CN113298766A - 一种基于图像识别的金属腐蚀损伤定量评价方法 - Google Patents
一种基于图像识别的金属腐蚀损伤定量评价方法 Download PDFInfo
- Publication number
- CN113298766A CN113298766A CN202110547289.9A CN202110547289A CN113298766A CN 113298766 A CN113298766 A CN 113298766A CN 202110547289 A CN202110547289 A CN 202110547289A CN 113298766 A CN113298766 A CN 113298766A
- Authority
- CN
- China
- Prior art keywords
- damage
- corrosion
- metal
- influence
- image
- 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
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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种基于图像识别的金属腐蚀损伤定量评价方法,其包括步骤有:采集金属所在载体的腐蚀图像;获取腐蚀图像中包括损伤类型A、损伤面积B、损伤程度C的图像特征并数字化;利用BP神经网络及数据统计反向分析对该损伤类型A、损伤面积B、损伤程度C进行分析,得出腐蚀损伤对力学性能影响D并数字化;以损伤类型A、损伤面积B、损伤程度C、腐蚀损伤对力学性能影响D作为评价指标,采用专家咨询法获取每个评价指标的权重值ωA、ωB、ωC、ωD,根据公式W=AωA+BωB+CωC+DωD计算金属腐蚀损伤综合量值W,确定金属损伤综合等级。根据图像识别对不同腐蚀损伤进行综合评估,能有效帮助工程人员确定设备或产品的健康状态,消除检测结果的人为误差和降低检测人员的工作强度。
Description
技术领域
本发明涉及一种基于图像识别的金属腐蚀损伤定量评价方法,属于环境损伤评价技术领域。
背景技术
金属材料在各种产品上应用广泛,但其暴露在复杂多样环境中会逐渐产生腐蚀。腐蚀损伤不仅会使金属表观形貌发生变化,还会导致金属结构力学性能劣变,从而破坏设备或产品,甚至产生安全事故。及时掌握金属材料的腐蚀状态,评估腐蚀对结构性能产生的影响,诊断设备或产品建康状态,以便进行有效的腐蚀防护。
传统的金属腐蚀损伤定量评估主要通过腐蚀失重速率、腐蚀深度、力学性能损失等参数进行评估,对应的方法有失重法、金相法、力学性能测试法等,但这几种方法均需要对金属构件进行破坏性检测,不适用已作为设备或产品中使用的金属材料。非破坏性的金属腐蚀状态评估主要有人工检测法、场图像法、激光全息及射线等无损检测法、电化学阻抗及噪声法等。人工检测法依靠个人经验对金属腐蚀形貌特征进行描述并判断腐蚀等级,但由于人的主观差异性大,缺乏统一的标准,人工强度大,效率低,检测效果较为粗糙。场图像法原理是将探头或电极焊接在待测金属构件上,然后测量通过金属结构的电场的微小变化检测金属构件腐蚀损伤。但很多设备或产品基于安全性考虑,不允许安装额外的探头或电极。电化学阻抗及噪声等方法需要取样和较稳定的测试条件,数据分析对测试人员水平要求高。
随着图像识别技术的逐渐成熟,图像识别技术逐渐应用于环境损伤评价领域。专利申请号ZL201911318472.0、专利名称为一种基于图像处理技术的金属或涂层腐蚀检测方法,提出了运用计算机自动识别试样表面形貌,根据二值图像特征进行腐蚀等级评定;专利申请号ZL201910309042.6、专利名称为一种金属腐蚀状态的评估方法,提出了根据腐蚀图像的色度学特征量和形貌纹理特征量进行电力设备金属腐蚀程度的评估方法。但这些方法中并没有明确如何根据图像特征进行损伤评估。
而GB/T 6461-2002《金属基体上金属和其他无机覆盖层经腐蚀实验台的试样和试件的评级》仅描述了金属覆盖层的腐蚀形态,给了少量腐蚀等级评定参照照片。
综上可知,暂未有方法或标准指导基于图像识别如何对金属腐蚀损伤进行综合定量评估。
发明内容
针对上述现有技术中的不足之处,本发明提出一种基于图像识别的金属腐蚀损伤定量评价方法,在实际应用中能够根据图像识别结果,对不同腐蚀损伤进行综合评估,能有效帮助工程人员确定设备或产品的健康状态,消除检测结果的人为误差和降低检测人员的工作强度。
