CN112991319B - 碳纤维层压板红外热成像缺陷尺寸检测方法 - Google Patents
碳纤维层压板红外热成像缺陷尺寸检测方法 Download PDFInfo
- Publication number
- CN112991319B CN112991319B CN202110357421.XA CN202110357421A CN112991319B CN 112991319 B CN112991319 B CN 112991319B CN 202110357421 A CN202110357421 A CN 202110357421A CN 112991319 B CN112991319 B CN 112991319B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- piece
- depth
- size
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 225
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000001931 thermography Methods 0.000 title claims abstract description 36
- 229920000049 Carbon (fiber) Polymers 0.000 title claims abstract description 21
- 239000004917 carbon fiber Substances 0.000 title claims abstract description 21
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims abstract description 12
- 238000009792 diffusion process Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 abstract 1
- 239000002131 composite material Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 polytetrafluoroethylene Polymers 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/13—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供一种碳纤维层压板红外热成像缺陷尺寸检测方法，其包括以下步骤：S1、制作模拟缺陷试块；S2、对检测工件进行清洁；S3、调整和设置红外热成像检测系统；S4、选择缺陷最优图像进行保存；S5、确定缺陷的轮廓像素个数；S6、得到修正系数与深度的关系曲线；S7、确定待测件缺陷的轮廓像素个数；S8、基于对数二阶微分峰值法得到待测件的缺陷深度；S9、根据拟合的关系曲线读取修正系数；S10、计算得到待测件的缺陷尺寸。本发明采用与实际产品材料相同的基础材料制作缺陷模拟试块，保证了缺陷尺寸定量过程的一致性；本发明通过对不同深度缺陷的基准标定，降低了由于横向热扩散对尺寸定量的影响，极大地提高了缺陷定量的精度。
Description
技术领域
本发明涉及产品检测领域，尤其涉及一种碳纤维层压板红外热成像缺陷尺寸检测方法。
背景技术
碳纤维层压板复合材料在飞机上的使用量非常其内部存在的脱粘、分层等缺陷严重影响飞机的气动性能、力学性能等，使强度降低、承载能力下降，危及飞机飞行安全。因此，对于碳纤维层压板复合材料的质量检测至关重要。目前对于碳纤维层压板结构进行检测的方法基本沿用金属材料的检测方法，例如超声检测法、X射线检测法等。这些方法虽然应用比较广泛，但也都有一定的局限性。超声检测法的检测效率较低，且需要耦合剂，对于表面要求比较高的构件无法适用。而X射线检测法比较难于发现与X射线垂直的薄层损伤，且X射线检测法对环境的要求比较苛刻。同时，碳纤维层压板复合材料本身与金属材料存在比较大的差异，因此需要一种非接触、快速的检测方法。目前研究最多的非接触、快速检测方法为主动式红外热成像检测法。
