CN112881467A - 一种大尺寸复合材料损伤成像与定量识别方法 - Google Patents
一种大尺寸复合材料损伤成像与定量识别方法 Download PDFInfo
- Publication number
- CN112881467A CN112881467A CN202110276987.XA CN202110276987A CN112881467A CN 112881467 A CN112881467 A CN 112881467A CN 202110276987 A CN202110276987 A CN 202110276987A CN 112881467 A CN112881467 A CN 112881467A
- Authority
- CN
- China
- Prior art keywords
- defect
- area
- image
- infrared
- damage
- 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
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种大尺寸复合材料损伤成像与定量识别方法,包括:将试件划分为M个标定区域;将每个标定区域划分为N个局部拍摄区域;对局部拍摄区域的红外热图像序列进行数据采集;获得红外重构图像;进行图像拼接;根据事先标定位置信息,获得整个试件检测结果;确定需要进行高分辨率检测的损伤缺陷及其所在标定区域;对标定区域红外重构图像进行分割提取;标定区域中所有损伤缺陷位置自动标注;开展近距离高分辨率拍摄,获得损伤缺陷红外重构图像;对损伤缺陷红外重构图像进行分割提取;损伤缺陷形态自动量化。本发明解决了单次红外热成像分辨率低的问题,检测面积大,检测精度高,实现了大尺寸复合材料损伤缺陷的定量识别。
Description
技术领域
本发明属于航空航天飞行器损伤检测与维修保障技术领域,更具体地说,本发明涉及一种大尺寸复合材料损伤成像与定量识别方法。
背景技术
航空航天工业是引领带动新材料、新工艺发展的主要领域,各类先进复合材料的出现也给航空和航天飞行器的设计提供了更多的可能和选择空间,新型高性能航空航天复合材料的需求也大量增加。航空航天复合材料在生产制造、装配加工或实时使用过程中,由于工艺不当、反复循环应力和外部冲击等会导致严重的质量问题,如分层、脱粘、疏松、裂纹和冲击缺陷等。因此,为了避免复合材料构件在使用过程中由各类损伤缺陷而引起严重事故,对复合材料开展内部缺陷检测和质量评价尤为关键。无损检测技术是控制产品质量、保证在役设备安全运行的重要手段,已被用于复合材料的内部缺陷检测和结构完整性评估。航空航天复合材料无损检测的主要技术难点表现在:一是复合材料的缺陷类型繁多,缺陷存在形式复杂,复合材料损伤缺陷检测非常困难;二是大体积复合材料结构件的损伤检测可达性差,可视化、定量化、自动化水平低。因此,对航空航天大尺寸复合材料的内部质量和复杂损伤缺陷的可视化检测和分类识别量化有迫切需求,发展大尺寸复合材料损伤成像与定量识别技术对于我国航空航天工艺发展具有重要意义。
红外热成像技术具有安全、直观、快速、高效、检测面积大、无接触等优点,在航天器在轨检测中发挥了重要作用,其基础原理是:基于傅里叶传热与红外辐射原理,当被检对象受到外部热激励时(太阳光照射或人工光源照射),由于材料缺陷的存在导致热传导过程受到影响,并表现为被检对象表面瞬态温度响应的差异,通过红外热像仪采集表面温度场响应,从而了解被检对象表面和内部的缺陷状态。红外成像仪采集到的数据是由多帧红外热图像构成的红外热图像序列数据,其包含了被检区域内每个像素点的温度变化信息(瞬态热响应曲线),通过对红外热图像序列数据进行分析和处理,获取缺陷的重构图像,从而实现对缺陷的准确识别。
然而,通过采集红外热图像序列处理得到的单幅缺陷特征重构图像,虽然可以满足复合材料局部缺陷的可视化检测和识别量化等任务,但是受到红外热像仪分辨率的限制,为了提高检测灵敏度而不得不减小拍摄视野。由于单次检测面积有限,使得局部区域损伤缺陷的可视化重构图像不能反映大尺寸复合材料的全局缺陷位置以及形态量化信息。因此,为了满足实际大尺寸航空航天复合材料原位高分辨无损检测的需求,本发明提出了一种大尺寸复合材料损伤缺陷成像与定量识别方法。
本发明一种大尺寸复合材料损伤缺陷成像与定量识别方法,将大尺寸复合材料试件划分为多个待测标定区域,针对每个待测标定区域开展多次局部区域检测并获得局部区域的红外重构图像,通过将多个局部区域各自的红外重构图像进行拼接和融合处理,从而得到该待测标定区域的重构拼接图像。针对被测试件其余的待测标定区域,重复上述步骤,逐个完成所有待测标定区域的检测并获得各自的重构拼接图像,最终获得整个大尺寸复合材料的损伤缺陷检测图像。在此基础上,针对感兴趣的某一损伤缺陷,调整红外热像仪拍摄位置和焦距,进一步开展高分辨率红外图像序列数据采集,获得该损伤缺陷的红外重构图像,通过对缺陷重构图像进行分割处理,获取缺陷的位置和形态量化数据。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷,并提供至少后面将说明的优点。
为了实现根据本发明的这些目的和其它优点,提供了一种大尺寸复合材料损伤成像与定量识别方法,包括以下步骤:
步骤一、将待测大尺寸复合材料试件划分为M个等幅区域,并对每个区域进行标定;
步骤二、将红外热像仪垂直对准标定区域,连接红外热像仪GIEE端口与PC机网口;对每个标定区域采取分区拍摄,确定最小画幅数,将每个标定区域划分为N个局部拍摄区域,包括拍摄区域1、拍摄区域2、...、拍摄区域N,相邻拍摄区域之间有20%~30%的拍摄重叠部分;
步骤三、对局部拍摄区域的红外热图像序列进行数据采集;
步骤四、红外热图像序列数据处理,获得红外重构图像;
步骤五、将红外热像仪移动调整至下一个局部拍摄局域,按照步骤三~步骤四的方式执行该局部区域的红外热图像序列数据采集,并获得该局部区域的红外重构图像;重复上述步骤,直到一个试件标定区域的N个局部区域均被检测,得到N个局部拍摄区域的红外重构图像;
步骤六、选取相邻局部拍摄局部区域的红外重构图像进行图像拼接操作;
步骤七、选取另外两个相邻局部区域的红外重构图像,按照步骤六的方式进行图像拼接操作,直至将所有N个局部区域的红外热图像序列两两拼接完成;将拼接图像再次按照步骤六的方式进行图像拼接操作,直至获得标定区域的一张完整重构拼接图像;
步骤八、再次调整红外热像仪位置,使其垂直对准下一标定区域,重新执行步骤二~步骤八对该标定区域进行分区拍摄和重构拼接处理,直至获得所有M个标定区域各自的重构拼接图像;
步骤九、根据M个标定区域事先标定好的位置信息,从而获得整个大尺寸复合材料试件的全局损伤缺陷成像结果;
步骤十、基于整个大尺寸复合材料试件的全部损伤成像结果,可以比较观察到大尺寸复合材料试件中损伤缺陷的具体位置,从图中找到需要进一步进行高分辨检测的具体损伤缺陷,确定其所在的标定区域;
步骤十一、对标定区域红外重构图像进行分割提取;
步骤十二、基于经过缺陷特征图像分割后得到的缺陷特征区域分割结果图像,利用连通域内的像素灰度值来实现对缺陷特征区域质心位置的计算,实现标定区域中所有损伤缺陷位置的自动标注;
步骤十三、开展近距离高分辨率拍摄,获得清晰的损伤缺陷高分辨率红外重构图像;
步骤十四、对损伤缺陷红外重构图像进行分割提取;
步骤十五、基于二值化后的缺陷特征分割图像像素值统计方法,计算各个缺陷特征区域的特征参数,来描述缺陷的几何结构特征信息和形态分布特征信息,实现对损伤缺陷形态的自动量化。
优选的是,其中,所述步骤一的具体方法为:综合考虑检测分辨率和检测效率因素,将大尺寸复合材料试件划分成M个等幅区域,并对每个区域进行标定,用标定尺确定第一个标定区域边界,并用标签进行标记;根据第一个标定区域的标签位置,以相同的边界大小确定第二个标定区域的大致范围,依次类推确定M个标定区域,即标定区域1、标定区域2、...、标定区域M,从而覆盖整个大尺寸复合材料试件整个待测表面;然后按照标定区域顺序,逐个对各个标定区域开展分区拍摄。