为了实现上述目的,本发明的技术方案:一种基于图像识别的金属腐蚀损伤定量评价方法,其包括步骤有:采集金属所在载体的腐蚀图像;获取腐蚀图像中包括损伤类型A、损伤面积B、损伤程度C的图像特征并数字化;利用BP 神经网络及数据统计反向分析对该损伤类型A、损伤面积B、损伤程度C进行分析,得出腐蚀损伤对力学性能影响D并数字化;以损伤类型A、损伤面积B、损伤程度C、腐蚀损伤对力学性能影响D作为评价指标,采用专家咨询法获取每个评价指标的权重值ωA、ωB、ωC、ωD,根据公式W=AωA+BωB+CωC+DωD计算金属腐蚀损伤综合量值W,确定金属损伤综合等级。
所述采集金属所在载体的腐蚀图像分别包括有:
采集金属所在载体的彩色腐蚀图像,及金属所在载体的零腐蚀时的空白对比图像。
所述损伤类型A的数字化表征如下:
损伤类型A包括有蚀点、蚀坑、蚀坑+流痕、蚀坑+腐蚀产物、剥蚀五个类型,对于局部腐蚀为主的金属腐蚀,蚀点,A=1;蚀坑,A=3,蚀坑+流痕,A=4;蚀坑+腐蚀产物,A=7;剥蚀,A=10;对于均匀腐蚀为主的金属腐蚀,蚀坑,A=1;蚀坑+流痕,A=4;蚀坑+腐蚀产物,A=7;剥蚀,A=10。
所述损伤面积B数字化以腐蚀损伤面积占评价面积的百分比为依据进行表征,占比0~0.1%,B=1;占比0.1%~0.25%,B=2;占比0.25%~0.5%,B=3;占比0.5%~1.0%,B=4;占比1.0%~2.5%,B=5;占比2.5%~5%,B=6;占比5%~ 10%,B=7;占比10%~25%,B=8;占比25%~50%,B=9;占比50%以上,B=10。
所述损伤程度C的数字化表征如下:
损伤程度包括极轻微、轻微、轻微偏中度、中度、中度偏重度、重度、极严重七个等级,其中,极轻微,C=1;轻微,C=2;轻微偏中度,C=3;中度,C=4;中度偏重度,C=6;重度,C=8;极严重,C=10。
所述利用BP神经网络及数据统计反向分析对该损伤类型A、损伤面积B、损伤程度C进行分析,得出腐蚀损伤对力学性能影响D并数字化,包括步骤有:
统计载体的力学抗拉强度、断后伸长率及保持率作为参数进行已有力学性能影响程度数据,并对应划分损伤对力学性能的影响等级,建立完整的已有损伤对力学性能影响等级数据库;
基于该已有损伤对力学性能影响等级数据库,利用图像特征的损伤类型A、损伤面积B、损伤程度C,采用BP神经网络分析已有力学性能影响程度数据或损伤对力学性能影响等级与损伤类型A、损伤面积B、损伤程度C之间的相关关系,反向分析确定腐蚀损伤对力学性能影响D。
同一腐蚀图像中含有两种及以上明显损伤类型时,损伤类型A数字表征等级向腐蚀严重的上一个档次靠达。
本发明的有益效果:本发明基于图像识别技术通过结合人工检测经验、图像识别技术,运用计算机自动识别试样表面形貌,达到快速、准确地对金属腐蚀检测等级的评定,避免人因疲劳和受主观因素影响等带来的误判,消除检测结果的人为误差和降低检测人员的工作强度。
具体实施方式
下面结合具体实施例来进一步详细说明本发明。
一种基于图像识别的金属腐蚀损伤定量评价方法,其包括步骤有:采集金属所在载体的腐蚀图像;获取腐蚀图像中包括损伤类型A、损伤面积B、损伤程度C的图像特征并数字化;利用BP神经网络及数据统计反向分析对该损伤类型 A、损伤面积B、损伤程度C进行分析,得出腐蚀损伤对力学性能影响D并数字化;以损伤类型A、损伤面积B、损伤程度C、腐蚀损伤对力学性能影响D作为评价指标,采用专家咨询法获取每个评价指标的权重值ωA、ωB、ωC、ωD,根据公式W=AωA+BωB+CωC+DωD计算金属腐蚀损伤综合量值W,确定金属损伤综合等级。
具体地,选择已采集的金属材料的彩色腐蚀图像和空白对比图像,利用图像二值分割、卷积神经网络、语义分割网络方法获取金属腐蚀损伤的图像特征,包括腐蚀损伤类型、腐蚀损伤面积和腐蚀损伤程度等图像特征。
其中,腐蚀损伤类型分为蚀点、蚀坑、蚀坑+流痕、蚀坑+腐蚀产物、剥蚀五种类型。
将获取的腐蚀损伤类型图像特征进行数字化表征,用字母A表示腐蚀损伤类型,具体根据表1进行划分。
表1金属腐蚀损伤类型的数字等级
当图像识别出的同一张图像中含有两种及以上明显损伤类型时,应遵循“就高不就低”原则确定腐蚀损伤类型数字等级,即腐蚀损伤类型数字等级向腐蚀严重的上一个档次靠达。例如,腐蚀图像中含有蚀坑+腐蚀产物、剥蚀两种类型,根据“就高不就低”原则,该图像的腐蚀损伤类型数字等级为A=10。
当图像识别出的表观损伤类型介于两种损伤类型之间时,其数字等级也应介于两个等级之间。
基于图像识别获取腐蚀损伤面积图像特征,即获取腐蚀损伤面积占评价面积或图像面积的百分比,用字母S表示腐蚀损伤面积占比。
将获取的腐蚀损伤面积图像特征进行数字化表征。以识别出的腐蚀损伤面积占评价面积的百分比为依据,用字母B表示腐蚀损伤面积的数字等级,具体根据表2进行数字等级划分。
表2金属腐蚀损伤面积的数字等级
腐蚀损伤面积S/% | 损伤等级B |
无缺陷 | 0 |
0<S≤0.1 | 1 |
0.1<S≤0.25 | 2 |
