CN112991260A - 光和超声复合激励的红外无损检测系统 - Google Patents
光和超声复合激励的红外无损检测系统 Download PDFInfo
- Publication number
- CN112991260A CN112991260A CN202110150462.1A CN202110150462A CN112991260A CN 112991260 A CN112991260 A CN 112991260A CN 202110150462 A CN202110150462 A CN 202110150462A CN 112991260 A CN112991260 A CN 112991260A
- Authority
- CN
- China
- Prior art keywords
- module
- infrared
- excitation
- nondestructive testing
- central control
- 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
Links
- 230000005284 excitation Effects 0.000 title claims abstract description 83
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 67
- 239000002131 composite material Substances 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000001931 thermography Methods 0.000 claims abstract description 25
- 230000003287 optical effect Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000002604 ultrasonography Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 26
- 238000004451 qualitative analysis Methods 0.000 claims description 14
- 238000004445 quantitative analysis Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 229910052736 halogen Inorganic materials 0.000 claims description 9
- 150000002367 halogens Chemical class 0.000 claims description 9
- 230000001681 protective effect Effects 0.000 claims description 9
- 238000011002 quantification Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 229910001220 stainless steel Inorganic materials 0.000 claims description 6
- 239000010935 stainless steel Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 12
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G06T5/70—
-
- G06T5/90—
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明属于无损检测技术领域，公开了一种光和超声复合激励的红外无损检测系统，所述光和超声复合激励的红外无损检测系统包括：复合激励模块、红外热成像模块、图像数据预处理模块、红外无损检测模块、中央控制模块、缺陷评估模块、云服务模块、供电模块、数据存储模块、更新显示模块。本发明提供的光和超声复合激励的红外无损检测系统，采用超声红外热成像检测技术，检测速度快、检测效果的控制比较容易，可对物体更深的亚表面裂纹进行检测，可适用于复合材料内部层的检测；利用基于相位检测缺陷的方法，实现对于缺陷部分的识别与定量化数据处理；基于进化神经网络训练模型处理，实现数据的并行化计算，智能化与高效性并存。
Description
技术领域
本发明属于无损检测技术领域，尤其涉及一种光和超声复合激励的红外无损检测系统。
背景技术
目前，无损检测是指在不损害或不影响被检测对象使用性能，不伤害被检测对象内部组织的前提下，利用材料内部结构异常或缺陷存在引起的热、声、光、电、磁等反应的变化，以物理或化学方法为手段，借助现代化的技术和设备器材，对试件内部及表面的结构、状态及缺陷的类型、数量、形状、性质、位置、尺寸、分布及其变化进行检查和测试的方法。
