CN112179980B - 一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法 - Google Patents

一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法 Download PDF

Info

Publication number
CN112179980B
CN112179980B CN202011164628.7A CN202011164628A CN112179980B CN 112179980 B CN112179980 B CN 112179980B CN 202011164628 A CN202011164628 A CN 202011164628A CN 112179980 B CN112179980 B CN 112179980B
Authority
CN
China
Prior art keywords
array
matrix
data
value
window
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
CN202011164628.7A
Other languages
English (en)
Other versions
CN112179980A (zh
Inventor
张�杰
李胜平
张震
白利兵
程玉华
周权
龙宸宇
宋宇飞
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.)
University of Electronic Science and Technology of China
Shanghai Xinli Power Equipment Research Institute
Original Assignee
University of Electronic Science and Technology of China
Shanghai Xinli Power Equipment Research Institute
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 University of Electronic Science and Technology of China, Shanghai Xinli Power Equipment Research Institute filed Critical University of Electronic Science and Technology of China
Priority to CN202011164628.7A priority Critical patent/CN112179980B/zh
Publication of CN112179980A publication Critical patent/CN112179980A/zh
Application granted granted Critical
Publication of CN112179980B publication Critical patent/CN112179980B/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
    • 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
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明公开了一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法，通过使用阵列涡流自动化检测设备在线检测并采集被测旋压筒体表面缺陷信息，并根据提取的缺陷信号建立矩阵，然后对建立的矩阵数据处理，从而有效地滤除采集数据中的旋压纹路及提离一致性变化信号干扰，进而快速识别缺陷位置，操作简单、识别速度快，且适用于各种阵列涡流自动化无损检测中。

