CN110832311A - 用于非破坏性检查玻璃纤维和非金属管的装置和方法 - Google Patents

用于非破坏性检查玻璃纤维和非金属管的装置和方法 Download PDF

Info

Publication number
CN110832311A
CN110832311A CN201880044681.8A CN201880044681A CN110832311A CN 110832311 A CN110832311 A CN 110832311A CN 201880044681 A CN201880044681 A CN 201880044681A CN 110832311 A CN110832311 A CN 110832311A
Authority
CN
China
Prior art keywords
thermal
sample
training
images
infrared camera
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
Application number
CN201880044681.8A
Other languages
English (en)
Inventor
A.S.阿尔-奥马里
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.)
Saudi Arabian Oil Co
Original Assignee
Saudi Arabian Oil Co
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 Saudi Arabian Oil Co filed Critical Saudi Arabian Oil Co
Publication of CN110832311A publication Critical patent/CN110832311A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • 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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Radiation Pyrometers (AREA)

Abstract

用于检查复合材料结构的缺陷的系统和方法包括：a)检查设备，其具有用于加热结构表面的加热装置、用于响应于加热从表面接收辐射的红外相机、被配置成从红外辐射生成热图像的控制器；b)训练系统，其包括用于从已知的复合材料样品获得热图像的装置，该装置包括多个加热元件，所述加热元件定位成向样品的整个表面施加热，用于捕获样品的热图像的红外相机，和用于将热图像记录在训练数据库中的处理系统；和c)计算机系统，其联接到训练系统和检查设备，所述计算机系统适于接收来自检查设备的热图像，并且使用训练数据库检测在结构中的缺陷的参数。