无损检测广泛应用于生产中，红外热成像检测技术是目前比较成熟的技术，基本原理是利用被检物的不连续性缺陷对热传导性能的影响，使得物体的表面温度不一致，即通过物体的局部区域产生温度梯度，导致物体表面红外辐射能力发生差异。红外热成像检测技术的主要类型有脉冲红外热成像检测技术、锁相红外热成像检测技术、超声红外热成像检测技术。
基于实际应用的结合，一般选用不同的检测技术，脉冲红外热成像检测技术检测方式虽然简单实用，但是也存在着一些缺点：适于检测平板类构件，对于复杂结构构件检测存在困难；对热源的均匀性要求非常高；检测构件厚度有限。锁相红外热成像检测技术，不受加热不均的影响；相位图与构件表面发射率无关；加热的温度较低，不会导致材料表面发生损伤；根据锁相频率和相位延迟，即可求出缺陷深度。缺点是对于设备的仪器精度要求高。超声红外热成像检测技术，借助计算机对于时序热图进行分析，灵敏度更高，同时可对物体更深的亚表面裂纹进行检测，还可用于对复合材料内部分层或脱粘进行检测。
目前无损检测研究多数停留在定性分析上，对于裂缝、空洞等信息的定量分析不足。因此，亟需一种新的红外无损检测系统。
通过上述分析，现有技术存在的问题及缺陷为：存在对于检测物体的外形、材质限制，对于复杂形状和不规则外型工件检测困难；无损检测技术主要集中在定性分析上，对于缺陷的定量分析不足。
发明内容
针对现有技术存在的问题，本发明提供了一种光和超声复合激励的红外无损检测系统。
本发明是这样实现的，一种光和超声复合激励的红外无损检测系统，所述光和超声复合激励的红外无损检测系统包括：
复合激励模块，与中央控制模块连接，用于通过激励程序对待检测试样提供光激励和超声激励；
红外热成像模块，与中央控制模块连接，用于通过红外热像仪从多个角度获取待检测试样表面温度的红外变化图像数据；
图像数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对获取的待检测试样表面温度的红外变化图像数据进行增强和降噪处理；
红外无损检测模块，与中央控制模块连接，用于通过红外无损检测程序根据预处理后的待检测试样表面温度的红外变化图像数据进行待检测试样的无损检测，包括：
(1)根据红外图像，算出检测对象所有像素单元的平均温度
其中，ti是像素单元i所在位置对应的温度，n是像素单元的总数；
(2)根据红外图像，确定检测对象中低于平均温度的所有像素单元，算出检测对象中低温像素单元的总面积
其中，S0是像素单元的面积，k是低温像素单元的总数，j是第某个低温像素单元；
(3)根据红外图像，算出检测对象中所有像素单元的总面积S＝n·S0；计算出所述低温像素点总面积与所述所有像素点总面积的比例P＝Sd/S；
(4)根据所述低温像素点总面积与所述所有像素点总面积的比例检测得到所述待检测试样的无损检测结果；
中央控制模块，与复合激励模块、红外热成像模块、图像数据预处理模块、红外无损检测模块、缺陷评估模块、云服务模块、供电模块、数据存储模块、更新显示模块连接，用于通过中央处理器对所述光和超声复合激励的红外无损检测系统的无损检测过程进行协调控制，对无损检测结果进行分析；
缺陷评估模块，与中央控制模块连接，用于通过神经网络对无损检测的缺陷进行定性和定量的评估分析；
云服务模块，与中央控制模块连接，包括基于神经网络的破损定量的并行计算模块与基于信息管理的数据管理模块，用于通过云服务器对无损检测结果进行定性和定量的分析；
所述基于神经网络的破损定量的并行计算模块，用于实现对于破损深度的计算，利用进化算法和神经网络相结合，形成进化神经网络，将每个像素点的时间-温度作为网络输入，输出为缺陷深度，训练的目标模型为：
其中，y为观测值，
为预测值；
使用
对权值进行调整，式中
为第k代训练过程中，种群中第n个网络中的第i个权值；υ为服从用户指定的概率分布；γ为乘子，p为一定概率从0,1中取的值，最小化的训练误差为欧式距离和目标函数，用直径10mm的缺陷进行训练，选择深度为1.0和1.8mm，同样采用进化神经网络，输入相位值，输出为缺陷深度，实现网络对于相同频率的试件结果进行深度计算，即通过对同一直径、不同深度的缺陷孔进行进化神经网络训练；
供电模块，与中央控制模块连接，用于通过控制柜控制信号的转换、设置激励系统参数、提供激励系统所需的电源；
数据存储模块，与中央控制模块连接，用于通过存储器存储获取的待检测试样表面温度的红外变化图像数据、图像数据预处理结果、红外无损检测结果、缺陷评估结果、定性和定量分析结果；
更新显示模块，与中央控制模块连接，用于通过显示器对获取的待检测试样表面温度的红外变化图像数据、图像数据预处理结果、红外无损检测结果、缺陷评估结果、定性和定量分析结果的实时数据进行更新显示。
进一步，所述复合激励模块包括光激励模块、超声激励模块、试验台模块、底座和防护罩模块。
进一步，所述光激励模块包括卤素灯模块、旋转平台模块、镜头模块和不锈钢灯架模块；所述超声激励模块包括超声枪模块和三维移动模块；所述试验台模块包括立柱模块、上下横梁模块和夹持螺栓模块；所述底座和防护罩模块中的防护罩由不锈钢板组成。