Description

一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法
技术领域
本发明属于缺陷检测技术领域，更为具体地讲，涉及一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法。
背景技术
阵列涡流检测技术以其探头尺寸大，扫查覆盖区域大、检测效率高、可对被测铁磁性材料表面缺陷的检测结果进行成像显示、能够直观地展示被测物体表面或近表面的缺陷等优点，因此普遍使用在铁磁性材料的自动化无损检测领域。
但是在针对旋压筒体表面缺陷在线自动检测的场景中，存在如旋压筒体表面有着旋压纹路以及机械控制探头运动过程中机械抖动或者运行环境变化所带来的提离一致性变化干扰，使得涡流信号中缺陷信息被掩盖难以识别。在线自动识别缺陷的过程中存在上述不同的数据干扰的情况下如何快速准确地识别定位缺陷，成为了现在阵列涡流无损检测自动化应用的主要问题所在。
当前，现已有的解决方法主要使用深度学习方法通过前期训练来判别缺陷，但是该类型方法前期准备周期长，所需使用的样本多计算复杂，并且针对不同的场景需要重新调节参数等问题，使得它难以快速地运用在不同尺寸及表面状态复杂的旋压筒体表面缺陷在线自动检测识别中。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法，能够有效地滤除旋压纹路及不同检测区域间提离一致性变化信号干扰，进而快速识别缺陷位置，操作简单、识别速度快，且适用于各种阵列涡流自动化无损检测。
为实现上述发明目的，本发明一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法，其特征在于，包括以下步骤：
(1)、使用阵列涡流自动化检测设备在线检测并采集被测旋压筒体表面缺陷信息，并建立矩阵T；
Figure GDA0003594497900000021
其中，tij表示第i个通道在第j个采样点处的采集数据，i＝1,2,…,m，m为阵列涡流自动化检测设备的采集通道数，j＝1,2,…,n，n为阵列涡流自动化检测设备的采集点数；
(2)、以矩阵T的每一行为单位，对每一行数据分别进行快速傅里叶变换获得频域数组F，其中，第i行数据进行快速傅里叶变换后，其频域数组记为Fi，
Figure GDA0003594497900000022
表示第i行数据中第j个频域数据；
(3)、先取频域数组Fi中每个频域数据的实部，组成数组Fr(i)＝real(Fi)，再计算数组Fr(i)的均值mi及标准差σi；
(4)、遍历频域数组Fi中每个频域数据，如果
Figure GDA0003594497900000023
或
Figure GDA0003594497900000024
时，则记
Figure GDA0003594497900000025
否则，保持
Figure GDA0003594497900000026
的值不变，从而得到新的频域数组记为
Figure GDA0003594497900000027
(5)、对频域数组
Figure GDA0003594497900000028
作快速傅里叶逆变换，得到时域数组
Figure GDA0003594497900000029
(6)、计算时域数组Di的均值
Figure GDA00035944979000000210
及标准差
Figure GDA00035944979000000211
(7)、设置通道滤波窗，其窗口大小的初始值设为W；遍历时域数组Di中每个时域数据，当第一次出现
Figure GDA00035944979000000212
或
Figure GDA00035944979000000213
时，则将当前
Figure GDA00035944979000000214
的位置作为通道滤波窗的起始位置；当第二次出现
Figure GDA00035944979000000215
或
Figure GDA00035944979000000216
时，则将当前
Figure GDA00035944979000000217
的位置作为通道滤波窗的结束位置，再计算该通道滤波窗的窗口大小；然后继续遍历时域数组Di中剩余时域数据，并记录下所有出现的通道滤波窗及对应的窗口大小；最后挑选出窗口值最大的通道滤波窗，并将其窗口大小与初始值W比较，如果大于初始值W，则将挑选出通道滤波窗的作为中值滤波窗；否则，将设置的通道滤波窗作为中值滤波窗；
(8)、利用中值滤波窗对矩阵T的第i行数据Ti进行滤波处理，获得Ti中的提离背景；
(9)、同理，按照步骤(2)-(8)的方法对矩阵T的其余行数据进行处理，得到滤除提离背景的矩阵Th；
(10)、以矩阵Th的每一行为单位，将每个通道的数据记为数组
Figure GDA0003594497900000031
然后计算数组Dh,i的均值mh,i及标准差σh,i；
(11)、遍历数组Dh,i中每个数据
Figure GDA0003594497900000032
当
Figure GDA0003594497900000033
时，则将
Figure GDA0003594497900000034
的值修改为
Figure GDA0003594497900000035
当
Figure GDA0003594497900000036
则将
Figure GDA0003594497900000037
的值修改为
Figure GDA0003594497900000038
否则，保持
Figure GDA0003594497900000039