Description

用于非破坏性检查玻璃纤维和非金属管的装置和方法
发明领域
本发明涉及材料检查和表征，并且具体地涉及用于检查复合材料结构的设备、系统和方法。
背景技术
复合材料(Composite materials)(在下文中“复合材料(composites)”)由于其耐腐蚀性目前在许多工业应用中用作金属材料的替代物。举例来说，在石油和天然气工业中，复合材料用于长丝缠绕复合材料结构，如管道和容器罐。这种复合材料的例子包括增强热固性树脂(RTR)管(玻璃纤维)、纤维增强聚合物(FRP)系统、玻璃增强聚合物(GRP)和玻璃增强环氧树脂(GRE)。在图14A和14B中示出了由复合材料制成的管的一部分的横截面和侧视图。尽管在低压烃应用中普遍使用复合材料，但由于难以监测结构完整性，在高压应用中使用复合材料一直存在阻力。
鉴于复合材料对某些类型的损坏的敏感性，特别是在高压应用中，定期检查复合材料以测试这类损坏是否已经发生或正在积累是重要的。还要求检查为非破坏性的，因为采用中断现场结构的持续操作的侵入性技术是不可行的。合适的非破坏性试验(NDT)技术应能够准确检测在复合材料中的典型缺陷、易于应用，并且允许快速和自动检测大面积。对于这类技术来说，提供具有最小表面准备的在役检查也将是有利的。
在常见的NDT技术中，红外热成像作为候选突出，因为它提供无接触测量(不需要联接介质)、全局和聚焦区域扫描、快速采集和容易操作。迄今为止，红外热成像设备灵敏度的局限性限制此技术的定性和边界检查，这两种检查都无法提供准确的缺陷尺寸、深度数据或任何夹带介质的性质数据，并且限于检测位于靠近检查结构的表面的缺陷。
因此，需要一种非破坏性技术，用于以精确的定量的方式快速、可靠并且成本有效地检测复合材料结构。本发明解决此需要和相关需要。
发明内容
根据一个实施例，本发明提供了一种用于检查复合材料结构的缺陷的系统。系统包含：a)检查设备，其包括用于加热结构表面的区段的加热装置、用于响应于加热从表面接收红外辐射的红外相机、被配置成从接收的红外辐射生成热图像的控制器、和通信装置；b)训练系统，其包括用于从已知的复合材料样品获得热图像的装置，该装置包括多个加热元件，所述加热元件定位成向样品的整个表面施加热，用于在加热时捕获样品的热图像的红外相机，和用于将捕获的热图像记录在训练数据库中的处理系统；和c)计算机系统，其通信地联接到训练系统和检查设备，所述计算机系统适于接收从检查设备接收的热图像，并且使用训练数据库检测在结构中的缺陷的定量参数。
在一些实施例中，训练系统的加热元件被布置在至少一个圆形轨道上并且以360度的方式围绕样品。
在一些实施例中，计算机系统通过比较红外相机与结构表面上的点之间的距离来确定缺陷的可能存在，该距离基于a)热图像相对于b)训练数据库中的图像计算出。在一些实施方式中，如果红外相机和表面上的点之间的距离之间存在阈值差异，如由热图像相对于训练数据库中的图像计算出的，则计算机系统会向检查人员发出警报。
在一些实施例中，红外相机可绕样品的圆周移动，并且可操作以从样品的整个圆周获取热图像。用于获得热图像的装置还可以包括圆形滑动器，红外相机可滑动地连接在圆形滑动器上，从而以整个360度围绕样品周向移动。
该复合材料结构是由复合材料制成的管。在一些实施方式中，复合材料是增强的热固性树脂(RTR)、纤维增强的聚合物(FRP)、玻璃增强的聚合物(GRP)和玻璃增强的环氧树脂(GRE)中的一种。
本发明还提供一种检查复合材料结构的缺陷的方法，包括该方法包括通过用多个加热元件加热已知的复合材料样品来训练热图像数据库，并使用红外相机从样品中捕获所得的热图像；加热要检查的结构；捕获结构的热图像；将热图像传送到耦合到热图像数据库的计算系统；将捕获的热图像与热图像数据库中的图像进行匹配；以及在计算系统上，通过将结构的热图像与热图像数据库中匹配的热图像进行比较来确定结构中是否存在缺陷。在一些实施例中，结构的整个圆周被加热。
确定是否存在缺陷的步骤可以包括将红外相机与结构表面上的点之间的距离进行比较，该距离基于捕获的热图像相对于训练数据库中的匹配的图像计算出。在一些实施方式中，该方法还包括：如果红外相机和表面上的点之间的距离之间存在阈值差异，如由捕获的热图像相对于训练数据库中的匹配的图像计算出的，则向检查人员发出警报。
红外相机可以围绕样品的圆周移动，以从整个表面获取热图像。
这些和其它方面、特征和优点可以从本发明的某些实施例和附图以及权利要求书的以下描述中了解。
附图说明
图1为根据本发明的示例性实施例用于使用定量红外热成像检查复合材料结构的系统的示意图。
图2A为根据本发明的检查设备的示例性实施例的透视图。
图2B为根据本发明的检查设备的另一个示例性实施例的透视图，所述检查设备可绕检查的结构周向移动。
图2C为根据本发明的检查设备的另一个示例性实施例的透视图，所述检查设备可沿检查的结构周向和纵向移动。
图3为示出根据本发明示例性实施例的检查设备的检查单元(底盘)的组件的示意图。
图4A为可在根据本发明的检查设备中采用的加热装置和红外相机的实施例的示意图。
图4B为示出根据脉冲热成像激活的示例性激活输入(上)和红外响应(下)的曲线图。
图4C为示出根据锁定热成像激活的示例性激活输入(上)和红外响应(下)的曲线图。
图5为根据本发明的示例性实施例训练专家系统以使虚拟热成像与建模缺陷(RVE)的特性相关的方法的流程图。
图6为根据本发明的示例性实施例生成缺陷微结构数据库(DVDB)的方法的示意性流程图。
图7A为根据本发明的示例性实施例的代表性体积元素(RVE)的示意性透视说明。
图7B为沿轴线A截取的图7A的RVE的截面视图。
图7C为沿轴线B截取的图7A的RVE的截面。
图8为根据本发明的示例性实施例自动生成优化的采集参数的方法的流程图。
图9为根据本发明的示例性实施例生成虚拟热成像数据库(VTDB)的方法的示意性流程图。
图10A为用于存储根据本发明实施例生成的热成像数据的示例性矩阵数据结构的示意性说明。
图10B为对于具体RVE的图10A的矩阵数据结构的实施例的示意性图解说明。
图11为可在根据本发明的实施例的专家系统训练方法中采用的示例性神经网络的示意图。
图12为用于根据本发明示例性实施例实时检查结构的方法的流程图。
图13为根据本发明示例性实施例使用专家系统分析采集的热成像以得到缺陷参数的过程的示意图。
图14A是由复合材料制成的管道的一部分的垂直截面的照片。
图14B是由复合材料制成的管道的一部分的前视图。
图15A是示出根据本发明的检查设备的示例性应用的透视图，该检查设备用于在现场检查安装的管道。
图15B是示出根据本发明的检查设备的另一示例性应用的透视图，该检查设备用于检查在生产线中正生产的管道。
图16A是根据本发明的实施例的用于训练数据库的用于捕获复合材料样品的热图像的装置的端视图的照片。
图16B是示出被定位成捕获复合材料样品的图像的红外相机的照片。
图17是根据本发明的实施例的直接训练系统的示意图。
图18是根据本发明的一个实施例的使用训练数据库检查复合材料的方法的流程图。
具体实施方式
公开一种使用红外热成像可靠并且定量地检查结构的系统方法。本文公开的方法特别适用于检查复合材料。在一些实施例中，检查系统包括三种不同元件：1)训练系统，其包括在受控的环境中加热的已知复合材料结构的整个圆周的拍摄的热图像或者a)建模复合材料的结构缺陷，b)执行建模缺陷对加热如何反应的数学模拟，并且这生成示出建模缺陷随时间的温度变化的虚拟热成像(图像指示温度)和c)使用机器学习方法使虚拟热成像与建模缺陷的参数相关，生产可访问的虚拟热成像数据库；2)检查设备，其在结构的部位处使用，并且包括向结构表面的区段施加热的加热元件，和记录从加热的表面的区段发射的红外辐射的记录装置；和3)现场计算机系统，其从检查设备接收记录的红外辐射的热图像；和c)通过将热图像与训练系统中的图像进行比较定量确定接收的热图像的参数。参考说明的实施例讨论系统的额外细节。
所公开的系统提供一种检测易于实施的具有大表面和/或扩展表面的复合结构上的缺陷的问题的集成解决方案，提供快速检查，并且为经济有效的。
作为初步事项，术语“热成像”和“热谱图”在本文中可互换，并且两者都可解释为由红外相机或传感器采集的表面区域的图像，其中颜色、色调、灰度或其它区分标记指示具体的温度或温度范围。
检查系统
转到图1，示出用于使用定量红外热成像检查复合材料结构的系统100的实施例。系统100包括接近于结构的表面区段115定位的检查设备110，所述结构可由复合材料制备。下文更详细地描述的设备加热表面区段115并且检测和记录响应于加热从区段115发射的红外辐射。检查设备110通信地，优选地无线，但是任选地通过有线连接联接到计算机系统120。计算机系统120可操作以接收和处理通过检查设备记录的数据，并且还通信地联接到训练系统130。计算机系统120使用从检查设备110接收的数据和从训练系统130接收的相关性信息作为缺陷识别和量化模块(IDQ)122的输入，这生成提供在结构表面上识别的任何缺陷的类型、大小、深度、取向和夹带的介质信息的缺陷量化报告。计算机系统120可使用具有足够处理和存储器资源的任何计算装置(例如，单核或多核处理器和固态存储器)现场实施，包括膝上型计算机、平板计算机或在现场检查期间容易访问的任何其它计算装置。
