CN112215810B - 一种疲劳测试裂纹监测方法及装置 - Google Patents
一种疲劳测试裂纹监测方法及装置 Download PDFInfo
- Publication number
- CN112215810B CN112215810B CN202011032282.5A CN202011032282A CN112215810B CN 112215810 B CN112215810 B CN 112215810B CN 202011032282 A CN202011032282 A CN 202011032282A CN 112215810 B CN112215810 B CN 112215810B
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- fatigue test
- cracks
- 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.)
- Active
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/32—Investigating strength properties of solid materials by application of mechanical stress by applying repeated or pulsating forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
- G01N2203/0073—Fatigue
-
- 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
- G06T2207/10004—Still image; Photographic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种疲劳测试裂纹监测方法及装置,包括建立裂纹评估信息库,计算出裂纹的长度、数量、位置和形态之后,根据裂纹评估信息库中的信息,综合评估裂纹的危险等级。本发明的疲劳测试裂纹监测方法及装置利用视觉处理技术实现裂纹监测,能够实现对疲劳损伤临界点的精准判断,更加完整保留试件失效信息和数据准确性;本发明还建立了裂纹评估信息库,计算出裂纹的长度、数量、位置和形态之后,根据裂纹评估信息库中的信息,综合评估裂纹的危险等级,综合评估裂纹对构件的实际危害性,满足了多种构件测试情况、应用场景下实际工程的需要。
Description
技术领域
本发明涉及裂纹检测领域,具体涉及一种疲劳测试裂纹监测方法及装置。
背景技术
疲劳是引起工程构件失效的最主要原因之一。在疲劳破坏中,工程构件承受交变载荷的作用,在经过一定的循环次数后在构件局部形成永久性的损伤,最终形成裂纹并扩展直至断裂,往往在载荷低于其力学承载能力的情况下发生突然性的破坏,预防难度远大于其他常规破坏。疲劳破坏引起的断裂是工程上最为常见,同时也是最危险的断裂形式,而在车辆业、建筑业、航空工业等涉及到大尺寸构件的工业领域当中,疲劳埋下的安全隐患及其造成的损失则更为巨大。故研究工程构件在疲劳载荷的循环作用下的工作状况,判断其疲劳损伤临界点,测定其疲劳寿命等参数,在工程中有重要意义。
现有的疲劳监测机制主要有两种,一种是对应力变化进行监测,如采用力传感器获取构件应力状况,判断出现疲劳损伤的临界点,但在构件承受交变载荷产生动态疲劳效应的过程中,其应力变化往往并不明显,故以应力变化来判断出现疲劳损伤临界点的监测方法并不准确,极大影响实验精度,甚至导致完全监测不到疲劳损伤,试件一直处于加载状态直至完全损毁。
另一种则是直接对表面裂纹进行检测,根据信号的产生方式又分为两种:一种是通过对系统施加激励信号,测量系统响应信号来判断是否出现裂纹,例如采用超声波、电磁信号等;另一种则是分析系统现有的信号,例如可见光、红外线等,主要是通过图像处理的手段,例如边缘检测、小波变换、卷积神经网络等来判断裂纹是否产生。以上方法解决了应力变化不明显导致的对出现疲劳损伤临界点不敏感的问题,但往往只能判断裂纹是否产生,或者只能对于单条裂纹在二维图像上的长度给予判别阈值,而实际工程构件的裂纹检测存在如下几个问题:1、构件结构复杂,裂纹在二维图像上的尺寸不能反映其在三维空间中的尺寸;2、构件结构多样,裂纹在构件不同结构处对构件产生的危害不同;3、构件材料不尽相同,不同形态裂纹在不同材料构件中的危险程度不同;4、裂纹产生的情况多种多样,如既可能产生数量较多的短裂纹,也可能产生数量少的长裂纹。故仅仅通过单条裂纹在二维图像上的长度无法准确判断是否出现了对构件具有危害性的疲劳损伤,因此,目前的疲劳测试裂纹监测很难满足不同应用场景下实际工程的需要。
发明内容
本发明解决的技术问题是提供一种疲劳测试裂纹监测方法及装置,解决目前疲劳测试裂纹监测难以综合评估裂纹对构件的实际危害性,很难满足不同应用场景下实际工程的需要的问题。