进一步，所述卤素灯模块包括两种，一种是固定输出频率2000W，灯管为长条形，反射面为梯形；一种为可调制激励源的卤素灯，灯管为球形，反射面为圆形。
进一步，图像数据预处理模块中，所述通过数据预处理程序对获取的待检测试样表面温度的红外变化图像数据进行增强和降噪处理，包括：
对采集到的红外图像计算绝对对比度、变化对比度、归一化对比度、标准对比度和差分绝对对比度的多对比度联合图像，增强红外图像中缺陷部分；
使用小波变换阈值去噪声，去除图像中存在的加热不均匀、噪声和畸形。
进一步，所述阈值包括全局和局部，全局是针对各层或同一层，而局部阈值是针对小波变换后的系数的局部特征来确定的；
所述阈值包括：VisuShrink阈值、BayesShrink阈值、SureShrink阈值、Minimax阈值、HeurSure阈值、GCV阈值。
进一步，所述中央控制模块包括总能源指示灯模块、超声激励控制模块、超声激励电源开关模块、光激励控制模块、光激励设置模块、光激励电源开关和稳定电源模块。
进一步，所述云服务器模块通过IPV4、TCP协议与中央控制模块连接；所述供电模块通过触发电路与红外热成像模块连接，通过控制电缆与复合激励模块连接；所述红外热成像模块通过IEEE394接口与中央控制模块连接；所述中央控制模块通过RS232通讯线与供电模块连接。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述的光和超声复合激励的红外无损检测系统。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述的光和超声复合激励的红外无损检测系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的光和超声复合激励的红外无损检测系统，采用超声红外热成像检测技术，检测速度快、检测效果的控制比较容易，可对物体更深的亚表面裂纹进行检测，可适用于复合材料内部层的检测；利用基于相位检测缺陷的方法，实现对于缺陷部分的识别与定量化数据处理；基于进化神经网络训练模型处理，实现数据的并行化计算，智能化与高效性并存。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的光和超声复合激励的红外无损检测系统的结构框图；
图中：1、复合激励模块；2、红外热成像模块；3、图像数据预处理模块；4、红外无损检测模块；5、中央控制模块；6、缺陷评估模块；7、云服务模块；8、供电模块；9、数据存储模块；10、更新显示模块。
图2是本发明实施例提供的光和超声复合激励的红外无损检测方法流程图。
图3是本发明实施例提供的通过图像数据预处理模块利用数据预处理程序对获取的待检测试样表面温度的红外变化图像数据进行增强和降噪处理的方法流程图。
图4是本发明实施例提供的通过红外无损检测程序根据预处理后的待检测试样表面温度的红外变化图像数据进行待检测试样的无损检测方法流程图。
图5是本发明实施例提供的基于神经网络的破损定量的并行计算模块进行破损深度的计算方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种光和超声复合激励的红外无损检测系统，下面结合附图对本发明技术方案作详细的描述。
如图1所示，本发明实施例提供的光和超声复合激励的红外无损检测系统包括：
复合激励模块1，与中央控制模块5连接，用于通过激励程序对待检测试样提供光激励和超声激励；
红外热成像模块2，与中央控制模块5连接，用于通过红外热像仪从多个角度获取待检测试样表面温度的红外变化图像数据；
图像数据预处理模块3，与中央控制模块5连接，用于通过数据预处理程序对获取的待检测试样表面温度的红外变化图像数据进行增强和降噪处理；
红外无损检测模块4，与中央控制模块5连接，用于通过红外无损检测程序根据预处理后的待检测试样表面温度的红外变化图像数据进行待检测试样的无损检测；
中央控制模块5，与复合激励模块1、红外热成像模块2、图像数据预处理模块3、红外无损检测模块4、缺陷评估模块6、云服务模块7、供电模块8、数据存储模块9、更新显示模块10连接，用于通过中央处理器对所述光和超声复合激励的红外无损检测系统的无损检测过程进行协调控制，对无损检测结果进行分析；
缺陷评估模块6，与中央控制模块5连接，用于通过神经网络对无损检测的缺陷进行定性和定量的评估分析；
云服务模块7，与中央控制模块5连接，包括基于神经网络的破损定量的并行计算模块与基于信息管理的数据管理模块，用于通过云服务器对无损检测结果进行定性和定量的分析；
供电模块8，与中央控制模块5连接，用于通过控制柜控制信号的转换、设置激励系统参数、提供激励系统所需的电源；
数据存储模块9，与中央控制模块5连接，用于通过存储器存储获取的待检测试样表面温度的红外变化图像数据、图像数据预处理结果、红外无损检测结果、缺陷评估结果、定性和定量分析结果；
更新显示模块10，与中央控制模块5连接，用于通过显示器对获取的待检测试样表面温度的红外变化图像数据、图像数据预处理结果、红外无损检测结果、缺陷评估结果、定性和定量分析结果的实时数据进行更新显示。
本发明实施例提供的复合激励模块1包括光激励模块、超声激励模块、试验台模块、底座和防护罩模块。
