CN110537205A - 使用x射线系统对航空部件的无损检查 - Google Patents
使用x射线系统对航空部件的无损检查 Download PDFInfo
- Publication number
- CN110537205A CN110537205A CN201880026486.2A CN201880026486A CN110537205A CN 110537205 A CN110537205 A CN 110537205A CN 201880026486 A CN201880026486 A CN 201880026486A CN 110537205 A CN110537205 A CN 110537205A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- radioscopic image
- ndi
- reference component
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 230000029058 respiratory gaseous exchange Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 20
- 238000001514 detection method Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种利用用于采集航空部件的X射线图像的系统对航空部件进行无损检查的方法,该方法包括验证用于采集航空部件的X射线图像的系统,该验证包括以下步骤:对包括有预限定结构的已知参考部件(IQI)的X射线图像(IR)进行采集(E1);对采集到的X射线图像中的已知参考部件的预限定结构进行识别(E2、E3、E4、E5);基于识别步骤的结果来测量(E6)图像质量,其特征在于,对采集到的X射线图像中的已知参考部件的预限定结构进行识别包括以下步骤:使用从采集到的图像中提取的信息(E2、E4)以产生第一结构信息;以及通过使用马尔科夫链建模将第一结构信息与表示结构的先验知识的信息相结合(E3、E5)以产生第二结构信息。
Description
技术领域
本发明涉及使用X射线系统对航空部件的无损检查。该系统必须被周期性地验证以便保证其性能。
X射线系统的验证包括对标准化参考部件的X射线图像进行质量测量,该标准化参考部件被称为图像质量指示器。
背景技术
用于航空部件的无损检查的X射线系统的操作被周期性地验证,例如每个月一次。为此,操作者将参考部件放置于X射线采集系统的舱室中。该参考部件,也被称为量块,是例如达到ASTM E1025标准的图像质量指示器。X射线系统产生量块的X射线图像。
以已知的方式,操作者必须进行人工选择以便限定图像质量测量所涉及的图像的像素,这些像素取决于对X射线图像中的参考部件的识别。
然后分析被选择的像素的灰度值以便推导出图像质量测量。因此图像质量测量基于操作者的行为并因此不能完美地再现。
图像质量测量是依据X射线系统的老化或退化来评估的。该评估结果决定了用于提供部件的X射线图像的X射线系统的能力,X射线图像用于对这些部件的质量进行无损检查。因此重要的是提供对X射线系统的可再现的验证,而在已知系统中,由于操作者的干预,并不能提供可再现的验证。
发明内容
本发明的目的在于通过提供一种航空部件的无损检查的方法来解决现有技术的问题,该方法实现航空部件的X射线图像的采集系统,该方法包括验证航空部件的X射线图像的采集系统,该验证包括以下步骤:
对包括有预限定结构的已知参考部件的X射线图像进行采集;
对采集到的X射线图像中的已知参考部件的预限定结构进行识别;
根据识别步骤的结果来测量图像质量;
其特征在于,对采集到的X射线图像中的已知参考部件的预限定结构进行识别包括以下步骤:
使用从采集到的图像中提取的信息以产生第一结构信息;以及
通过采用马尔科夫链(Markov Chain)建模,将第一结构信息与表示结构的先验知识的信息相结合,以产生第二结构信息。
由于本发明,图像质量的测量是可再现的并且因此比根据现有技术更加可靠。实际上,没有操作者的行为来选择用于图像质量测量的像素。
根据优选的特征,已知参考部件的预限定结构包括至少一个孔,使用从采集到的图像中提取的信息包括将斑点检测器应用于表示采集到的图像的数据。
根据优选的特征,已知参考部件的预限定结构包括多个孔,表示结构的先验知识的信息包括孔之间的距离。
根据优选的特征,已知参考部件的预限定结构包括已知参考部件的轮廓,使用从采集到的图像中提取的信息包括将坎尼(Canny)检测器应用于表示采集到的图像的数据。
根据优选的特征,使用从采集到的图像中提取的信息还包括将霍夫变换(HoughTransformation)应用于坎尼检测器的应用的结果。
根据优选的特征,表示结构的先验知识的信息包括在已知参考部件的轮廓的部分之间的几何关系。