0.25<S≤0.5 | 3 |
0.5<S≤1.0 | 4 |
1.0<S≤2.5 | 5 |
2.5<S≤5.0 | 6 |
5.0<S≤10 | 7 |
10<S≤25 | 8 |
25<S≤50 | 9 |
50<S | 10 |
基于图像识别获取金属腐蚀损伤程度图像特征,损伤程度分为极轻微、轻微、轻微偏中度、中度、中度偏重度、重度、极严重七个等级。
将获取的腐蚀损伤程度图像特征进行数字化表征,用字母C表示腐蚀损伤程度,具体根据表3进行划分:
表3金属腐蚀损伤程度的数字等级
金属腐蚀损伤程度C | 数字等级 |
极轻微 | 1 |
轻微 | 2 |
轻微偏中度 | 3 |
中度 | 4 |
中度偏严重 | 6 |
重度 | 8 |
极严重 | 10 |
用字母D表示腐蚀损伤对力学性能的影响性,并基于已有力学性能数据统计划分等级,具体见表4。
表4表观损伤对材料性能的影响等级
基于已有的损伤对力学性能影响等级数据,已有的金属腐蚀损伤类型、损伤面积和损伤程度等图像特征数据,采用BP神经网络分析已有力学性能影响程度数据或损伤对力学性能影响等级与金属腐蚀损伤类型、损伤面积和损伤程度之间的相关关系,用Q表示金属腐蚀对力学性能的影响值,得到公式
Q=f(A,B,C)
以铝合金为例,采用BP神经网络分析,损伤类型、损伤面积和损伤程度对于金属腐蚀损伤对力学性能影响性的贡献程度分别约为0.4、0.2、0.2,则Q的表达形式如下公式
Q=0.4A+0.2B+0.2C
基于金属腐蚀损伤类型、损伤面积和损伤程度等图像特征数字化等级,计算Q值,根据Q值,参照表5划分金属腐蚀损伤对力学性能的影响等级。
表5表观损伤对材料性能的影响等级
Q的计算值(Q=f(A,B,C) | 损伤对力学性能的影响等级(D) |
Q<3 | 0 |
5>Q≥3 | 1 |
6>Q≥5 | 2 |
7>Q≥6 | 3 |
8>Q≥7 | 4 |
Q≥8 | 5 |
选定腐蚀损伤类型、损伤面积、损伤程度和腐蚀损伤对力学性能的影响作为评价指标,采用专家咨询法获取每个评价指标的权重值ωA、ωB、ωC、ωD。
通过公式
W=AωA+BωB+CωC+DωD
计算金属腐蚀损伤综合量值W,并根据该金属腐蚀损伤综合量值W评估金属材料健康状态。
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只适用于帮助理解本发明实施例的原理;同时,对于本领域的一般技术人员,依据本发明实施例,在具体实施方式以及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于图像识别的金属腐蚀损伤定量评价方法,其特征在于:包括步骤有:采集金属所在载体的腐蚀图像;获取腐蚀图像中包括损伤类型A、损伤面积B、损伤程度C的图像特征并数字化;利用BP神经网络及数据统计反向分析对该损伤类型A、损伤面积B、损伤程度C进行分析,得出腐蚀损伤对力学性能影响D并数字化;以损伤类型A、损伤面积B、损伤程度C、腐蚀损伤对力学性能影响D作为评价指标,采用专家咨询法获取每个评价指标的权重值ωA、ωB、ωC、ωD,根据公式W=AωA+BωB+CωC+DωD计算金属腐蚀损伤综合量值W,确定金属损伤综合等级。
2.根据权利要求1所述一种基于图像识别的金属腐蚀损伤定量评价方法,其特征在于:所述采集金属所在载体的腐蚀图像分别包括有:
采集金属所在载体的彩色腐蚀图像,及金属所在载体的零腐蚀时的空白对比图像。
3.根据权利要求1所述一种基于图像识别的金属腐蚀损伤定量评价方法,其特征在于:所述损伤类型A的数字化表征如下:
损伤类型A包括有蚀点、蚀坑、蚀坑+流痕、蚀坑+腐蚀产物、剥蚀五个类型,对于局部腐蚀为主的金属腐蚀,蚀点,A=1;蚀坑,A=3,蚀坑+流痕,A=4;蚀坑+腐蚀产物,A=7;剥蚀,A=10;对于均匀腐蚀为主的金属腐蚀,蚀坑,A=1;蚀坑+流痕,A=4;蚀坑+腐蚀产物,A=7;剥蚀,A=10。
4.根据权利要求1所述一种基于图像识别的金属腐蚀损伤定量评价方法,其特征在于:所述损伤面积B数字化以腐蚀损伤面积占评价面积的百分比为依据进行表征,占比0~0.1%,B=1;占比0.1%~0.25%,B=2;占比0.25%~0.5%,B=3;占比0.5%~1.0%,B=4;占比1.0%~2.5%,B=5;占比2.5%~5%,B=6;占比5%~10%,B=7;占比10%~25%,B=8;占比25%~50%,B=9;占比50%以上,B=10。
5.根据权利要求1所述一种基于图像识别的金属腐蚀损伤定量评价方法,其特征在于:所述损伤程度C的数字化表征如下:
损伤程度包括极轻微、轻微、轻微偏中度、中度、中度偏重度、重度、极严重七个等级,其中,极轻微,C=1;轻微,C=2;轻微偏中度,C=3;中度,C=4;中度偏重度,C=6;重度,C=8;极严重,C=10。