在一个实施例中，训练系统130包括至少一个处理器及图像捕获设备。该设备在受控的热和环境条件下从已知样品获得热图像。处理器根据样品的已知材料特性以及训练设置的热和环境参数来表征热图像。从而收集并存储使热图像与材料和热参数相关联的训练数据库。
在另一实施例中，训练系统130包括至少一个可操作以实行若干模块的处理器。如下文将更详细地描述，模块包括缺陷微结构数据库(DMDB)模块132，其包含使至少一个处理器使用相关输入来生成一组建模结构缺陷的代码，数据库的每个缺陷具有具体类型、大小、深度、取向和夹带的介质。缺陷存储在关联的DMDB数据库中。训练系统130还包括虚拟热成像数据库(VTDB)模块134，其包含使至少一个处理器运行数学模拟的代码，所述数学模拟计算在DMDB数据库132内的微结构缺陷对加热的预期响应，并且这使至少一个处理器从每个微结构的预期红外辐射发射生成虚拟热成像。虚拟热成像存储在VTDB数据库中。训练系统130还包括专家系统模块136，其实行如可在处理器中实施的机器学习算法(例如，作为计算机代码)，如神经网络，以使通过VTDB模块134输出的虚拟热成像与在DMDB数据库132中的缺陷的参数相关。优化的采集参数(OAP)模块138包含使至少一个处理器基于包括检查的复合材料的特性和环境以及操作条件自动确定用于控制检查设备110的最佳参数的代码，所述最佳参数包括最佳加热参数，如加热模式、加热时间、采集时间、热通量等。模块132、134、136、138可包括和/或利用处理资源来实行生成数据的计算机程序指令，并且还采用存储器资源来存储所生成的数据。训练系统130实行的所有过程可在检查实际结构之前实行。
分配给训练系统130的计算资源可共同位于单个计算系统上或单个设施处，替代地，可跨多个计算系统和在单个或多个设施上分布。此外，训练系统可托管在固定系统上，或可在虚拟计算平台上在云上托管。在某些实施例中，分布的计算资源实施代码，所述代码使计算资源中的一个或多个根据计算资源中的另一个的操作状态或特定数据暂停或停止一个或多个操作。在这类实施例中，鉴于操作状态更新或特定数据，通过响应于在这类资源中的协调通信控制操作来保留计算资源。
检查设备
图2A为根据本文公开的原理的检查设备200的实施例的透视图。示出设备200附连到待检查的由复合材料制备的管道结构205。设备200包括可调节的支撑夹具210、220，其用于将设备200牢固且可拆卸地定位和附连在结构205上的期望位置，以检查特定的表面区段。夹具210、220为弯曲的，以适应具有不同圆周的结构。夹具210、220的端部终止于相应的吸垫，例如212、222(在结构205的反侧上的垫未示出)或用于将夹具端部牢固且可拆卸地附连到结构205的表面的其它合适的机构。半封闭底盘单元230联接到夹具210、220并且定位在夹具210、220之间。在描绘的实施例中，底盘单元230包括用于检查的组件，如下文将进一步描述。底盘单元230可通过如图所示的杆元件固定地附接到夹具210、220，或替代地，在其它实施方案中，底盘单元230能够可拆卸地联接到夹具。
图2B为根据本文公开的原理的检查设备250的另一个实施例的透视图。在此实施例中，夹具由滑动引导件255、260代替，所述滑动引导件255、260进一步绕结构205延伸并且类似地结束于相应的吸垫，例如，257、262。包括用于检查的组件的底盘单元265在第一侧和第二侧上联接到滑动元件270、275。在描绘的实施例中，滑动元件270、275被实施为半圆形组件，各自具有凹槽，利用所述凹槽，所述滑动元件270、275与相应的滑动引导件255、260配合。滑动元件270、275包括相应组的轮272、277，利用所述轮272、277，所述滑动元件270、275可移动地抓住衬底205的表面。如所描绘，底盘单元265联接到滑动元件，所述滑动元件因为受滑动引导件255、260的限制绕结构周向可移动。这允许底盘单元265通过滑动元件270、275的移动周向承载。可手动或远程(电子地)移动轮272、277以致动滑动运动，并且检查设备250可绕圆周自动移动，以依次检查在衬底的表面上的许多区段。这使得操作员能够在采用检查设备250的单个配置和设置时扫描结构205的大区域。
图2C为根据本发明的检查设备280的另一实施例的透视图，其提供设备280沿结构205的周向(旋转)和纵向移动(平移)。底盘282的任一侧联接到滑动元件284、285。弹簧元件286、287附接到滑动元件284，并且弹簧元件288、289附接到滑动元件285。弹簧元件286-289可使用扭转弹簧实施。弹簧286-289有助于在检查期间将底盘282固定在结构205上的具体位置。闩锁臂291、292可枢转地联接到滑动元件284，并且闩锁臂293、294可枢转地联接到滑动元件285。轮，例如296、297联接到相应的滑动元件284、285的底部，并且轮，例如298、299联接到闩锁臂291、292、293、294的远侧端部。轮，例如296-299优选地使用Omniwheels实施，其可在它们的轴上滑动和旋转，使得装置280能够相对于结构205在周向和纵向方向上手动或远程(电子地)移动。此实施例还使得操作员能够在采用检查设备250的单个配置和设置时扫描结构205的大区域。
图3为示出底盘单元300的组件的实施例的示意图，其可在设备200、250、280中实施以通过有源红外热成像执行复合材料结构的检查。有源热成像涉及加热检查的区域的表面以在紧接在缺陷上方的表面温度和周围温度之间产生差异。加热在表面的一定深度内产生内部热通量。表面下的缺陷影响热扩散并且产生相应的热对比，这反映在从表面发射的红外辐射中。通过其中采集的红外辐射随时间改变的方式来检测阻挡和减缓在材料内的热扩散的缺陷。通常，表面下的缺陷引起紧接在缺陷上方的表面以与周围区域不同的速率冷却。
转到图3，底盘单元300为半封闭的，并且面向结构表面的单元的一侧至少部分打开，以允许加热装置310和红外相机320从壳体的外壳朝向表面向外延伸。加热装置310可操作以在检查期间朝向表面的区段发射辐射。红外相机320可操作以检测响应于加热从表面发射回的红外辐射。在一些实施例中，红外相机320具有在3.0至5.0μm内的光谱范围、320×240的最小红外像素以及不大于20mK的灵敏度。加热装置310和红外相机320都在距结构表面一定距离处操作。图4A为加热装置310和红外相机320的一种实施方案的示意性说明。在此图中，加热装置310包含两个彼此相邻布置的加热灯405、410，以便发射辐射锥412以覆盖结构415的表面区域。辐射引起在结构415的表面下方的热通量420，并且红外相机320中心定位以接收从表面发射的最佳强度的红外辐射425。示例性缺陷430示出位于在表面415下方的深度处。加热装置310还可包括罩435，作为抵抗通过加热装置310发射的强辐射的保护。红外相机320为可调节的，以优化发射的红外辐射的采集，并且可在加热灯405、410之间中心定位(如图4A所示)或与加热元件相邻定位，如图3所示，并且相对于检查的结构的表面以各种角度定向。
再次参考图3，底盘单元300还包括控制器330(例如，微控制器或处理器)，其可操作以控制加热装置310和红外相机320。控制器330还联接到存储器单元340和收发器350，利用所述收发器350，控制器330通信地联接到(图1的)计算机系统120。收发器350可使用包括Wi-Fi、RF和Zigbee协议的各种通信模式进行通信，以实现在检查设备和在线计算机系统120之间的双向数据传输。
图15A是示例性透视图，其示出了以上关于图2A-2C描述的设备如何可以在现场使用。如图所示，根据本发明的示例性设备1500位于并定位在管道1510的圆周上以执行热检查。当设备沿管道的纵向手动或自动移动时，该设备将获得管道的每个纵向截面。图15B是示出用于管道生产线期间的检查的替代布置的示例性透视图。如图所示，管1520沿着生产线在箭头所示的纵向方向上移动。由于管道纵向移动，因此检查设备1530可以相对于纵向方向静止，同时具有可以绕管道1520的圆周旋转以获得整体检查范围的相机。
用于红外热成像的加热灯通常采用氙闪光管。在操作期间，灯405、410响应于来自控制器330的触发信号产生闪光。在激活灯405、410之后，控制器330激活红外相机320以周期性地采集检查表面的加热部分的辐射发射的连续数字图像。红外相机320可联接到通过控制器330操作的马达，以改变在相机和检查的表面之间的角度和距离，以在表面上实现合适的聚焦。通过红外相机320生成的数字图像数据可转移到存储器单元340并且存储在其中。控制器330利用收发器350将数字图像数据从存储器单元340转移到计算机系统120。控制器330还可在传输到计算机系统120之前执行数字图像数据的一些预处理。举例来说，在移动检查设备并且从相邻表面区段采集图像时，控制器330可将数据格式化成离散图像帧。替代地，可在计算机系统120处执行这类初步图像处理。