本发明实施例提供的光激励模块包括卤素灯模块、旋转平台模块、镜头模块和不锈钢灯架模块；所述超声激励模块包括超声枪模块和三维移动模块；所述试验台模块包括立柱模块、上下横梁模块和夹持螺栓模块；所述底座和防护罩模块中的防护罩由不锈钢板组成。
本发明实施例提供的卤素灯模块包括两种，一种是固定输出频率2000W，灯管为长条形，反射面为梯形；一种为可调制激励源的卤素灯，灯管为球形，反射面为圆形。
本发明实施例提供的中央控制模块5包括总能源指示灯模块、超声激励控制模块、超声激励电源开关模块、光激励控制模块、光激励设置模块、光激励电源开关和稳定电源模块。
本发明实施例提供的云服务模块7通过IPV4、TCP协议与中央控制模块连接；所述供电模块通过触发电路与红外热成像模块连接，通过控制电缆与复合激励模块连接；所述红外热成像模块通过IEEE394接口与中央控制模块连接；所述中央控制模块通过RS232通讯线与供电模块连接。
如图2所示，本发明实施例提供的光和超声复合激励的红外无损检测方法包括以下步骤：
S101，通过复合激励模块利用激励程序对待检测试样提供光激励和超声激励；通过红外热成像模块利用红外热像仪从多个角度获取待检测试样表面温度的红外变化图像数据；
S102，通过图像数据预处理模块利用数据预处理程序对获取的待检测试样表面温度的红外变化图像数据进行增强和降噪处理；
S103，通过红外无损检测模块利用红外无损检测程序根据预处理后的待检测试样表面温度的红外变化图像数据进行待检测试样的无损检测；
S104，通过中央控制模块利用中央处理器对所述光和超声复合激励的红外无损检测系统的无损检测过程进行协调控制，对无损检测结果进行分析；
S105，通过缺陷评估模块利用神经网络对无损检测的缺陷进行定性和定量的评估分析；通过云服务模块利用云服务器对无损检测结果进行定性和定量的分析；
S106，通过供电模块利用控制柜控制信号的转换、设置激励系统参数、提供激励系统所需的电源；
S107，通过数据存储模块利用存储器存储获取的待检测试样表面温度的红外变化图像数据、图像数据预处理结果、红外无损检测结果、缺陷评估结果、定性和定量分析结果；
S108，通过更新显示模块利用显示器对获取的待检测试样表面温度的红外变化图像数据、图像数据预处理结果、红外无损检测结果、缺陷评估结果、定性和定量分析结果的实时数据进行更新显示。
如图3所示，本发明实施例提供的步骤S102中，所述通过图像数据预处理模块利用数据预处理程序对获取的待检测试样表面温度的红外变化图像数据进行增强和降噪处理，包括：
S201，对采集到的红外图像计算绝对对比度、变化对比度、归一化对比度、标准对比度和差分绝对对比度的多对比度联合图像，增强红外图像中缺陷部分；
S202，使用小波变换阈值去噪声，去除图像中存在的加热不均匀、噪声和畸形。
本发明实施例提供的阈值包括全局和局部，全局是针对各层或同一层，而局部阈值是针对小波变换后的系数的局部特征来确定的；所述阈值包括：VisuShrink阈值、BayesShrink阈值、SureShrink阈值、Minimax阈值、HeurSure阈值、GCV阈值。
如图4所示，本发明实施例提供的通过红外无损检测程序根据预处理后的待检测试样表面温度的红外变化图像数据进行待检测试样的无损检测，包括：
S301，根据红外图像，算出检测对象所有像素单元的平均温度；
S302，根据红外图像，确定检测对象中低于平均温度的所有像素单元，算出检测对象中低温像素单元的总面积；
S303，根据红外图像，算出检测对象中所有像素单元的总面积S＝n·S0；计算出所述低温像素点总面积与所述所有像素点总面积的比例P＝Sd/S；
S304，根据所述低温像素点总面积与所述所有像素点总面积的比例检测得到所述待检测试样的无损检测结果。
本发明实施例提供的算出的检测对象所有像素单元的平均温度为：
其中，ti是像素单元i所在位置对应的温度，n是像素单元的总数。
本发明实施例提供的算出的检测对象中低温像素单元的总面积为：
其中，S0是像素单元的面积，k是低温像素单元的总数，j是第某个低温像素单元。
本发明实施例提供的云服务模块包括基于神经网络的破损定量的并行计算模块与基于信息管理的数据管理模块。
如图5所示，本发明实施例提供的基于神经网络的破损定量的并行计算模块进行破损深度的计算，包括：
S401，利用进化算法和神经网络相结合，形成进化神经网络，将每个像素点的时间-温度作为网络输入，输出为缺陷深度；
S402，最小化的训练误差为欧式距离和目标函数，用直径10mm的缺陷进行训练，选择深度为1.0和1.8mm；
S403，采用进化神经网络，输入相位值，输出为缺陷深度，实现网络对于相同频率的试件结果进行深度计算，即通过对同一直径、不同深度的缺陷孔进行进化神经网络训练。
本发明实施例提供的训练的目标模型为：
其中，y为观测值，
为预测值。
本发明实施例提供的使用
对权值进行调整，式中
为第k代训练过程中，种群中第n个网络中的第i个权值；υ为服从用户指定的概率分布；γ为乘子，p为一定概率从0,1中取的值。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种光和超声复合激励的红外无损检测系统，其特征在于，所述光和超声复合激励的红外无损检测系统包括：