优选的是,其中,所述步骤三对局部拍摄区域的红外热图像序列进行数据采集的步骤包括:
步骤S31、调节红外热像仪焦距及红外热像仪与局部区域的相对位置,红外热像仪能够完整清晰地拍摄到局部区域;
步骤S32、调整短波红外加热源位置,使激励光均匀覆盖整个拍摄区域1;
步骤S33、选择合适采样频率及采样时间,采集时间应大于加热时间,然后在点击红外热像仪录制按钮的同时打开短波红外加热源;
步骤S34、加热完成后关闭加热源,继续录制红外热图像序列直至达到预设采集时间;
步骤S35、采集完成后,选中刚录制完成的红外数据流,将其转化为便于后续处理的数据格式并保存。
优选的是,其中,所述步骤四获得红外重构图像的方法为:针对局部区域的红外热图像序列,即瞬态热响应TTR数据,完成TTR数据去冗余处理过程后,通过GMM算法进行TTR数据集的分类,采用多目标优化算法提取各类TTR数据集的典型TTR,然后基于可视化重构算法得到局部区域各自的红外重构图像。
优选的是,其中,所述步骤六选取相邻局部拍摄区域的红外重构图像进行图像拼接操作的步骤包括:
步骤S61、对待拼接的两张图像采用FAST-SURF算法进行缺陷特征提取;
步骤S62、根据基于欧式距离的匹配法,对检测出的特征点进行特征点粗匹配;
步骤S63、应用训练好的BP匹配优化网络与优化的RANSAC算法去除误匹配点对;
步骤S64、在得到精确的匹配点对后,进一步估计出几何变换矩阵参数,将待拼接图像按照几何变换模型对应到参考图像中,实现两图像件的拼接;
步骤S65、采用距离加权的融合方法对拼接图像中图像重叠区域进行融合,进一步提高图像的拼接质量。
优选的是,其中,所述步骤十一对标定区域红外重构图像进行分割提取的方法包括:
步骤S111、采用基于颜色空间聚类度量的聚类分割算法,根据重构图像中不同颜色信息将其分为几种不同色域的分割图像,得到背景区域、热扩散区域和缺陷特征区域的聚类划分结果;
步骤S112、采用双阈值处理的二值化分割算法,得到缺陷特征区域的二值化分割提取结果。
优选的是,其中,所述步骤十二的具体步骤包括:
步骤S121、基于缺陷特征区域的分割结果图像,进一步采用形态学处理,形成缺陷特征连通区域,统计其个数并用最小外界矩形框进行标注;缺陷特征区域的标记是通过给感兴趣的缺陷特征区域贴上标签,并用能覆盖住缺陷的最小矩形框来实现特征区域的标记;
为了获得损伤缺陷的个数、大小、形态和位置等基本信息,需要先对缺陷特征分割图像中提取的缺陷特征进行标记;缺陷特征区域分割图像为二值图像,通过对二值图像中目标像素的标记,缺陷部分的像素用1表示,呈高亮的白色,背景区域的像素用0表示,呈黑色;图像中每一块缺陷都可以看作是一个独立的连通区域,通过对二值图像中目标像素的标记,让每个单独的连通区域形成一个被标识的块,所得连通区域的个数即缺陷特征区域的个数;
步骤S122、对经过形态学处理后提取出带标记的缺陷特征区域的连通域,进一步确定缺陷的位置信息;利用连通域内的像素灰度值来实现对缺陷特征区域质心位置的计算;假设检测区域范围为M×N,通过算法处理获得的分辨率为m×n的缺陷特征分割图像,其中G(x,y)为任意一像素点的灰度值,若其质心用G0(x0,y0)表示,则计算如下式所示:
对于各个带标记的缺陷特征区域,统计其中像素点坐标的最小值和最大值,其中最小值作为外界矩形框的左上角坐标G1(x1,y1),并与最大值的坐标G2(x2,y2)作差可得到矩形框的宽度W和高度H(W=x2-x1,H=y2-y1);
因此,已知各个标定区域实际拍摄范围M×N,经过重构拼接算法获得的图像分辨率m×n,且拍摄范围的左上角空间位置坐标和缺陷图像中左上角像素点坐标均设为起始点(1,1);再根据计算获得的缺陷区域质心坐标为G0(x0,y0),外界矩形框的左上角坐标G1(x1,y1)、宽度W和高度H的值,利用像素分辨率和空间位置坐标等比例换算可对检测区域内各个缺陷特征区域进行定位并掌握各个缺陷的分布情况;
对于分割标记图像中,某个缺陷特征区域的质心坐标G0(x0,y0),为求得试件检测区域内缺陷的空间位置质心坐标G′0(x′0,y′0),等比例关系换算式为:
同理可求得外界矩形框的左上角空间位置坐标G′1(x′1,y′1)以及检测范围内缺陷的宽度W′和高度H′,从而确定了缺陷的分布范围:
优选的是,其中,所述步骤十三获得清晰的损伤缺陷高分辨率红外重构图像的方法为:基于具体损伤缺陷区域的最小外界矩形框的大小和位置信息,调整红外热像仪位置使其垂直对准具体损伤缺陷,缩小红外热像仪与损伤缺陷区域的相对距离,调节红外热像仪焦距使其完整清晰地拍摄到缺陷,拍摄画幅应覆盖损伤区域的最小外界矩形框;参照局部区域测试步骤三以及步骤四,最终获得清晰的损伤缺陷高分辨率红外重构图像。
优选的是,其中,所述步骤十五实现对损伤缺陷形态的自动量化的具体步骤包括:
步骤S151、进行几何结构特征参数计算;集合机构特征信息如缺陷特征区域的周长P和面积A,可以通过统计连通域内像素点为“1”的个数来估计;进一步通过经验公式,通过像素比例换算为实际尺寸面积,得到缺陷特征区域尺寸大小的置信区间,实现对缺陷尺寸大小的量化评估;
周长P和面积A是最能常规且直接地反映缺陷的尺寸信息,同时由于缺陷特征区域的不规则性,基于缺陷位置标注得到的最小外接矩形框的区域面积B的数值大小同样也可以反映缺陷的尺寸信息,其计算公式为B=W×H;基于几何结构特征参数数值,可直接量化评估各个缺陷特征区域的尺寸大小信息,进而体现各个缺陷特征区域之间的几何尺寸差异;
对于尺寸微小的的圆孔型缺陷,由于被用来描述其区域面积的像素单位数量很少,等价圆直径D参数相比面积参数A描述孔型缺陷尺寸大小更为有效且精确,所以基于定量特征参数计算得到的缺陷特征区域的等价圆直径D的大小可实现对微小孔型缺陷直径的估计;
经过大量实验和对实验结果的分析,发现影响换算公式估算结果的主要与拍摄距离因子d和不同材料缺陷类型的热扩散效应有关,不同材料缺陷类型包括:平底孔缺陷,内部夹杂缺陷,内部分层缺陷;因此,对不同类型的缺陷需要引入不同的修正因子λi使得经换算得到的缺陷实际尺寸估计满足检测精度;
基于此,给出以下的换算公式模板:
其中,D为微小孔型缺陷区域经过定量参数计算获得的等价圆直径值;d∈(0,1)为距离影响因子,随着拍摄距离的减小,d的值也随之减小,对计算获得的等价圆直径值乘以距离影响因子d得到缩小后的实际尺寸估算值;
步骤S152、进行形态分布特征参数计算;形态分布特征参数如分散度用来描述缺陷形状的紧密和疏松程度,圆度被用来描述缺陷特征区域接近理论圆的程度等,这些形态特征参数用来描述缺陷的形态分布特征,从而实现了对缺陷形态的自动量化功能;具体计算公式如下:
圆度:C=(4×A×π)/P2
综上,本发明提出了一种大尺寸复合材料损伤缺陷成像与定量识别方法,将大尺寸复合材料试件划分为多个待测标定区域,针对每个待测标定区域开展多次局部区域检测并获得局部区域的红外重构图像,通过将多个局部区域各自的红外重构图像进行拼接和融合处理,从而得到该待测标定区域的重构拼接图像;针对被测试件其余的待测标定区域,重复上述步骤,逐个完成所有待测标定区域的检测并获得各自的重构拼接图像,最终获得整个大尺寸复合材料的损伤缺陷检测图像;在此基础上,针对感兴趣的某一损伤缺陷,调整红外热像仪拍摄位置和焦距,进一步开展高分辨率红外图像序列数据采集,获得该损伤缺陷的红外重构图像,通过对缺陷重构图像进行分割处理,通过统计计算缺陷的位置参数和形态参数,获取大尺寸复合材料损伤缺陷的位置和形态量化数据。
本发明至少包括以下有益效果:
(1)、本发明利用大尺寸复合材料试件划分为多个待测标定区域,并针对每个待测标定区域开展多次局部区域检测的方法,通过将局部区域检测图像拼接与标定区域检测图像衔接两种手段相结合,可以解决单次红外热成像分辨率较低的问题,以及完全依靠图像拼接导致的拼接误差累计的问题,从而同时具有了检测面积大和检测精度高的优点。
