CN112150437B - 激光增材制造扩压器裂纹缺陷dr检测图像处理方法 - Google Patents

激光增材制造扩压器裂纹缺陷dr检测图像处理方法 Download PDF

Info

Publication number
CN112150437B
CN112150437B CN202011012967.3A CN202011012967A CN112150437B CN 112150437 B CN112150437 B CN 112150437B CN 202011012967 A CN202011012967 A CN 202011012967A CN 112150437 B CN112150437 B CN 112150437B
Authority
CN
China
Prior art keywords
image
gray
processing
detection
contrast
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
CN202011012967.3A
Other languages
English (en)
Other versions
CN112150437A (zh
Inventor
宋艳艳
朱倩
朱建伟
李泽
吴伟
张尤
傅伟成
李世奇
冯雄博
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.)
Nanchang Hangkong University
AECC Commercial Aircraft Engine Co Ltd
Original Assignee
Nanchang Hangkong University
AECC Commercial Aircraft Engine Co Ltd
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 Nanchang Hangkong University, AECC Commercial Aircraft Engine Co Ltd filed Critical Nanchang Hangkong University
Priority to CN202011012967.3A priority Critical patent/CN112150437B/zh
Publication of CN112150437A publication Critical patent/CN112150437A/zh
Application granted granted Critical
Publication of CN112150437B publication Critical patent/CN112150437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G06T5/75—Unsharp masking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种激光增材制造扩压器裂纹缺陷DR检测图像处理方法，包括：使用DR检测系统，获取镍基高温合金增材制造扩压器裂纹DR检测图像；计算DR检测图像的灰度分布直方图，并根据直方图的分布特征确定相关算法参数；利用确定的参数，对DR图像进行处理，初步提升图像对比度；对处理后的图像进行gaussian掩模循环多次处理，进一步提升图像的对比度；再次对掩模处理后的图像进行基于空间线性滤波器imfilter的unsharp反锐化边缘滤波算子处理。本发明基于限制对比度自适应直方图均衡化算法并进行优化，进行对比度增强和图像细节信息增强的效果，达到图像缺陷处理的效果。