主动式红外热成像无损检测技术起源于20世纪90年代，它是利用热源(如可控光源)与材料或构件之间的相互作用，对材料或构件内部的不均匀性或异常进行检测，通过控制热激励方法和测量材料表面的温度场变化，可以获取材料的均匀性信息以及其表面以下的结构信息。目前，对于红外热像检测方法研究主要集中在定性研究方面，而在定量检测方面，首都师范大学进行了关于红外热成像深度定量检测的研究，根据热反射系数、被测物体热扩散系数和缺陷深度三个参数之间的关系，来计算缺陷的深度信息。但目前并没有对缺陷尺寸定量检测的成熟方法，特别是对于复合材料检测问题尤为突出。尤其是还没有针对碳纤维复合材料层压板的红外热成像缺陷尺寸定量检测方法。
发明内容
为了克服现有技术的缺陷，本发明提出一种碳纤维层压板红外热成像缺陷尺寸检测方法，具体实施步骤如下：
S1、制作模拟缺陷试块：采用与待测件相同材料、相同成型工艺的方法，制作含不同深度和尺寸的缺陷的模拟缺陷试块；每个模拟缺陷试块包括1个或1个以上的缺陷，第i个缺陷用Hi(Di，Li)表示，其中，i＝1，2，....，N，Di为缺陷深度，Li为缺陷尺寸，N为缺陷的个数；将模拟缺陷试件作为检测工件；
S2、对检测工件进行清洁，保证检测工件表面不存在干扰检测的杂质和异物；
S3、调整红外热成像检测系统的位置和距离，设置热激励参数和加载参数；
S4、对每个检测工件进行红外热成像检测，检测完成后，根据特征图像选择缺陷最优图像进行保存；
红外热成像检测系统，根据步骤S3中设定的参数对检测工件进行热图的采集，在采集时间内会采集到图像序列；通过对图像序列中的每张图像进行特征提取得到特征提取图像，根据特征提取图像中温差最大来确定图像序列中的缺陷最优图像，保存图像序列中的缺陷最优图像；
S5、对保存的缺陷最优图像进行降噪和图像增强处理、阈值分割、以及边缘提取，确定缺陷的轮廓像素个数为nx；
S6、采用基准标定法得到缺陷尺寸修正系数，拟合得到修正系数与深度的关系曲线KD＝f(D)；
S7、将待测件作为检测工件，执行步骤进2～5步骤，确定待测件一个缺陷的像素个数为nx；
S8、基于对数二阶微分峰值法测量待测件的缺陷深度d；
首先获取缺陷区域对应表面温差ΔT(t)和时间t的数对，然后拟合得到温差ΔT(t)和时间t在对数坐标系下的拟合曲线，然后计算其二阶微分函数，搜索二阶微分函数的峰值点，得到峰值点对应时刻t2；
再根据峰值点对应时刻与表征缺陷的特征信息关系模型：
其中，t2为峰值点对应时刻；d为待测件缺陷深度；α为热扩散系数，π为圆周率；
S9、根据拟合曲线读取修正系数Kd；
根据步骤S8得到的待测件缺陷深度d和步骤S6得到的修正系数与缺陷深度的关系曲线KD＝f(D)得到拟合曲线读取修正系数Kd；
S10、计算得到待测件的缺陷尺寸；
根据步骤S5中得到的待测件缺陷的轮廓像素个数为nx和步骤S9中的修正系数Kd，根据缺陷尺寸模型，得到待测件的缺陷尺寸：
Lx＝Kd*nx (8)
其中，Lx为待测件的缺陷尺寸，Kd为缺陷深度为d时的修正系数，nx为待测件缺陷的轮廓像素个数。
优选的，所述步骤S6采用基准标定法得到缺陷尺寸修正系数，拟合得到修正系数与深度的关系曲线KD＝f(D)；具体为；
对于缺陷Hi(Di，Li)根据步骤5中获得的轮廓像素个数nx，得到修正系数KDi：
其中，KDi为缺陷深度为Di时的修正系数，nx为轮廓像素个数；Li为缺陷尺寸；
分别计算不同缺陷深度的修正系数KD1，KD2，...，KDi，...，KDN，根据修正系数KDi和缺陷深度Di的值，拟合得到修正系数与缺陷深度的关系曲线KD＝f(D)；
优选的，所述步骤S1中的模拟缺陷试块为平底孔型缺陷，采用游标卡尺进行缺陷的尺寸与深度测量，测量结果作为平底孔试块的缺陷尺寸基准。
优选的，所述步骤S2还包括：对检测工件表面影响检测的反光介质进行遮挡。
优选的，所述步骤S5中对保存的缺陷最优图像进行降噪和图像增强处理、阈值分割、以及边缘提取的数据处理具体算法为；
对保存的缺陷最优图像进行降噪和增强处理，采用直方图均衡算法、图像滤波技术，平稳小波变换技术或Retinex算法；
对降噪增强图像进行阈值分割处理得到阈值分割图像，采用Huang算法、Ostu算法、Shanbhag算法，Triangle算法或Yen算法；
对阈值分割图像进行图像边缘提取，边缘检测法采用Canny算子得到阈值分割图像中缺陷的边缘特征图，提取缺陷边缘轮廓。
与现有技术相比，本发明具有以下有益效果：
1、采用与实际产品材料相同的基础材料制作缺陷模拟试块，使得试块的热物理特性与实际产品相同，保证了缺陷尺寸定量过程的一致性；
2、本发明实施过程中采用了图像降噪、边缘提取等步骤，提高了图像质量，满足尺寸定量的要求；