在几种有源红外已知的红外热成像激励方法中，脉冲热成像和锁定热成像已被广泛使用。图4B为示出随时间提供的激活辐射的振幅(强度)(上)和随时间从表面发射的红外辐射的振幅(下)的曲线图。如所指示，在脉冲热成像中，在短时间内的高能量脉冲施加到表面，并且从表面发射回的红外辐射的幅度响应地急剧上升，并且然后一旦激活脉冲结束就开始下降。缺陷的存在由相对较慢的速率指示，在所述速率下，从表面发射的红外辐射的幅度下降(即，表面冷却的速率较慢)。图4C为振幅对时间的类似曲线图，其示出连续例如正弦激活和对应的正弦红外响应。如所指示，在锁定热成像中，缺陷的存在不以不同的幅度响应示出，而是以在输入激活能量和表面温度响应之间的相移示出。锁定热成像的相位分析与脉冲热成像相比具有对局部光照变化或表面发射率不太敏感的优点。然而，可使用脉冲和锁定热成像中的任一个或两个以及其它激发方法。
在一些实施方式中，可以使用激光热检测来测量结构的表面温度和/或校准热源。激光温度计的记录可用于实时自动校准检查设备。
在执行复合材料结构的检查时，在周期热激活和红外图像数据的采集的情况下，控制器330优选地将数字图像数据作为视频流实时无线地接收并且转移到计算机系统120，用于分析和识别缺陷。
热成像训练方法(直接法)
在一个实施例中，通过从在诸如实验室的受控环境中加热的已知样品获得热图像，直接获得热图像的训练数据库。从样品中获取的图像与已知样品的热和结构特性相关联地记录下来，从而创建了内部训练数据库。然后可以基于温度和材料性质将训练数据库中的数据记录分类为子集。图16A是示出用于从样品捕获热图像以创建训练数据库的设备1600的端视图的照片。示出了管1605的样品区段被加热元件例如1610、1615围绕，所述加热元件周向地定位在相应的圆形轨道1620、1625上以围绕样品。在这种布置中，加热元件例如1610、1615可以在整个360度上覆盖样品1605的表面，并且可以以基本上均匀的各向同性的方式加热样品的表面。红外相机1630可滑动地定位在圆形滑轨1635上。滑轨1635具有可以轴向定位以直接面对样品1605的基座1637。之后，可以将相机沿滑轨1635旋转到相对于样品的任何径向位置。图16B是示出相对于样品1605最优地定位并且在大约2点钟的径向位置处的红外相机1630的照片。
图17是训练系统1700作为整体的示意图。样品1705被沿圆形轨道1717周向定位以360度的方式包围样品的加热元件例如1710、1715加热。红外相机1720从加热的样品中捕获热图像，并将图像作为数字数据传递给计算机系统1725，计算机系统分析热图像并将其分类在训练数据库中。生成训练数据库，其将热图像与已知样品的材料参数和已知实验训练程序的热参数相关。
图18是根据本发明实施例的使用训练数据库检查复合材料结构的方法的流程图。在步骤1800中开始该方法之后，在步骤1802中准备待使用红外相机检查的结构的一部分。在步骤1804中对该部分进行加热，并且自动检测温度和光照条件(步骤1806)。在下一步骤1808中，估计红外相机和该部分之间的平均距离，然后在步骤1810中由红外相机捕获覆盖该部分的整个圆周的几个图像。此后，在步骤1812中，对捕获的图像进行匹配和格式化以表示实际尺寸和位置。在步骤1814中，将捕获的图像与训练数据库中的图像进行匹配，并且通过该匹配和比较，估计相机和该部分上的每个表面点之间的距离。在步骤1816中，确定表面点距离是否与训练数据库的数据所预期的平均值不同。如果不同，则在步骤1818中过滤结果，并且在步骤1820中将警报传递给现场检查员以标记所讨论的表面区域。如果表面点距离与预期值没有不同，则在步骤1822中，检查移动到结构的另一部分。重复该过程，直到检查了整个结构(步骤1824)。在步骤1826中，生成包括检查的数据和发现的报告。在步骤1828，该方法结束。
热成像训练方法(虚拟方法)
在另一个实施例中，可以使用基于有限元的虚拟训练方法。图5为如本文所公开的训练方法500的实施例的示意性流程图。训练方法包括几个不同的程序：i)通过操作员经由用户界面输入相关数据(510)；ii)内部参数的自动配置(520)；iii)生成具有集成缺陷的代表性微结构的数据库(DMDB)(530)；iv)确定用于数据采集的检查设备的最佳设置参数(540)；v)通过模拟生成虚拟热成像数据库(VTDB)(550)；和vi)训练专家系统以确定在DMDB的微结构和通过模拟生成的VTDB的热成像之间的相关性(560)。依次描述程序(i)到(vi)中的每个。然而，应注意，在替代实施例中，可在不脱离本文公开的原理的情况下执行这些程序的子集。
图6为上文概述的训练方法的前三个程序510、520、530的实施例的示意性视图。如步骤510所描绘，通过操作员将包括材料、结构和环境特性的输入输入到训练系统130中，以便建模和存储含有具体缺陷的一组代表性微结构。可能的材料特性包括参数，如但不限于：树脂和纤维的导热率、比热、纤维体积含量、孔隙率、层厚度、铺设顺序、每层纤维取向、内部和/或外部涂层厚度。输入结构特性包括材料的直径和厚度。环境和操作特性包括参数，如但不限于：操作压力、输送流体温度和流速、环境温度和接近检查的结构的高温点。此外，操作员输入设定每个微结构的缺陷类型和夹带的介质。可能的缺陷类型尤其包括：分层、独特空隙、基质开裂、纤维-基质脱粘、多个空隙和孔中等等。夹带的介质构成在缺陷内夹带的流体或气体，其通常为空气、水或油。所阐述的参数为示例性的，并且不构成通过操作员可输入到训练系统中的所有参数或类型的详尽列表。
除了通过训练系统的操作员输入的参数之外，在步骤520，训练系统生成内部参数。内部参数用于初始化和配置热模拟模型，并且除其它内部参数外可尤其包括来自以下的选择：随时间在材料表面上的热通量、缺陷大小的增量、深度位置、最小和最大缺陷大小、最小和最大平面外大小、最小和最大深度，网格离散化和用于设定缺陷的参数边界的其它阈值。内部参数可由操作员修改。
缺陷微结构数据库(DMDB)模块132使用操作员输入并且在步骤530，内部生成参数以生成数据库(DMDB)605，其包括多个(N)小结构元件的模型，在本文中被称作微结构，例如610、612，其中每个微结构具有具体参数和至少一个集成缺陷。数字(N)也可由操作员通过控制增量大小来控制。在一些实施方案中，N在1,000到50,000的范围内。然而，可生成更大或更小数量的微结构。数据库的每一个条目，被称为“代表性体积元素”(RVE)可参数化为八个元素的向量Vk[ak,bk,ck,zk,θk,
Figure BDA0002353960480000111
Dk,Mk]，其中zk为第k个RVE中平面外方向(垂直于检查平面)的缺陷质心的坐标，ak、bk和ck为在第k个RVE内的缺陷的空间维度，θk和
Figure BDA0002353960480000112
为在缺陷的平面和检查平面之间的角度，Dk为缺陷类型，并且Mk为在缺陷内夹带的介质的类型。图7A为存储在缺陷微结构数据库(DMDB)中的实例RVE缺陷的示意性表示。缺陷700建模为椭球，其中zk限定在跨复合材料厚度的缺陷中心的位置，ak、bk、ck限定缺陷的长度、宽度和厚度，并且在截面平面A和B中的角度θk和φk限定缺陷相对于复合材料结构的表面(检查平面)的位置和取向。在图7A中描绘的实例中，缺陷为由参数Dk指示的分离的分层，并且夹带的介质为空气，由参数Mk指示。虽然模型在一定程度上简化缺陷的几何形状，但是在实践中生成的位置、大小、缺陷类型和夹带的介质的大数量和变化覆盖并且适当地表示在复合材料结构中出现的典型缺陷。图7B为沿轴线A截取的RVE 700的截面视图，示出RVE相对于检查平面的第一取向角度θk。图7C为沿轴线B截取的RVE 700的类似的截面视图，示出RVE相对于检查平面的第二取向角度φk。
在训练方法500的步骤540中，优化的采集参数(OAP)模块138使用操作员输入，包括材料特性和操作条件，以及内部生成的参数来确定用于配置的检查设备的最佳红外热成像参数。图8为OAP确定方法540的流程图。在第一步骤810中，检索DMDB并且选择具有最小和/或最深缺陷的RVE。在步骤820中，OAP模块138使用初始参数确定用于选择的RVE的热模拟模型的初始和边界条件，所述初始参数这里为在训练方法的步骤520中生成的加热通量(ΔHf)、加热时间段(ΔHp)、加热模式(例如连续、调制、脉冲)和相机采集时间(Δt)的参数。然而，应注意，加热参数将取决于加热模式(例如，闪光、脉冲、连续)。举例来说，在脉冲模式中，加热脉冲的频率将为受控制的参数。
在步骤830中，执行DMDB的最小热响应RVE(最小和最深缺陷)的热响应的分析。在一些实施方案中，热模拟采用有限元分析。如所属领域技术人员将理解，有限元分析为涉及偏微分方程的寻找物理系统的边界值问题的近似解的一种方式。热流的特征为此类型的偏微分方程，并且有限元分析通常用于提供所属领域的解决方案。有限元分析包括使用网格生成技术将复杂问题划分为小元素，以及使用确定每个有限元的方程组的解以及整个域的整体解的有限元模拟。在步骤840中，在完成选择的最小热响应RVE的热模拟后，OAP模块138基于输入参数和热分析确定新的优化的加热参数，在讨论的实例中，如但不限于ΔHf、ΔHp、Δt参数，以便实现在数据采集期间的最大温度对比。
加热参数的优化为迭代的，并且方法在输出优化值之前执行一定数量的迭代。因此，在步骤850中，确定到目前为止执行的迭代次数是否已达到可选阈值(MaxIterations)。如果尚未达到MaxIterations，那么过程从步骤840返回到步骤820。替代地，如果已达到MaxIterations，那么在步骤860中确定所确定的最大温度对比(ΔT)的值是否保持低于红外相机灵敏度。如果ΔT低于相机灵敏度，那么在步骤870中，OAP模块138输出：1)对于给定深度预期可检测的最小直径；2)对于给定深度可检测的最小预期厚度；和3)对于给定的缺陷直径，在缺陷的宽度内可检测的最大预期深度。如果ΔT为高于阈值，在步骤880中，OAP模块输出来自方法的最后迭代的加热参数(例如加热模式、ΔHf、ΔHp、Δt)的当前优化值。