(2)、本发明对于全局损伤缺陷成像结果中存在的具体损伤缺陷,通过缩小红外热像仪与缺陷特征区域的相对位置,进一步提高了对损伤缺陷的检测灵敏度,获得了损伤缺陷的高分辨率红外重构图像,通过重构图像分割、缺陷位置自动标注、缺陷形态自动量化等步骤,实现了对大尺寸复合材料中的损伤缺陷的定量识别。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明:
图1为本发明提供的大尺寸复合材料损伤缺陷成像与定量识别方法流程图;
图2为本发明实施例中大尺寸复合材料标定区域划分示意图;
图3为本发明实施例中各个标定区域局部拍摄区域划分示意图;
图4为本发明实施例中标定区域1的局部拍摄区域A的红外重构图像结果;
图5为本发明实施例中标定区域1的局部拍摄区域B的红外重构图像结果;
图6为本发明实施例中标定区域1的局部拍摄区域C的红外重构图像结果;
图7为本发明实施例中标定区域1的局部拍摄区域D的红外重构图像结果;
图8为本发明实施例中标定区域3的红外重构图像结果;
图9为本发明实施例中标定区域1的红外重构图像结果;
图10为本发明实施例中标定区域4的红外重构图像结果;
图11为本发明实施例中标定区域2的红外重构图像结果;
图12为本发明实施例中标定区域3基于颜色空间聚类度量的聚类分割算法分割后包含蓝色背景区域1的结果;
图13为本发明实施例中标定区域3基于颜色空间聚类度量的聚类分割算法分割后包含蓝色背景区域2的结果;
图14为本发明实施例中标定区域3基于颜色空间聚类度量的聚类分割算法分割后包含边缘热扩散区域的结果;
图15为本发明实施例中标定区域3基于颜色空间聚类度量的聚类分割算法分割后包含缺陷特征区域的结果;
图16为本发明实施例中标定区域3基于二值化分割的缺陷特征区域分割结果;
图17为本发明实施例中标定区域3的第3个损伤缺陷特征区域的分割提取结果。
具体实施方式:
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示:本发明的一种大尺寸复合材料损伤成像与定量识别方法,包括以下步骤:
步骤一、将待测大尺寸复合材料试件划分为M个等幅区域,并对每个区域进行标定;
步骤二、将红外热像仪垂直对准标定区域,连接红外热像仪GIEE端口与PC机网口;对每个标定区域采取分区拍摄,确定最小画幅数,将每个标定区域划分为N个局部拍摄区域,包括拍摄区域1、拍摄区域2、...、拍摄区域N,相邻拍摄区域之间有20%~30%的拍摄重叠部分;
步骤三、对局部拍摄区域的红外热图像序列进行数据采集;
步骤四、红外热图像序列数据处理,获得红外重构图像;
步骤五、将红外热像仪移动调整至下一个局部拍摄局域,按照步骤三~步骤四的方式执行该局部区域的红外热图像序列数据采集,并获得该局部区域的红外重构图像;重复上述步骤,直到一个试件标定区域的N个局部区域均被检测,得到N个局部拍摄区域的红外重构图像;
步骤六、选取相邻局部拍摄局部区域的红外重构图像进行图像拼接操作;
步骤七、选取另外两个相邻局部区域的红外重构图像,按照步骤六的方式进行图像拼接操作,直至将所有N个局部区域的红外热图像序列两两拼接完成;将拼接图像再次按照步骤六的方式进行图像拼接操作,直至获得标定区域的一张完整重构拼接图像;
步骤八、再次调整红外热像仪位置,使其垂直对准下一标定区域,重新执行步骤二~步骤八对该标定区域进行分区拍摄和重构拼接处理,直至获得所有M个标定区域各自的重构拼接图像;
步骤九、根据M个标定区域事先标定好的位置信息,从而获得整个大尺寸复合材料试件的全局损伤缺陷成像结果;
步骤十、基于整个大尺寸复合材料试件的全部损伤成像结果,可以比较观察到大尺寸复合材料试件中损伤缺陷的具体位置,从图中找到需要进一步进行高分辨检测的具体损伤缺陷,确定其所在的标定区域;
步骤十一、对标定区域红外重构图像进行分割提取;
步骤十二、基于经过缺陷特征图像分割后得到的缺陷特征区域分割结果图像,利用连通域内的像素灰度值来实现对缺陷特征区域质心位置的计算,实现标定区域中所有损伤缺陷位置的自动标注;
步骤十三、开展近距离高分辨率拍摄,获得清晰的损伤缺陷高分辨率红外重构图像;
步骤十四、对损伤缺陷红外重构图像进行分割提取;
步骤十五、基于二值化后的缺陷特征分割图像像素值统计方法,计算各个缺陷特征区域的特征参数,来描述缺陷的几何结构特征信息和形态分布特征信息,实现对损伤缺陷形态的自动量化。
在上述技术方案中,所述步骤一的具体方法为:综合考虑检测分辨率和检测效率因素,将大尺寸复合材料试件划分成M个等幅区域,并对每个区域进行标定,用标定尺确定第一个标定区域边界,并用标签进行标记;根据第一个标定区域的标签位置,以相同的边界大小确定第二个标定区域的大致范围,依次类推确定M个标定区域,即标定区域1、标定区域2、...、标定区域M,从而覆盖整个大尺寸复合材料试件整个待测表面;然后按照标定区域顺序,逐个对各个标定区域开展分区拍摄。
在上述技术方案中,所述步骤三对局部拍摄区域的红外热图像序列进行数据采集的步骤包括:
步骤S31、调节红外热像仪焦距及红外热像仪与局部区域的相对位置,红外热像仪能够完整清晰地拍摄到局部区域;
步骤S32、调整短波红外加热源位置,使激励光均匀覆盖整个拍摄区域1;
步骤S33、选择合适采样频率及采样时间,采集时间应大于加热时间,然后在点击红外热像仪录制按钮的同时打开短波红外加热源;
步骤S34、加热完成后关闭加热源,继续录制红外热图像序列直至达到预设采集时间;
步骤S35、采集完成后,选中刚录制完成的红外数据流,将其转化为便于后续处理的数据格式并保存。
在上述技术方案中,所述步骤四获得红外重构图像的方法为:针对局部区域的红外热图像序列,即瞬态热响应TTR数据,完成TTR数据去冗余处理过程后,通过GMM算法进行TTR数据集的分类,采用多目标优化算法提取各类TTR数据集的典型TTR,然后基于可视化重构算法得到局部区域各自的红外重构图像。
在上述技术方案中,所述步骤六选取相邻局部拍摄区域的红外重构图像进行图像拼接操作的步骤包括:
步骤S61、对待拼接的两张图像采用FAST-SURF算法进行缺陷特征提取
步骤S62、根据基于欧式距离的匹配法,对检测出的特征点进行特征点粗匹配;
步骤S63、应用训练好的BP匹配优化网络与优化的RANSAC算法去除误匹配点对;
步骤S64、在得到精确的匹配点对后,进一步估计出几何变换矩阵参数,将待拼接图像按照几何变换模型对应到参考图像中,实现两图像件的拼接;
步骤S65、采用距离加权的融合方法对拼接图像中图像重叠区域进行融合,进一步提高图像的拼接质量。
在上述技术方案中,所述步骤十一对标定区域红外重构图像进行分割提取的方法包括:
步骤S111、采用基于颜色空间聚类度量的聚类分割算法,根据重构图像中不同颜色信息将其分为几种不同色域的分割图像,得到背景区域、热扩散区域和缺陷特征区域的聚类划分结果;
步骤S112、采用双阈值处理的二值化分割算法,得到缺陷特征区域的二值化分割提取结果。
在上述技术方案中,所述步骤十二的具体步骤包括:
步骤S121、基于缺陷特征区域的分割结果图像,进一步采用形态学处理,形成缺陷特征连通区域,统计其个数并用最小外界矩形框进行标注;缺陷特征区域的标记是通过给感兴趣的缺陷特征区域贴上标签,并用能覆盖住缺陷的最小矩形框来实现特征区域的标记;
为了获得损伤缺陷的个数、大小、形态和位置等基本信息,需要先对缺陷特征分割图像中提取的缺陷特征进行标记;缺陷特征区域分割图像为二值图像,通过对二值图像中目标像素的标记,缺陷部分的像素用1表示,呈高亮的白色,背景区域的像素用0表示,呈黑色;图像中每一块缺陷都可以看作是一个独立的连通区域,通过对二值图像中目标像素的标记,让每个单独的连通区域形成一个被标识的块,所得连通区域的个数即缺陷特征区域的个数;
步骤S122、对经过形态学处理后提取出带标记的缺陷特征区域的连通域,进一步确定缺陷的位置信息;利用连通域内的像素灰度值来实现对缺陷特征区域质心位置的计算;假设检测区域范围为M×N,通过算法处理获得的分辨率为m×n的缺陷特征分割图像,其中G(x,y)为任意一像素点的灰度值,若其质心用G0(x0,y0)表示,则计算如下式所示:
对于各个带标记的缺陷特征区域,统计其中像素点坐标的最小值和最大值,其中最小值作为外界矩形框的左上角坐标G1(x1,y1),并与最大值的坐标G2(x2,y2)作差可得到矩形框的宽度W和高度H(W=x2-x1,H=y2-y1);