Description

激光增材制造扩压器裂纹缺陷DR检测图像处理方法
技术领域
本发明涉及图像增强技术领域，具体涉及一种激光增材制造扩压器裂纹缺陷DR检测图像处理方法。
背景技术
镍基高温合金是指在基体镍中加入Cr、W、Mo、Ti等强化元素以获得优越的高温耐腐蚀、抗氧化等性能的一系列合金，主要应用于航空发动机的工作叶片、涡轮盘、燃烧室、扩压器等关键部件。扩压器是由离心压缩机产生，依靠动能转换静压能的装置，它的主要任务是有效地转化静压能，还发挥收集和引出气体的作用，是航空涡轮发动机压缩机中重要的组成部分。对航空航天事业的发展有着重要的意义。
扩压器制造完成之后，需要无损检测，一般对于扩压器的微小缺陷，经常采用超声检测，磁粉检测，分析检测到的信号，然后才能进一步得出缺陷信息。需要直观的看到缺陷的形状和特性，采用DR数字射线检测系统，获取DR缺陷图像。
DR(Digital Radiography)是一种新兴的应用于工业无损检测的成像技术，用于产生DR数字图像，这些DR数字图像信息量充足。利用数字图像处理技术可以改善和优化获取的DR数字图像，可以达到更好的观察效果，方便工程师们及时发现隐藏在DR图像中的工件缺陷。DR图像增强的方法主要分为两大类：针对丰富DR图像细节信息的算法和针对DR图像对比度提高的算法。针对低对比度和低亮度且细节信息少DR图像，利用传统直方图增强方法无法有效进行目标细节增强。
发明内容
针对上述背景技术内容增材制造构件微小裂纹缺陷检测过程中，使用DR检测系统生成的扩压器裂纹缺陷DR检测图像中缺陷难以识别的问题，本发明的主旨在于通过激光增材制造扩压器裂纹缺陷DR检测图像处理方法，增强DR图像对比度和细节信息，可清楚的识别缺陷。
激光增材制造扩压器裂纹缺陷DR检测图像处理方法，其步骤包括：
S1、使用DR检测系统，获取镍基高温合金增材制造扩压器裂纹DR检测图像；
S2、计算DR检测图像的灰度分布直方图，并根据直方图的分布特征确定相关算法参数：图像分割方式，灰度映射阶数范围，切割阈值等；
S3、利用确定的参数,采用基于限制对比度直方图均衡化(CLAHE)的对比度增强算法对DR图像进行处理，初步提升图像对比度；
S4、对处理后的图像进行gaussian掩模循环多次处理，进一步提升图像的对比度；
S5、再次对掩模处理后的图像进行基于空间线性滤波器imfilter的unsharp反锐化边缘滤波算子处理，突出图像边缘信息，增强图像细节，获得增强图像。
其中，步骤S2中确定相关算法参数：图像分割方式一般为n*n，n＝4,8,16,32等；图像映射阶数范围即目标图像最大灰度值；切割阈值，Cliplimit＝2.5。
其中，步骤S4中对S3中处理后的图像进行gaussian掩模循环多次处理，一般gaussian掩模循环次数为3次，gaussian掩模循环处理过程如下:
Gray1＝2Gray(CEImage)-Gray(g-CEImage)
Gray2＝2Gray1-Grayg-1
Gray3＝2Gray2-Grayg-2
……
式中，Gray(CEImage)为限制对比度自适应直方图均衡化算法处理之后的图像灰度矩阵，Gray(g-CEImage)为gaussian滤波处理Gray(CEImage)之后的图像灰度矩阵，Gray1为第一次gaussian掩模处理之后的图像灰度矩阵，Grayg-1为gaussian滤波处理Gray1的图像灰度矩阵，同理，Gray2为第二次gaussian掩模处理之后的图像灰度矩阵，Gray3为第三次gaussian掩模处理之后的图像灰度矩阵。
其中，步骤S5中再次对掩模处理后的图像进行基于空间线性滤波器imfilter的unsharp反锐化边缘滤波算子处理，加强图像边缘效果，增强图像细节，滤波算子3*3模板和对应的卷积运算公式。
滤波算子3*3模板为：
-1 -1 -1
-1 8 -1
-1 -1 -1
卷积运算公式如下：
g(x,y)＝f(x,y)+[f(x,y)-f(x-1,y-1)]+[f(x,y)-f(x-1,y)]+
[f(x,y)-f(x-1,y+1)]+[f(x,y)-f(x,y-1)]+[f(x,y)-f(x,y+1)]+
[f(x,y)-f(x+1,y-1)]+[f(x,y)-f(x+1,y)]+[f(x,y)-f(x+1,y+1)]
式中，f(x,y)为gaussian掩模循环处理的图像灰度矩阵，g(x,y)为最终输出图像的灰度矩阵。
其中，DR检测系统包括数字射线系统和数字平板探测器成像系统，通过这两个系统，在结合计算机上的DR图像获取软件，可以获取DR检测系统产生的扩压器的DR检测图像。
基于上述技术方案，本发明的激光增材制造扩压器裂纹缺陷DR检测图像处理方法，至少具有如下有益效果之一：