本发明提供了一种疲劳测试裂纹监测方法,包括以下步骤:
建立裂纹评估信息库,包括材料力学特性、特定材料危险裂纹形态、常见工件危险位置;
采集待测构件的初始图像以及待测构件在承受疲劳载荷过程中的监测图像;
对所有图像进行图像分割,将构件从图像中提取出来,然后进行二值化处理;
将监测图像与初始图像进行对比,判断图像是否异常;若异常,则找出异常区域,对该异常进行形态学分析,判断其是否为裂纹;若为裂纹,则由裂纹上各点的像素坐标得到其三维坐标,然后获取裂纹的长度、数量、位置和形态;
根据材料力学特性求取裂纹失效长度判别阈值,判断裂纹长度是否大于该阈值:若裂纹长度大于该阈值,则判定为危险1级;若否,则判断裂纹的数量、位置和形态是否满足以下条件之一:a、裂纹数量超过数量预设阈值;b、裂纹位置位于构件较为危险的位置,包括几何尺寸变化较大处、应力集中处和对可靠性要求较高处;c、裂纹形态属于该种材料的危险裂纹形态;若满足则判定为危险1级;若否,则判定为危险2级。
进一步地,裂纹评估信息库为交互型,根据需要对裂纹评估信息库中的信息进行修改、调用和增减。
进一步地,利用相机阵列采集待测构件的图像。
进一步地,利用相机标定法获取相机内外参数,进而利用三角测量原理由裂纹上各点的像素坐标得到其三维坐标。
进一步地,在进行图像分割前,对图像进行图像增强,图像增强的方法为同态滤波增强。
进一步地,采用边缘检测的方法对图像进行分割。
进一步地,对异常区域进行形态学分析具体包括步骤:
计算异常区域的周长C和面积S,求取区域圆形度R=4ΠS/C2;
将面积S和圆形度R分别与面积和圆形度预设阈值进行比较,判断异常区域是否为裂纹。
进一步地,裂纹失效长度判别阈值a的计算公式为:
式中,G为能量释放率,γp为材料表面能。
本发明还提供一种用于实现上述的疲劳测试裂纹监测方法的疲劳测试裂纹监测装置,该装置包括加载系统、视觉测量系统和中央处理系统;
加载系统,用于对构件施加疲劳载荷;
视觉测量系统,用于采集待测构件的初始图像以及待测构件在承受疲劳载荷过程中的监测图像;
中央处理系统包括裂纹评估信息库、图像处理模块和控制模块;其中,裂纹评估信息库,用于存储裂纹评估所需信息;图像处理模块,用于对采集的图像进行裂纹检测,以及根据裂纹评估信息库中的信息对裂纹进行评估,并将结果传输给控制模块;控制模块,用于控制加载系统、视觉测量系统和图像处理模块的运行。
进一步地,视觉测量系统还包括照明模块,用于给视觉测量模块提供照明。
本发明的有益效果是:本发明利用视觉处理技术实现裂纹监测,能够实现对疲劳损伤临界点的精准判断,更加完整保留试件失效信息和数据准确性;在对图像进行分析前先将构件从图像中提取出来,排除了背景图像的干扰因素;本发明还建立了裂纹评估信息库,利用三角测量原理获取裂纹和构件在三维空间中的实际尺寸,准确获取了裂纹的长度、形态、位置、数量信息,提高了裂纹危险性判断的准确度,此外本发明还根据裂纹评估信息库中的信息,综合评估裂纹的危险等级,满足了多种构件测试情况、应用场景下实际工程的需要。
进一步地,利用相机阵列采集待测构件的图像,可使得待测构件的表面完全处于相机阵列监测范围内;对异常区域进行形态学分析,通过设置面积和圆形度阈值,剔除不是裂纹的异常区域,提高检测的准确度。
附图说明
图1为本发明疲劳测试裂纹监测方法的流程图;
图2为本发明疲劳测试裂纹监测装置的结构示意图;
图3为本发明疲劳测试裂纹监测装置中各子系统的连接示意图。
图中:1-相机阵列,2-照明模块,3-中央处理系统,4-构件,5-加载系统。
具体实施方式
下面将结合附图对本发明作进一步的说明:
本发明实施例的疲劳测试裂纹监测方法,包括以下步骤:
S1、建立裂纹评估信息库,包括材料力学特性、特定材料危险裂纹形态、常见工件危险位置。进一步地,裂纹评估信息库为交互型,根据需要对裂纹评估信息库中的信息进行修改、调用和增减。
S2、例如利用相机阵列,采集待测构件的初始图像以及待测构件在承受疲劳载荷过程中的监测图像。并且利用相机标定法获取相机内外参数,以供后续求取三维坐标。采集图像之后,还可对图像进行降噪、图像增强等预处理,例如同态滤波增强,提高监测的准确度。
S3、对所有图像进行图像分割,例如边缘检测的方法,将构件从图像中提取出来,然后进行二值化处理。将构件从图像中提取出来,可以减少无关紧要的背景影响对裂纹检测以及裂纹评估。
S4、将监测图像与初始图像进行对比,判断图像是否异常;若异常,则找出异常区域,对该异常进行形态学分析,判断其是否为裂纹;若为裂纹,则由裂纹上各点的像素坐标得到其三维坐标,然后获取裂纹的长度、数量、位置和形态。其中,对异常区域进行形态学分析具体包括步骤:
(1)计算异常区域的周长C和面积S,求取区域圆形度R=4ΠS/C2;
(2)将面积S和圆形度R分别与面积和圆形度预设阈值进行比较,判断异常区域是否为裂纹。