因此,已知各个标定区域实际拍摄范围M×N,经过重构拼接算法获得的图像分辨率m×n,且拍摄范围的左上角空间位置坐标和缺陷图像中左上角像素点坐标均设为起始点(1,1);再根据计算获得的缺陷区域质心坐标为G0(x0,y0),外界矩形框的左上角坐标G1(x1,y1)、宽度W和高度H的值,利用像素分辨率和空间位置坐标等比例换算可对检测区域内各个缺陷特征区域进行定位并掌握各个缺陷的分布情况;
对于分割标记图像中,某个缺陷特征区域的质心坐标G0(x0,y0),为求得试件检测区域内缺陷的空间位置质心坐标G′0(x′0,y′0),等比例关系换算式为:
同理可求得外界矩形框的左上角空间位置坐标G′1(x′1,y′1)以及检测范围内缺陷的宽度W′和高度H′,从而确定了缺陷的分布范围:
在上述技术方案中,所述步骤十三获得清晰的损伤缺陷高分辨率红外重构图像的方法为:基于具体损伤缺陷区域的最小外界矩形框的大小和位置信息,调整红外热像仪位置使其垂直对准具体损伤缺陷,缩小红外热像仪与损伤缺陷区域的相对距离,调节红外热像仪焦距使其完整清晰地拍摄到缺陷,拍摄画幅应覆盖损伤区域的最小外界矩形框;参照局部区域测试步骤三以及步骤四,最终获得清晰的损伤缺陷高分辨率红外重构图像。
在上述技术方案中,所述步骤十五实现对损伤缺陷形态的自动量化的具体步骤包括:
步骤S151、进行几何结构特征参数计算;集合机构特征信息如缺陷特征区域的周长P和面积A,可以通过统计连通域内像素点为“1”的个数来估计;进一步通过经验公式,通过像素比例换算为实际尺寸面积,得到缺陷特征区域尺寸大小的置信区间,实现对缺陷尺寸大小的量化评估;
周长P和面积A是最能常规且直接地反映缺陷的尺寸信息,同时由于缺陷特征区域的不规则性,基于缺陷位置标注得到的最小外接矩形框的区域面积B的数值大小同样也可以反映缺陷的尺寸信息,其计算公式为B=W×H;基于几何结构特征参数数值,可直接量化评估各个缺陷特征区域的尺寸大小信息,进而体现各个缺陷特征区域之间的几何尺寸差异;
对于尺寸微小的的圆孔型缺陷,由于被用来描述其区域面积的像素单位数量很少,等价圆直径D参数相比面积参数A描述孔型缺陷尺寸大小更为有效且精确,所以基于定量特征参数计算得到的缺陷特征区域的等价圆直径D的大小可实现对微小孔型缺陷直径的估计;
经过大量实验和对实验结果的分析,发现影响换算公式估算结果的主要与拍摄距离因子d和不同材料缺陷类型的热扩散效应有关,不同材料缺陷类型包括:平底孔缺陷,内部夹杂缺陷,内部分层缺陷;因此,对不同类型的缺陷需要引入不同的修正因子λi使得经换算得到的缺陷实际尺寸估计满足检测精度;
基于此,给出以下的换算公式模板:
其中,D为微小孔型缺陷区域经过定量参数计算获得的等价圆直径值;d∈(0,1)为距离影响因子,随着拍摄距离的减小,d的值也随之减小,对计算获得的等价圆直径值乘以距离影响因子d得到缩小后的实际尺寸估算值;
步骤S152、进行形态分布特征参数计算;形态分布特征参数如分散度用来描述缺陷形状的紧密和疏松程度,圆度被用来描述缺陷特征区域接近理论圆的程度等,这些形态特征参数用来描述缺陷的形态分布特征,从而实现了对缺陷形态的自动量化功能;具体计算公式如下:
圆度:C=(4×A×π)/P2
综上,本发明提出了一种大尺寸复合材料损伤缺陷成像与定量识别方法,将大尺寸复合材料试件划分为多个待测标定区域,针对每个待测标定区域开展多次局部区域检测并获得局部区域的红外重构图像,通过将多个局部区域各自的红外重构图像进行拼接和融合处理,从而得到该待测标定区域的重构拼接图像;针对被测试件其余的待测标定区域,重复上述步骤,逐个完成所有待测标定区域的检测并获得各自的重构拼接图像,最终获得整个大尺寸复合材料的损伤缺陷检测图像;在此基础上,针对感兴趣的某一损伤缺陷,调整红外热像仪拍摄位置和焦距,进一步开展高分辨率红外图像序列数据采集,获得该损伤缺陷的红外重构图像,通过对缺陷重构图像进行分割处理,通过统计计算缺陷的位置参数和形态参数,获取大尺寸复合材料损伤缺陷的位置和形态量化数据。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
实施例:
在本实施例中,采用了2030mm×2030mm×5mm大尺寸碳纤维复合材料平板作为被测试件。将该大尺寸平板试件近似划分为4个1050mm×1050mm×5mm的等幅标定区域,4个等幅标定区域可完整覆盖大尺寸被测试件表面,根据标定区域大小对被测试件表面进行标定。将红外热像仪垂直对准大尺寸平板试件第一个标定检测区域,连接红外热像仪与PC机。由于被测试件尺寸较大,为了保证检测精度获得良好的检测效果,对各个标定区域采用分局部区域进行拍摄。在满足检测精度条件下确定每个标定区域的最小拍摄画幅数为4,且各局部区域拍摄画幅之间保留约20%-30%的重叠区域,便于后续拼接。大尺寸试件的标定区域划分及局部拍摄区域划分示意图如图2和图3所示。即标定区域包括标定区域1、标定区域2、标定区域3和标定区域4,每个标定区域又划分为局部区域A、局部区域B、局部区域C和局部区域D。
按照本发明提供的测试方法和测试步骤,经过数据采集过程,获取第一个标定区域对应的4个局部拍摄区域(即局部区域A、局部区域B、局部区域C、局部区域D)的红外热图像序列数据CSV数据文件,并将其转换为.mat格式并保存。打开采集完成的4个局部区域的.mat文件,完成TTR数据去冗余处理过程后,通过GMM算法进行TTR数据集的分类,采用多目标进化算法提取各类TTR数据集的典型TTR,最后基于可视化重构算法得到4个局部拍摄区域各自的红外重构图像,如图4~图7所示。
完成局部区域A和局部区域B对应重构图像的拼接,表1展示局部区域A和局部区域B的拼接融合过程和最终拼接融合图像A-B,表2展示局部区域C和局部区域D的拼接过程和最终拼接融合图像C-D。在完成上述拼接过程后,图像A-B与图像C-D再次执行拼接融合操作,如表3所示,最终完成第1标定区域所有局部区域的整体拼接过程,获得标定区域1的红外重构图像。
表1标定区域1中局部区域A和局部区域B缺陷重构图像拼接过程
表2标定区域1中局部区域C和局部区域D缺陷重构图像拼接过程
表3标定区域1中的局部区域整体拼接过程
重复上述步骤,依次对标定区域2、标定区域3、标定区域4进行检测并获得各标定区域的红外重构图像,如图8~图11所示。
接下来,我们选择标定区域3作为进一步的高分辨检测的对象。将标定区域3红外重构图像进行基于L*a*b颜色空间的分割后,得到以下四个含不同图像特征信息区域的图像:(1)蓝色背景区域1、(2)蓝色背景区域2、(3)边缘热扩散区域和(4)缺陷特征区域,如图12~图15所示。其中边缘热扩散区域能显示缺陷的轮廓形态信息,缺陷特征区域只保留了亮黄色的缺陷特征区域。然后,将上面步骤中得到缺陷特征区域分割图像作为新的分割处理对象,得到缺陷特征区域的分割图像的二值化分割结果,如图16所示。经上述实验步骤一共得到了12个带标记的连通区域,用红色的矩形框将各个缺陷特征区域围住,矩形框为包含各个缺陷特征区域的最小矩形,并用红色数字(在质心附近的坐标)作为各个缺陷特征区域统计数量的标记。
经上述方法对缺陷特征区域分割图像提取到的各个缺陷特征区域的图像位置信息(质心坐标和区域信息的数据),分别统计了12个缺陷特征区域最小矩形框左上角的坐标以及矩形框的长度和宽度,并经过等比例换算确定缺陷的实际空间位置坐标具体统计参数如表4所示。
表4标定区域3中所有损伤缺陷空间位置信息的统计数据
根据掌握标定区域中的损伤缺陷位置分布信息,对感兴趣的具体损伤缺陷特征区域进行高分辨率检测。在此,我们选择了第3个损伤缺陷特征区域进行高分辨率检测,缩小红外热像仪与试件之间的距离进行检测,获得了该损伤缺陷的红外重构图像。然后,按照基于颜色特征分割和二值化分割对其进行处理,得到第3个损伤缺陷特征区域的分割提取结果如图17所示。基于分割提取结果,获得该损伤缺陷的几何结构特征参数如表5所示。
表5标定区域3中第3个损伤缺陷的几何结构特征参数统计数据
进一步对分割提取结果进行形态分布特征参数的计算,获得该损伤缺陷的形态量化结果。