复合激励模块，与中央控制模块连接，用于通过激励程序对待检测试样提供光激励和超声激励；
红外热成像模块，与中央控制模块连接，用于通过红外热像仪从多个角度获取待检测试样表面温度的红外变化图像数据；
图像数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对获取的待检测试样表面温度的红外变化图像数据进行增强和降噪处理；
红外无损检测模块，与中央控制模块连接，用于通过红外无损检测程序根据预处理后的待检测试样表面温度的红外变化图像数据进行待检测试样的无损检测，包括：
(1)根据红外图像，算出检测对象所有像素单元的平均温度
其中，ti是像素单元i所在位置对应的温度，n是像素单元的总数；
(2)根据红外图像，确定检测对象中低于平均温度的所有像素单元，算出检测对象中低温像素单元的总面积
其中，S0是像素单元的面积，k是低温像素单元的总数，j是第某个低温像素单元；
(3)根据红外图像，算出检测对象中所有像素单元的总面积S＝n·S0；计算出所述低温像素点总面积与所述所有像素点总面积的比例P＝Sd/S；
(4)根据所述低温像素点总面积与所述所有像素点总面积的比例检测得到所述待检测试样的无损检测结果；
中央控制模块，与复合激励模块、红外热成像模块、图像数据预处理模块、红外无损检测模块、缺陷评估模块、云服务模块、供电模块、数据存储模块、更新显示模块连接，用于通过中央处理器对所述光和超声复合激励的红外无损检测系统的无损检测过程进行协调控制，对无损检测结果进行分析；
缺陷评估模块，与中央控制模块连接，用于通过神经网络对无损检测的缺陷进行定性和定量的评估分析；
云服务模块，与中央控制模块连接，包括基于神经网络的破损定量的并行计算模块与基于信息管理的数据管理模块，用于通过云服务器对无损检测结果进行定性和定量的分析；
所述基于神经网络的破损定量的并行计算模块，用于实现对于破损深度的计算，利用进化算法和神经网络相结合，形成进化神经网络，将每个像素点的时间-温度作为网络输入，输出为缺陷深度，训练的目标模型为：
其中，y为观测值，
为预测值；
使用
对权值进行调整，式中
为第k代训练过程中，种群中第n个网络中的第i个权值；υ为服从用户指定的概率分布；γ为乘子，p为一定概率从0,1中取的值，最小化的训练误差为欧式距离和目标函数，用直径10mm的缺陷进行训练，选择深度为1.0和1.8mm，同样采用进化神经网络，输入相位值，输出为缺陷深度，实现网络对于相同频率的试件结果进行深度计算，即通过对同一直径、不同深度的缺陷孔进行进化神经网络训练；
供电模块，与中央控制模块连接，用于通过控制柜控制信号的转换、设置激励系统参数、提供激励系统所需的电源；
数据存储模块，与中央控制模块连接，用于通过存储器存储获取的待检测试样表面温度的红外变化图像数据、图像数据预处理结果、红外无损检测结果、缺陷评估结果、定性和定量分析结果；
更新显示模块，与中央控制模块连接，用于通过显示器对获取的待检测试样表面温度的红外变化图像数据、图像数据预处理结果、红外无损检测结果、缺陷评估结果、定性和定量分析结果的实时数据进行更新显示。
2.如权利要求1所述的光和超声复合激励的红外无损检测系统，其特征在于，所述复合激励模块包括光激励模块、超声激励模块、试验台模块、底座和防护罩模块。
3.如权利要求2所述的光和超声复合激励的红外无损检测系统，其特征在于，所述光激励模块包括卤素灯模块、旋转平台模块、镜头模块和不锈钢灯架模块；所述超声激励模块包括超声枪模块和三维移动模块；所述试验台模块包括立柱模块、上下横梁模块和夹持螺栓模块；所述底座和防护罩模块中的防护罩由不锈钢板组成。
4.如权利要求3所述的光和超声复合激励的红外无损检测系统，其特征在于，所述卤素灯模块包括两种，一种是固定输出频率2000W，灯管为长条形，反射面为梯形；一种为可调制激励源的卤素灯，灯管为球形，反射面为圆形。
5.如权利要求1所述的光和超声复合激励的红外无损检测系统，其特征在于，图像数据预处理模块中，所述通过数据预处理程序对获取的待检测试样表面温度的红外变化图像数据进行增强和降噪处理，包括：
对采集到的红外图像计算绝对对比度、变化对比度、归一化对比度、标准对比度和差分绝对对比度的多对比度联合图像，增强红外图像中缺陷部分；
使用小波变换阈值去噪声，去除图像中存在的加热不均匀、噪声和畸形。
6.如权利要求5所述的光和超声复合激励的红外无损检测系统，其特征在于，所述阈值包括全局和局部，全局是针对各层或同一层，而局部阈值是针对小波变换后的系数的局部特征来确定的；
所述阈值包括：VisuShrink阈值、BayesShrink阈值、SureShrink阈值、Minimax阈值、HeurSure阈值、GCV阈值。
7.如权利要求1所述的光和超声复合激励的红外无损检测系统，其特征在于，所述中央控制模块包括总能源指示灯模块、超声激励控制模块、超声激励电源开关模块、光激励控制模块、光激励设置模块、光激励电源开关和稳定电源模块。