回到图5，在步骤510、520、530和540中输入或生成的累积数据在步骤550中用作输入，其中虚拟热成像模块134实行瞬态热分析(TTA)模拟，其输出在DMDB中每个元素(N)的‘虚拟’热成像。更具体地，如图9中示意性地说明，TTA模拟器接收在缺陷微结构数据库910中的所有元素作为输入，并且结合操作员输入、内部生成的参数、边界条件和OAP模块的输出(“结合输入”)。TTA模拟为可使用有限元分析实施的参数、数学模型。在这类有限元分析中，对应于在DMDB 910中含有的N个RVE进行N个单独的分析每个有限元分析的输出为结构元件的外表面的瞬态‘虚拟’热成像，即示出表面随时间的热响应的一组图。一般来说，有限分析的预期精确度取决于在DMDB 910中的元素数量(即N的值)，其中较高的N值提高了预期的准确度
热成像数据输出并且格式化为在虚拟热成像数据库(VTDB)940中的矩阵Fijk，其中i表示第i个相机像素元素，j表示第j个时间增量，k表示第k个RVE。图10A提供矩阵Fijk的数据结构的说明。在图中，Fij1表示关于第一RVE(k＝1)的矩阵的所有元素。嵌套在Fij1中的为条目Fi11，其中，条目Fi11又嵌套元素F111到Fn11。元素F111到Fn11表示在第一RVE(j＝1，k＝1)的第一时间增量期间的所有记录的像素。因此，对于N个RVE中的每个，存在相关联的m个时间增量，并且在每个时间增量期间，生成n个像素值。图10B为在给定时间增量下的热成像的示意性透视说明，指示可如何将给定RVE的热成像设想为m个热成像块，其中每个热成像具有n个像素。如可看出，高分辨率模拟可以生成大量数据。然而，在训练系统130离线执行分析时，对可分配给瞬态热分析的资源没有固定限制。此外，如果资源或效率为在特定情况下的限制因素，那么操作员可改变分辨率水平。
在足够精密度和准确度的热成像数据库的情况下，有可能将在现场检查运行期间采集的复合材料结构的热成像与在数据库中的热成像比较，以识别在结构中存在的任何缺陷。然而，比较整个图像用于进行匹配在计算上是昂贵的，并且甚至更多，因此比较图像随时间的演变(瞬态响应)。解决此问题的一种方式为训练系统以使虚拟热成像与从其导出的RVE的参数相关。以此方式，当在现场采集热成像时，可在不必搜索图像数据库的情况下分析它们。
因此，在训练方法的步骤560中，通过机器学习过程训练专家系统，以使虚拟热成像数据库的图像与从中导出的RVE的参数相关。在一些实施方案中，训练系统130的专家系统模块136采用神经网络算法，在图11中示出，作为机器学习技术。神经网络1100包括输入层1110、一个或多个隐藏层1120和输出层1130。输入层1110包括在特定时间增量下的给定RVE的VTDB的虚拟热成像的所有像素，并且输出层1130包括同一RVE的参数，包括其位置、取向、缺陷尺寸、缺陷类型和夹带的介质。神经网络通过使用一个或多个隐藏层1120使输入层1110与输出层1130相关。在输入层1110中的每个输入乘以在(多个)隐藏层1120中的系数因子以得到输出层1130。隐藏层1120的系数由后向传播过程确定，其中成本函数被最小化。这产生在虚拟热成像和RVE参数之间的优化的相关性。专家系统模块136存储系数用于进一步使用。在专家系统训练完成之后，训练方法在步骤570结束。
实时检查方法
分别通过在线计算机系统120和检查设备110执行的实时检查方法1200的子部分的流程图在图12中示出。如上所述，专家系统在位于远程的设施处场外生成和存储。为了使现场的操作员执行结构检查以便能够利用专家系统，需要在现场位置访问专家系统。在第一步骤1205中，操作员通过使用在线计算机系统经网络登录专家系统服务器或替代地，通过直接将专家系统算法和存储的数据从训练系统130下载到在线计算机系统120上获得对专家系统的访问。此外，可通过使用诸如闪存驱动器的存储介质下载专家系统。在步骤1210中，在线计算机系统从训练系统130的OAP模块138上传优化的采集参数。在随后的步骤1215中，在线计算机系统120将优化的采集参数传输到检查设备110的收发器350。
在步骤1255中，检查设备110从在线计算机系统120接收优化的采集参数。使用采集的参数，在步骤1260中，检查设备110的控制器330配置用于操作加热装置310和红外相机320的加热和采集参数。在配置时，检查设备被配置成对在红外相机的检测能力内的最小和最深缺陷施加辐射并且采集红外辐射，使得检查设备总体上对于给定的硬件能力具有最大灵敏度。在步骤1265中，检查设备执行检查，其中检查的表面的区段通过加热装置310加热并且红外辐射通过红外相机320采集。在检查期间，可将检查设备固定在适当位置以检查结构的具体区域，或可控制检查设备以特定轨迹移动以检查结构的不同区域或整个表面。在实时或近似实时中，在步骤1270中，控制器编译通过红外相机采集的红外辐射数据，并且经由收发器350将呈热成像形式的数据传输到计算机系统120。
更具体地说，对于任何给定的纵向位置，可以在各种径向位置捕获几张高分辨率的热图像，以覆盖结构区段的整个圆周；各个径向图像匹配在一起以形成表示展开结构的单个图像。可以将损坏标记添加到图像中以进行进一步处理和筛选。
计算机系统120在步骤1220中接收热成像，并且在步骤1225中，基于采集的热成像执行在检查的结构中的缺陷的实时量化。步骤1225在图13中示意性地说明，其说明热成像1310输入到专家系统1320。在此情况下，专家系统1320为在计算机系统120上实行的模块(与训练系统130相对)，并且如上文所提到，可表示专家系统服务器的客户端，或在模仿训练系统130的专家系统模块136的方面的计算机系统120上实行的软件模块。在一些实施方案中，专家系统1320可为从训练系统130上传的专家系统模块136的副本。专家系统1320将从训练系统130获得的相关性应用到采集的热成像，并且输出包括上文参考图7描述的元件的缺陷参数向量。缺陷参数向量在其类型、大小、深度、取向和夹带的介质方面识别缺陷。然后，在步骤1230中，在线计算机系统生成缺陷量化报告，所述报告包括实时采集的热成像和任何检测的缺陷的特性。缺陷可以通过分类、在单维上的深度、在二维上的面积或在三维上的体积来表征。
量化报告还可以包括缺陷位置的3D渲染，其包括轴向位置、检查开始的参考点、径向位置以及结构内损坏位置的深度。
所公开的使用定量红外热成像检查结构的设备、系统和方法提供若干有利特征。系统和方法易于实施，因为在一些实施例中，检查设备可绕和沿检查的结构自动移动，减少手动检查程序。此外，检查设备的实施例被设计成在检查的结构上方快速前进，进一步减少在检查过程中的干预。所公开的系统还实时递送检查结果，允许现场启动补救措施以去除严重缺陷的可能性。检查设备无接触且相对成本有效；在大多数实施方案中，红外相机为最高的费用。此外，系统提供检查设备的无偏配置，因为用于数据采集的优化参数独立于操作员通过系统确定。同样，检查结果为无偏的，因为它们是独立于人类专家知识或专业知识生成的。
虽然本文公开的设备、系统和方法特别旨在用于复合材料检查和缺陷检测，但是在合适的修改的情况下，本发明的技术可应用于其它材料。
应理解，本文公开的任何结构和功能细节不应被解释为限制设备、系统和方法，而相反作为用于教导所属领域技术人员实施方法的一种或多种方式的代表性实施例和/或布置提供。
应进一步理解，贯穿几个附图，在附图中相同的数字表示相同的元件，并且对于所有实施例或布置不是需要所有的参考附图描述和说明的组件和/或步骤
本文所使用的术语仅出于描述特定实施方案的目的，并且不旨在限制本发明。如本文所用，除非上下文另外清楚地指明，否则单数形式“一(a/an)”和“所述(the)”意图还包括复数形式。将进一步理解，术语“包含(comprises)”和“包含(comprising)”在用于本说明书中时指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在，但并不排除一个或多个其它特征、整数、步骤、操作、元件、组件和/或其群组的存在或添加。
本文所用的取向术语仅用于约定和参考的目的，而不应被解释为限制性的。然而，应认识到，这些术语可参考观看者使用。因此，不暗示或推断出任何限制。
此外，本文所用的措词和术语是出于描述的目的并且不应被视为限制性的。本文“包含”、“包括”或“具有”、“含有”、“涉及”和其变化形式的使用意指涵盖在其后所列出的项目和其等效物以及附加项目。
虽然已参考例示性实施例描述了本发明，但本领域的技术人员应了解，在不脱离本发明范围的情况下可以进行不同的改变并且其多种元素可以由多种等效物代替。此外，在不脱离本发明的基本范围的情况下，所属领域的技术人员将理解许多修改以使特定仪器、情形或材料适于本发明的教示。因此，不希望本发明限于作为预期用于实施本发明的最佳模式来公开的具体实施例，但本发明将包括属于所附权利要求书的范围内的所有实施例。