(1)可以灵活的精准调节限制行对比度自适应直方图均衡化算法中的参数，达到提升图像对比度；
(2)目标图像进行限制对比度自适应直方图均衡化算法处理之后，再进行gaussian掩模循环多次处理。gaussian掩模循环次数，可以根据每次gaussian掩模处理结果，进行选择，达到进一步提升图像对比度效果；
(3)再次对掩模处理后的图像进行基于空间线性滤波器imfilter的unsharp反锐化边缘滤波算子处理，加强图像边缘效果，增强图像细节信息。
(4)激光增材制造扩压器裂纹缺陷DR检测图像处理方法，整个处理过程，即达到了增加图像对比度的效果，又突出了图像中的细节信息缺陷轮廓。
附图说明
图1为本发明的处理方法流程图。
图2为实施例DR检测原始图像。
图3为实施例DR检测原始图像的灰度直方图分布裁剪过程示意图。
图4为实施例DR检测原始图像经过CLAHE处理之后图像。
图5为实施例在CLAHE算法处理之后的基础上，经过gaussian掩模3次循环处理的图像结果。
图6为实施例经过gaussian掩模3次循环处理之后，再进行基于空间线性滤波器imfilter的unsharp反锐化边缘滤波算子处理的结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照
附图，对本发明作进一步的详细说明。如图1所示，激光增材制造扩压器裂纹缺陷DR检测图像处理方法流程图：
S1、使用DR检测系统，获取镍基高温合金增材制造扩压器裂纹DR检测图像；
本镍基高温合金增材制造扩压器裂纹缺陷DR检测图像处理方法，获取镍基高温合金增材制造扩压器裂纹DR检测图像，如图2所示。DR检测系统包括数字射线系统和数字平板探测器成像系统，通过这两个系统，在结合计算机上的DR图像获取软件，可以获取DR检测系统产生的扩压器的DR检测图像。
S2、计算DR检测图像的灰度分布直方图，并根据直方图的分布特征确定CLAHE算法参数：图像分割方式，灰度映射灰阶范围，裁剪阈值等；
上述步骤中，需要计算DR检测图像的灰度分布频数直方图，并根据直方图的分布特征确定CLAHE算法参数：图像分割方式一般为n*n(n＝4,8,16,32等)。确定图像分割方式，一般要根据图像的归一化信噪比，峰值信噪比，均方误差等来确定具体的图像分割方式。
上述步骤中，需要计算DR检测图像的灰度分布直方图，灰度直方图(histogram)是灰度级分布的函数，并根据直方图的分布函数P(k)特征确定CLAHE算法参数：图像映射阶数范围，一般8bit图像，灰阶范围0≤k≤255，一般16bit图像，灰阶范围0≤k≤65535。
上述步骤中，需要计算DR检测图像的灰度分布直方图，并根据直方图的分布特征确定CLAHE算法参数：裁剪阈值一般确定为Cliplimit＝2.5，整个剪切过程，如图3。
S3、利用确定的参数,采用基于限制对比度直方图均衡化(CLAHE)的对比度增强算法对DR图像进行处理，初步提升图像对比度；
上述步骤中，对获取镍基高温合金增材制造扩压器裂纹DR检测图像，加上使用确定下来的参数：图像分割方式、图像映射阶数范围、裁剪阈值，使用CLAHE算法来处理目标图像，达到初步提升图像对比度的效果，如图4。
S4、对S3中处理后的图像进行gaussian掩模循环多次处理，进一步提升图像的对比度，如图5是经过gaussian掩模循环3次处理结果图；
上述步骤中gaussian掩模循环次数，根据你gaussian掩模循环处理过程可以做出调整，达到最优的图像处理结果。具体循环处理结果如下：
Gray1＝2Gray(CEImage)-Gray(g-CEImage)
Gray2＝2Gray1-Grayg-1
Gray3＝2Gray2-Grayg-2
……
上式中，Gray(CEImage)为限制对比度自适应直方图均衡化算法处理之后的图像灰度矩阵，Gray(g-CEImage)为gaussian滤波处理Gray(CEImage)之后的图像灰度矩阵，Gray1为第一次gaussian掩模处理之后的图像灰度矩阵，Grayg-1为gaussian滤波处理Gray1的图像灰度矩阵，同理，Gray2为第二次gaussian掩模处理之后的图像灰度矩阵，Gray3为第三次gaussian掩模处理之后的图像灰度矩阵。应该注意的是这个gaussian掩模循环处理次数是要根据具体图像和需要达到的效果来决定的。
S5、再次对掩模处理后的图像进行基于空间线性滤波器imfilter的unsharp反锐化边缘滤波算子处理，突出图像边缘信息，增强图像细节，获得增强图像，如图6。
上述步骤中使用到滤波算子3*3模板和对应的卷积运算公式。
上述步骤中使用到滤波算子3*3模板，如下：