S5、根据材料力学特性求取裂纹失效长度判别阈值,判断裂纹长度是否大于该阈值:若裂纹长度大于该阈值,则判定为危险1级;若否,则判断裂纹的数量、位置和形态是否满足以下条件之一:a、裂纹数量超过数量预设阈值;b、裂纹位置位于构件较为危险的位置,包括几何尺寸变化较大处、应力集中处和对可靠性要求较高处;c、裂纹形态属于该种材料的危险裂纹形态;若满足则判定为危险1级;若否,则判定为危险2级。其中,裂纹失效长度判别阈值a的计算公式为:
式中,G为能量释放率,γp为材料表面能。
本发明还提供一种用于实现上述的疲劳测试裂纹监测方法的疲劳测试裂纹监测装置,如图2和图3所示,该装置包括加载系统5、视觉测量系统和中央处理系统3;
加载系统5,用于对构件4施加疲劳载荷。并在接收到来自控制模块的停止信号时停止疲劳载荷加载。
视觉测量系统,用于采集待测构件的初始图像以及待测构件在承受疲劳载荷过程中的监测图像。视觉测量系统包括相机阵列1、图像采集卡和照明模块2。按照构件的需求,在其周围设置相机阵列,对于任意尺寸的构件,使得其表面完全处于相机阵列监测范围内。照明模块2包括光源阵列,用于给相机阵列维持稳定持续的照明,便于相机拍摄高清图像并防止自然光照变化影响后续图像处理。视觉测量系统用于采集构件的图像,并将图像信号传输给图像处理模块。
中央处理系统3包括裂纹评估信息库、图像处理模块和控制模块。其中,裂纹评估信息库,用于存储裂纹评估所需信息,例如材料力学性能数据、特定材料危险裂纹形态、常见工件危险结构等,进一步地,裂纹评估信息库为交互型,可根据需要修改、调用、增减信息。图像处理模块,用于对采集的图像进行裂纹检测,以及根据裂纹评估信息库中的信息对裂纹进行评估,并将结果传输给控制模块。控制模块,用于控制加载系统、视觉测量系统和图像处理模块的运行;并在图像处理模块完成裂纹评估,尤其是得到构件的危险等级时,将停止信号传递给加载系统。
本发明实施例的另一种疲劳测试裂纹监测方法,如图1所示,包括以下步骤:
S1、建立裂纹评估信息库,裂纹评估信息库用于存储裂纹评估所需信息,例如材料力学性能数据、特定材料危险裂纹形态、常见工件危险结构等。裂纹评估信息库为交互型,可根据需要修改、调用、增减裂纹评估信息库中信息,如修改判别阈值,调用特定材料力学性能数据,增减判别条件等。
S2、视觉测量系统定标获取相机内部和外部参数,用于后续求取裂纹上各点的空间坐标。具体包括以下步骤:
(1)相机根据用于定标的显示屏输出的调焦图像调节焦距。
(2)相机采集上述显示屏输出的定标图像,通过图像采集卡输入到中央处理系统进行存储和初步处理。
(3)由于透镜成像中,一个点的像素坐标与世界坐标存在如下关系:
其中,[u,v]为该点在像素坐标系中的坐标,[xW,yW,zW]该点在世界坐标系中的坐标;λ为尺度因子;K为一个3×3的矩阵,由图像传感器决定,属于相机内部参数;R、T分别为旋转矩阵和平移矩阵,属于相机外部参数。图像处理模块获取[u,v]和[xW,yW,zW]的数据,计算相机的内部与外部参数。考虑镜头畸变系数,为了进一步优化相机内外参数,可将其存储在中央处理系统中。
S3、检测之前,首先采集构件的初始图像,然后存储,作为基准图像。
S4、相机阵列按照给定的频率进行拍照得到下一张图像,将摄像头接收到的光学模拟信号传递给图像采集卡,图像采集卡对信号进行处理,转化为数字信号进行传输。
S5、图像处理模块接收到来自图像采集卡的信号,对图像进行降噪、增强等预处理。优选地,采用同态滤波增强的方法进行图像增强。
(1)对于得到的数字图像
其中,f(x,y)=i(x,y)r(x,y),i(x,y)为亮度函数,r(x,y)为反射分量函数。
取p(x,y)=ln[f(x,y)]=ln[i(x,y)]+ln[r(x,y)]
对p(x,y)进行傅里叶变换
采用FFT算法简化运算过程并达到加快处理速度的目的。得到
P(x,y)=F[p(x,y)]=I(x,y)+R(x,y)
(2)采用适当的滤波函数H(u,v)对P(u,v)进行处理,得到滤波处理后的M(u,v)=H(u,v)F(u,v)。
(3)对滤波处理后的函数进行逆运算,得到增强处理后的图像
g(x,y)=exp{F-1[H(u,v)F(u,v)]}
S6、对图像进行分割,将构件从所属背景当中提取出来,提高裂纹检测准确度。优选地,采用边缘检测的方法,使用sobel算子。
S7、对分割后得到的图像进行二值化处理。优选地,采用最大类间方差法进行划分。目的是将g(x,y)中的M*N个样本,即像素点划分至A、B两子集当中,使各个样本与总体平均灰度值的误差平方和最大。
σ2(T)=WA(μa-μ)2+WB(μb-μ)2
其中,σ2(T)为阈值T的函数,阈值T将图像分为A、B两部分,μa为A集合中像素点的平均灰度,μb为B集合中像素点的平均灰度,μ为整体平均灰度,WA为A类像素点占整幅图像的比例,WB为B类像素点占整幅图像的比例。使σ2(T)取最大值的T即为最佳分割阈值。对分割得到的图像进行二值化处理,得到f′(x,y)。
S8、将初始图像的处理结果与f′(x,y)进行对比,除去相同信息,通过保留下来的信息,判断图像是否出现异常。