6.根据权利要求1所述一种基于图像识别的金属腐蚀损伤定量评价方法,其特征在于:所述利用BP神经网络及数据统计反向分析对该损伤类型A、损伤面积B、损伤程度C进行分析,得出腐蚀损伤对力学性能影响D并数字化,包括步骤有:
统计载体的力学抗拉强度、断后伸长率及保持率作为参数进行已有力学性能影响程度数据,并对应划分损伤对力学性能的影响等级,建立完整的已有损伤对力学性能影响等级数据库;
基于该已有损伤对力学性能影响等级数据库,利用图像特征的损伤类型A、损伤面积B、损伤程度C,采用BP神经网络分析已有力学性能影响程度数据或损伤对力学性能影响等级与损伤类型A、损伤面积B、损伤程度C之间的相关关系,反向分析确定腐蚀损伤对力学性能影响D。
7.根据权利要求3所述一种基于图像识别的金属腐蚀损伤定量评价方法,其特征在于:同一腐蚀图像中含有两种及以上明显损伤类型时,损伤类型A数字表征等级向腐蚀严重的上一个档次靠达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547289.9A CN113298766B (zh) | 2021-05-19 | 2021-05-19 | 一种基于图像识别的金属腐蚀损伤定量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547289.9A CN113298766B (zh) | 2021-05-19 | 2021-05-19 | 一种基于图像识别的金属腐蚀损伤定量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298766A true CN113298766A (zh) | 2021-08-24 |
CN113298766B CN113298766B (zh) | 2022-06-07 |
Family
ID=77322804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547289.9A Active CN113298766B (zh) | 2021-05-19 | 2021-05-19 | 一种基于图像识别的金属腐蚀损伤定量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298766B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723814A (zh) * | 2021-08-31 | 2021-11-30 | 中国兵器科学研究院 | 一种装备人员损伤程度确定方法、装置、设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020072878A1 (en) * | 2000-02-01 | 2002-06-13 | Kabushiki Kaisha Toshiba | Deterioration diagnostic method and equipment thereof |
JP2007085733A (ja) * | 2005-09-16 | 2007-04-05 | Nisshin Kogyo Kk | 圧電インピーダンス測定法を用いた構造物健全度評価システムおよび構造物健全度評価方法 |
JP2007127451A (ja) * | 2005-11-01 | 2007-05-24 | Nikon Corp | メタリック塗装表面評価方法および装置並びに評価基準標本 |
US20090006130A1 (en) * | 2007-06-27 | 2009-01-01 | Wellnomics Limited | System, method and apparatus for comparing injury risk assessments |
CN103115789A (zh) * | 2013-01-17 | 2013-05-22 | 西安交通大学 | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 |
CN104076079A (zh) * | 2013-03-26 | 2014-10-01 | 中国兵器工业第五九研究所 | 一种多层涂层体系临界腐蚀损伤的快速评价方法 |
US20170328878A1 (en) * | 2016-05-13 | 2017-11-16 | Chinese Research Academy Of Environmental Sciences | Rating evaluation method for groundwater pollution source intensity |