8.如权利要求1所述的光和超声复合激励的红外无损检测系统，其特征在于，所述云服务器模块通过IPV4、TCP协议与中央控制模块连接；所述供电模块通过触发电路与红外热成像模块连接，通过控制电缆与复合激励模块连接；所述红外热成像模块通过IEEE394接口与中央控制模块连接；所述中央控制模块通过RS232通讯线与供电模块连接。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求1～8任意一项所述的光和超声复合激励的红外无损检测系统。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1～8任意一项所述的光和超声复合激励的红外无损检测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110150462.1A CN112991260A (zh) | 2021-02-03 | 2021-02-03 | 光和超声复合激励的红外无损检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110150462.1A CN112991260A (zh) | 2021-02-03 | 2021-02-03 | 光和超声复合激励的红外无损检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112991260A true CN112991260A (zh) | 2021-06-18 |
Family
ID=76346471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110150462.1A Pending CN112991260A (zh) | 2021-02-03 | 2021-02-03 | 光和超声复合激励的红外无损检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991260A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102628796A (zh) * | 2012-01-13 | 2012-08-08 | 首都师范大学 | 超声红外无损检测中热图序列缺陷信号的自动识别方法 |
| CN103472092A (zh) * | 2013-09-17 | 2013-12-25 | 华东交通大学 | 基于偏最小二乘回归的红外无损检测电磁激励数学模型建模方法 |
| CN104568958A (zh) * | 2013-10-16 | 2015-04-29 | 北京有色金属研究总院 | 一种光和超声复合激励的红外无损检测装置 |
| KR20160031119A (ko) * | 2014-09-11 | 2016-03-22 | 한국표준과학연구원 | 열전도 억제장치를 이용한 적외선 열화상 비파괴 검사 시스템 및 검사방법 |
| CN106596566A (zh) * | 2017-02-07 | 2017-04-26 | 贵阳学院 | 用红外图像检测及综合评估水果表面隐形损伤的方法 |
| CN109459286A (zh) * | 2018-12-10 | 2019-03-12 | 湘潭大学 | 一种涡轮叶片热障涂层模拟试验过程中损伤实时检测方法 |
| CN208969044U (zh) * | 2018-10-24 | 2019-06-11 | 南昌航空大学 | 一种齿轮磨削烧伤巴克豪森信号检测扫查装置 |
| CN111325748A (zh) * | 2020-03-20 | 2020-06-23 | 哈尔滨工业大学 | 一种基于卷积神经网络的红外热像无损检测方法 |
| CN111462092A (zh) * | 2020-04-02 | 2020-07-28 | 浙江工业大学 | 一种基于深度学习的保温杯表面的缺陷检测方法 |
| CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
-
2021
- 2021-02-03 CN CN202110150462.1A patent/CN112991260A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102628796A (zh) * | 2012-01-13 | 2012-08-08 | 首都师范大学 | 超声红外无损检测中热图序列缺陷信号的自动识别方法 |
| CN103472092A (zh) * | 2013-09-17 | 2013-12-25 | 华东交通大学 | 基于偏最小二乘回归的红外无损检测电磁激励数学模型建模方法 |
| CN104568958A (zh) * | 2013-10-16 | 2015-04-29 | 北京有色金属研究总院 | 一种光和超声复合激励的红外无损检测装置 |
| KR20160031119A (ko) * | 2014-09-11 | 2016-03-22 | 한국표준과학연구원 | 열전도 억제장치를 이용한 적외선 열화상 비파괴 검사 시스템 및 검사방법 |