根据优选的特征,将第一结构信息与表示结构的先验知识的信息结合包括:使得分最大化,该得分依赖于表示结构的先验知识的信息。
本发明也涉及一种使用航空部件的X射线图像的采集系统对航空部件进行无损检查的设备,该设备包括用于验证航空部件的X射线图像的采集系统的装置,该用于验证的装置包括:
用于对X射线图像采集系统所采集到的X射线图像中的已知参考部件的预限定结构进行识别的装置;
用于根据识别步骤的结果来测量图像的质量的装置;
其特征在于,用于对速采集到的X射线图像中的已知参考部件的预限定结构进行识别的装置包括:
用于使用从采集到的图像中提取的信息以产生第一结构信息的装置,以及
用于通过采用马尔科夫链建模将第一结构信息与表示结构的先验知识的信息结合以产生第二结构信息的装置。
该设备具有与上文所述类似的优点。
在一个特别的实施例中,根据本发明的该方法的步骤由计算机程序指令来实施。
因此,本发明的目的还在于信息载体上的计算机程序,该程序能够在计算机中实施,该程序包括适于实施例如上文所述方法的步骤的指令。
该程序可以使用任意编程语言,并且可以以源代码、目标代码或在源代码和目标代码之间的中间代码的形式,例如以部分编译的形式,或者以任意其他期望的形式。
本发明还旨在提供可以由计算机读取的信息载体,并包括适用于实施例如上文所述的方法的步骤的计算机程序指令。
该信息载体是能够存储程序的任意实体或设备。例如,该载体可以包括存储的装置,例如ROM,如CD ROM或微电子电路的ROM,或者磁性记录装置,如软盘或硬盘驱动。
另一方面,信息载体可以是可以被传输的载体例如电或光信号,其可以通过无线电或其他方式经由电缆或光缆输送。该程序根据本发明可以特别地在互联网型的网络上下载。
可替换地,该信息载体可以是在其中结合了程序的集成电路,该电路适于执行或用于执行根据本发明的该方法。
附图说明
当阅读参考附图所描述的非限制性实施例给出的优选的实施例的以下描述时,本发明的其他特征和优点会显现,其中:
图1示出了根据本发明实施例的一种通过航空部件的X射线图像的采集系统对航空部件进行无损检查的方法,
图2示出图像指示器的示例,
图3示出了根据本发明实施例通过马尔科夫链对图像质量指示器的三个孔的检测问题的模型,
图4示出了根据本发明实施例的一种通过航空部件的X射线图像的采集系统对航空部件进行无损检查的设备的实施例。
具体实施方式
根据优选的实施例,在图1中示出一种通过航空部件的X射线图像的采集系统对航空部件进行无损检查的方法,该方法包括步骤E1至E6。
对航空部件进行无损检查的方法通常包括实施航空部件的X射线图像的采集系统。这里仅关注对航空部件的X射线图像的采集系统的验证。无损检查的方法的其他方面将不做描述。
步骤E1是已知参考部件的X射线图像IR的采集,该参考部件是图像质量指示器IQI。图2示出这样一种指示器,其以矩形截面的量块的形式包括具有不同半径的三个圆柱形孔。该图像质量指示器在标准ASTM E1025中进行标准化。该图像质量指示器的特征在于其侧面的尺寸、其孔的位置和直径以及孔的中心之间的距离,相对于标准具有一定的公差。这些特征构成了已知参考部件的预限定结构。当然,具有其他几何结构的特征的其他图像质量指示器可在本发明的框架中使用。
图像质量指示器IQI的X射线图像IR是常规形成的,拍摄图像本身将不会在本文中描述。
步骤E2是使用X射线图像IR的数据以对图像中或后者感兴趣的区域中的三个孔进行检测。三个孔一个接着另一个被检测。孔的检测是在X射线图像IR中检测半径为r的圆,并且通过将斑点检测器应用至表示X射线图像的数据来实现。这是高斯(Gaussian)滤波器的拉普拉斯算子,其是图像与核心的卷积,该核心是高斯的二阶导数。该滤波器具有单个的参数,即是高斯的标准偏差σ。该参数也被认为是滤波器的比例因子。该滤波器的核心是具有两个变量x和y的函数,表示如下:
其中,x和y表示二维空间中的坐标。
高斯滤波器的拉普拉斯算子的参数σ根据以下公式取决于待检测的圆的半径r:
当拉普拉斯算子的零点与半径为r的圆对准时,高斯滤波器的拉普拉斯算子的响应最大。
实际上,待检测的圆的半径r是未知的。为了在图像中检测未知半径的圆,通过变换参数σ数次应用高斯滤波器的拉普拉斯算子,并且滤波器的最大响应得出孔的半径r。然而,当标准偏差σ增加时滤波器的响应下降。由于拉普拉斯算子是高斯的二阶导数,为了保持相同的响应(比例不变),因此滤波器被乘以σ2。
斑点检测器使得能够针对所处理的图像的每个像素确定该像素为三个孔中每一个的中心的概率。
实际上,斑点检测器的响应相对于初始X射线图像是与初始图像具有相同尺寸的新图像。针对给定半径的给定孔,在该新图像中每个像素的值表示该像素是所讨论的孔的中心的概率。为了得到孔的中心位置,搜索对滤波器的响应最大的像素的位置就足够了。
步骤E2的结果为具有相同图像尺寸的三个概率图,其中的每一个都与孔相关。在这些概率图的每一个中,像素的值表示成为所讨论的圆的中心的概率。通过搜索每个概率图的最大值,可以找到三个孔中每一个的中心。
接下来的步骤E3是步骤E2的结果与表示图像质量指示器IQI的先验知识的信息的结合,以使步骤E2的结果更具鲁棒性。
