CN113446932A - 非接触式裂纹测量方法及其系统 - Google Patents
非接触式裂纹测量方法及其系统 Download PDFInfo
- Publication number
- CN113446932A CN113446932A CN202110539059.8A CN202110539059A CN113446932A CN 113446932 A CN113446932 A CN 113446932A CN 202110539059 A CN202110539059 A CN 202110539059A CN 113446932 A CN113446932 A CN 113446932A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- tip
- length
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000000691 measurement method Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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
- G01N2021/8887—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 based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开一种非接触式裂纹测量方法及其系统,其中所述方法包括:采集不同时刻下的裂纹序列图片;利用预先建立的裂纹特征模板对所述裂纹序列图片进行裂纹位置初定位处理;根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标;根据裂纹尖端的位置坐标,利用预先标定长度的标尺标定结果及确定的裂纹扩展方向,确定所述裂纹序列图片中裂纹的长度。通过本申请能够有效提高对含干扰结构表面裂纹检测的适用性,本申请具有适用范围广、可操作性强、实时性高、测量精度高等优点。
Description
技术领域
本发明涉及表面裂纹测量技术领域,尤其涉及一种非接触式裂纹测量方法及其系统。
背景技术
裂纹是材料在应力或环境作用下产生的裂隙。裂纹是汽车零件,机械零件、金属材料中常见的缺陷之一。裂纹的检测方法有很多种,比如磁粉检测、渗透检测等方式。
现有的裂纹实时测量方法主要是通过断裂片进行测量,即在预期裂纹区域粘贴断裂片,当裂纹扩展至此位置后,断裂片断裂,通过电路采集到断裂片的断开响应从而表征裂纹的扩展。断裂片式裂纹测量方法,由于断裂片并不是裂纹尖端位置的实时响应,具有一定的滞后性,同时由于材料特性等的影响,每个断裂片的断裂时刻与裂纹尖端的扩展也并不一致,无法达到准确测量裂纹扩展长度及扩展速度的要求。
现有的基于视觉的裂纹测量方法都是解决含预制裂纹的小型标准件的裂纹监测问题。该类试样在实验前经过打磨和抛光处理,成像干扰少,简单的图像处理技术可以清晰的判断裂纹位置。非标准试样和复杂结构表面干扰信息数量多且复杂,已有的方法无法直接应用。
综上所述,现有技术主要是通过磁通等物理和化学方法测量材料的裂纹是否存在,通过物理化学量的大小反映裂纹的大小,并不直观且测量效率低下;手动式测量方法虽然可以根据裂纹的实际长度进行测量,但操作繁琐,无法满足裂纹扩展长度实时准确测量的要求;基于视觉的方法对非标准试样实现裂纹尖端精确定位和长度实时监测仍然比较困难。
发明内容
本发明的主要目的在于提供一种非接触式裂纹测量方法及其系统,以解决现有技术存在的无法实时准确测量裂纹的问题。
根据本发明的一个方面提出一种非接触式裂纹测量方法,其包括:采集不同时刻下的裂纹序列图片;利用预先建立的裂纹特征模板对所述裂纹序列图片进行裂纹位置初定位处理;根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标;根据裂纹尖端的位置坐标,利用预先标定长度的标尺标定结果及确定的裂纹扩展方向,确定所述裂纹序列图片中裂纹的长度。
其中,所述根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标的步骤,包括:利用图像阈值分割算法对初定位结果中含裂纹区域进行图像二值化,利用基于矩形结构元的图像形态学处理方法进行断裂裂纹连接,删除二值化图像中小于阈值的面积区域,进行裂纹尖端检测并定位其坐标。
其中,所述利用基于矩形结构元的图像形态学处理方法进行断裂裂纹连接的步骤,包括:结合裂纹的长条分布形状,设计矩形结构元,首先对二值化图像进行膨胀操作,然后对图像进行腐蚀操作,通过采用矩形结构元进行形态学闭运算实现裂纹断裂处的裂纹连接。
其中,所述进行裂纹尖端检测并定位其坐标的步骤,包括:检测二值化图像中灰度值为255的最右端的位置,并将该位置作为裂纹尖端。