的值不变；从而得到背景噪声数组Db,i；
(12)、计算数组Db,i的均值mb,i及标准差σb,i；按照步骤(11)的方法遍历数组Db,i中每个数据，从而不断更新数组Db,i，直到数组Db,i中的数据不再变化为止；
利用数组Dh,i减去最后一次更新后的背景噪声数组Db,i，得到滤除背景干扰后数组Df,i；
(13)、同理，按照步骤(10)-(12)的方法对矩阵Th的其余行数据进行处理，得到滤除背景噪声的矩阵Tf；
(14)、为旋压筒体表面的每一处缺陷创建一个位置储存数组，记为Vk，k＝1,2,…；从左到右按行遍历矩阵Tf，当遍历到矩阵Tf中第一个元素值
Figure GDA00035944979000000310
不为0时，记录该元素值
Figure GDA00035944979000000311
的位置x(i,j)，并将位置x(i,j)存储到数组V1，再使该元素值
Figure GDA00035944979000000312
(15)、判断x(i,j)周围的位置点x(i+1,j),x(i-1,j),x(i,j+1),x(i,j-1)对应的元素值是否为0，若存在元素值不为0的位置点，则将不为0的位置点存储数组V1中，并使该位置点对应的元素值变为0，然后进入步骤(16)；若位置点的元素值都为0，则进入步骤(17)；
(16)、以新增的不为0的位置点为中心，按照步骤(15)的方法继续判断周围四个点，直到V1中没有新增的位置点，再进入步骤(17)；
(17)、以位置x(i,j)为起始点，继续遍历矩阵Tf，并将第一次出现元素值不为0的位置存储到数组V2，再使该元素值等于0，然后以此类推，直到遍历完整个矩阵Tf，最终得到代表缺陷的多个位置储存数组Vk，对每个位置储存数组中的位置点求均值后，得到每处缺陷的位置中心。
本发明的发明目的是这样实现的：
本发明一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法，通过使用阵列涡流自动化检测设备在线检测并采集被测旋压筒体表面缺陷信息，并根据提取的缺陷信号建立矩阵，然后对建立的矩阵数据处理，从而有效地滤除采集数据中的旋压纹路及提离一致性变化信号干扰，进而快速识别缺陷位置，操作简单、识别速度快，且适用于各种阵列涡流自动化无损检测中。
同时，本发明基于阵列涡流的旋压筒体表面缺陷在线自动识别方法还具有以下有益效果：
(1)、本发明能够根据不同被测对象自适应调节中值滤波参数，可以较好地滤除旋压筒体表面缺陷在线自动检测中存在的提离一致性变化及旋压纹路干扰；
(2)、本方法的数据处理及缺陷识别速度快，能够较好地实现各种基于阵列涡流的铁磁性旋压筒体表面缺陷在线自动检测过程中缺陷的自动识别要求，具有比较广阔的运用场景。
附图说明
图1是本发明基于阵列涡流的旋压筒体表面缺陷在线自动识别方法流程图；
图2是自适应中值滤波窗口截取示例图；
图3是滤除背景噪声的矩阵示例图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于阵列涡流的旋压筒体表面缺陷在线自动识别方法流程图。
在本实施例中，如图1所示，本发明一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法，包括以下步骤：
S1、使用阵列涡流自动化检测设备在线检测并采集被测旋压筒体表面缺陷信息，并建立矩阵T，在矩阵T中每一行代表阵列涡流检测探头的单个采集通道，每一列代表探头在时间尺度上的采样点，矩阵T中的元素值代表当前时间点对应通道所检测到表面磁感应强度大小。
Figure GDA0003594497900000051
其中，tij表示第i个通道在第j个采样点处的采集数据，i＝1,2,…,m，m为阵列涡流自动化检测设备的采集通道数，j＝1,2,…,n，n为阵列涡流自动化检测设备的采集点数；
S2、以矩阵T的每一行为单位，对每一行数据分别进行快速傅里叶变换获得频域数组F，其中，第i行数据进行快速傅里叶变换后，其频域数组记为Fi，
Figure GDA0003594497900000052
表示第i行数据中第j个频域数据；
S3、先取频域数组Fi中每个频域数据的实部，组成数组Fr(i)＝real(Fi)，再计算数组Fr(i)的均值mi及标准差σi；
Figure GDA0003594497900000053
Figure GDA0003594497900000054
S4、遍历频域数组Fi中每个频域数据，如果
Figure GDA0003594497900000055
或
Figure GDA0003594497900000056
时，则记
Figure GDA0003594497900000057
否则，保持
Figure GDA0003594497900000058
的值不变，从而得到新的频域数组记为
Figure GDA0003594497900000059
S5、对频域数组
Figure GDA00035944979000000510
作快速傅里叶逆变换，得到时域数组
Figure GDA00035944979000000511
S6、计算时域数组Di的均值
Figure GDA00035944979000000512
及标准差
Figure GDA00035944979000000513
S7、设置通道滤波窗，其窗口大小的初始值设为W；遍历时域数组Di中每个时域数据，当第一次出现
Figure GDA00035944979000000514
或
Figure GDA00035944979000000515
时，则将当前