图片质量指示器的先验知识是一组关于图像质量指示器的几何结构配置的信息。该组信息特别地包括三个孔的中心之间的距离和对准,具有在标准ASTM E1025中被限定的公差范围。
两个给定孔的两个中心分别位于位置x1和x2,其具有标称距离和实际距离相对于标称距离的公差范围σ,距离和公差范围σ在标准ASTM E1025中规定。两个中心之间的实际距离相对于标称距离的偏差由以下的高斯形函数来测量。
如果该函数的值为零,则这意味着所考虑的两个孔的两个中心之间的实际距离等于该函数的值越高,则所考虑的两个孔的两个中心之间的距离越不同于由标准ASTME1025所限定的标称值。
步骤E2的结果和三个孔的中心之间的距离的先验知识以及它们的对准的先验知识由马尔科夫链结合。
为此,考虑三个孔由它们各自的中心x1,x2和x3以及表示三个孔的布置的配置的随机向量X={x1,x2,x3}所限定。
图3表示马尔科夫链,其中,节点表示待检测的孔的中心,节点之间的边线表示孔的中心之间的距离约束。
目的在于找到向量X的实现,使其表示三个孔中心的概率最大化。
为此,贝叶斯定理使得能够表达在已知被标注为I的图像的情况下向量X的后验概率:
P(XI)=P(IX)P(X)
其中,P(X)表示向量X的先验概率,P(IX)表示已知X的I的后验概率。
然后使用向量X由马尔科夫链表示的事实:
P(X|I)=P(I|x1)P(I|x2)P(I|x3)P(x1,x2)P(x2,x3)
前面表达式的每一个概率都由各自的势函数来建模。由于这些函数不是必须介于0到1之间,因此应用标准化常数Z。因此前面的表达式变为:
在该表达式中,函数φ1,φ2,φ3分别是针对滤波的每个孔的响应,并与孔的半径(步骤E1)对应。函数ψ1,2在上文中呈现,函数ψ2,3将中心x2和x3与中心x1和x2的方向之间的标称距离考虑进去。该函数为:
其中,(h2,v2)和(h3,v3)是中心x2和x3的坐标,σ1和σ2是公差范围,是范数为中心x2和x3之间的标称距离的向量。
为了使向量X表示三个孔的中心的概率最大化,基于孔的中心位置和孔的距离和对准来限定得分等于log(P(X|I))。该得分的最大化提供了孔的中心的位置。
该得分的最大化由基于动态规划的优化器来实现。该优化器保证收敛到全局优化并且不需要初始化。动态规划基于使用问题的结构用于将问题分解为更易于解决的子问题。该得分的最大化是递归进行的。子问题即是搜索其中一个孔的中心的位置。因此在所述示例中,有三个子问题。
每个子问题都是根据其中一个孔的中心的位置的“部分”得分的最大化。第一个子问题的解决方案用于解决第二个子问题,第二个子问题的解决方案自身用于解决第三个子问题。最终的结果是问题的解决,即三个孔的中心的位置使由马尔科夫链限定的得分最大化。
步骤E3的结果是在X射线图像中三个孔的中心的精确位置。
应用相同的机制以便检测图像质量指示器的其他特征。步骤E3之后是步骤E4,该步骤使用X射线图像IR的数据以便检测X射线图像IR中图像质量指示器IQI的轮廓。
检测图片质量指示器的轮廓是检测X射线图像中已知尺寸的矩形。
坎尼检测器应用在图像上以便检测其主要的突出轮廓。
注意到所使用的坎尼滤波器不一定经过优化。因此坎尼滤波包括高斯滤波,高斯滤波的标准偏差选择为等于图像质量指示器的宽度的1%。坎尼滤波也包括轮廓的滞后阈值。选择两个阈值以便仅保留图像中被认为是属于轮廓的像素的最大预定百分数。
坎尼滤波的结果是二进制图像,其中像素的两个可能值一个归属于属于轮廓的像素,另一个归属于不属于该轮廓的像素。
霍夫变换应用于二进制图像,以便形成霍夫累加器(Hough Accumulator)。
霍夫空间(Hough Space)是一个二维空间,其中,每条直线由坐标(ρ,θ)来表示,其中,ρ表示图像中心的直线的距离,θ表示该直线的垂直线与图像的横坐标轴所形成的角度。
二进制图像的每个非零像素(即属于图像质量指示器的轮廓)投票赞成通过该点的所有直线。结果是在霍夫空间的每个坐标上的投票的累加。
图像质量指示器在二进制图像中形成矩形,因此该四段直线两两平行,两两垂直。这四段直线由霍夫空间的四个点来表示。二进制图像和霍夫空间之间的对应规则如下。两个平行的直线由在霍夫空间中具有相同横坐标的点来表示。表示平行的直线的霍夫空间的两个点的坐标的不同是这些直线之间的距离。两个垂直的直线由在霍夫空间中横坐标相隔π/2的点来表示。
投票的最大值在霍夫累加器上形成顶点并表示在二进制图像中检测到的最长的直线。这些顶点形成备选直线以形成图像质量指示器的轮廓矩形。
如果两个顶点具有相同的横坐标,这意味着由这两个顶点来表示的直线是平行的。如果在累加器上两个顶点在横坐标上相差绝对值90°,这意味着由这两个顶点来表示的直线是垂直的。
实际上,在图像中搜索的矩形不一定在字面上遵循这些约束。一方面是因为霍夫空间的离散空间(采样),另一方面是因为相对于图像质量指示器的几何属性的授权的灵活性。因此,考虑到关于这些约束的一定公差是合适的。在累加器上搜索的四个点必须两两具有相同的横坐标(在一定公差内),先头的两个点相对于后两个点必须相差90°(在一定公差内)。