其中,所述计算所述裂纹序列图片中裂纹的长度的步骤,包括:利用已标定长度的标尺刻度值及图像亚像素定位得到的图像像素值计算图像像素尺寸与实际物理尺寸间的对应关系,利用水平标尺与扩展方向平行的位置约束确定裂纹扩展方向;利用初始帧图像的裂纹尖端的位置坐标和当前帧图像的裂纹尖端的位置坐标,计算当前帧图像的裂纹的像素长度;根据图像像素尺寸与实际物理尺寸之间的关系和裂纹扩展方向,计算当当前帧图像的裂纹的实际长度。
根据本发明的另一方面还提出一种非接触式裂纹测量系统,其包括:
采集模块,用于采集不同时刻下的裂纹序列图片;裂纹位置初定位模块,用于利用预先建立的裂纹特征模板对所述裂纹序列图片进行裂纹位置初定位处理;裂纹尖端定位模块,用于根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标;裂纹长度确定模块,用于根据裂纹尖端的位置坐标,利用预先标定长度的标尺标定结果及确定的裂纹扩展方向,确定所述裂纹序列图片中裂纹的长度。
其中,所述裂纹尖端定位模块还用于,利用图像阈值分割算法对初定位结果中含裂纹区域进行图像二值化,利用基于矩形结构元的图像形态学处理方法进行断裂裂纹连接,删除二值化图像中小于阈值的面积区域,进行裂纹尖端检测并定位其坐标。
其中,所述裂纹尖端定位模块进一步用于,结合裂纹的长条分布形状,设计矩形结构元,首先对二值化图像进行膨胀操作,然后对图像进行腐蚀操作,通过采用矩形结构元进行形态学闭运算实现裂纹断裂处的裂纹连接。
其中,所述裂纹尖端定位模块进一步用于,检测二值化图像中灰度值为255的最右端的位置,并将该位置作为裂纹尖端。
其中,所述裂纹长度确定模块还用于,利用已标定长度的标尺刻度值及图像亚像素定位得到的图像像素值计算图像像素尺寸与实际物理尺寸间的对应关系,利用水平标尺与扩展方向平行的位置约束确定裂纹扩展方向;利用初始帧图像的裂纹尖端的位置坐标和当前帧图像的裂纹尖端的位置坐标,计算当前帧图像的裂纹的像素长度;根据图像像素尺寸与实际物理尺寸之间的关系和裂纹扩展方向,计算当当前帧图像的裂纹的实际长度。
根据本发明实施例提供了一种非接触式的、两步式的裂纹测量技术方案,通过利用建立的裂纹特征模板实现裂纹位置初定位、然后利用图像处理算法实现裂纹尖端的精确定位,有效提高对含干扰结构表面裂纹检测的适用性,本申请具有适用范围广、可操作性强、实时性高、测量精度高等优点。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明一个实施例的裂纹测量方法的流程图;
图2是根据本发明另一实施例的裂纹测量方法的流程图;
图3是根据本发明实施例的已标定长度的标尺的示意图;
图4是根据本发明实施例的裂纹尖端位置和裂纹扩展方向的示意图;
图5是根据本发明实施例的裂纹测量系统的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合附图,详细说明本发明各实施例提供的技术方案。
根据本发明实施例提供了一种裂纹测量方法,该方法基于光学测量的方式,属于一种非接触的裂纹测量方法。图1是根据本发明实施例的裂纹测量方法的流程图,如图1所示,该方法至少包括以下步骤:
步骤S102,采集不同时刻下的裂纹序列图片;
步骤S104,利用预先建立的裂纹特征模板对所述裂纹序列图片进行裂纹位置初定位处理;
步骤S106,根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标;具体地,利用图像阈值分割算法对初定位结果中含裂纹区域进行图像二值化处理得到二值化图像,结合裂纹的长条分布形状,设计矩形结构元,首先对二值化图像进行膨胀操作,然后对二值化图像进行腐蚀操作,通过采用矩形结构元进行形态学闭运算实现裂纹断裂处的裂纹连接;接着,删除二值化图像中面积小于阈值的面积区域,进行裂纹尖端检测并定位其坐标。
步骤S108,根据裂纹尖端的位置坐标,利用预先标定长度的标尺标定结果及确定的裂纹扩展方向,确定所述裂纹序列图片中裂纹的长度。
下面结合图2详细描述上述各处理的细节。
步骤S202,安装待测试样,选型并固定相机和镜头等组成的视觉系统。
将图像采集设备(例如相机)与电脑连接,可以使用有线(USB、GigE等)或无线(WIFI、蓝牙等)通信方式传输数据。设备连接后进行检查,确保数据可以正确返回。
将图像采集设备(例如相机)固定在被测物体前,使被测量物在设备的图像采集区域内,设备能够清晰地采集到被测量物的图像信息。在电脑中打开相机返回的实时图像信息,调节镜头焦距使所采集图像清晰。具体地,在设备安装过程中,要求在图像采集过程中相机不发生抖动,具体可以使用三脚架等设备将相机进行固定。
步骤S204,标定图像尺寸并与确定裂纹扩展方向。利用已标定长度的标尺标定图像像素尺寸和实际物理尺寸之间的关系,并确定裂纹扩展方向。本实施例中可使用十字型标尺进行像素尺寸标定。