| CN106596566A (zh) * | 2017-02-07 | 2017-04-26 | 贵阳学院 | 用红外图像检测及综合评估水果表面隐形损伤的方法 |
| CN208969044U (zh) * | 2018-10-24 | 2019-06-11 | 南昌航空大学 | 一种齿轮磨削烧伤巴克豪森信号检测扫查装置 |
| CN109459286A (zh) * | 2018-12-10 | 2019-03-12 | 湘潭大学 | 一种涡轮叶片热障涂层模拟试验过程中损伤实时检测方法 |
| CN111325748A (zh) * | 2020-03-20 | 2020-06-23 | 哈尔滨工业大学 | 一种基于卷积神经网络的红外热像无损检测方法 |
| CN111462092A (zh) * | 2020-04-02 | 2020-07-28 | 浙江工业大学 | 一种基于深度学习的保温杯表面的缺陷检测方法 |
| CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 汪子君: "红外相位法无损检测技术及应用研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2431823C2 (ru) | Способ и устройство для неразрушающего контроля изолирующего покрытия | |
| CN109060822B (zh) | 长脉冲红外无损检测序列图像处理方法与系统 | |
| EP3649463B1 (en) | Apparatus and method for nondestructively inspecting fiberglass and nonmetallic pipes | |
| US8055054B2 (en) | Method and apparatus for thermographic nondestructive evaluation of an object | |
| JP2012047739A (ja) | コーティングを評価するための熱画像化方法および装置 | |
| CN104655658A (zh) | 一种大型高温叶片内部缺陷三维无损检测方法 | |
| CN108760546A (zh) | 一种基于红外热像技术的疲劳裂纹扩展速率测量方法 | |
| KR20180116452A (ko) | 초음파 매트릭스 조사 장치 | |
| CN111208206B (zh) | 一种温度变化环境下的复合材料超声导波结构健康监测方法 | |
| CN108963356B (zh) | 一种获取锂离子电池内部状态分布的装置及其方法 | |
| CN108152687B (zh) | 一种利用超声反演的电力变压器局部放电定位方法 | |
| CN109738881A (zh) | 飞行时间深度模组的标定方法、装置及可读存储介质 | |
| Li et al. | Intelligent damage recognition of composite materials based on deep learning and ultrasonic testing | |
| CN114720560A (zh) | 一种基于模态分解成像算法的碳纤维复合材料板分层缺陷空气耦合Lamb波超声检测方法 | |
| CN113096122A (zh) | 流星检测方法、装置及电子设备 | |
| CN112991260A (zh) | 光和超声复合激励的红外无损检测系统 | |
| CN110672586B (zh) | 基于libs的混凝土腐蚀状态的检测方法 | |
| Silva et al. | Analyzing the influence of thermal NDT parameters on test performance | |
| CN116559196A (zh) | 一种电弧增材制造缺陷检测系统及方法 | |
| Krapez et al. | Time-resolved pulsed stimulated infrared thermography applied to carbon-epoxy non destructive evaluation | |
| CN116165280A (zh) | 一种对激光熔覆过程内部缺陷实时监测方法与系统 | |
| CN110044963A (zh) | 一种热栅格扫描热成像无损检测方法 | |
| JP4517044B2 (ja) | 欠陥検査方法およびその装置 | |
| Manohar | Quantitative nondestructive testing using infrared thermography | |
| Sardellitti | Design and development of sensors, measurement |
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 |