-1 -1 -1
-1 8 -1
-1 -1 -1
上述步骤中使用对应的卷积运算公式，用来增强目标图像中的细节信息，公式如下：
g(x,y)＝f(x,y)+[f(x,y)-f(x-1,y-1)]+[f(x,y)-f(x-1,y)]+
[f(x,y)-f(x-1,y+1)]+[f(x,y)-f(x,y-1)]+[f(x,y)-f(x,y+1)]+
[f(x,y)-f(x+1,y-1)]+[f(x,y)-f(x+1,y)]+[f(x,y)-f(x+1,y+1)]
根据图6中，目标图像处理的最终结果，可以确切的识别到缺陷，方便无损检测工程师查看，说明本图像处理方法对镍基高温合金增材制造扩压器裂纹DR检测图像处理是有效的，是可行的。
应注意，附图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本发明实施例的内容。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.激光增材制造扩压器裂纹缺陷DR检测图像处理方法，其特征在于，包括以下步骤：
S1、使用DR检测系统，获取镍基高温合金增材制造扩压器裂纹DR检测图像；
S2、计算DR检测图像的灰度分布直方图，并根据直方图的分布特征确定相关算法参数；
确定相关算法参数，包括：图像分割方式，灰度映射阶数范围，切割阈值；
S3、利用确定的参数，采用基于限制对比度直方图均衡化的对比度增强算法对DR图像进行处理，初步提升图像对比度；
S4、对处理后的图像进行gaussian掩模循环多次处理，进一步提升图像的对比度；
步骤S4中对处理后的图像进行gaussian掩模循环多次处理，gaussian掩模循环次数，根据gaussian掩模循环处理过程做出调整，达到最优的图像处理结果；并且gaussian掩模循环处理次数根据具体图像和需要达到的效果来决定的；
gaussian掩模循环次数为3次，gaussian掩模循环处理过程如下:
Gray1＝2Gray(CEImage)-Gray(g-CEImage)
Gray2＝2Gray1-Grayg-1
Gray3＝2Gray2-Grayg-2
……
其中，Gray(CEImage)为限制对比度自适应直方图均衡化算法处理之后的图像灰度矩阵，Gray(g-CEImage)为gaussian滤波处理Gray(CEImage)之后的图像灰度矩阵，Gray1为第一次gaussian掩模处理之后的图像灰度矩阵，Grayg-1为gaussian滤波处理Gray1的图像灰度矩阵，同理，Gray2为第二次gaussian掩模处理之后的图像灰度矩阵，Gray3为第三次gaussian掩模处理之后的图像灰度矩阵；
S5、再次对掩模处理后的图像进行基于空间线性滤波器imfilter的unsharp反锐化边缘滤波算子处理，突出图像边缘信息，增强图像细节，获得增强图像。
2.根据权利要求1所述的激光增材制造扩压器裂纹缺陷DR检测图像处理方法，其特征在于，步骤S5中反锐化边缘滤波算子处理，滤波算子3*3模板如下：
对应的卷积运算公式如下：
g(x，y)＝f(x，y)+[f(x，y)-f(x-1，y-1)]+[f(x，y)-f(x-1，y)]+[f(x，y)-f(x-1，y+1)]+[f(x，y)-f(x，y-1)]+[f(x，y)-f(x，y+1)]+[f(x，y)-f(x+1，y-1)]+[f(x，y)-f(x+1，y)]+[f(x，y)-f(x+1，y+1)]
其中f(x，y)为gaussian掩模循环处理的图像灰度矩阵，g(x，y)为最终输出图像的灰度矩阵。
3.根据权利要求1所述的激光增材制造扩压器裂纹缺陷DR检测图像处理方法，其特征在于，步骤S1中的DR检测系统包括数字射线系统和数字平板探测器成像系统，通过这两个系统，在结合计算机上的DR图像获取软件，获取DR检测系统产生的扩压器的DR检测图像。
CN202011012967.3A 2020-09-23 2020-09-23 激光增材制造扩压器裂纹缺陷dr检测图像处理方法 Active CN112150437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011012967.3A CN112150437B (zh) 2020-09-23 2020-09-23 激光增材制造扩压器裂纹缺陷dr检测图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011012967.3A CN112150437B (zh) 2020-09-23 2020-09-23 激光增材制造扩压器裂纹缺陷dr检测图像处理方法