圆度:C3=(4×A3×π)/P3 2=(4×11966×π)/1300.002=0.09。
Claims (9)
1.一种大尺寸复合材料损伤成像与定量识别方法,其特征在于,包括以下步骤:
步骤一、将待测大尺寸复合材料试件划分为M个等幅区域,并对每个区域进行标定;
步骤二、将红外热像仪垂直对准标定区域,连接红外热像仪GIEE端口与PC机网口;对每个标定区域采取分区拍摄,确定最小画幅数,将每个标定区域划分为N个局部拍摄区域,包括拍摄区域1、拍摄区域2、...、拍摄区域N,相邻拍摄区域之间有20%~30%的拍摄重叠部分;
步骤三、对局部拍摄区域的红外热图像序列进行数据采集;
步骤四、红外热图像序列数据处理,获得红外重构图像;
步骤五、将红外热像仪移动调整至下一个局部拍摄局域,按照步骤三~步骤四的方式执行该局部区域的红外热图像序列数据采集,并获得该局部区域的红外重构图像;重复上述步骤,直到一个试件标定区域的N个局部区域均被检测,得到N个局部拍摄区域的红外重构图像;
步骤六、选取相邻局部拍摄局部区域的红外重构图像进行图像拼接操作;
步骤七、选取另外两个相邻局部区域的红外重构图像,按照步骤六的方式进行图像拼接操作,直至将所有N个局部区域的红外热图像序列两两拼接完成;将拼接图像再次按照步骤六的方式进行图像拼接操作,直至获得标定区域的一张完整重构拼接图像;
步骤八、再次调整红外热像仪位置,使其垂直对准下一标定区域,重新执行步骤二~步骤八对该标定区域进行分区拍摄和重构拼接处理,直至获得所有M个标定区域各自的重构拼接图像;
步骤九、根据M个标定区域事先标定好的位置信息,从而获得整个大尺寸复合材料试件的全局损伤缺陷成像结果;
步骤十、基于整个大尺寸复合材料试件的全部损伤成像结果,可以比较观察到大尺寸复合材料试件中损伤缺陷的具体位置,从图中找到需要进一步进行高分辨检测的具体损伤缺陷,确定其所在的标定区域;
步骤十一、对标定区域红外重构图像进行分割提取;
步骤十二、基于经过缺陷特征图像分割后得到的缺陷特征区域分割结果图像,利用连通域内的像素灰度值来实现对缺陷特征区域质心位置的计算,实现标定区域中所有损伤缺陷位置的自动标注;
步骤十三、开展近距离高分辨率拍摄,获得清晰的损伤缺陷高分辨率红外重构图像;
步骤十四、对损伤缺陷红外重构图像进行分割提取;
步骤十五、基于二值化后的缺陷特征分割图像像素值统计方法,计算各个缺陷特征区域的特征参数,来描述缺陷的几何结构特征信息和形态分布特征信息,实现对损伤缺陷形态的自动量化。
2.如权利要求1所述的大尺寸复合材料损伤成像与定量识别方法,其特征在于,所述步骤一的具体方法为:综合考虑检测分辨率和检测效率因素,将大尺寸复合材料试件划分成M个等幅区域,并对每个区域进行标定,用标定尺确定第一个标定区域边界,并用标签进行标记;根据第一个标定区域的标签位置,以相同的边界大小确定第二个标定区域的大致范围,依次类推确定M个标定区域,即标定区域1、标定区域2、...、标定区域M,从而覆盖整个大尺寸复合材料试件整个待测表面;然后按照标定区域顺序,逐个对各个标定区域开展分区拍摄。
3.如权利要求1所述的大尺寸复合材料损伤成像与定量识别方法,其特征在于,所述步骤三对局部拍摄区域的红外热图像序列进行数据采集的步骤包括:
步骤S31、调节红外热像仪焦距及红外热像仪与局部区域的相对位置,红外热像仪能够完整清晰地拍摄到局部区域;
步骤S32、调整短波红外加热源位置,使激励光均匀覆盖整个拍摄区域1;
步骤S33、选择合适采样频率及采样时间,采集时间应大于加热时间,然后在点击红外热像仪录制按钮的同时打开短波红外加热源;
步骤S34、加热完成后关闭加热源,继续录制红外热图像序列直至达到预设采集时间;
步骤S35、采集完成后,选中刚录制完成的红外数据流,将其转化为便于后续处理的数据格式并保存。
4.如权利要求1所述的大尺寸复合材料损伤成像与定量识别方法,其特征在于,所述步骤四获得红外重构图像的方法为:针对局部区域的红外热图像序列,即瞬态热响应TTR数据,完成TTR数据去冗余处理过程后,通过GMM算法进行TTR数据集的分类,采用多目标优化算法提取各类TTR数据集的典型TTR,然后基于可视化重构算法得到局部区域各自的红外重构图像。
5.如权利要求1所述的大尺寸复合材料损伤成像与定量识别方法,其特征在于,所述步骤六选取相邻局部拍摄区域的红外重构图像进行图像拼接操作的步骤包括:
步骤S61、对待拼接的两张图像采用FAST-SURF算法进行缺陷特征提取;
步骤S62、根据基于欧式距离的匹配法,对检测出的特征点进行特征点粗匹配;
步骤S63、应用训练好的BP匹配优化网络与优化的RANSAC算法去除误匹配点对;
步骤S64、在得到精确的匹配点对后,进一步估计出几何变换矩阵参数,将待拼接图像按照几何变换模型对应到参考图像中,实现两图像件的拼接;
步骤S65、采用距离加权的融合方法对拼接图像中图像重叠区域进行融合,进一步提高图像的拼接质量。
6.如权利要求1所述的大尺寸复合材料损伤成像与定量识别方法,其特征在于,所述步骤十一对标定区域红外重构图像进行分割提取的方法包括:
步骤S111、采用基于颜色空间聚类度量的聚类分割算法,根据重构图像中不同颜色信息将其分为几种不同色域的分割图像,得到背景区域、热扩散区域和缺陷特征区域的聚类划分结果;
步骤S112、采用双阈值处理的二值化分割算法,得到缺陷特征区域的二值化分割提取结果。
7.如权利要求1所述的大尺寸复合材料损伤成像与定量识别方法,其特征在于,所述步骤十二的具体步骤包括:
步骤S121、基于缺陷特征区域的分割结果图像,进一步采用形态学处理,形成缺陷特征连通区域,统计其个数并用最小外界矩形框进行标注;缺陷特征区域的标记是通过给感兴趣的缺陷特征区域贴上标签,并用能覆盖住缺陷的最小矩形框来实现特征区域的标记;
为了获得损伤缺陷的个数、大小、形态和位置等基本信息,需要先对缺陷特征分割图像中提取的缺陷特征进行标记;缺陷特征区域分割图像为二值图像,通过对二值图像中目标像素的标记,缺陷部分的像素用1表示,呈高亮的白色,背景区域的像素用0表示,呈黑色;图像中每一块缺陷都可以看作是一个独立的连通区域,通过对二值图像中目标像素的标记,让每个单独的连通区域形成一个被标识的块,所得连通区域的个数即缺陷特征区域的个数;
步骤S122、对经过形态学处理后提取出带标记的缺陷特征区域的连通域,进一步确定缺陷的位置信息;利用连通域内的像素灰度值来实现对缺陷特征区域质心位置的计算;假设检测区域范围为M×N,通过算法处理获得的分辨率为m×n的缺陷特征分割图像,其中G(x,y)为任意一像素点的灰度值,若其质心用G0(x0,y0)表示,则计算如下式所示:
对于各个带标记的缺陷特征区域,统计其中像素点坐标的最小值和最大值,其中最小值作为外界矩形框的左上角坐标G1(x1,y1),并与最大值的坐标G2(x2,y2)作差可得到矩形框的宽度W和高度H(W=x2-x1,H=y2-y1);
因此,已知各个标定区域实际拍摄范围M×N,经过重构拼接算法获得的图像分辨率m×n,且拍摄范围的左上角空间位置坐标和缺陷图像中左上角像素点坐标均设为起始点(1,1);再根据计算获得的缺陷区域质心坐标为G0(x0,y0),外界矩形框的左上角坐标G1(x1,y1)、宽度W和高度H的值,利用像素分辨率和空间位置坐标等比例换算可对检测区域内各个缺陷特征区域进行定位并掌握各个缺陷的分布情况;
对于分割标记图像中,某个缺陷特征区域的质心坐标G0(x0,y0),为求得试件检测区域内缺陷的空间位置质心坐标G′0(x′0,y′0),等比例关系换算式为:
同理可求得外界矩形框的左上角空间位置坐标G′1(x′1,y′1)以及检测范围内缺陷的宽度W′和高度H′,从而确定了缺陷的分布范围:
8.如权利要求1所述的大尺寸复合材料损伤成像与定量识别方法,其特征在于,所述步骤十三获得清晰的损伤缺陷高分辨率红外重构图像的方法为:基于具体损伤缺陷区域的最小外界矩形框的大小和位置信息,调整红外热像仪位置使其垂直对准具体损伤缺陷,缩小红外热像仪与损伤缺陷区域的相对距离,调节红外热像仪焦距使其完整清晰地拍摄到缺陷,拍摄画幅应覆盖损伤区域的最小外界矩形框;参照局部区域测试步骤三以及步骤四,最终获得清晰的损伤缺陷高分辨率红外重构图像。