所述的图像尺寸标定是指图像像素单位与实际测量试件物理尺寸的对应关系的标定。具体地,使用已知物理尺寸的十字标定尺(如图3所示)进行标定,将光学标定尺放置在相机图像采集区域内,保证刻度尺水平方向与裂纹扩展方向一致,根据光学标定尺的像素尺寸与其物理尺寸的对比关系,确定相机采集图像的像素长度与物理长度的比例系数,用水平标定尺图像坐标表示裂纹扩展方向。将已标定长度的标尺置于图像采集区域内,采集标尺图像利用标尺长度及标尺图像像素长度进行标定:
其中,Disobj为标定好的标尺物理长度,Disimg为标尺在图像中的像素长度,本实施例中使用已知圆心间距的圆形光学靶标作为标尺,将标尺在相机图像采集区域内摆放多个位置,取其K值平均值作为测量中的图像像素尺寸与实际物理尺寸之间的比例系数,本实施例中K=0.035mm/pixel。
步骤S206,采集不同时刻下的裂纹序列图片。
启动测量任务,调节相机,使相机拍摄的图像清晰,相机图像区域即为裂纹搜索区域。相机开始连续采集被测物的图像信息,将图像保存在计算机中。需要说明,在测量过程中要求相机不能发生移动。设置相机的采样频率为f,即每秒所采集图像的数量。本实施例中,可以设置图像采集帧率为每秒50帧,即采样频率为50Hz,两帧间的时间间隔为0.02秒。
步骤S208,对每一时刻裂纹图片进行裂纹位置初定位。
利用卷积神经网络训练好的裂纹特征模板实现裂纹初定位。其中裂纹特征模板在实验前已经建立,为已建立卷积神经网络的参数权重模型。本实施例中裂纹特征模型建立过程具体步骤如下:
(1)首先开展实验,收集各种工况和拍摄角度下含裂纹图片,共收集4928张裂纹图片;
(2)利用图片数据标注工具LabelImg标注每张图片中裂纹位置,生成后缀名为xml的文件,文件中主要包括图片名称信息和裂纹所在位置边框信息;
(3)将所有裂纹图片分为训练集和训练集,其中训练集为3928张,测试集为1000张;
(4)搭建裂纹检测卷积神经网络提取裂纹特征,卷积神经网络可以采用FasterRCNN、YOLO等目标检测框架或其改进版本,本实施例采用SSD网络模型实现裂纹训练集和测试集训练,提取裂纹特征模型;
步骤S210,采用图像处理算法实现裂纹尖端的精确定位。处理具体过程如下:
(1)首先利用图像阈值分割算法对初定位结果中含裂纹区域进行处理实现二值化,二值化公式如下式(2)所示,本实施例中采用的阈值为120。
(2)其次结合裂纹的长条分布形状,设计矩形结构元,对二值化图像进行形态学闭运算,实现裂纹断裂处的连接。形态学闭运算是首先对二值化图像进行膨胀操作,然后对二值化图像进行腐蚀操作,通过采用矩形结构元进行形态学闭运算可以保证不损伤裂纹结构的情况下实现裂纹断裂处的连接,本实施例中设计的矩形结构元尺寸为3*15;
(3)然后对二值化图像中的连通区域面积进行统计,并设置阈值删除面积小于阈值的区域,本实施例中采用的小面积阈值为50;
(4)最后检测裂纹尖端的位置并定位其坐标,裂纹尖端检测即检测二值化图像中最右端灰度值为255的位置;
步骤S212,参数计算,实现对序列图像裂纹尖端的定位,并计算裂纹长度和扩展速率。具体步骤如下:
(1)首先利用前述算法对当前时刻含裂纹图像进行裂纹尖端定位检测,并定位其坐标Pn(xn,yn);
(3)基于相机帧数及相机采样频率计算裂纹扩展速度,即V=(Li-Li-1)/△t,其中,Li为当前帧裂纹长度,Li-1为上一帧图像裂纹长度,△t为两帧时间间隔,即△t=1/f。
下面继续对下一帧裂纹图像进行处理,初定位裂纹位置,检测裂纹尖端并输出裂纹长度和速度,本实施例中能够实现0.035mm的裂纹检测精度,实现了实时、高精度的裂纹检测。
参考图5,是根据本申请实施例的非接触式裂纹测量系统的结构框图,其包括:
采集模块51,用于采集不同时刻下的裂纹序列图片;
裂纹位置初定位模块52,用于利用预先建立的裂纹特征模板对所述裂纹序列图片进行裂纹位置初定位处理;
裂纹尖端定位模块53,用于根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标;
裂纹长度确定模块54,用于根据裂纹尖端的位置坐标,利用预先标定长度的标尺标定结果及确定的裂纹扩展方向,确定所述裂纹序列图片中裂纹的长度。
继续参考图5,所述系统还包括:
裂纹扩展速度确定模块55,用于根据当前帧图像的裂纹的长度、上一帧图像的裂纹的长度、以及两帧图像的时间间隔,计算所述裂纹的扩展速度。
裂纹特征模板建立模块56,其用于收集多张含裂纹图片并制作数据集,标注每张图片中裂纹的位置;搭建卷积神经网络并训练,搭建裂纹检测卷积神经网络提取裂纹特征,获得卷积神经网络参数权重作为裂纹特征模板。
其中,所述裂纹尖端定位模块53还用于,利用图像阈值分割方法将图像二值化,利用基于矩形结构元的图像形态学处理方法进行断裂裂纹链接,删除二值化图像中小面积区域,进行裂纹尖端检测并定位其坐标,其中裂纹尖端检测即检测二值化图像中最右端灰度值为255的位置。
