CN113721042A - 确定疲劳辉纹的特征和疲劳损伤存在的方法,系统和载体 - Google Patents
确定疲劳辉纹的特征和疲劳损伤存在的方法,系统和载体 Download PDFInfo
- Publication number
- CN113721042A CN113721042A CN202110563760.3A CN202110563760A CN113721042A CN 113721042 A CN113721042 A CN 113721042A CN 202110563760 A CN202110563760 A CN 202110563760A CN 113721042 A CN113721042 A CN 113721042A
- Authority
- CN
- China
- Prior art keywords
- sample
- fatigue
- striation
- image
- striations
- 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 47
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 229910052704 radon Inorganic materials 0.000 claims abstract description 26
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 239000000523 sample Substances 0.000 claims description 85
- 206010016256 fatigue Diseases 0.000 claims description 60
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims 1
- 238000005260 corrosion Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000001878 scanning electron micrograph Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 5
- 238000003556 assay Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004621 scanning probe microscopy Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
- G01Q30/00—Auxiliary means serving to assist or improve the scanning probe techniques or apparatus, e.g. display or data processing devices
- G01Q30/02—Non-SPM analysing devices, e.g. SEM [Scanning Electron Microscope], spectrometer or optical microscope
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
- G01Q30/00—Auxiliary means serving to assist or improve the scanning probe techniques or apparatus, e.g. display or data processing devices
- G01Q30/04—Display or data processing devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及确定疲劳辉纹的特征和疲劳损伤存在的方法,系统和载体。为了改进对零件的疲劳损伤的测定或评估,提出了一种计算机实施的用于测定零件的样本表面上的疲劳辉纹的辉纹特征的方法。使用扫描电子显微镜对样本表面进行成像以获得可能包含所述疲劳辉纹的样本图像。从所述样本图像中选取可能包含疲劳辉纹的样本图像块以用于进一步处理。在对所述样本图像块进行归一化并增强包含在所述样本图像块中的线状规则结构之后,对所得的归一化的图像块进行自相关、拉东变换以及频谱分析。如果存在任何疲劳辉纹,则所述经变换的图像块的所得功率谱包含关于包含在所述样本图像中的疲劳辉纹的辉纹特征的信息。此外,提出了一种用于执行所述方法的系统。
Description