9.如权利要求1所述的大尺寸复合材料损伤成像与定量识别方法,其特征在于,所述步骤十五实现对损伤缺陷形态的自动量化的具体步骤包括:
步骤S151、进行几何结构特征参数计算;集合机构特征信息如缺陷特征区域的周长P和面积A,可以通过统计连通域内像素点为“1”的个数来估计;进一步通过经验公式,通过像素比例换算为实际尺寸面积,得到缺陷特征区域尺寸大小的置信区间,实现对缺陷尺寸大小的量化评估;
周长P和面积A是最能常规且直接地反映缺陷的尺寸信息,同时由于缺陷特征区域的不规则性,基于缺陷位置标注得到的最小外接矩形框的区域面积B的数值大小同样也可以反映缺陷的尺寸信息,其计算公式为B=W×H;基于几何结构特征参数数值,可直接量化评估各个缺陷特征区域的尺寸大小信息,进而体现各个缺陷特征区域之间的几何尺寸差异;
对于尺寸微小的的圆孔型缺陷,由于被用来描述其区域面积的像素单位数量很少,等价圆直径D参数相比面积参数A描述孔型缺陷尺寸大小更为有效且精确,所以基于定量特征参数计算得到的缺陷特征区域的等价圆直径D的大小可实现对微小孔型缺陷直径的估计;
经过大量实验和对实验结果的分析,发现影响换算公式估算结果的主要与拍摄距离因子d和不同材料缺陷类型的热扩散效应有关,不同材料缺陷类型包括:平底孔缺陷,内部夹杂缺陷,内部分层缺陷;因此,对不同类型的缺陷需要引入不同的修正因子λi使得经换算得到的缺陷实际尺寸估计满足检测精度;
基于此,给出以下的换算公式模板:
其中,D为微小孔型缺陷区域经过定量参数计算获得的等价圆直径值;d∈(0,1)为距离影响因子,随着拍摄距离的减小,d的值也随之减小,对计算获得的等价圆直径值乘以距离影响因子d得到缩小后的实际尺寸估算值;
步骤S152、进行形态分布特征参数计算;形态分布特征参数如分散度用来描述缺陷形状的紧密和疏松程度,圆度被用来描述缺陷特征区域接近理论圆的程度等,这些形态特征参数用来描述缺陷的形态分布特征,从而实现了对缺陷形态的自动量化功能;具体计算公式如下:
圆度:C=(4×A×π)/P2
综上,本发明提出了一种大尺寸复合材料损伤缺陷成像与定量识别方法,将大尺寸复合材料试件划分为多个待测标定区域,针对每个待测标定区域开展多次局部区域检测并获得局部区域的红外重构图像,通过将多个局部区域各自的红外重构图像进行拼接和融合处理,从而得到该待测标定区域的重构拼接图像;针对被测试件其余的待测标定区域,重复上述步骤,逐个完成所有待测标定区域的检测并获得各自的重构拼接图像,最终获得整个大尺寸复合材料的损伤缺陷检测图像;在此基础上,针对感兴趣的某一损伤缺陷,调整红外热像仪拍摄位置和焦距,进一步开展高分辨率红外图像序列数据采集,获得该损伤缺陷的红外重构图像,通过对缺陷重构图像进行分割处理,通过统计计算缺陷的位置参数和形态参数,获取大尺寸复合材料损伤缺陷的位置和形态量化数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276987.XA CN112881467B (zh) | 2021-03-15 | 2021-03-15 | 一种大尺寸复合材料损伤成像与定量识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276987.XA CN112881467B (zh) | 2021-03-15 | 2021-03-15 | 一种大尺寸复合材料损伤成像与定量识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881467A true CN112881467A (zh) | 2021-06-01 |
CN112881467B CN112881467B (zh) | 2023-04-28 |
Family
ID=76042090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110276987.XA Active CN112881467B (zh) | 2021-03-15 | 2021-03-15 | 一种大尺寸复合材料损伤成像与定量识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881467B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379745A (zh) * | 2021-08-13 | 2021-09-10 | 深圳市信润富联数字科技有限公司 | 产品缺陷识别方法、装置、电子设备和存储介质 |
CN113537236A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 |
CN113538232A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 大尺寸航空航天复合材料构件全局缺陷定量识别方法 |
CN113674203A (zh) * | 2021-07-14 | 2021-11-19 | 歌尔股份有限公司 | 缺陷检测模型训练方法、装置和缺陷检测方法、装置 |
CN113740364A (zh) * | 2021-07-12 | 2021-12-03 | 中北大学 | 一种钻削孔分层缺陷定量检测方法 |
CN113848234A (zh) * | 2021-09-16 | 2021-12-28 | 南京航空航天大学 | 一种基于多模态信息的航空复合材料的检测方法 |
CN113960068A (zh) * | 2021-11-23 | 2022-01-21 | 北京华能新锐控制技术有限公司 | 风电叶片损伤检测方法 |
CN113959389A (zh) * | 2021-10-22 | 2022-01-21 | 深圳市二郎神视觉科技有限公司 | 涂层检测方法、装置及自动化检测系统 |
CN114092745A (zh) * | 2021-11-26 | 2022-02-25 | 中国人民解放军空军工程大学 | 碳纤维复合材料红外热成像分层缺陷面积自动计算方法 |
CN114152627A (zh) * | 2022-02-09 | 2022-03-08 | 季华实验室 | 芯片电路缺陷检测方法、装置、电子设备及存储介质 |
CN114549449A (zh) * | 2022-02-17 | 2022-05-27 | 中国空气动力研究与发展中心超高速空气动力研究所 | 小尺寸曲面构件全局缺陷精细定量识别方法 |
CN115115611A (zh) * | 2022-07-21 | 2022-09-27 | 明觉科技(北京)有限公司 | 车辆损伤识别方法、装置、电子设备和存储介质 |
CN116223440A (zh) * | 2023-05-08 | 2023-06-06 | 四川威斯派克科技有限公司 | 一种烟叶原料配比的近红外检测装置 |
CN116563280A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市鑫典金光电科技有限公司 | 一种基于数据分析的复合铜散热底板加工检测方法及系统 |
CN116660318A (zh) * | 2023-07-25 | 2023-08-29 | 中国科学院长春光学精密机械与物理研究所 | 一种大口径光学元件损伤定位装置及修复方法 |
CN117147561A (zh) * | 2023-09-01 | 2023-12-01 | 平湖市五星工贸有限公司 | 用于金属拉链的表面质量检测方法及系统 |
CN117408958A (zh) * | 2023-10-16 | 2024-01-16 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产质量监测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060192956A1 (en) * | 2000-10-13 | 2006-08-31 | Chemimage Corp | Near infrared chemical imaging microscope |