Figure GDA00035944979000000516
的位置作为通道滤波窗的起始位置；当第二次出现
Figure GDA00035944979000000517
或
Figure GDA00035944979000000518
时，则将当前
Figure GDA00035944979000000519
的位置作为通道滤波窗的结束位置，再计算该通道滤波窗的窗口大小；
在本实施例中，如图2所示，设置L为通道滤波窗的起始位置，R为通道滤波窗的结束位置；
然后继续遍历时域数组Di中剩余时域数据，并记录下所有出现的通道滤波窗及对应的窗口大小；最后挑选出窗口值最大的通道滤波窗，并将其窗口大小与初始值W比较，如果大于初始值W，则将挑选出通道滤波窗的作为中值滤波窗；否则，将设置的通道滤波窗作为中值滤波窗；
S8、利用中值滤波窗对矩阵T的第i行数据Ti进行滤波处理，获得Ti中的提离背景，记为Tl,i(j)；
Figure GDA0003594497900000061
其中，tl,i(j)表示Ti中第j个数据获取的提离背景；
S9、同理，按照步骤S2-S8的方法对矩阵T的其余行数据进行处理，得到滤除提离背景的矩阵Th；
在本实施例中，对矩阵T中每个通道数据进行滤波处理，提取出提离背景矩阵Tl，利用矩阵T减去矩阵Tl，获得滤除提离背景的矩阵Th，即Th＝T-Tl，从而达到滤除旋压纹路干扰，并提升数据中缺陷边缘特征。
S10、以矩阵Th的每一行为单位，将每个通道的数据记为数组
Figure GDA0003594497900000062
然后计算数组Dh,i的均值mh,i及标准差σh,i，具体计算过程不再赘述；
S11、遍历数组Dh,i中每个数据
Figure GDA0003594497900000063
当
Figure GDA0003594497900000064
时，则将
Figure GDA0003594497900000065
的值修改为
Figure GDA0003594497900000066
当
Figure GDA0003594497900000067
则将
Figure GDA0003594497900000068
的值修改为
Figure GDA0003594497900000069
否则，保持
Figure GDA00035944979000000610
的值不变；从而得到背景噪声数组Db,i；
S12、计算数组Db,i的均值mb,i及标准差σb,i；按照步骤(11)方法遍历数组Db,i中每个数据，从而不断更新数组Db,i，直到数组Db,i中的数据不再变化为止；
最后，利用数组Dh,i减去最后一次更新后的背景噪声数组Db,i，得到滤除背景干扰后数组Df,i；
S13、同理，按照步骤S10-S12的方法对矩阵Th的其余行数据进行处理，得到滤除背景噪声的矩阵Tf；
在本实施例中，对矩阵Th中每个通道数据进行滤波处理，提取出背景噪声矩阵Tb，利用矩阵T减去矩阵Tb，获得滤除背景噪声的矩阵Tf，即Tf＝Th-Tb，在矩阵Tf中，非缺陷部分的元素值为0，缺陷部分的元素值不为0。
S14、为旋压筒体表面的每一处缺陷创建一个位置储存数组，记为Vk，k＝1,2,…；从左到右按行遍历矩阵Tf，当遍历到矩阵Tf中第一个元素值
Figure GDA0003594497900000071
不为0时，如图3所示，当遍历到i＝1，j＝3处，记录该元素值
Figure GDA0003594497900000072
的位置x(i,j)，并将位置x(i,j)存储到数组V1，再使该元素值
Figure GDA0003594497900000073
S15、判断x(i,j)周围的位置点x(i+1,j),x(i-1,j),x(i,j+1),x(i,j-1)对应的元素值是否为0，若存在元素值不为0的位置点，则将不为0的位置点存储数组V1中，并使该位置点对应的元素值变为0，然后进入步骤S16；若位置点的元素值都为0，则进入步骤S17；
S16、以新增的不为0的位置点为中心，按照步骤S15的方法继续判断周围四个点，直到V1中没有新增的位置点，再进入步骤S17；
S17、以位置x(i,j)为起始点，继续遍历矩阵Tf，并将第一次出现元素值不为0的位置存储到数组V2，再使该元素值等于0，然后以此类推，直到遍历完整个矩阵Tf，最终得到代表缺陷的多个位置储存数组Vk，对每个位置储存数组中的位置点求均值后，得到每处缺陷的位置中心。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法，其特征在于，包括以下步骤：
(1)、使用阵列涡流自动化检测设备在线检测并采集被测旋压筒体表面缺陷信息，并建立矩阵T；
Figure FDA0003594497890000011
其中，tij表示第i个通道在第j个采样点处的采集数据，i＝1,2,…,m，m为阵列涡流自动化检测设备的采集通道数，j＝1,2,…,n，n为阵列涡流自动化检测设备的采集点数；
(2)、以矩阵T的每一行为单位，对每一行数据分别进行快速傅里叶变换获得频域数组F，其中，第i行数据进行快速傅里叶变换后，其频域数组记为Fi，
Figure FDA0003594497890000012
Figure FDA0003594497890000013
表示第i行数据中第j个频域数据；
(3)、先取频域数组Fi中每个频域数据的实部，组成数组Fr(i)＝real(Fi)，再计算数组Fr(i)的均值mi及标准差σi；
(4)、遍历频域数组Fi中每个频域数据，如果
Figure FDA0003594497890000014