更准确地说,这涉及到在霍夫累加器上对四个点{X1,X2,X3,X4}的搜索。每个点Xi由其在霍夫空间中的坐标(ρi,θi)来表示。为了使这些点表示一个矩形,必须满足以下条件:
θ1=θ2
θ3=θ4
|θ2-θ3|=π/2
步骤E4之后是步骤E5,其中,步骤E4的结果与表示图像质量指示器的先验知识的信息的结合,以使步骤E4结果更具鲁棒性。
针对图像中可以检测到的任意矩形,验证上述的约束。在此,搜索仅限于包含图像质量指示器的矩形。该矩形的宽度W和长度L在一定公差内是预先已知的。这些值可以在霍夫累加器上找到。图像质量指示器的宽度W是表示在霍夫累加器上的矩形的先前两个点的坐标ρ1和ρ2的差的绝对值。图像质量指示器的长度L是表示在后两个点的坐标ρ3和ρ4的差的绝对值。这转化为以下等式:
|ρ1-ρ2|=W
|ρ3-ρ4|=L
为了解出这些等式,在霍夫累加器上搜索四个点的问题由马尔科夫链来建模。该链包括四个节点,该四个节点是搜索的四个点。节点之间的联络表示在坐标上点的几何约束。
然后在霍夫累加器上搜索四个点的问题由得分的最大化来解决:
具有一个变量U(Xi)的函数是霍夫累加器。对在霍夫累加器上具有最大得分的点的搜索保证这些点表示由坎尼检测器检测的直线。
具有两个变量的函数与在所搜索的四个点之间的几何约束对应。这些函数表示惩罚,这种惩罚随着远离函数的两个变量之间的标称位移而增加。更准确地说,有:
其中,X1和X2是霍夫累加器上的点,其表示矩形的两条直线,这两条直线是平行的,这两条线之间的距离等于W。对于满足该属性的每对点,函数为零,并且随着点远离该配置函数变得越来越负。
在函数中,X3是霍夫累加器上的点,其表示矩形的直线,该直线垂直于由点X2表示的矩形的直线。
最后一个函数被写为:
其中,X3和X4是霍夫累加器上的点,其表示矩形的两条直线,这两条线是平行的,并且这两条线之间的距离等于L。
在这三个前述函数中的每一个中,术语σ1、σ2、σ3和σ4是在搜索宽度为W且长度为L的矩形时的公差。
然后应用推理/优化算法以便使得分函数最大化,即找到值使得:
该问题被描述为离散的马尔科夫场,其结构是链,并通过动态规划算法来解决。该算法提供四个点的坐标作为输出,使得分函数最大化(全局最大化)。
这四个点提供了图像质量指示器的图像中四个对应直线的极坐标方程。然后通过计算四条直线的交点来计算计算矩形四个顶点的坐标。
然后步骤E5的结果是X射线图像中图像质量指示器的轮廓。
接下来的步骤E6是使用图像中对图像质量指示器的识别来测量在X射线图像上取得的图像质量。图片质量的测量本身是常规的,不在此处描述。
图4根据一个实施例示出一种通过航空部件的X射线图像的采集系统对航空部件进行无损检查的特别的实施例。
该设备包括用于对本身已知的航空部件的X射线图像进行采集的系统90,在此处不对其进行描述。该设备还包括用于验证航空部件的X射线图像的采集系统的装置。该装置具有计算机的一般结构。其特别包括执行电脑程序的处理器100(该电脑程序实现根据本发明的本方法)、存储器101、输入界面102和输出界面103。
这些多个元件通常由总线105来连接。
输入界面102连接至X射线图像采集系统90并要接收表示待处理的图像质量指示器的X射线图像的数据。
处理器100执行上文提及的处理。该处理在由处理器100执行之前,以由存储器101存储的计算机程序的代码指令的形式来实现。
输出界面103传送表示图像质量测量结果的数据。
Claims (10)
1.一种使用航空部件的X射线图像的采集系统对所述航空部件进行无损检查的方法,其中,所述方法包括验证所述航空部件的X射线图像的采集系统,所述验证包括以下步骤:
对包括有预限定结构的已知参考部件(IQI)的X射线图像(IR)进行采集(E1);
对采集到的X射线图像中的所述已知参考部件的所述预限定结构进行识别(E2、E3、E4、E5);
根据所述识别步骤的结果来测量(E6)所述图像的质量;
其特征在于,对采集到的X射线图像中的所述已知参考部件的所述预限定结构进行识别包括以下步骤:
使用从所述采集到的图像中提取的信息(E2、E4)以产生第一结构信息;以及
通过采用马尔科夫链建模,将所述第一结构信息与表示所述结构的先验知识的信息相结合(E3、E5),以产生第二结构信息。
2.根据权利要求1所述的无损检查的方法,其中,所述已知参考部件的所述预限定结构包括至少一个孔,其特征在于,使用所述从所述采集到的图像中提取的信息(E2)包括:将斑点检测器应用于表示所述采集到的图像的数据。
3.根据权利要求2所述的无损检查的方法,其中,所述已知参考部件的所述预限定结构包括多个孔,其特征在于,表示所述结构的先验知识的所述信息包括孔之间的距离。
4.根据权利要求1所述的无损检查的方法,其中,所述已知参考部件的所述预限定结构包括所述已知参考部件的轮廓,其特征在于,使用从所述采集到的图像中提取的信息包括:将坎尼检测器应用于表示所述采集到的图像的数据。