CN101178367A (zh) * | 2007-09-21 | 2008-05-14 | 天津大学 | 一种陶瓷加工表面损伤检测系统 |
US20090312956A1 (en) * | 1999-12-22 | 2009-12-17 | Zombo Paul J | Method and apparatus for measuring on-line failure of turbine thermal barrier coatings |
CN101865870A (zh) * | 2010-06-04 | 2010-10-20 | 刘承香 | 一种热成像探伤系统 |
CN102397070A (zh) * | 2011-01-26 | 2012-04-04 | 无锡宙示医学软件开发有限公司 | 一种全自动分割量化心脏磁共振图像左心室的方法 |
US20150300963A1 (en) * | 2014-04-18 | 2015-10-22 | University Of Georgia Research Foundation, Inc. | Computerized tomography detection of microbial damage of plant tissues |
CN105548258A (zh) * | 2015-11-26 | 2016-05-04 | 天津津航技术物理研究所 | 基于红外成像的复合材料冲击损伤快速检测方法 |
CN106872521A (zh) * | 2017-02-17 | 2017-06-20 | 南京航空航天大学 | 基于红外成像的自动铺放缺陷在线动态检测装置及方法 |
CN106959319A (zh) * | 2017-03-31 | 2017-07-18 | 哈尔滨工业大学 | 一种基于脉冲激励的动态热层析成像检测系统及方法 |
CN107174248A (zh) * | 2017-06-09 | 2017-09-19 | 河北医科大学第二医院 | 一种基于磁共振扩散张量成像的脊神经根病变定量评价方法 |
US20180068432A1 (en) * | 2016-09-06 | 2018-03-08 | University Of Electronic Science And Technology Of China | Method for automatically separating out the defect image from a thermogram sequence |
CN108593656A (zh) * | 2018-04-17 | 2018-09-28 | 中国公路工程咨询集团有限公司 | 一种结构检测方法、装置和用于结构检测的无人机系统 |
CN111652252A (zh) * | 2020-06-11 | 2020-09-11 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于集成学习的超高速撞击损伤的定量识别方法 |
-
2021
- 2021-03-15 CN CN202110276987.XA patent/CN112881467B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090312956A1 (en) * | 1999-12-22 | 2009-12-17 | Zombo Paul J | Method and apparatus for measuring on-line failure of turbine thermal barrier coatings |
US20060192956A1 (en) * | 2000-10-13 | 2006-08-31 | Chemimage Corp | Near infrared chemical imaging microscope |
CN101178367A (zh) * | 2007-09-21 | 2008-05-14 | 天津大学 | 一种陶瓷加工表面损伤检测系统 |
CN101865870A (zh) * | 2010-06-04 | 2010-10-20 | 刘承香 | 一种热成像探伤系统 |
CN102397070A (zh) * | 2011-01-26 | 2012-04-04 | 无锡宙示医学软件开发有限公司 | 一种全自动分割量化心脏磁共振图像左心室的方法 |
US20150300963A1 (en) * | 2014-04-18 | 2015-10-22 | University Of Georgia Research Foundation, Inc. | Computerized tomography detection of microbial damage of plant tissues |
CN105548258A (zh) * | 2015-11-26 | 2016-05-04 | 天津津航技术物理研究所 | 基于红外成像的复合材料冲击损伤快速检测方法 |
US20180068432A1 (en) * | 2016-09-06 | 2018-03-08 | University Of Electronic Science And Technology Of China | Method for automatically separating out the defect image from a thermogram sequence |
CN106872521A (zh) * | 2017-02-17 | 2017-06-20 | 南京航空航天大学 | 基于红外成像的自动铺放缺陷在线动态检测装置及方法 |
CN106959319A (zh) * | 2017-03-31 | 2017-07-18 | 哈尔滨工业大学 | 一种基于脉冲激励的动态热层析成像检测系统及方法 |
CN107174248A (zh) * | 2017-06-09 | 2017-09-19 | 河北医科大学第二医院 | 一种基于磁共振扩散张量成像的脊神经根病变定量评价方法 |
CN108593656A (zh) * | 2018-04-17 | 2018-09-28 | 中国公路工程咨询集团有限公司 | 一种结构检测方法、装置和用于结构检测的无人机系统 |
CN111652252A (zh) * | 2020-06-11 | 2020-09-11 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于集成学习的超高速撞击损伤的定量识别方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537236A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 |
CN113538232A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 大尺寸航空航天复合材料构件全局缺陷定量识别方法 |
CN113537236B (zh) * | 2021-06-21 | 2023-04-21 | 电子科技大学 | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 |
CN113740364A (zh) * | 2021-07-12 | 2021-12-03 | 中北大学 | 一种钻削孔分层缺陷定量检测方法 |
CN113674203A (zh) * | 2021-07-14 | 2021-11-19 | 歌尔股份有限公司 | 缺陷检测模型训练方法、装置和缺陷检测方法、装置 |
CN113379745A (zh) * | 2021-08-13 | 2021-09-10 | 深圳市信润富联数字科技有限公司 | 产品缺陷识别方法、装置、电子设备和存储介质 |