3、本发明通过对不同深度缺陷的基准标定，降低了由于横向热扩散对尺寸定量的影响，极大地提高了缺陷定量的精度。
附图说明
图1是碳纤维层压板红外热成像缺陷尺寸检测方法的流程图；
图2是对数温差时间曲线及其二阶微分曲线。
具体实施方式
为更好的理解本发明的技术方案，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
本发明是一种碳纤维层压板红外热成像缺陷尺寸检测方法，如图1所示，具体实施步骤如下：
S1、制作模拟缺陷试块：采用与待测件相同材料、相同成型工艺的方法，制作含不同深度和尺寸的模拟缺陷的试块；缺陷使用平底孔进行模拟，第i个缺陷用Hi(Di，Li)表示，其中，i＝1,2,…,N，Di为缺陷深度，Li为缺陷尺寸，N为缺陷的个数，将测量的缺陷作为基准。
本实施例中，选择某军用直升机机身用碳纤维层压结构作为待测件。
首先，进行缺陷分析，针对碳纤维层压结构在生产制造和维护阶段主要面临的缺陷，确定不同结构中常见脱粘/分层缺陷的形式、大小、深度、分布等特征信息。
然后制作模拟缺陷试块，模拟缺陷试块采用碳纤维、织物材料、树脂、脱模剂等均与实际产品所用材料保持一致的制作方式，确保其制作工艺与实际产品制造工艺相同。模拟缺陷试块采用加聚四氟乙烯膜、挖平底孔、插拔钢片和放置脱模剂等制作方法来进行缺陷模拟。每个模拟缺陷试块可以包含多个不同尺寸和深度的模拟缺陷，本实施例中制作了13件模拟缺陷试件，并搜集了实际产品1件。
最后，确定模拟缺陷基准，可以采用几何测量或超声检测的方法对模拟缺陷试块进行尺寸与深度测量，对平底孔型缺陷，由于在试块表面可见，直接采用游标卡尺进行缺陷的尺寸与深度测量，以游标卡尺的测量结果作为平底孔试块的缺陷尺寸基准，对于贴膜法、插拔钢片以及涂脱模剂法制作的试块采用超声方法进行检测，确定相应的尺寸，并将此结果作为检测基准。
将模拟缺陷试件作为检测工件。
S2、对检测工件进行清洁，保证检测工件表面不存在干扰检测的杂质和异物，必要时可以对检测工件表面影响检测的反光介质进行遮挡。还可以记录检测工件的长度、宽度和高度，用于后续研究。
S3、调整红外热成像检测系统的位置和距离，设置热激励参数和加载参数；
连接红外热成像检测系统，调整热像仪位置和距离，使检测对象充满整个视场；根据检测对象的厚度选择热激励能量由0-100％，保证热激励能量均匀覆盖检测对象；根据检测对象的厚度不同选择加载时间与数据采集时间，层压板的厚度增加时，加载时间和采集时间均增加。1mm以下的层压板建议采集时间为10s，1-3mm厚的层压板建议采用15s或更长；
本实例中，采用IR NDT红外热成像检测系统(R163-0001)在分别对13件模拟缺陷试块进行主动式红外热成像检测时，设置激励能量为12KJ、采集频率为80Hz、采集时间为15s～45s、加载距离为480mm～550mm。
S4、对每个检测工件进行红外热成像检测，检测完成后，根据特征图像选择缺陷最优图像进行保存。
红外热成像检测的基本原理是：加热后检测工件的缺陷部位与无缺陷部位的温度会存在差异，通过区分缺陷区域与完好区域的温度差异来识别缺陷区域。缺陷最优显示时刻主要与缺陷的埋深相关，缺陷埋深越深时，越容易受到横向热扩散的影响，缺陷最优显示时刻越早。缺陷最优显示时刻是指图片中缺陷特征最明显的图片采集时间，缺陷最优图像是在缺陷最优显示时刻时采集到的图像。
红外热成像检测系统，根据步骤S3中设定的参数对检测工件进行热图的采集，在采集时间内会采集到图像序列。通过对图像序列中的每张图像进行特征提取得到特征提取图像，根据特征提取图像中温差最大来确定图像序列中的缺陷最优图像，保存图像序列中的缺陷最优图像。由于检测工件可能包含多个缺陷，不同缺陷在图像序列中会对应不同的缺陷最优图像，因此针对不同缺陷需要保存相应的缺陷最优图像。
如，一个模拟缺陷试件中包含n个缺陷(n为正整数)，则红外热成像检测系统对模拟缺陷试件采集的热图中，就可以选出n张缺陷最优图像，分别对应这n个缺陷。这n张缺陷最优图像，可以是完全不同时间采集的图像，也可能会有相同时间采集的图像，只要图像能最好的显示相应缺陷即可。
S5、对保存的缺陷最优图像进行降噪和图像增强处理、阈值分割、边缘提取等数据处理。
红外热成像检测系统的温度分辨率是影响尺寸边界的关键因素，而由环境等因素引入的背景噪声则会降低图像质量，降低缺陷的分辨率。因此，需要对保存的缺陷最优图像进行降噪和增强处理，可以采用直方图均衡算法、图像滤波技术，平稳小波变换技术或Retinex算法对保存的缺陷最优图像进行降噪和增强处理得到降噪增强图像。对降噪增强图像进行阈值分割处理得到阈值分割图像，可以采用Huang算法、Ostu算法、Shanbhag算法，Triangle算法或Yen算法进行阈值分割处理。对阈值分割图像进行图像边缘提取，边缘检测法采用Canny算子得到阈值分割图像中缺陷的边缘特征图，提取缺陷边缘轮廓，并确定缺陷的轮廓像素个数为nx；