CN109284901A (zh) * | 2018-08-24 | 2019-01-29 | 国网山东省电力公司电力科学研究院 | 一种输电塔线的金属监督评价方法 |
CN109520913A (zh) * | 2018-11-22 | 2019-03-26 | 广西电网有限责任公司电力科学研究院 | 一种在役输电线路杆塔及金属构架腐蚀状态的评估方法 |
CN110009632A (zh) * | 2019-04-17 | 2019-07-12 | 国网重庆市电力公司电力科学研究院 | 一种金属腐蚀状态的评估方法、装置和设备 |
CN111028229A (zh) * | 2019-12-19 | 2020-04-17 | 中国特种飞行器研究所 | 一种基于图像处理技术的金属或涂层腐蚀检测方法 |
CN112161914A (zh) * | 2020-09-22 | 2021-01-01 | 上海市建筑科学研究院有限公司 | 一种城市污水环境防腐涂层体系的适应性评估方法 |
CN112395696A (zh) * | 2020-12-04 | 2021-02-23 | 中航通飞华南飞机工业有限公司 | 水陆两栖飞机涉水结构环境损伤等级与定检间隔分析方法 |
CN112649354A (zh) * | 2021-01-13 | 2021-04-13 | 西南石油大学 | 一种多传感器测量金属管道腐蚀的综合评价方法 |
-
2021
- 2021-05-19 CN CN202110547289.9A patent/CN113298766B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020072878A1 (en) * | 2000-02-01 | 2002-06-13 | Kabushiki Kaisha Toshiba | Deterioration diagnostic method and equipment thereof |
JP2007085733A (ja) * | 2005-09-16 | 2007-04-05 | Nisshin Kogyo Kk | 圧電インピーダンス測定法を用いた構造物健全度評価システムおよび構造物健全度評価方法 |
JP2007127451A (ja) * | 2005-11-01 | 2007-05-24 | Nikon Corp | メタリック塗装表面評価方法および装置並びに評価基準標本 |
US20090006130A1 (en) * | 2007-06-27 | 2009-01-01 | Wellnomics Limited | System, method and apparatus for comparing injury risk assessments |
CN103115789A (zh) * | 2013-01-17 | 2013-05-22 | 西安交通大学 | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 |
CN104076079A (zh) * | 2013-03-26 | 2014-10-01 | 中国兵器工业第五九研究所 | 一种多层涂层体系临界腐蚀损伤的快速评价方法 |
US20170328878A1 (en) * | 2016-05-13 | 2017-11-16 | Chinese Research Academy Of Environmental Sciences | Rating evaluation method for groundwater pollution source intensity |
CN109284901A (zh) * | 2018-08-24 | 2019-01-29 | 国网山东省电力公司电力科学研究院 | 一种输电塔线的金属监督评价方法 |
CN109520913A (zh) * | 2018-11-22 | 2019-03-26 | 广西电网有限责任公司电力科学研究院 | 一种在役输电线路杆塔及金属构架腐蚀状态的评估方法 |
CN110009632A (zh) * | 2019-04-17 | 2019-07-12 | 国网重庆市电力公司电力科学研究院 | 一种金属腐蚀状态的评估方法、装置和设备 |
CN111028229A (zh) * | 2019-12-19 | 2020-04-17 | 中国特种飞行器研究所 | 一种基于图像处理技术的金属或涂层腐蚀检测方法 |
CN112161914A (zh) * | 2020-09-22 | 2021-01-01 | 上海市建筑科学研究院有限公司 | 一种城市污水环境防腐涂层体系的适应性评估方法 |