Publications (2)

Publication Number Publication Date
CN112150437A CN112150437A (zh) 2020-12-29
CN112150437B true CN112150437B (zh) 2023-05-09

Family

ID=73896456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011012967.3A Active CN112150437B (zh) 2020-09-23 2020-09-23 激光增材制造扩压器裂纹缺陷dr检测图像处理方法

Country Status (1)

Country Link
CN (1) CN112150437B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066072B (zh) * 2021-04-08 2023-06-06 南昌航空大学 一种航空发动机导向叶片微裂纹缺陷检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6847738B1 (en) * 1999-01-15 2005-01-25 Koninklijke Philips Electronics N.V. Sharpness enhancement
CN102096909A (zh) * 2010-12-30 2011-06-15 东北大学 基于对数图像处理模型的改进的反锐化掩模图像增强方法
CN110070508A (zh) * 2019-04-23 2019-07-30 西安交通大学 一种基于门限值和线性映射的反锐化增强方法
CN110211058A (zh) * 2019-05-15 2019-09-06 南京极目大数据技术有限公司 一种医学影像的数据增强方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496695A (zh) * 2022-11-04 2022-12-20 中国人民解放军93210部队 一种高动态红外图像自适应增强与压缩方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6847738B1 (en) * 1999-01-15 2005-01-25 Koninklijke Philips Electronics N.V. Sharpness enhancement
CN102096909A (zh) * 2010-12-30 2011-06-15 东北大学 基于对数图像处理模型的改进的反锐化掩模图像增强方法
CN110070508A (zh) * 2019-04-23 2019-07-30 西安交通大学 一种基于门限值和线性映射的反锐化增强方法
CN110211058A (zh) * 2019-05-15 2019-09-06 南京极目大数据技术有限公司 一种医学影像的数据增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于CLAHE与同态滤波的细胞图像增强新方法;余成波;《微型机与应用》(第04期);全文 *
徐艳丽.基于非线性反锐化掩膜的DR图像边缘增强.《中国医学物理学杂志》.2010,第27卷(第04期),全文. *

Also Published As

Publication number Publication date
CN112150437A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN106870957B (zh) 一种管道缺陷漏磁信号的特征提取方法
US7817845B2 (en) Multi-frequency image processing for inspecting parts having complex geometric shapes
Wang et al. Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension
Yang et al. Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey
CN107963239B (zh) 一种基于音频的运载火箭故障检测装置及检测方法
Fan et al. Intelligent fault diagnosis of rolling bearing using FCM clustering of EMD-PWVD vibration images
EP1801575A1 (en) An eddy current inspection device
CN109000921B (zh) 一种风电机组主轴故障的诊断方法
Jiang et al. A novel rolling bearing defect detection method based on bispectrum analysis and cloud model-improved EEMD
CN112150437B (zh) 激光增材制造扩压器裂纹缺陷dr检测图像处理方法
CN112461934B (zh) 一种基于声发射的航空发动机叶片裂纹源定位方法
US7606445B2 (en) Methods and systems for ultrasound inspection
CN112098102B (zh) 一种基于ewt-scwt的内燃机异响识别与诊断方法
Xu et al. An enhanced multipoint optimal minimum entropy deconvolution approach for bearing fault detection of spur gearbox
Tang et al. Adaptive recursive variational mode decomposition for multiple engine faults detection
CN113624834B (zh) 一种基于边际谱质心检测的缺陷深度识别方法、系统
He et al. Weak fault detection method of rolling bearing based on testing signal far away from fault source
CN112597958B (zh) 一种滚动轴承故障自动识别方法及系统
CN113066072B (zh) 一种航空发动机导向叶片微裂纹缺陷检测方法及系统
Wang Pulsation signals analysis of turbocharger turbine blades based on optimal EEMD and TEO
CN112255316A (zh) 镍基高温合金增材制造构件微小缺陷超声信号增强方法
CN112508945A (zh) 一种基于计算机视觉的固体火箭发动机无损检测方法
Tavakkoli et al. A ball bearing fault diagnosis method based on wavelet and EMD energy entropy mean
Siahpour et al. Fault detection and isolation of wind turbine gearbox via noise-assisted multivariate empirical mode decomposition algorithm.
CN112610344B (zh) 一种基于ceemd和改进层次离散熵的共轨喷油器故障诊断方法

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