或
Figure FDA0003594497890000015
时，则记
Figure FDA0003594497890000016
否则，保持
Figure FDA0003594497890000017
的值不变，从而得到新的频域数组记为
Figure FDA0003594497890000018
(5)、对频域数组
Figure FDA0003594497890000019
作快速傅里叶逆变换，得到时域数组
Figure FDA00035944978900000110
(6)、计算时域数组Di的均值
Figure FDA00035944978900000111
及标准差
Figure FDA00035944978900000112
(7)、设置通道滤波窗，其窗口大小的初始值设为W；遍历时域数组Di中每个时域数据，当第一次出现
Figure FDA00035944978900000113
或
Figure FDA00035944978900000114
时，则将当前
Figure FDA00035944978900000115
的位置作为通道滤波窗的起始位置；当第二次出现
Figure FDA00035944978900000116
或
Figure FDA00035944978900000117
时，则将当前
Figure FDA00035944978900000118
的位置作为通道滤波窗的结束位置，再计算该通道滤波窗的窗口大小；然后继续遍历时域数组Di中剩余时域数据，并记录下所有出现的通道滤波窗及对应的窗口大小；最后挑选出窗口值最大的通道滤波窗，并将其窗口大小与初始值W比较，如果大于初始值W，则将挑选出通道滤波窗的作为中值滤波窗；否则，将设置的通道滤波窗作为中值滤波窗；
(8)、利用中值滤波窗对矩阵T的第i行数据Ti进行滤波处理，获得Ti中的提离背景；
(9)、同理，按照步骤(2)-(8)的方法对矩阵T的其余行数据进行处理，得到滤除提离背景的矩阵Th；
(10)、以矩阵Th的每一行为单位，将每个通道的数据记为数组
Figure FDA0003594497890000021
然后计算数组Dh,i的均值mh,i及标准差σh,i；
(11)、遍历数组Dh,i中每个数据
Figure FDA0003594497890000022
当
Figure FDA0003594497890000023
时，则将
Figure FDA0003594497890000024
的值修改为
Figure FDA0003594497890000025
当
Figure FDA0003594497890000026
则将
Figure FDA0003594497890000027
的值修改为
Figure FDA0003594497890000028
否则，保持
Figure FDA0003594497890000029
的值不变；从而得到背景噪声数组Db,i；
(12)、计算数组Db,i的均值mb,i及标准差σb,i；按照步骤(11)的方法遍历数组Db,i中每个数据，从而不断更新数组Db,i，直到数组Db,i中的数据不再变化为止；
利用数组Dh,i减去最后一次更新后的背景噪声数组Db,i，得到滤除背景干扰后数组Df,i；
(13)、同理，按照步骤(10)-(12)的方法对矩阵Th的其余行数据进行处理，得到滤除背景噪声的矩阵Tf；
(14)、为旋压筒体表面的每一处缺陷创建一个位置储存数组，记为Vk，k＝1,2,…；从左到右按行遍历矩阵Tf，当遍历到矩阵Tf中第一个元素值
Figure FDA00035944978900000210
不为0时，记录该元素值
Figure FDA00035944978900000211
的位置x(i,j)，并将位置x(i,j)存储到数组V1，再使该元素值
Figure FDA00035944978900000212
(15)、判断x(i,j)周围的位置点x(i+1,j),x(i-1,j),x(i,j+1),x(i,j-1)对应的元素值是否为0，若存在元素值不为0的位置点，则将不为0的位置点存储数组V1中，并使该位置点对应的元素值变为0，然后进入步骤(16)；若位置点的元素值都为0，则进入步骤(17)；
(16)、以新增的不为0的位置点为中心，按照步骤(15)的方法继续判断周围四个点，直到V1中没有新增的位置点，再进入步骤(17)；
(17)、以位置x(i,j)为起始点，继续遍历矩阵Tf，并将第一次出现元素值不为0的位置存储到数组V2，再使该元素值等于0，然后以此类推，直到遍历完整个矩阵Tf，最终得到代表缺陷的多个位置储存数组Vk，对每个位置储存数组中的位置点求均值后，得到每处缺陷的位置中心。
CN202011164628.7A 2020-10-27 2020-10-27 一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法 Active CN112179980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011164628.7A CN112179980B (zh) 2020-10-27 2020-10-27 一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011164628.7A CN112179980B (zh) 2020-10-27 2020-10-27 一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法