CN112395696A (zh) * | 2020-12-04 | 2021-02-23 | 中航通飞华南飞机工业有限公司 | 水陆两栖飞机涉水结构环境损伤等级与定检间隔分析方法 |
CN112649354A (zh) * | 2021-01-13 | 2021-04-13 | 西南石油大学 | 一种多传感器测量金属管道腐蚀的综合评价方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723814A (zh) * | 2021-08-31 | 2021-11-30 | 中国兵器科学研究院 | 一种装备人员损伤程度确定方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113298766B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | material degradation assessed by digital image processing: Fundamentals, progresses, and challenges | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN109799195B (zh) | 一种激光诱导击穿光谱的高精度定量分析方法 | |
CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
CN105300323A (zh) | 绝缘子rtv涂层脱落面积检测方法及检测装置 | |
CN110441305B (zh) | 一种二次喷丸的表面覆盖率检验方法 | |
CN113298766B (zh) | 一种基于图像识别的金属腐蚀损伤定量评价方法 | |
Wang et al. | Quantitative evaluation of pit sizes for high strength steel: Electrochemical noise, 3-D measurement, and image-recognition-based statistical analysis | |
CN109712141A (zh) | 连铸钢方坯中心偏析缺陷检验量化评级方法 | |
Hu et al. | Detection of diatoms in water and tissues by combination of microwave digestion, vacuum filtration and scanning electron microscopy | |
CN111579637B (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 | |
CN113884430A (zh) | 一种基于图像识别的金属腐蚀程度的综合评价方法及装置 | |
CN115901615A (zh) | 一种评价金属有机涂层湿附着力大小的方法 | |
CN114594118A (zh) | 基于微束x射线荧光的铝合金组织显微偏析定量表征方法 | |
CN113008669B (zh) | 一种动态监测裂纹尖端应力强度因子的方法 | |
Tao et al. | Image analysis of atmospheric corrosion of field exposure high strength aluminium alloys | |
CN111624151A (zh) | 一种紧固件自然大气环境试验可靠性评价方法 | |
CN109580464B (zh) | 一种检测评价电网设备涂层质量的方法 | |
CN116881530A (zh) | 一种基于深度学习的器件表面缺陷检测系统 | |
CN115760956A (zh) | 高碳铬轴承钢不同级别碳化物带状图像的定量评级方法 | |
CN114609028A (zh) | 一种有机涂层耐蚀性原位检测的便携式装置及方法 | |
CN115541483A (zh) | 金属材料海洋大气环境-弹性拉伸应力交互作用试验方法 | |
CN114298983A (zh) | 一种防腐层缺陷智能识别与测量方法 | |
Qian et al. | Corrosion damage assessment of AerMet100 steel based on image analysis | |
JPH1019826A (ja) | 金属材質の腐食測定装置 |
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 |