回row2。两个函数作用演示如下：

row＝[1,2,4,7,5,3,2]；

addp(row,2)＝[1,1.5,2,4,7,5,3,2.5,2]；

delp(row,2)＝[1,4,7,5,3]；

将经过删补点的行数据连接到一起，合成一个一维长向量。比较此向量和原始数据的元素个数。若合成向量元素多于原始数据，则删除多余的元素；若合成向量元素少于原始数据，则用原始数据中最后一行所有元素的平均值补充到末尾。

最后，将新的数据重塑为rows×colomns大小的图像。

步骤五：温度场图像处理结果评价：

图像处理结果评价分为客观评价与主观评价：

客观评价：检查补点、删点个数之和与总数据点个数的比值，该比值不超过0.1％，比值过大的情况下认为算法本身对被测对象温度场造成了显著影响，应考虑重新计算；

主观评价：对比观察处理前后温度场图像扭曲现象的改善程度，若处理结果不理想，调整参数重新计算。

至此，已经结合附图所示的优选实施方式描述了本申请的技术方案，但是，本领域技术人员容易理解的是，本申请的保护范围显然不局限于这些具体实施方式。在不偏离本申请的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本申请的保护范围之内。

Claims (1)

1.一种涡轮叶片温度场图像处理方法，其特征在于，包括：

步骤一：温度场数据的显示与分析：

红外测温系统以二维的方式显示温度场图像，其中，纵坐标代表测温过程经过的圆周数，横坐标代表发动机每转采集温度点的个数；

经观察和分析，在测试过程中，测试时间内转速值的偏移分为两个分量：低频规律偏移和高频随机干扰；

根据低频规律偏移和高频随机干扰，构造一副虚拟的涡轮叶片温度场图像；

步骤二：温度场图像的分割：

设试验对象的叶片数为b_number，则选择数据中所有峰值数为的b_number的行，求取第m行相邻峰值间的b_number-1个坐标差gap_mn(m＝1～rows,n＝1～blade_number-1)，理想峰值坐标差为

利用如下公式求得叶片间隔与理想叶片间隔最接近的一行数据，将这一行作为基准行，

利用预设的偏移量计算方法，求取每行数据相对基准行需要进行的位移W，即得出每行相对基准行需要位移的像素个数；

根据图像实际情况，选取最易提取且能反映叶片轮廓的特征，用于叶片的粗略轮廓提取；

根据叶片的粗略轮廓，对b_number个叶片进行分割，然后将每个叶片图像单独存储；

步骤三：温度场图像边缘检测：

分别对单个叶片图像进行边缘检测；

边缘检测提取出的边缘图像需剔除孤立点：若某一边缘点的n×n邻域内无其他边缘点，则剔除该点；

设定发动机叶片位置朝向，选右侧单侧边缘，即边缘图像中的每一行仅保留最右侧的点，删除其他检测到的边缘点，得到的结果可作为该叶片在1～m行中每一行的唯一位置定位；

将所有叶片的边缘检测结果按原组成方式拼接到一起；

步骤四：温度场图像的处理：

利用边缘检测的结果，以边缘点作为叶片的特征点，以行为单位求解温度场图像的精确偏移量W(i)(i＝1～rows)；

获得精确偏移量后，采用删点/补点的方法修正数据；

将新的数据重塑为rows×colomns大小的图像；

步骤五：温度场图像处理结果评价：

图像处理结果评价分为客观评价与主观评价：

客观评价：检查补点、删点个数之和与总数据点个数的比值，该比值不超过0.1％，比值过大的情况下认为算法本身对被测对象温度场造成了显著影响，应考虑重新计算；

主观评价：对比观察处理前后温度场图像扭曲现象的改善程度，若处理结果不理想，调整参数重新计算。

Images