进一步,所述裂纹长度确定模块54还用于,利用已标定长度的标尺刻度值及图像亚像素定位得到的图像像素值计算图像像素尺寸与实际物理尺寸间的对应关系,利用水平标尺与扩展方向平行的位置约束确定裂纹扩展方向;利用初始帧图像的裂纹尖端的位置坐标和当前帧图像的裂纹尖端的位置坐标,计算当前帧图像的裂纹的像素长度;根据图像像素尺寸与实际物理尺寸之间的关系和裂纹扩展方向,计算当当前帧图像的裂纹的实际长度。
本发明的方法的操作步骤与系统的结构特征对应,可以相互参照,不再一一赘述。
通过本申请的上述的技术方案,至少具有以下优点:
(1)本发明利用视觉系统实现了裂纹长度的非接触测量,具有适用范围广、可操作性强、实时性高、测量精度高等优点;
(2)本发明利用已标定长度的标尺标定图像像素尺寸和实际物理尺寸,同时标定了裂纹扩展方向,可有效提高裂纹长度和扩展速率的测量精度;
(3)本发明设计两步法检测裂纹尖端位置,首先利用建立的裂纹特征模板实现裂纹位置初定位,然后利用图像处理算法实现裂纹尖端的精确定位,有效提高算法对含干扰结构表面裂纹检测的适用性;
(4)本发明设计裂纹尖端精确定位算法,首先将图像二值化,并设计矩形结构元对裂纹图像进行形态学算法处理,有效实现裂纹链接,然后通过小面积去除算法实现干扰信息的去除,有效实现了裂纹尖端的精确定位。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种非接触式裂纹测量方法,其特征在于,包括:
采集不同时刻下的裂纹序列图片;
利用预先建立的裂纹特征模板对所述裂纹序列图片进行裂纹位置的初定位处理;
根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标;
根据裂纹尖端的位置坐标,利用预先标定长度的标尺标定结果及确定的裂纹扩展方向,确定所述裂纹序列图片中裂纹的长度。
2.根据权利要求1所述的方法,其特征在于,所述根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标的步骤,包括:
利用图像阈值分割算法对初定位结果中含裂纹区域进行图像二值化,利用基于矩形结构元的图像形态学处理方法进行断裂裂纹连接,删除二值化图像中小于阈值的面积区域,进行裂纹尖端检测并定位其坐标。
3.根据权利要求2所述的方法,其特征在于,所述利用基于矩形结构元的图像形态学处理方法进行断裂裂纹连接的步骤,包括:
结合裂纹的长条分布形状,设计矩形结构元,首先对二值化图像进行膨胀操作,然后对图像进行腐蚀操作,通过采用矩形结构元进行形态学闭运算实现裂纹断裂处的裂纹连接。
4.根据权利要求2或3所述的方法,其特征在于,所述进行裂纹尖端检测并定位其坐标的步骤,包括:
检测二值化图像中灰度值为255的最右端的位置,并将该位置作为裂纹尖端。
5.根据权利要求1所述的方法,其特征在于,所述计算所述裂纹序列图片中裂纹的长度的步骤,包括:
利用已标定长度的标尺刻度值及图像亚像素定位得到的图像像素值计算图像像素尺寸与实际物理尺寸间的对应关系,利用水平标尺与扩展方向平行的位置约束确定裂纹扩展方向;
利用初始帧图像的裂纹尖端的位置坐标和当前帧图像的裂纹尖端的位置坐标,计算当前帧图像的裂纹的像素长度;
根据图像像素尺寸与实际物理尺寸之间的关系和裂纹扩展方向,计算当当前帧图像的裂纹的实际长度。
6.一种非接触式裂纹测量系统,其特征在于,包括:
采集模块,用于采集不同时刻下的裂纹序列图片;
裂纹位置初定位模块,用于利用预先建立的裂纹特征模板对所述裂纹序列图片进行裂纹位置的初定位处理;
裂纹尖端定位模块,用于根据裂纹位置初定位处理确定的裂纹位置,采用图像处理算法计算裂纹尖端的位置坐标;
裂纹长度确定模块,用于根据裂纹尖端的位置坐标,利用预先标定长度的标尺标定结果及确定的裂纹扩展方向,确定所述裂纹序列图片中裂纹的长度。
7.根据权利要求6所述的系统,其特征在于,所述裂纹尖端定位模块还用于,利用图像阈值分割算法对初定位结果中含裂纹区域进行图像二值化,利用基于矩形结构元的图像形态学处理方法进行断裂裂纹连接,删除二值化图像中小于阈值的面积区域,进行裂纹尖端检测并定位其坐标。
8.根据权利要求7所述的系统,其特征在于,所述裂纹尖端定位模块进一步用于,结合裂纹的长条分布形状,设计矩形结构元,首先对二值化图像进行膨胀操作,然后对图像进行腐蚀操作,通过采用矩形结构元进行形态学闭运算实现裂纹断裂处的裂纹连接。
9.根据权利要求7或8所述的系统,其特征在于,所述裂纹尖端定位模块进一步用于,检测二值化图像中灰度值为255的最右端的位置,并将该位置作为裂纹尖端。