S6、采用基准标定法得到缺陷尺寸修正系数，拟合得到修正系数与深度的关系曲线KD＝f(D)。
基准标定法是考虑到横向热扩散的影响，针对不同深度的缺陷，选择典型缺陷作为基准进行标定，然后进行缺陷的尺寸定量。因此，缺陷尺寸定量基准为：对于不同深度D的缺陷单独标定，计算对应的缺陷深度的修正系数KDi，标定过程如下：
对于缺陷Hi(Di，Li)根据步骤5中获得的轮廓像素个数nx，得到修正系数KDi：
其中，KDi为缺陷深度为Di时的修正系数，nx为轮廓像素个数；Li为缺陷尺寸。相同缺陷深度的修正系数相同。
分别计算不同缺陷深度的修正系数KD1，KD2，...，KDi，...，KDN，根据修正系数KDi和缺陷深度Di的值，拟合得到修正系数与缺陷深度的关系曲线KD＝f(D)。
S7、将待测件作为检测工件，执行步骤进2～5步骤，确定待测件的一个缺陷的轮廓像素个数为nx；
S8、基于对数二阶微分峰值法测量待测件的缺陷深度d；
缺陷深度定量检测的基本原理是基于求解一维热传导方程来确定深度，通常是利用特征时间来测量缺陷深度。
基于一维热传导模型，在脉冲热源激励作用下，被测物中无缺陷区域的表面温差随时间的变化关系为：
ΔT(t)为表面温差，是指当前表面温度与初始表面温度的温差，C为表面单位面积的热量与单位体积存储热量的比值，α为热扩散系数，t为时间；
将式(1)两边取自然对数，得到：
根据式(2)可知，在对数坐标系里，被测物中无缺陷区域受脉冲激励后的表面温差随时间呈斜率为-0.5线性变化。
如果被检物测内部含有缺陷，那么受脉冲激励后缺陷区域的对应表面温差在对数坐标系里会发生变化，缺陷区域对应表面的对数温差和时间的曲线变化可以分为三个过程：第一个过程，热量在试件表面与缺陷处之间传导，对数温差曲线按斜率为-0.5线性变化。第二个过程，热量传导到缺陷处，热波在缺陷的界面发生反射，部分能量返回至试件表面，对应表面的对数温差曲线偏离线性变化。第三个过程，热量传导到试件的底部，一维热传导过程结束。
因此，根据缺陷区域的表面温差和时间进行多项式拟合，得到：
ln(ΔT)＝a0+a1 ln(t)+a2 ln2(t)+...+aN lnN(t) (4)
其中，a0,a1,…,aN为拟合系数，通常N取2或者3。
进行一阶微分得到：
二阶微分得到：
根据对数温差时间曲线分析，对于背面绝热的有限厚均匀介质，没有热量从被检物体传递到周围环境，其对数温度曲线的特性是初期为斜率为-0.5的直线，然后热量传导至后表面达到恒定，斜率变为0。所以，对数温差的一阶微分曲线初期为值为-0.5的水平线，过渡到值为0的直线。二阶微分曲线除了将一阶微分曲线中的拐点以峰值出现的中间过程外，其它时刻的值都为零。对数温度时间曲线以及对数温度时间的二阶微分曲线，如下图2所示。
缺陷显示时刻主要与缺陷的埋深相关，缺陷埋深越深时，越容易受到横向热扩散的影响，降低缺陷边界的确定。根据上述原理可知，二阶微分峰值法可以较快速的确定缺陷显示时刻，利用该方法测量厚度受热扩散的影响较小。同时利用二阶微分峰值时间不需要选取参考区域，使得提取特征时刻提取的重复性较好，适合工程化检测需求。
此步骤在具体实现时，首先获取缺陷区域对应表面温差ΔT(t)和时间t的数对，然后拟合得到温差ΔT(t)和时间t在对数坐标系下的拟合曲线，然后计算其二阶微分函数，搜索二阶微分函数的峰值点，得到峰值点对应时刻t2，这个峰值点对应时刻就是缺陷显示时刻。
再根据峰值点对应时刻与表征缺陷的信息关系模型：
其中，t2为峰值点对应时刻；d为待测件缺陷深度；α为热扩散系数，π为圆周率；
根据峰值点对应时刻t2可以得到待测件缺陷深度d。
S9、根据拟合的关系曲线读取修正系数Kd；
根据步骤S8得到的待测件缺陷深度d和根据步骤S6得到的修正系数与缺陷深度的关系曲线KD＝f(D)得到拟合曲线读取修正系数Kd。
S10、计算得到待测件的缺陷尺寸；
根据步骤S5中得到的待测件缺陷的轮廓像素个数为nx和步骤S9中的修正系数Kd，根据缺陷尺寸模型，得到待测件的缺陷尺寸：
Lx＝Kd*nx (8)
其中，Lx为待测件的缺陷尺寸，Kd为缺陷深度为d时的修正系数，nx为待测件缺陷的轮廓像素个数。
若待测件有多个缺陷，则重复执行步骤S7-S10即可实现对待测件中多个缺陷尺寸的定量检测。