5.根据权利要求4所述的无损检查的方法,其特征在于,使用所述从所述采集到的图像中提取的信息还包括:将霍夫转换应用于坎尼检测器的应用的结果。
6.根据权利要求4或5所述的无损检查的方法,其特征在于,表示所述结构的先验知识的所述信息包括所述已知参考部件的所述轮廓的部分之间的几何关系。
7.根据权利要求1至6中任一项所述的无损检查的方法,其特征在于,将所述第一结构信息与所述表示所述结构的先验知识的信息相结合包括:使得分最大化,该得分依赖于表示所述结构的先验知识的信息。
8.一种使用航空部件的X射线图像的采集系统对航空部件进行无损检查的设备,其中,所述设备包括用于验证航空部件的X射线图像的采集系统的装置,该用于验证的装置包括:
用于对所述X射线图像的采集系统所采集到的X射线图像中的已知参考部件的预限定结构进行识别的装置;
用于根据识别步骤的结果来测量所述图像的质量的装置;
其特征在于,用于对所采集到的X射线图像中的已知参考部件的预限定结构进行识别的装置包括:
用于使用从所采集到的图像中提取的信息以产生第一结构信息的装置,以及
用于通过采用马尔科夫链建模将所述第一结构信息与表示所述结构的先验知识的信息相结合以产生第二结构信息的装置。
9.一种计算机程序,包括指令,当所述计算机程序由计算机执行时,所述指令用于执行根据权利要求1至7中任一项所述的方法的步骤。
10.一种能够由计算机读取的记录载体,该记录载体上记录有包括指令的计算机程序,所述指令用于执行根据权利要求1至7中任一项所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1752283A FR3064069B1 (fr) | 2017-03-20 | 2017-03-20 | Controle non destructif de pieces aeronautiques par un systeme de radiographie |
FR1752283 | 2017-03-20 | ||
PCT/FR2018/050635 WO2018172670A1 (fr) | 2017-03-20 | 2018-03-16 | Controle non destructif de pieces aeronautiques par un systeme de radiographie |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110537205A true CN110537205A (zh) | 2019-12-03 |
CN110537205B CN110537205B (zh) | 2024-01-12 |
Family
ID=58707863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880026486.2A Active CN110537205B (zh) | 2017-03-20 | 2018-03-16 | 使用x射线系统对航空部件的无损检查 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11127128B2 (zh) |
EP (1) | EP3602486B1 (zh) |
CN (1) | CN110537205B (zh) |
FR (1) | FR3064069B1 (zh) |
WO (1) | WO2018172670A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01207610A (ja) * | 1988-02-15 | 1989-08-21 | Mazda Motor Corp | 車体部品の基準位置計測方法 |
WO1998040847A1 (en) * | 1997-03-11 | 1998-09-17 | Delft Instruments Intellectual Property B.V. | Method for correcting image distortion in an x-ray image |
WO2008139167A2 (en) * | 2007-05-11 | 2008-11-20 | Cameron Carpenter | Radiological quality assurance phantom |
CN101739568A (zh) * | 2009-11-04 | 2010-06-16 | 北京交通大学 | 基于分层观测向量分解的隐马尔科夫模型的行为识别方法 |
CN101796529A (zh) * | 2007-04-20 | 2010-08-04 | 电信联合大学国立电信学院 | 比较图像特别是虹膜识别的方法以及实现通过应用统计学习模型确定的至少一个质量测度的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6658089B1 (en) * | 2002-07-11 | 2003-12-02 | General Electric Company | System and method for image identification and quality indication for radiographic inspection |