技术领域
本发明涉及用于确定疲劳辉纹的辉纹特征的方法,系统和计算机可读数据载体。本发明还涉及用于确定疲劳损伤的存在的方法,系统和计算机可读数据载体。
背景技术
参考以下现有技术文献:
[1]R.C.Gonzales,R.E.Woods,“Digital Image Processing[数字图像处理]”,Prentice Hall International[普伦蒂斯·霍尔国际出版公司],2007
[2]R.G.Lyons,“Understanding Digital Signal Processing[数字信号处理]”,Prentice Hall[普伦蒂斯·霍尔出版公司],2011
[3]Zuiderveld,Karel,“Contrast Limited Adaptive HistographEqualization[对比度受限的自适应直方图均衡化]”,Graphic Gems IV[图形图像编程精粹第四卷].San Diego:Academic Press Professional[圣地亚哥:学术新闻专业出版社],1994,474-485
[4]Otsu,N.,“A Threshold Selection Method from Gray-Level Histograms[从灰度直方图选取阈值的方法]”,IEEE Transactions on Systems,Man,andCybernetics[IEEE系统、人与控制论学会会报],第9卷,第1期,1979,第62-66页
[5]Bailey,Donald,“Detecting regular patterns using frequency domainself-filtering[使用频域自滤波检测规则图案]”,第1卷,440-443,1997,10.1109/ICIP.1997.647801
发明内容
本发明的目的在于改进对零件、诸如飞行器零件的疲劳损伤的测定或评估。
该目的是通过根据独立权利要求的特征来实现的。优选的实施例是从属权利要求的主题。
本发明提供一种计算机实施的用于确定零件、优选为飞行器零件的样本表面上的疲劳辉纹的辉纹特征的方法,所述方法包括:
步骤1.1利用扫描显微镜装置,对所述样本表面进行成像以获得可能包含所述疲劳辉纹的样本图像;
步骤1.2利用图像块选取装置,从所述样本图像中选取可能包含所述疲劳辉纹的样本图像块以用于进一步处理;
步骤1.3利用预处理装置,对所述样本图像块进行归一化并增强包含在所述样本图像块中的线状规则结构以获得归一化的图像块;
步骤1.4利用自相关装置,确定所述归一化的图像块的自相关以获得自相关图像块;
步骤1.5利用拉东变换装置,对所述自相关图像块执行拉东变换以获得经变换的图像块;
步骤1.6利用频率分析装置,对所述经变换的图像块执行频谱分析并确定所述经变换的图像块的功率谱;
步骤1.7利用辉纹特征确定装置,根据所述功率谱确定适用于指示所述样本图像块中疲劳辉纹的存在的至少一个辉纹特征。
优选地,在步骤1.1中,所述扫描显微镜装置选自包括扫描电子显微镜或扫描探针显微镜的组。
优选地,在步骤1.2中,选取多个不同尺寸的样本图像块,并且所述样本图像块以所述样本图像的同一个点为中心,并且对所述样本图像块中的每一个执行步骤1.3至1.7。
优选地,在步骤1.3中,对所述样本图像块执行高斯滤波操作以获得所述归一化的图像块。
优选地,在步骤1.3中,对所述样本图像块执行直方图均衡化以获得所述归一化的图像块。
优选地,在步骤1.3中,对所述样本图像块执行图像二值化和后续形态学操作(诸如腐蚀、膨胀或骨架操作)以获得所述归一化的图像块。
优选地,在步骤1.3中,对所述样本图像块执行频域自滤波操作以获得所述归一化的图像块。
优选地,在步骤1.3中,对所述样本图像块执行窗操作(诸如汉明加窗)以获得所述归一化的图像块。
优选地,在步骤1.3中,对所述样本图像块执行用于将强度值归一化到固定范围的归一化操作以获得所述归一化的图像块。
优选地,在步骤1.4中,所述自相关是经由频域并使用零填充输入图像块来确定的。
优选地,在步骤1.6中,所述频谱分析是通过沿与所述经变换的图像块的各列相对应的每个径向坐标进行一维频谱分析来执行的。
优选地,在步骤1.7中,辉纹角度和/或辉纹间距和/或辉纹密度是根据所述功率谱的最强频率分量来确定的。
优选地,该方法进一步包括沿断口和/或沿裂纹扩展路径重复步骤1.1至1.7的步骤。
优选地,对沿所述断口和/或裂纹扩展路径的辉纹特征进行积分,并从而确定经积分的辉纹特征和/或所述经积分的辉纹特征的误差。
本发明提供一种计算机实施的用于确定零件、尤其是飞行器零件是否遭受疲劳损伤的方法,所述方法包括:
-执行根据前述权利要求中任一项所述的方法;以及