Claims (15)

1.一种检查复合材料结构的缺陷的系统，包括：
检查设备，其包括用于加热所述结构的表面的区段的加热装置、用于响应于加热从所述表面接收红外辐射的红外相机、被配置成从接收的红外辐射生成热图像的控制器、和通信装置；
训练系统，其包括用于从已知的复合材料样品获得热图像的装置，所述装置包括多个加热元件，所述加热元件定位成向所述样品的整个表面施加热，用于在加热时捕获所述样品的热图像的红外相机，和用于将捕获的热图像记录在训练数据库中的处理系统；和
计算机系统，其通信地联接到所述训练系统和所述检查设备，所述计算机系统适于接收从所述检查设备接收的热图像并且使用所述训练数据库检测在所述结构中的缺陷的定量参数。
2.根据权利要求2所述的系统，其中所述训练系统的所述加热元件被布置在至少一个圆形轨道上并且以360度的方式围绕所述样品。
3.根据权利要求1所述的系统，其中所述计算机系统通过比较所述红外相机与所述结构的表面上的点之间的距离确定缺陷的可能存在，该距离基于a)所述热图像相对于b)所述训练数据库中的图像计算出。
4.根据权利要求3所述的系统，其中如果所述红外相机和所述表面上的点之间的距离之间存在阈值差异，如由所述热图像相对于所述训练数据库中的图像计算出的，则所述计算机系统向检查人员发出警报。
5.根据权利要求1所述的系统，其中所述红外相机可绕所述样品的圆周移动，并且可操作以从所述样品的整个圆周获取热图像。
6.根据权利要求5所述的系统，其中用于获得热图像的所述装置包括圆形滑动器，所述红外相机可滑动地连接在所述圆形滑动器上，从而以整个360度围绕所述样品周向移动。
7.根据权利要求1所述的系统，其中所述复合材料结构是由复合材料制成的管。
8.根据权利要求7所述的系统，其中所述复合材料是增强的热固性树脂(RTR)、纤维增强的聚合物(FRP)、玻璃增强的聚合物(GRP)和玻璃增强的环氧树脂(GRE)中的一种。
9.一种检查复合材料结构的缺陷的方法，所述方法包括：
通过用多个加热元件加热已知的复合材料样品来训练热图像数据库，并使用红外相机从所述样品中捕获所得的热图像；
加热待检查的结构；
捕获所述结构的热图像；
将所述热图像传送到与所述热图像数据库耦合的计算系统；
将捕获的热图像与所述热图像数据库中的图像进行匹配；和
在所述计算系统上通过将所述结构的热图像与所述热图像数据库中匹配的热图像进行比较来确定所述结构中是否存在缺陷。
10.根据权利要求9所述的方法，其中所述结构的整个圆周被加热
11.根据权利要求9所述的方法，其中确定是否存在缺陷的步骤包括将所述红外相机与所述结构的表面上的点之间的距离进行比较，该距离基于捕获的热图像相对于所述训练数据库中的匹配的图像计算出。
12.根据权利要求11所述的方法，还包括：如果所述红外相机和所述表面上的点之间的距离之间存在阈值差异，如由捕获的热图像相对于所述训练数据库中的匹配的图像计算出的，则向检查人员发出警报。
13.根据权利要求9所述的方法，还包括使所述红外相机绕所述样品的圆周移动，以从所述样品的整个表面获取热图像。
14.根据权利要求9所述的方法，其中所述复合材料结构是由复合材料制成的管。
15.根据权利要求14所述的系统，其中所述复合材料是增强的热固性树脂(RTR)、纤维增强的聚合物(FRP)、玻璃增强的聚合物(GRP)和玻璃增强的环氧树脂(GRE)中的一种。
CN201880044681.8A 2017-07-03 2018-06-29 用于非破坏性检查玻璃纤维和非金属管的装置和方法 Pending CN110832311A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/640,874 2017-07-03
US15/640,874 US10564108B2 (en) 2017-07-03 2017-07-03 Apparatus and method for nondestructively inspecting fiberglass and nonmetallic pipes
PCT/US2018/040334 WO2019010087A1 (en) 2017-07-03 2018-06-29 APPARATUS AND METHOD FOR NON-DESTRUCTIVE INSPECTION OF GLASS FIBER PIPES AND NON-METALLIC PIPES