S9、如果图像相比初始图像出现了异常,则对除去相同信息过后保留下来的图像进行形态学分析。对除去相同信息后剩下的图像进行边缘检测,得到异常区域的形态。按照裂纹呈现为细长连续的不规则线条状的特点,判断异常区域是否为裂纹。例如,采用一阶微分的方法进行边缘检测;优选地,采用Sobel算子进行处理。
异常区域的边缘检测出来后,测量区域的周长C与面积S,计算区域圆形度R=4πS/C2。由于裂纹在图像上呈现为细长连续的不规则线条状,故可以通过计算圆形度来排除噪声、出现在摄像头中的其他物体,进一步提高裂纹检测准确度。给予一定的面积与圆形度判别阈值,实现对裂纹是否产生的判定。
S10、若未监测到裂纹的产生,则转入步骤S4继续执行;若监测到裂纹的产生,则图像处理模块便对监测到裂纹的异常图像进行处理,检测裂纹长度、形态、数量、位置等,根据从裂纹评估信息库中调用的评估信息,综合评估后得到裂纹发展状态,判定当前情况下的裂纹危险等级。其中,检测与评估环节包括以下步骤:
(1)图像处理模块获取裂纹上各点、构件边缘点在像素坐标系中的坐标,根据步骤S2中得到的相机内部和外部参数,根据成像方程计算得到裂纹上各点、构件边缘点在世界坐标系中的三维坐标。
(2)根据图像中得到的三维坐标,得出裂纹长度、数量、形态,判别裂纹位置。
(3)根据从裂纹评估信息库中调用的评估信息进行评估。对于裂纹长度进行评估,根据疲劳测试材料力学特性和断裂力学理论,当裂纹长度达到一定阈值时,裂纹扩展力G(P,a),即裂纹扩展所释放的能量将会大于材料抵抗裂纹扩展的能量,裂纹将会发生失稳扩展。通过计算得到一定的裂纹失效长度判别阈值;如裂纹长度大于该阈值,则判定为危险1级。优选地,具体计算方法为:根据求得阈值a,其中,G为能量释放率,γp为材料表面能。
(4)若裂纹长度不超过该阈值,但满足调用的评估信息中其他判别条件的至少一个,例如:a.数量超过一定阈值;b.处在构件较为危险的位置,如几何尺寸变化较大、应力集中处或对可靠性要求较高的位置;c.形态属于该种材料的危险裂纹形态;等等。则同样判定为危险1级;
(5)如以上均不满足,暂时判定为危险2级。
S11、用户可自行调节停止加载所需的危险等级,当裂纹发展状态达到所需危险等级时,图像处理模块便将处理结果传递给控制模块,并将检测到裂纹产生的图像对应的相机显示在屏幕上。控制模块发出停止信号,加载系统接收到信号,停止疲劳载荷加载。
本领域的技术人员容易理解,以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种疲劳测试裂纹监测方法,其特征在于,包括以下步骤:
建立裂纹评估信息库,包括材料力学特性、特定材料危险裂纹形态、常见工件危险位置;
采集待测构件的初始图像以及待测构件在承受疲劳载荷过程中的监测图像;
对所有图像进行图像分割,将构件从图像中提取出来,然后进行二值化处理;
将监测图像与初始图像进行对比,判断图像是否异常;若异常,则找出异常区域,对该异常进行形态学分析,判断其是否为裂纹;若为裂纹,则由裂纹上各点的像素坐标得到其三维坐标,然后获取裂纹的长度、数量、位置和形态;
根据材料力学特性求取裂纹失效长度判别阈值,判断裂纹长度是否大于该阈值:若裂纹长度大于该阈值,则判定为危险1级;若否,则判断裂纹的数量、位置和形态是否满足以下条件之一:a、裂纹数量超过数量预设阈值;b、裂纹位置位于构件较为危险的位置,包括几何尺寸变化较大处、应力集中处和对可靠性要求较高处;c、裂纹形态属于该种材料的危险裂纹形态;若满足则判定为危险1级;若否,则判定为危险2级。
2.根据权利要求1所述的疲劳测试裂纹监测方法,其特征在于,裂纹评估信息库为交互型,根据需要对裂纹评估信息库中的信息进行修改、调用和增减。
3.根据权利要求1所述的疲劳测试裂纹监测方法,其特征在于,利用相机阵列采集待测构件的图像。
4.根据权利要求1所述的疲劳测试裂纹监测方法,其特征在于,利用相机标定法获取相机内外参数,进而利用三角测量原理由裂纹上各点的像素坐标得到其三维坐标。
5.根据权利要求1所述的疲劳测试裂纹监测方法,其特征在于,在进行图像分割前,对图像进行图像增强,图像增强的方法为同态滤波增强。
6.根据权利要求1所述的疲劳测试裂纹监测方法,其特征在于,采用边缘检测的方法对图像进行分割。
7.根据权利要求1所述的疲劳测试裂纹监测方法,其特征在于,对异常区域进行形态学分析具体包括步骤:
计算异常区域的周长C和面积S,求取区域圆形度R=4ΠS/C2;
将面积S和圆形度R分别与面积和圆形度预设阈值进行比较,判断异常区域是否为裂纹。
9.一种用于实现权利要求1所述的疲劳测试裂纹监测方法的疲劳测试裂纹监测装置,其特征在于,该装置包括加载系统、视觉测量系统和中央处理系统;
加载系统,用于对构件施加疲劳载荷;
视觉测量系统,用于采集待测构件的初始图像以及待测构件在承受疲劳载荷过程中的监测图像;
中央处理系统包括裂纹评估信息库、图像处理模块和控制模块;其中,裂纹评估信息库,用于存储裂纹评估所需信息;图像处理模块,用于对采集的图像进行裂纹检测,以及根据裂纹评估信息库中的信息对裂纹进行评估,并将结果传输给控制模块;控制模块,用于控制加载系统、视觉测量系统和图像处理模块的运行。