EP1886257A1 (en) * | 2005-05-11 | 2008-02-13 | Optosecurity Inc. | Method and system for screening luggage items, cargo containers or persons |
US8131107B2 (en) * | 2008-05-12 | 2012-03-06 | General Electric Company | Method and system for identifying defects in NDT image data |
US8411982B2 (en) * | 2010-02-16 | 2013-04-02 | Dialogic Corporation | Universal blurriness measurement approach for digital imagery |
US9952340B2 (en) * | 2013-03-15 | 2018-04-24 | General Electric Company | Context based geo-seismic object identification |
US9152860B2 (en) * | 2013-05-10 | 2015-10-06 | Tantrum Street LLC | Methods and apparatus for capturing, processing, training, and detecting patterns using pattern recognition classifiers |
US10335091B2 (en) * | 2014-03-19 | 2019-07-02 | Tactonic Technologies, Llc | Method and apparatus to infer object and agent properties, activity capacities, behaviors, and intents from contact and pressure images |
US10607147B2 (en) * | 2016-06-15 | 2020-03-31 | Arm Limited | Estimating a number of occupants in a region |
-
2017
- 2017-03-20 FR FR1752283A patent/FR3064069B1/fr not_active Expired - Fee Related
-
2018
- 2018-03-16 WO PCT/FR2018/050635 patent/WO2018172670A1/fr unknown
- 2018-03-16 CN CN201880026486.2A patent/CN110537205B/zh active Active
- 2018-03-16 US US16/494,818 patent/US11127128B2/en active Active
- 2018-03-16 EP EP18714325.0A patent/EP3602486B1/fr active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01207610A (ja) * | 1988-02-15 | 1989-08-21 | Mazda Motor Corp | 車体部品の基準位置計測方法 |
WO1998040847A1 (en) * | 1997-03-11 | 1998-09-17 | Delft Instruments Intellectual Property B.V. | Method for correcting image distortion in an x-ray image |
CN101796529A (zh) * | 2007-04-20 | 2010-08-04 | 电信联合大学国立电信学院 | 比较图像特别是虹膜识别的方法以及实现通过应用统计学习模型确定的至少一个质量测度的方法 |
WO2008139167A2 (en) * | 2007-05-11 | 2008-11-20 | Cameron Carpenter | Radiological quality assurance phantom |