Publications (2)

Publication Number Publication Date
CN112179980A CN112179980A (zh) 2021-01-05
CN112179980B true CN112179980B (zh) 2022-06-14

Family

ID=73922865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011164628.7A Active CN112179980B (zh) 2020-10-27 2020-10-27 一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法

Country Status (1)

Country Link
CN (1) CN112179980B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU4736489A (en) * 1988-12-29 1990-07-05 Phillips Petroleum Company Transient electromagnetic apparatus for detecting irregularities on conductive containers
CA2249092A1 (en) * 1998-09-30 2000-03-30 Hydroscope Canada Inc. Method and system for determining pipeline defects
US6370485B1 (en) * 1998-08-05 2002-04-09 Mitsubishi Heavy Industries, Ltd. Signal processing apparatus and non-destructive testing apparatus using the same
CN103063737A (zh) * 2012-12-28 2013-04-24 中国石油集团川庆钻探工程有限公司 连续油管磁法检测方法
CN109884182A (zh) * 2019-04-04 2019-06-14 中国兵器科学研究院宁波分院 一种涡流c扫描成像检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU4736489A (en) * 1988-12-29 1990-07-05 Phillips Petroleum Company Transient electromagnetic apparatus for detecting irregularities on conductive containers
US6370485B1 (en) * 1998-08-05 2002-04-09 Mitsubishi Heavy Industries, Ltd. Signal processing apparatus and non-destructive testing apparatus using the same
CA2249092A1 (en) * 1998-09-30 2000-03-30 Hydroscope Canada Inc. Method and system for determining pipeline defects
CN103063737A (zh) * 2012-12-28 2013-04-24 中国石油集团川庆钻探工程有限公司 连续油管磁法检测方法
CN109884182A (zh) * 2019-04-04 2019-06-14 中国兵器科学研究院宁波分院 一种涡流c扫描成像检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic detecting and classifying defects during eddy current inspection of riveted lap-joints;F.Lingvall et al;《NDT & E International》;19991124;第33卷(第1期);第47-55页 *
基于涡流的金属表面缺陷检测系统的研究;丁民翰;《工程科技II辑》;20180715(第7期);第23-30页 *

Also Published As

Publication number Publication date
CN112179980A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
US7817845B2 (en) Multi-frequency image processing for inspecting parts having complex geometric shapes
CN113592861B (zh) 一种基于动态阈值的桥梁裂缝检测方法
CN112699912B (zh) 一种通过改进gan增强红外热图像的方法
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
Oliveira et al. Road surface crack detection: Improved segmentation with pixel-based refinement
Sun et al. On-line detection of eggshell crack based on acoustic resonance analysis
JP2006292747A (ja) 渦電流探傷検査方法及びシステム
WO2021248962A1 (zh) 一种检测及区分钢丝绳内外缺陷的无损检测方法和装置
Malone et al. Borehole and Ice Feature Annotation Tool (BIFAT): A program for the automatic and manual annotation of glacier borehole images
CN109360145A (zh) 一种基于涡流脉冲红外热图像拼接方法
CN110838117A (zh) 一种基于孔壁图像的岩石面孔隙度识别方法
CN110568059A (zh) 钢丝绳无损检测方法及装置
CN113436216A (zh) 基于Canny算子的电气设备红外图像边缘检测方法
Fu et al. Research on image-based detection and recognition technologies for cracks on rail surface
Xiang et al. Automated analysis of rotating probe multi-frequency eddy current data from steam generator tubes
CN112179980B (zh) 一种基于阵列涡流的旋压筒体表面缺陷在线自动识别方法
CN109948629B (zh) 一种基于sift特征的gis设备x射线图像故障检测方法
Satone et al. Automatic bruise detection in fruits using thermal images
CN114088808A (zh) 一种三维感应涡流磁场云图的管道裂纹可视化检测方法和系统
CN112083059B (zh) 一种滤除钢轨顶面提离干扰的方法
CN113393440B (zh) 基于磁光成像的焊缝缺陷自动增强及识别方法
CN112508862B (zh) 一种通过改进gan增强裂纹磁光图像的方法
Zhang et al. Quantitative nondestructive testing of broken wires for wire rope based on multi-image fusion
CN114550149A (zh) 基于深度学习的指针仪表读数方法及系统

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