CN113379745B (zh) * | 2021-08-13 | 2021-11-30 | 深圳市信润富联数字科技有限公司 | 产品缺陷识别方法、装置、电子设备和存储介质 |
CN113848234A (zh) * | 2021-09-16 | 2021-12-28 | 南京航空航天大学 | 一种基于多模态信息的航空复合材料的检测方法 |
CN113959389A (zh) * | 2021-10-22 | 2022-01-21 | 深圳市二郎神视觉科技有限公司 | 涂层检测方法、装置及自动化检测系统 |
CN113959389B (zh) * | 2021-10-22 | 2024-04-26 | 深圳市二郎神视觉科技有限公司 | 涂层检测方法、装置及自动化检测系统 |
CN113960068A (zh) * | 2021-11-23 | 2022-01-21 | 北京华能新锐控制技术有限公司 | 风电叶片损伤检测方法 |
CN114092745A (zh) * | 2021-11-26 | 2022-02-25 | 中国人民解放军空军工程大学 | 碳纤维复合材料红外热成像分层缺陷面积自动计算方法 |
CN114092745B (zh) * | 2021-11-26 | 2024-04-05 | 中国人民解放军空军工程大学 | 碳纤维复合材料红外热成像分层缺陷面积自动计算方法 |
CN114152627A (zh) * | 2022-02-09 | 2022-03-08 | 季华实验室 | 芯片电路缺陷检测方法、装置、电子设备及存储介质 |
CN114549449A (zh) * | 2022-02-17 | 2022-05-27 | 中国空气动力研究与发展中心超高速空气动力研究所 | 小尺寸曲面构件全局缺陷精细定量识别方法 |
CN114549449B (zh) * | 2022-02-17 | 2023-05-12 | 中国空气动力研究与发展中心超高速空气动力研究所 | 小尺寸曲面构件全局缺陷精细定量识别方法 |
CN115115611A (zh) * | 2022-07-21 | 2022-09-27 | 明觉科技(北京)有限公司 | 车辆损伤识别方法、装置、电子设备和存储介质 |
CN116223440A (zh) * | 2023-05-08 | 2023-06-06 | 四川威斯派克科技有限公司 | 一种烟叶原料配比的近红外检测装置 |
CN116563280B (zh) * | 2023-07-07 | 2023-09-12 | 深圳市鑫典金光电科技有限公司 | 一种基于数据分析的复合铜散热底板加工检测方法及系统 |
CN116563280A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市鑫典金光电科技有限公司 | 一种基于数据分析的复合铜散热底板加工检测方法及系统 |
CN116660318A (zh) * | 2023-07-25 | 2023-08-29 | 中国科学院长春光学精密机械与物理研究所 | 一种大口径光学元件损伤定位装置及修复方法 |
CN117147561A (zh) * | 2023-09-01 | 2023-12-01 | 平湖市五星工贸有限公司 | 用于金属拉链的表面质量检测方法及系统 |
CN117147561B (zh) * | 2023-09-01 | 2024-03-19 | 平湖市五星工贸有限公司 | 用于金属拉链的表面质量检测方法及系统 |
CN117408958A (zh) * | 2023-10-16 | 2024-01-16 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产质量监测方法及系统 |
CN117408958B (zh) * | 2023-10-16 | 2024-03-26 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产质量监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112881467B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112881467B (zh) | 一种大尺寸复合材料损伤成像与定量识别方法 | |
US11774735B2 (en) | System and method for performing automated analysis of air samples | |
Peng et al. | Computer vision algorithm for measurement and inspection of O-rings | |
JP6777726B2 (ja) | コロニーコントラスト収集 | |
CN104458755B (zh) | 一种基于机器视觉的多类型材质表面缺陷检测方法 | |
CN109856156A (zh) | 一种基于aoi的显示面板微小缺陷判定方法与装置 | |
US20190258046A1 (en) | System and method for performing automated analysis of air samples | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
US10713780B2 (en) | Color quality assessment based on multispectral imaging | |
KR20170139591A (ko) | 플레이팅된 배지 상의 스트리킹된 샘플로부터 자동화된 미생물 콜로니 카운트를 위한 방법 및 시스템 | |
CN105069790A (zh) | 一种齿轮外观缺陷快速影像检测方法 | |
Eshkevari et al. | Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method | |
CN103988069A (zh) | 图像检查装置的检查区域设定方法 | |
CN101194263A (zh) | 利用显微镜成像装置再定位载片上样品中的目标的系统和方法 | |
CN112304960B (zh) | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN115599844A (zh) | 一种飞机翼面连接件错装漏装可视化检测方法 | |
CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 | |
CN116465315B (zh) | 一种网版质量自动化检测方法及系统 | |
CN109507198A (zh) | 基于快速傅里叶变换和线性高斯的口罩检测系统及方法 | |
Kong et al. | Mask R‐CNN‐based feature extraction and three‐dimensional recognition of rice panicle CT images | |
CN112489026B (zh) | 基于多分支并行卷积神经网络的沥青路面病害检测方法 | |
CN110322395B (zh) | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 | |
CN116977316A (zh) | 一种复杂外形构件损伤缺陷全场检测与量化评估方法 | |
AU2018101327B4 (en) | System and method for performing automated analysis of air samples |
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 |