10.根据权利要求9所述的疲劳测试裂纹监测装置,其特征在于,视觉测量系统还包括照明模块,用于给视觉测量模块提供照明。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011032282.5A CN112215810B (zh) | 2020-09-27 | 2020-09-27 | 一种疲劳测试裂纹监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011032282.5A CN112215810B (zh) | 2020-09-27 | 2020-09-27 | 一种疲劳测试裂纹监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215810A CN112215810A (zh) | 2021-01-12 |
CN112215810B true CN112215810B (zh) | 2022-03-25 |
Family
ID=74050848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011032282.5A Active CN112215810B (zh) | 2020-09-27 | 2020-09-27 | 一种疲劳测试裂纹监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215810B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112985303B (zh) * | 2021-03-02 | 2022-06-07 | 东南大学 | 一种多相机拍摄的疲劳裂纹三维测量系统和方法 |
CN113235504A (zh) * | 2021-05-31 | 2021-08-10 | 国能朔黄铁路发展有限责任公司 | 隧道挂冰识别方法、装置、设备及隧道除冰系统 |
WO2023280023A1 (zh) * | 2021-07-08 | 2023-01-12 | 中国石油大学(华东) | 基于交流电磁场的水下结构裂纹扩展可视化监测系统和交流电磁场裂纹可视化监测与评估方法 |
CN114063613A (zh) * | 2021-10-25 | 2022-02-18 | 浙江小族智能科技有限公司 | 游乐车及其控制方法、装置、存储介质、终端 |
CN113706423B (zh) * | 2021-10-28 | 2022-01-07 | 南通皋亚钢结构有限公司 | 基于人工智能的机械零件腐蚀裂纹检测方法 |
CN116630316B (zh) * | 2023-07-24 | 2023-09-26 | 山东舜云信息科技有限公司 | 一种基于视频分析的皮带疲劳检测报警方法及报警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6516634B1 (en) * | 1999-02-12 | 2003-02-11 | The Penn State Research Foundation | Strengthening, crack arrest and multiple cracking in brittle materials using residual stresses |
US6575620B1 (en) * | 2000-02-15 | 2003-06-10 | The United States Of America As Represented By The Secretary Of The Air Force | Method and device for visually measuring structural fatigue using a temperature sensitive coating |
CN108827973A (zh) * | 2018-06-25 | 2018-11-16 | 江苏金风科技有限公司 | 裂纹检测方法和系统 |
CN110009606A (zh) * | 2019-03-22 | 2019-07-12 | 北京航空航天大学 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565072B (zh) * | 2011-12-30 | 2013-12-18 | 重庆大学 | 拉伸铝合金板表面裂纹立体视觉在线检测方法 |
-
2020