10.根据权利要求6所述的系统,其特征在于,所述裂纹长度确定模块还用于,利用已标定长度的标尺刻度值及图像亚像素定位得到的图像像素值计算图像像素尺寸与实际物理尺寸间的对应关系,利用水平标尺与扩展方向平行的位置约束确定裂纹扩展方向;利用初始帧图像的裂纹尖端的位置坐标和当前帧图像的裂纹尖端的位置坐标,计算当前帧图像的裂纹的像素长度;根据图像像素尺寸与实际物理尺寸之间的关系和裂纹扩展方向,计算当当前帧图像的裂纹的实际长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539059.8A CN113446932A (zh) | 2021-05-18 | 2021-05-18 | 非接触式裂纹测量方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539059.8A CN113446932A (zh) | 2021-05-18 | 2021-05-18 | 非接触式裂纹测量方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113446932A true CN113446932A (zh) | 2021-09-28 |
Family
ID=77810049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110539059.8A Pending CN113446932A (zh) | 2021-05-18 | 2021-05-18 | 非接触式裂纹测量方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113446932A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839054A (zh) * | 2022-03-16 | 2022-08-02 | 徐州大成环境科技有限公司 | 一种基于人工智能的建筑材料强度检测方法及系统 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1550138A1 (ru) * | 1988-03-09 | 1990-03-15 | Кузбасский Политехнический Институт | Способ определени скорости развити трещины |
JP2000002523A (ja) * | 1998-06-18 | 2000-01-07 | Ohbayashi Corp | 構造物表面のひび割れ計測方法 |
CN101413901A (zh) * | 2008-12-01 | 2009-04-22 | 南京航空航天大学 | 基于ccd图像特征的表面疲劳裂纹检测方法 |
JP2011095178A (ja) * | 2009-10-30 | 2011-05-12 | Itochu Techno-Solutions Corp | き裂進展解析方法及びプログラム |
KR20110098127A (ko) * | 2010-02-26 | 2011-09-01 | 한국표준과학연구원 | 영상처리기법을 이용한 균열측정시스템의 역치값 보정을 위한 캘리브레이션 장치 및 방법 |
JP2012002531A (ja) * | 2010-06-14 | 2012-01-05 | Taisei Corp | ひび割れ検出方法 |
CN102565072A (zh) * | 2011-12-30 | 2012-07-11 | 重庆大学 | 拉伸铝合金板表面裂纹立体视觉在线检测方法 |
CN102692188A (zh) * | 2012-05-08 | 2012-09-26 | 浙江工业大学 | 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法 |
US20130034305A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack quantification |
CN104266900A (zh) * | 2014-10-13 | 2015-01-07 | 清华大学 | 一种基于高温图像处理的裂纹尖端张开位移测量方法 |
CN105842062A (zh) * | 2016-06-02 | 2016-08-10 | 江西洪都航空工业集团有限责任公司 | 一种裂纹扩展实时监测装置及方法 |
WO2017057363A1 (ja) * | 2015-10-01 | 2017-04-06 | 富士フイルム株式会社 | ひび割れ検出装置、ひび割れ検出方法、及びプログラム |
JP2017191041A (ja) * | 2016-04-14 | 2017-10-19 | 大成建設株式会社 | ひび割れ検出方法 |
JP6294529B1 (ja) * | 2017-03-16 | 2018-03-14 | 阪神高速技術株式会社 | ひび割れ検出処理装置、およびひび割れ検出処理プログラム |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN108760546A (zh) * | 2018-08-14 | 2018-11-06 | 湖南大学 | 一种基于红外热像技术的疲劳裂纹扩展速率测量方法 |