Publications (1)

Publication Number Publication Date
CN110832311A true CN110832311A (zh) 2020-02-21

Family

ID=62976343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880044681.8A Pending CN110832311A (zh) 2017-07-03 2018-06-29 用于非破坏性检查玻璃纤维和非金属管的装置和方法

Country Status (8)

Country Link
US (2) US10564108B2 (zh)
EP (1) EP3649463B1 (zh)
JP (1) JP2020527227A (zh)
KR (1) KR20200019187A (zh)
CN (1) CN110832311A (zh)
SA (1) SA519410891B1 (zh)
SG (1) SG11201913184XA (zh)
WO (1) WO2019010087A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487250A (zh) * 2020-04-02 2020-08-04 苏州奥创智能科技有限公司 一种应用于注塑件不良品检测的智能视觉检测方法及系统
CN113295732A (zh) * 2021-04-22 2021-08-24 杭州申昊科技股份有限公司 可供检测管道缺陷的管道机器人及其控制方法与控制系统
CN113325032A (zh) * 2021-06-08 2021-08-31 山东华宁电伴热科技有限公司 一种电伴热检测装置及方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118044B (zh) * 2015-06-16 2017-11-07 华南理工大学 一种轮形铸造产品缺陷自动检测方法
US10473603B2 (en) * 2017-04-18 2019-11-12 Saudi Arabian Oil Company Apparatus, system and method for inspecting composite structures using quantitative infra-red thermography
US10564108B2 (en) * 2017-07-03 2020-02-18 Saudi Arabian Oil Company Apparatus and method for nondestructively inspecting fiberglass and nonmetallic pipes
US10551297B2 (en) * 2017-09-22 2020-02-04 Saudi Arabian Oil Company Thermography image processing with neural networks to identify corrosion under insulation (CUI)
DE202017105967U1 (de) * 2017-09-29 2018-01-31 Airbus Operations Gmbh Farbbasiertes Heizsystem
US11529774B2 (en) * 2017-12-29 2022-12-20 II John Tyson In-situ monitoring of thermoformable composites
US11112349B2 (en) * 2019-07-16 2021-09-07 Saudi Arabian Oil Company Metal loss determinations based on thermography machine learning approach for insulated structures
CZ308638B6 (cs) * 2019-08-19 2021-01-20 Západočeská Univerzita V Plzni Zařízení pro infračervené nedestruktivní testování materálů
US11386541B2 (en) * 2019-08-22 2022-07-12 Saudi Arabian Oil Company System and method for cyber-physical inspection and monitoring of nonmetallic structures
EP3798494A1 (en) * 2019-09-27 2021-03-31 Nov Downhole Eurasia Limited Methods, apparatus and systems for assessing coating adhesion
GB202005352D0 (en) * 2020-04-10 2020-05-27 Univ Limerick A method and system for detecting and locating buried defects using three dimensional infrared thermography
WO2022009597A1 (ja) * 2020-07-08 2022-01-13 帝人株式会社 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置
KR102393529B1 (ko) 2020-08-18 2022-05-02 제만석 비자성 파이프 검사용 자성 금속 이물질 검출 장치
CN112881427B (zh) * 2021-01-13 2023-06-13 四川宇然智荟科技有限公司 可见光和红外热成像的电子元器件缺陷检测装置及方法
JP2023115465A (ja) * 2022-02-08 2023-08-21 慶應義塾 欠陥推定装置、欠陥推定方法及びプログラム

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0483152A (ja) * 1990-07-25 1992-03-17 Shuji Nakada 電子部品の接合部検査方法および検査装置
US5250809A (en) * 1992-01-24 1993-10-05 Shuji Nakata Method and device for checking joint of electronic component
US20060191622A1 (en) * 2005-02-28 2006-08-31 The Boeing Company Real-time infrared thermography inspection and control for automated composite material layup
WO2008071204A1 (en) * 2006-12-12 2008-06-19 Montanuniversität Leoben System and method for the defect analysis of workpieces
CN102159940A (zh) * 2008-09-17 2011-08-17 新日本制铁株式会社 用于检测材料中的缺陷的方法以及用于该方法的系统
CN102840918A (zh) * 2012-08-17 2012-12-26 中国电力科学研究院 输变电设备红外图谱管理及分析方法
CN104730078A (zh) * 2013-12-23 2015-06-24 北京红源光电技术公司 一种基于红外热像仪aoi的电路板检测方法
CN105372263A (zh) * 2015-12-14 2016-03-02 昆明理工大学 一种电涡流加热式管道缺陷红外成像检测装置及检测方法
US9519844B1 (en) * 2016-01-22 2016-12-13 The Boeing Company Infrared thermographic methods for wrinkle characterization in composite structures

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60145355U (ja) * 1984-03-06 1985-09-26 三菱重工業株式会社 中空構造物の内部欠陥検査装置
JPS63254894A (ja) 1987-04-11 1988-10-21 Takeshi Teragaki 平面スピ−カ
AU1994892A (en) * 1991-05-07 1992-12-21 Dapco Industries Real-time ultrasonic testing system
US5440566A (en) 1991-09-23 1995-08-08 Southwest Research Institute Fault detection and diagnosis for printed circuit boards
JP3079920B2 (ja) 1994-11-25 2000-08-21 日本鋼管株式会社 塗覆装材の欠陥検査方法
US5711603A (en) * 1996-10-30 1998-01-27 United Technologies Corporation Nondestructive testing: transient depth thermography
US6220099B1 (en) * 1998-02-17 2001-04-24 Ce Nuclear Power Llc Apparatus and method for performing non-destructive inspections of large area aircraft structures
US5963030A (en) 1998-03-30 1999-10-05 Union Oil Company Of California Pipe inspection apparatus and process
US7064332B2 (en) 1999-09-16 2006-06-20 Wayne State University Hand-held sound source for sonic infrared imaging of defects in materials
JPWO2002057656A1 (ja) * 2001-01-17 2004-05-20 日本精工株式会社 トロイダル型無段変速機用摺動回転体及びその評価方法
JP2006505764A (ja) 2002-01-23 2006-02-16 マレナ システムズ コーポレーション 欠陥検出及び解析用赤外線サーモグラフィ
JP2004020336A (ja) * 2002-06-14 2004-01-22 Osaka Gas Co Ltd サーモグラフィー検査装置
US7075084B2 (en) 2002-12-20 2006-07-11 The Boeing Company Ultrasonic thermography inspection method and apparatus
US7289656B2 (en) 2003-12-02 2007-10-30 The Boeing Company Systems and methods for determining inconsistency characteristics of a composite structure
DE102004037575A1 (de) * 2004-08-03 2006-03-16 Daimlerchrysler Ag Prüfvorrichtung und Prüfverfahren zur fertigungsintegrierbaren, zerstörungsfreien Prüfung insbesondere von Membran-Elektroden-Anordnungen zur Verwendung in Brennsoffzellen
EP1985998A1 (en) 2007-04-26 2008-10-29 Hitachi-GE Nuclear Energy, Ltd. Method for inspecting pipes, and radiographic non-destructive inspection apparatus
US8393784B2 (en) 2008-03-31 2013-03-12 General Electric Company Characterization of flaws in composites identified by thermography
US8759780B2 (en) 2008-09-19 2014-06-24 Analogic Corporation Pipeline inspection
GB0915141D0 (en) 2009-08-28 2009-10-07 Shawcor Ltd Method and apparatus for external pipeline weld inspection
US8166823B2 (en) 2009-09-29 2012-05-01 National Oilwell Varco, L.P. Membrane-coupled ultrasonic probe system for detecting flaws in a tubular
US8577120B1 (en) 2009-11-05 2013-11-05 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Methods and systems for characterization of an anomaly using infrared flash thermography
JP2011192032A (ja) * 2010-03-15 2011-09-29 Nippon Steel Corp 疵学習装置、疵学習方法、及びコンピュータプログラム
MX2013000577A (es) * 2010-07-16 2013-06-05 Univ Columbia Aprendizaje de maquina para redes electricas.
EA024739B1 (ru) * 2010-09-29 2016-10-31 Аэроботикс, Инк. Способ и система разработки эталонной базы данных для конкретного способа неразрушающего контроля
US9151733B1 (en) * 2011-03-07 2015-10-06 North Carolina A&T State University Acoustic emission sensor array
JP6240064B2 (ja) 2011-04-29 2017-11-29 ザ ジェネラル ホスピタル コーポレイション 散乱媒質の深さ分解した物理的及び／又は光学的特性を決定する方法
WO2013023987A1 (en) * 2011-08-17 2013-02-21 Empa, Eidgenössische Materialprüfungs- Und Forschungsanstalt Air coupled ultrasonic contactless method for non-destructive determination of defects in laminated structures
US20140022380A1 (en) 2012-07-19 2014-01-23 Bell Helicopter Textron Inc. Nondestructive Inspection Techniques for Rotorcraft Composites
US9285296B2 (en) * 2013-01-02 2016-03-15 The Boeing Company Systems and methods for stand-off inspection of aircraft structures
CN105122046B (zh) * 2013-03-29 2018-01-23 斯奈克玛 用于检测物体上的缺陷方法
IL226111A (en) * 2013-05-02 2015-11-30 D I R Technologies Detection Ir Ltd Thermography-based method, device and product to identify defects in sealing that includes a conductive internal gasket
CN103487443B (zh) 2013-10-11 2015-10-14 福州大学 一种基于电磁感应热激励方法的管道缺陷红外检测系统
US9341586B2 (en) * 2013-12-06 2016-05-17 Rolls-Royce Corporation Thermographic inspection techniques
CN104089979A (zh) 2014-07-17 2014-10-08 温州大学 一种海涂围堤堤身内部缺陷程度识别方法
US10350839B2 (en) * 2015-05-21 2019-07-16 The Boeing Company Remote advanced repair guidance
ITUB20152385A1 (it) * 2015-07-22 2017-01-22 Alenia Aermacchi Spa Metodo e sistema di ispezione termografica non distruttiva per il rilevamento e la misura di difettosita' in strutture in materiale composito
US10546207B2 (en) * 2016-04-11 2020-01-28 North Carolina Agricultural And Technical State University Normalized defect characterization of pulse thermographic nondestructive evaluation
US20170345173A1 (en) * 2016-05-24 2017-11-30 The Procter & Gamble Company Methods for Analyzing Absorbent Articles
US10564108B2 (en) * 2017-07-03 2020-02-18 Saudi Arabian Oil Company Apparatus and method for nondestructively inspecting fiberglass and nonmetallic pipes