- 2020-09-27 CN CN202011032282.5A patent/CN112215810B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6516634B1 (en) * | 1999-02-12 | 2003-02-11 | The Penn State Research Foundation | Strengthening, crack arrest and multiple cracking in brittle materials using residual stresses |
US6575620B1 (en) * | 2000-02-15 | 2003-06-10 | The United States Of America As Represented By The Secretary Of The Air Force | Method and device for visually measuring structural fatigue using a temperature sensitive coating |
CN108827973A (zh) * | 2018-06-25 | 2018-11-16 | 江苏金风科技有限公司 | 裂纹检测方法和系统 |
CN110009606A (zh) * | 2019-03-22 | 2019-07-12 | 北京航空航天大学 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Fatigue crack growth in a diverse range of materials;R.Jones et al.;《International Journal of Fatigue》;20120112;第40卷;第43-50页 * |
圆壁管扩径加工过程仿真与裂纹产生机理研究;柴彩娟;《中国优秀硕士学位论文全文数据库 基础科学辑》;20101015;第2010年卷(第10期);第A004-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112215810A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215810B (zh) | 一种疲劳测试裂纹监测方法及装置 | |
CN109816678B (zh) | 一种基于视觉的喷嘴雾化角度自动检测系统及方法 | |
US7233867B2 (en) | Eddy current inspection method and system | |
CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
KR102027986B1 (ko) | 비전 카메라를 이용한 비드 인식 장치 및 그 방법 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN111047568A (zh) | 一种漏汽缺陷检测识别方法及系统 | |
CN109859160A (zh) | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 | |
CN114494210A (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN112927223A (zh) | 一种基于红外热成像仪的玻璃幕墙检测方法 | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN116468726B (zh) | 一种在线异物线路检测方法及系统 | |
CN112991432A (zh) | 基于图像处理的覆冰冰形识别方法 | |
CN114638822B (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及系统 | |
Li et al. | Vehicle seat detection based on improved RANSAC-SURF algorithm | |
CN115880365A (zh) | 一种双工位自动螺丝拧装检测方法、系统及装置 | |
CN115631191A (zh) | 一种基于灰度特征和边缘检测的堵煤检测算法 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
CN114693626A (zh) | 芯片表面缺陷的检测方法、装置及计算机可读存储介质 | |
KR20220154345A (ko) | 가우시안 가중치 최소 자승법을 이용하는 영상 처리 장치 및 그것의 윤곽선 검출 방법 | |
CN114004812A (zh) | 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 |
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 |