CN109444150A (zh) * | 2018-11-06 | 2019-03-08 | 西北工业大学 | 非接触式裂纹测量方法及其装置 |
CN110009606A (zh) * | 2019-03-22 | 2019-07-12 | 北京航空航天大学 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
CN110992346A (zh) * | 2019-09-17 | 2020-04-10 | 浙江工业大学 | 一种基于dip和dicm的疲劳裂纹长度在线检测方法 |
-
2021
- 2021-05-18 CN CN202110539059.8A patent/CN113446932A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1550138A1 (ru) * | 1988-03-09 | 1990-03-15 | Кузбасский Политехнический Институт | Способ определени скорости развити трещины |
JP2000002523A (ja) * | 1998-06-18 | 2000-01-07 | Ohbayashi Corp | 構造物表面のひび割れ計測方法 |
CN101413901A (zh) * | 2008-12-01 | 2009-04-22 | 南京航空航天大学 | 基于ccd图像特征的表面疲劳裂纹检测方法 |
JP2011095178A (ja) * | 2009-10-30 | 2011-05-12 | Itochu Techno-Solutions Corp | き裂進展解析方法及びプログラム |
KR20110098127A (ko) * | 2010-02-26 | 2011-09-01 | 한국표준과학연구원 | 영상처리기법을 이용한 균열측정시스템의 역치값 보정을 위한 캘리브레이션 장치 및 방법 |
JP2012002531A (ja) * | 2010-06-14 | 2012-01-05 | Taisei Corp | ひび割れ検出方法 |
US20130034305A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack quantification |
CN102565072A (zh) * | 2011-12-30 | 2012-07-11 | 重庆大学 | 拉伸铝合金板表面裂纹立体视觉在线检测方法 |
CN102692188A (zh) * | 2012-05-08 | 2012-09-26 | 浙江工业大学 | 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法 |
CN104266900A (zh) * | 2014-10-13 | 2015-01-07 | 清华大学 | 一种基于高温图像处理的裂纹尖端张开位移测量方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
WO2017057363A1 (ja) * | 2015-10-01 | 2017-04-06 | 富士フイルム株式会社 | ひび割れ検出装置、ひび割れ検出方法、及びプログラム |
JP2017191041A (ja) * | 2016-04-14 | 2017-10-19 | 大成建設株式会社 | ひび割れ検出方法 |
CN105842062A (zh) * | 2016-06-02 | 2016-08-10 | 江西洪都航空工业集团有限责任公司 | 一种裂纹扩展实时监测装置及方法 |
JP6294529B1 (ja) * | 2017-03-16 | 2018-03-14 | 阪神高速技術株式会社 | ひび割れ検出処理装置、およびひび割れ検出処理プログラム |
CN108760546A (zh) * | 2018-08-14 | 2018-11-06 | 湖南大学 | 一种基于红外热像技术的疲劳裂纹扩展速率测量方法 |
CN109444150A (zh) * | 2018-11-06 | 2019-03-08 | 西北工业大学 | 非接触式裂纹测量方法及其装置 |
CN110009606A (zh) * | 2019-03-22 | 2019-07-12 | 北京航空航天大学 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
CN110992346A (zh) * | 2019-09-17 | 2020-04-10 | 浙江工业大学 | 一种基于dip和dicm的疲劳裂纹长度在线检测方法 |
Non-Patent Citations (4)
Title |
---|