本发明通过模拟缺陷试件，得到修正系数与缺陷深度的关系曲线，从而实现了碳纤维层压板红外热成像缺陷尺寸的定量检测。通过对模拟缺陷试块的定量检测验证，表明所建立的主动式红外热成像定量检测方法和技术能够有效确保红外热成像定量检测的精度，尺寸定量误差小于15％。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种碳纤维层压板红外热成像缺陷尺寸检测方法，其特征在于：其包括以下步骤：
S1、制作模拟缺陷试块：采用与待测件相同材料、相同成型工艺的方法，制作含不同深度和尺寸的缺陷的模拟缺陷试块；每个模拟缺陷试块包括1个或1个以上的缺陷，第i个缺陷用Hi(Di，Li)表示，其中，i＝1,2,…,N，Di为缺陷深度，Li为缺陷尺寸，N为缺陷的个数；将模拟缺陷试件作为检测工件；
S2、对检测工件进行清洁，保证检测工件表面不存在干扰检测的杂质和异物；
S3、调整红外热成像检测系统的位置和距离，设置热激励参数和加载参数；
S4、对每个检测工件进行红外热成像检测，检测完成后，根据特征图像选择缺陷最优图像进行保存；
红外热成像检测系统，根据步骤S3中设定的参数对检测工件进行热图的采集，在采集时间内会采集到图像序列；通过对图像序列中的每张图像进行特征提取得到特征提取图像，根据特征提取图像中温差最大来确定图像序列中的缺陷最优图像，保存图像序列中的缺陷最优图像；
S5、对保存的缺陷最优图像进行降噪和图像增强处理、阈值分割、以及边缘提取，确定缺陷的轮廓像素个数为nx；
S6、采用基准标定法得到缺陷尺寸修正系数，拟合得到修正系数与深度的关系曲线KD＝f(D)；
S7、将待测件作为检测工件，执行步骤2～5，确定待测件一个缺陷的像素个数为nx；
S8、基于对数二阶微分峰值法测量待测件的缺陷深度d；
首先获取缺陷区域对应表面温差ΔT(t)和时间t的对数，然后拟合得到温差ΔT(t)和时间t在对数坐标系下的拟合曲线，然后计算其二阶微分函数，搜索二阶微分函数的峰值点，得到峰值点对应时刻t2；
再根据峰值点对应时刻与表征缺陷的特征信息关系模型：
其中，t2为峰值点对应时刻；d为待测件缺陷深度；α为热扩散系数，π为圆周率；
S9、根据拟合曲线读取修正系数Kd；
根据步骤S8得到的待测件缺陷深度d和步骤S6得到的修正系数与缺陷深度的关系曲线KD＝f(D)得到拟合曲线读取修正系数Kd；
S10、计算得到待测件的缺陷尺寸；
根据步骤S5中得到的待测件缺陷的轮廓像素个数为nx和步骤S9中的修正系数Kd，根据缺陷尺寸模型，得到待测件的缺陷尺寸：
Lx＝Kd*nx (8)
其中，Lx为待测件的缺陷尺寸，Kd为缺陷深度为d时的修正系数，nx为待测件缺陷的轮廓像素个数。
2.根据权利要求1所述的碳纤维层压板红外热成像缺陷尺寸检测方法，其特征在于：所述步骤S6采用基准标定法得到缺陷尺寸修正系数，拟合得到修正系数与深度的关系曲线KD＝f(D)；具体为；
对于缺陷Hi(Di，Li)根据步骤5中获得的轮廓像素个数nx，得到修正系数KDi：
其中，KDi为缺陷深度为Di时的修正系数，nx为轮廓像素个数；Li为缺陷尺寸；
分别计算不同缺陷深度的修正系数KD1，KD2，…，KDi，…，KDN，根据修正系数KDi和缺陷深度Di的值，拟合得到修正系数与缺陷深度的关系曲线KD＝f(D)。
3.根据权利要求1所述的碳纤维层压板红外热成像缺陷尺寸检测方法，其特征在于：所述步骤S1中的模拟缺陷试块为平底孔型缺陷，采用游标卡尺进行缺陷的尺寸与深度测量，测量结果作为平底孔试块的缺陷尺寸基准。
4.根据权利要求1所述的碳纤维层压板红外热成像缺陷尺寸检测方法，其特征在于：所述步骤S2还包括：
对检测工件表面影响检测的反光介质进行遮挡。
5.根据权利要求1所述的碳纤维层压板红外热成像缺陷尺寸检测方法，其特征在于：所述步骤S5中对保存的缺陷最优图像进行降噪和图像增强处理、阈值分割、以及边缘提取的数据处理具体算法为；
对保存的缺陷最优图像进行降噪和增强处理，采用直方图均衡算法、图像滤波技术，平稳小波变换技术或Retinex算法；
对降噪增强图像进行阈值分割处理得到阈值分割图像，采用Huang算法、Ostu算法、Shanbhag算法，Triangle算法或Yen算法；