CN101739568A (zh) * | 2009-11-04 | 2010-06-16 | 北京交通大学 | 基于分层观测向量分解的隐马尔科夫模型的行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110537205B (zh) | 2024-01-12 |
US11127128B2 (en) | 2021-09-21 |
EP3602486A1 (fr) | 2020-02-05 |
US20200082519A1 (en) | 2020-03-12 |
FR3064069A1 (fr) | 2018-09-21 |
WO2018172670A1 (fr) | 2018-09-27 |
EP3602486B1 (fr) | 2021-04-28 |
FR3064069B1 (fr) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8965114B2 (en) | Object recognition apparatus, object recognition method, learning apparatus, learning method, storage medium and information processing system | |
Yu et al. | Fast bridge deflection monitoring through an improved feature tracing algorithm | |
EP3239931A1 (en) | Image processing apparatus and image processing method | |
Wujanz et al. | Identification of stable areas in unreferenced laser scans for deformation measurement | |
JP7059883B2 (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
JP2012113353A (ja) | 特定領域選択装置、特定領域選択方法及びプログラム | |
JP2015002547A (ja) | 画像処理装置、プログラム、および画像処理方法 | |
CN110992363A (zh) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 | |
JPWO2009001876A1 (ja) | 特徴属性計算装置、特徴量抽出装置とパターン照合装置と方法及びプログラム | |
JP6547903B2 (ja) | 画像処理装置、画像処理方法及び記憶媒体 | |
CN111758117A (zh) | 检查系统、识别系统以及学习数据生成装置 | |
JP2018067188A (ja) | カメラ情報修正装置、カメラ情報修正方法、及びカメラ情報修正プログラム | |
Ye et al. | Method for automatic railway track surface defect classification and evaluation using a laser‐based 3D model | |
CN117589109B (zh) | 石英中心托盘制作工艺的质量检测与控制方法 | |
CN113554645A (zh) | 基于wgan的工业异常检测方法和装置 | |
CN109829401A (zh) | 基于双拍摄设备的交通标志识别方法及装置 | |
CN110537205A (zh) | 使用x射线系统对航空部件的无损检查 | |
JP2019192299A (ja) | カメラ情報修正装置、カメラ情報修正方法、及びカメラ情報修正プログラム | |
CN110017998A (zh) | 车辆检测方法、装置和设备 | |
Huo et al. | VDDNet: An object detection model for measuring the vibration displacement of rotating structure | |
CN112834569A (zh) | 一种实时检测焊接气孔的方法与设备 | |
US20220253735A1 (en) | Method for simulation assisted data generation and deep learning intelligence creation in non-destructive evaluation systems | |
CN103020601B (zh) | 高压线视觉检测方法和装置 | |
CN113808097B (zh) | 一种列车的关键部件丢失检测方法及其系统 | |
CN113642565B (zh) | 对象检测方法、装置、设备及计算机可读存储介质 |
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 |