YINGTAO YUAN: "Crack Length Measurement Using Convolutional Neural Networks and Image Processing", SENSORS * |
张军峰;张博平;王海;司晓磊;赵娜;: "图像处理技术在疲劳裂纹长度测量中的应用", 航空工程进展, no. 04 * |
王清晨: "基于机器视觉的飞机板件裂纹测量系统的研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑) * |
高红俐;朱亚伦;郑欢斌;张兆年;: "机器视觉疲劳裂纹扩展试验裂纹测量系统标定方法", 浙江工业大学学报, no. 01 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839054A (zh) * | 2022-03-16 | 2022-08-02 | 徐州大成环境科技有限公司 | 一种基于人工智能的建筑材料强度检测方法及系统 |
CN114839054B (zh) * | 2022-03-16 | 2023-02-28 | 徐州大成环境科技有限公司 | 一种基于人工智能的建筑材料强度检测方法及系统 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117095004B (zh) * | 2023-10-20 | 2024-01-12 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Real‐time crack assessment using deep neural networks with wall‐climbing unmanned aerial system | |
Lins et al. | Automatic crack detection and measurement based on image analysis | |
CN104981105B (zh) | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 | |
CN102800096B (zh) | 一种摄像机参数的鲁棒性估计算法 | |
CN113446932A (zh) | 非接触式裂纹测量方法及其系统 | |
US11971961B2 (en) | Device and method for data fusion between heterogeneous sensors | |
CN114894642B (zh) | 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置 | |
CN110261052B (zh) | 采用力锤激励和摄影测量的结构振动模态分析系统及方法 | |
CN110276752B (zh) | 基于android系统的混凝土表面裂缝特征的APP检测方法 | |
KR101793262B1 (ko) | 균열의 발생 및 진행 분석 시스템 | |
WO2020093631A1 (zh) | 一种基于深度实例分割网络的天线下倾角测量方法 | |
CN113506327A (zh) | 一种断裂伸长率计算方法、装置及电子设备 | |
CN112540089A (zh) | 数字成像系统在混凝土桥梁裂缝检测和分析中的应用方法 | |
CN108335310B (zh) | 一种便携式粒形粒度检测方法及系统 | |
KR101793264B1 (ko) | 균열의 발생 및 진행 분석 방법 | |
CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
KR102026427B1 (ko) | 스마트폰을 이용한 콘크리트 균열 측정 방법 | |
Motayyeb et al. | Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades | |
CN112734858A (zh) | 一种双目标定精度在线检测方法及装置 | |
CN116124081B (zh) | 一种非接触式的工件检测方法、装置、电子设备及介质 | |
CN116310263A (zh) | 一种指针式航空地平仪示数自动读取实现方法 | |
CN116430069A (zh) | 机器视觉流体流速测量方法、装置、计算机设备及存储介质 | |
CN109142141A (zh) | 一种三维激光实时探测固体材料密度系统及方法 | |
CN109444150A (zh) | 非接触式裂纹测量方法及其装置 | |
CN114998329A (zh) | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 |
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 |