对阈值分割图像进行图像边缘提取，边缘检测法采用Canny算子得到阈值分割图像中缺陷的边缘特征图，提取缺陷边缘轮廓，并确定缺陷的轮廓像素个数为nx。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357421.XA CN112991319B (zh) | 2021-04-01 | 2021-04-01 | 碳纤维层压板红外热成像缺陷尺寸检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357421.XA CN112991319B (zh) | 2021-04-01 | 2021-04-01 | 碳纤维层压板红外热成像缺陷尺寸检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112991319A CN112991319A (zh) | 2021-06-18 |
| CN112991319B true CN112991319B (zh) | 2021-11-16 |
Family
ID=76338875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110357421.XA Active CN112991319B (zh) | 2021-04-01 | 2021-04-01 | 碳纤维层压板红外热成像缺陷尺寸检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991319B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091620B (zh) * | 2021-12-01 | 2022-06-03 | 常州市宏发纵横新材料科技股份有限公司 | 一种模板匹配检测方法、计算机设备及存储介质 |
| CN114487015B (zh) * | 2022-02-14 | 2023-07-14 | 首都师范大学 | 方波热成像测量低热导率材料内部缺陷深度的方法 |
| CN115272307B (zh) * | 2022-09-26 | 2022-12-30 | 无锡日联科技股份有限公司 | 合金型温度保险丝的缺陷检测方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103148799A (zh) * | 2013-01-30 | 2013-06-12 | 首都师范大学 | 基于对数一阶微分峰值法的缺陷深度测量方法 |
| CN105606619A (zh) * | 2016-01-19 | 2016-05-25 | 北京鼎新时代科技有限公司 | 一种铸坯修磨机的检测及优化修磨方法 |
| CN110749300A (zh) * | 2019-10-30 | 2020-02-04 | 中国航空制造技术研究院 | 激光冲击强化金属材料表面的凹坑质量评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102842116B (zh) * | 2012-06-30 | 2014-12-31 | 南京汇兴博业数字设备有限公司 | 图像内快速响应矩阵码的光照均衡处理方法 |
| CN103630543B (zh) * | 2013-10-23 | 2015-10-21 | 航天材料及工艺研究所 | 一种利用脉冲红外热波检测吸波涂层缺陷的判定方法 |
-
2021
- 2021-04-01 CN CN202110357421.XA patent/CN112991319B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103148799A (zh) * | 2013-01-30 | 2013-06-12 | 首都师范大学 | 基于对数一阶微分峰值法的缺陷深度测量方法 |
| CN105606619A (zh) * | 2016-01-19 | 2016-05-25 | 北京鼎新时代科技有限公司 | 一种铸坯修磨机的检测及优化修磨方法 |
| CN110749300A (zh) * | 2019-10-30 | 2020-02-04 | 中国航空制造技术研究院 | 激光冲击强化金属材料表面的凹坑质量评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991319A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991319B (zh) | 碳纤维层压板红外热成像缺陷尺寸检测方法 | |