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0483152A (ja) * 1990-07-25 1992-03-17 Shuji Nakada 電子部品の接合部検査方法および検査装置
US5250809A (en) * 1992-01-24 1993-10-05 Shuji Nakata Method and device for checking joint of electronic component
US20060191622A1 (en) * 2005-02-28 2006-08-31 The Boeing Company Real-time infrared thermography inspection and control for automated composite material layup
WO2008071204A1 (en) * 2006-12-12 2008-06-19 Montanuniversität Leoben System and method for the defect analysis of workpieces
CN102159940A (zh) * 2008-09-17 2011-08-17 新日本制铁株式会社 用于检测材料中的缺陷的方法以及用于该方法的系统
US20110249700A1 (en) * 2008-09-17 2011-10-13 Nippon Steel Corporation Method for detecting defect in material and system for the method
CN102840918A (zh) * 2012-08-17 2012-12-26 中国电力科学研究院 输变电设备红外图谱管理及分析方法
CN104730078A (zh) * 2013-12-23 2015-06-24 北京红源光电技术公司 一种基于红外热像仪aoi的电路板检测方法
CN105372263A (zh) * 2015-12-14 2016-03-02 昆明理工大学 一种电涡流加热式管道缺陷红外成像检测装置及检测方法
US9519844B1 (en) * 2016-01-22 2016-12-13 The Boeing Company Infrared thermographic methods for wrinkle characterization in composite structures

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487250A (zh) * 2020-04-02 2020-08-04 苏州奥创智能科技有限公司 一种应用于注塑件不良品检测的智能视觉检测方法及系统
CN113295732A (zh) * 2021-04-22 2021-08-24 杭州申昊科技股份有限公司 可供检测管道缺陷的管道机器人及其控制方法与控制系统
CN113325032A (zh) * 2021-06-08 2021-08-31 山东华宁电伴热科技有限公司 一种电伴热检测装置及方法

Also Published As

Publication number Publication date
EP3649463A1 (en) 2020-05-13
US20190003983A1 (en) 2019-01-03
KR20200019187A (ko) 2020-02-21
WO2019010087A1 (en) 2019-01-10
US10564108B2 (en) 2020-02-18
US11460412B2 (en) 2022-10-04
EP3649463B1 (en) 2022-01-26
SG11201913184XA (en) 2020-01-30
SA519410891B1 (ar) 2022-06-01
US20200041420A1 (en) 2020-02-06
JP2020527227A (ja) 2020-09-03

Similar Documents

Publication Publication Date Title
US11460412B2 (en) System for nondestructively inspecting fiberglass and nonmetallic pipes
US11549898B2 (en) Method for inspecting composite structures using quantitative infra-red thermography
US10094794B2 (en) Characterization of wrinkles and periodic variations in material using infrared thermography
US9519844B1 (en) Infrared thermographic methods for wrinkle characterization in composite structures
Lu et al. Additive manufacturing process monitoring and control by non-destructive testing techniques: challenges and in-process monitoring
KR102578769B1 (ko) 단열재 하부부식(cui)을 식별하기 위해 신경망을 이용한 서모그래피 이미지 처리
US11112349B2 (en) Metal loss determinations based on thermography machine learning approach for insulated structures
JP2020527227A5 (zh)
EP1898209B1 (en) Inverse thermal acoustic imaging part inspection
KR20210048506A (ko) 단열재 하부 부식을 탐지하기 위한 배치 상태의 최적화를 위한 기계 학습 시스템 및 데이터 융합
Panella et al. A brief review and advances of thermographic image-processing methods for IRT inspection: a case of study on GFRP plate
Ranjit et al. Detection of Subsurface Defects in Metal Materials Using Infrared Thermography: Image Processing and Finite Element Modeling: Image Processing and Finite Element Modeling
Szwedo et al. Qualitative diagnostics of wind-turbine blades inspection using active thermography
Du et al. A miniaturised active thermography system for in-situ inspections
Szymanik et al. Qualitative evaluation of 3D printed materials’ structure using active infrared thermography and signal analysis based on LSTM neural networks
Manohar Quantitative nondestructive testing using infrared thermography
Montinaro et al. Robotization of the IR-Thermographic technique–impact on the visualisation quality and considerations on the data workflow
Dalton et al. Nondestructive evaluation of surface defects using scanning infrared thermography
Clough Uncertainty in Thermographic Non-destructive Testing
Ishchuk et al. Cuboids of Infrared Images Reduction
Costa et al. Performance Analysis of Thermographic Cameras Applied to Wood Damage Detection
Hatefipour et al. Thermal non-destructive testing: Modeling, simulation and experiments for improved localization of hidden defects

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200221