| US9464891B2 (en) | Method for measuring thickness by pulsed infrared thermal wave technology | |
| CN108072337B (zh) | 一种考虑缺陷尺寸情况下的物体缺陷深度的测量方法 | |
| CN110391015B (zh) | 一种基于影像组学量化肿瘤免疫状态的方法 | |
| US20110299752A1 (en) | Method for implementing depth deconvolution algorithm for enhanced thermal tomography 3d imaging | |
| CN112489016B (zh) | 复合材料缺陷热影像图的局部敏感判别分析方法 | |
| CN112837294B (zh) | 基于卷积自编码器图像扩增的热成像缺陷检测方法 | |
| US11249039B2 (en) | Method of measuring depth of defects in large-scale wind turbine blade using infrared thermography | |
| CN112669460B (zh) | 一种工件缺陷检测方法、系统及计算机可读存储介质 | |
| Daryabor et al. | Image fusion of ultrasonic and thermographic inspection of carbon/epoxy patches bonded to an aluminum plate | |
| CN108444921A (zh) | 一种基于信号相关分析的增材制造构件在线检测方法 | |
| Zhang et al. | Intelligent defect detection method for additive manufactured lattice structures based on a modified YOLOv3 model | |
| CN108061697B (zh) | 土体三维孔隙率计算方法 | |
| CN109427049B (zh) | 一种涂层缺陷的检测方法 | |
| EP1852697B1 (en) | Method for determing material parameters of an object from temperature-versus-time (t-t) data | |
| CN113884538A (zh) | 大型风力机叶片内部微小缺陷的红外热像检测方法 | |
| CN113030182B (zh) | 基于温度-位置曲线分析的热异常尺寸测量方法及装置 | |
| CN115115578B (zh) | 一种增材制造过程中的缺陷检测方法及系统 | |
| CN115931915A (zh) | 一种耦合红外热像的复合材料分层缺陷微波检测方法 | |
| CN110880170A (zh) | 一种复合材料缺陷的深度预测方法 | |
| Jayasudha et al. | Weld defect segmentation and feature extraction from the acquired phased array scan images | |
| Wronkowicz et al. | Enhancement of damage identification in composite structures with self-heating based vibrothermography | |
| Chen et al. | In-situ volumetric topography of IC chips for defect detection using infrared confocal measurement with active structured light | |
| Zöcke et al. | Reconstruction of the defect shape from lock-in thermography phase images | |
| WO2020208180A1 (en) | Method for examining a coating of a probe surface |
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 |