-利用疲劳损伤确定装置,在所述功率谱的峰值超过预定阈值时确定所述零件遭受了疲劳损伤,并在所述峰值未超过所述预定阈值时确定所述零件未遭受疲劳损伤。
本发明提供一种被配置用于执行优选方法的系统,所述系统包括:扫描显微镜装置,所述扫描显微镜装置被适配用于对所述样本表面进行成像以获得可能包含所述疲劳辉纹的样本图像;以及数据处理设备,所述数据处理设备具有:
-图像块选取装置,所述图像块选取装置被适配用于从所述样本图像中选取可能包含所述疲劳辉纹的样本图像块;
-预处理装置,所述预处理装置被适配用于对所述样本图像块进行归一化并增强包含在所述样本图像块中的线状规则结构以获得归一化的图像块;
-自相关装置,所述自相关装置被适配用于确定所述归一化的图像块的自相关以获得自相关图像块;
-拉东变换装置,所述拉东变换装置被适配用于对所述自相关图像块执行拉东变换以获得经变换的图像块;
-频率分析装置,所述频率分析装置被适配用于对所述经变换的图像块执行频谱分析并确定所述经变换的图像块的功率谱;
-辉纹特征确定装置,所述辉纹特征确定装置被适配用于根据所述功率谱确定适用于指示所述样本图像中疲劳辉纹的存在的至少一个辉纹特征。
优选地,所述数据处理设备进一步具有疲劳损伤确定装置,所述疲劳损伤确定装置被适配用于确定包含在所述样本图像中的疲劳辉纹中的至少一个辉纹特征。
本发明提供了一种包括指令的计算机程序产品,当所述程序由计算机执行时,所述指令使所述计算机执行根据前述权利要求中任一项所述的方法。
本发明提供一种计算机可读数据载体,其上存储有优选的计算机程序产品。例如,计算机可读数据载体可以是计算机可读数据存储介质。
本发明提供一种数据载体信号,所述数据载体信号携带优选的计算机程序产品。
本发明基于数据科学的技术领域(计算机视觉、图像处理和模式识别),如应用于材料科学、尤其是材料失效分析和断口分析。一个想法是测定疲劳辉纹特征,这些疲劳辉纹特征在失效分析过程中被用于对由疲劳引起的材料失效的断口进行分析。
为了确定零件是否遭受疲劳损伤以及是否易于出现材料失效,将确定不同的疲劳辉纹特征,诸如辉纹数量、辉纹密度和辉纹角度。另一个基本想法是对显示有疲劳辉纹的大量断口位置进行处理,并且测定这些疲劳辉纹的辉纹特征,诸如辉纹密度(每单位长度辉纹线的数量)。对沿断口的裂纹扩展路径的辉纹特征进行积分以估计总辉纹计数。
本文所述的方法和装置的目的是,允许对出现在扫描电子显微镜图像(SEM图像)中的辉纹密度和辉纹取向进行鲁棒估计或测定。由于SEM图像中辉纹的外观变化较大,因此基于计算机视觉技术进行鲁棒测定具有挑战性。由于训练数据在数据质量和数量方面的可用性不足,因此难以应用已知的基于监督机器学习的计算机视觉技术。
在此,这个想法是提供一种用于估计或测定辉纹密度和辉纹取向的无监督鲁棒计算机视觉方法,以作为用于部分或完全自动化的疲劳辉纹测定系统的技术手段。
首先,拍摄待测零件的至少一个SEM图像。待处理的输入是图像块,即SEM图像的子部分,表示该图像的要分析的部分。目标是对图像块内的辉纹密度和辉纹取向进行鲁棒估计。这在图像块仅包含模糊辉纹的情况下特别具有挑战性。
作为第一步骤,对输入图像块进行归一化并增强线状规则结构。为了实现这一点,可以使用标准的图像处理技术,诸如:
-高斯滤波操作,用于减少图像噪声(参见c.f.[1])
-直方图均衡化(参见c.f.[3])
-图像二值化(参见c.f.[4])
-对二值化图像的形态学操作,如腐蚀、膨胀或骨架操作(参见c.f.[1])
-自滤波(参见c.f.[5])
-图像块的加窗,用于降低块边缘处的强度(参见c.f.[1])
-将强度值归一化到固定范围,例如,0至1。
在预处理步骤之后,获得规则结构增强的归一化图像表示。通过计算预处理的图像块的自相关,即图像块与其自身的相关性,进一步处理归一化图像。可以在频域中将零填充图像块用作输入来高效计算自相关,以避免环绕效应(wrap-around effect)并提高空间分辨率。
然后,对之前的自相关执行拉东变换的频谱频率分析。
对自相关图像进行拉东变换产生经变换的图像,其中,水平轴线对应于拉东投影角,并且竖直轴线对应于拉东投影的径向坐标。
因此,拉东变换中的每一列都与通过在给定角度的轴线上对自相关图像的强度进行积分(投影)而形成的强度分布(profile)相对应。
通常,仅较小的水平范围(即,角度范围)即可表现出原始自相关图像的重复结构。由于仅沿直角的投影不会抹掉自相关图像的重复结构,因此对应的角度表示所搜索的辉纹角度。这使得该分析对正确的辉纹角度非常具有选择性。
为了识别具有最强重复结构的列,在拉东变换的每一列上应用例如基于傅里叶变换(FT)或快速傅里叶变换(FFT)的标准一维频谱分析。以这种方式,可以选取傅里叶频谱中具有最强频率分量(例如,在功率谱中具有最高值)的列以确定所搜索的辉纹角度。通过考虑频率与波长之间的已知关系,知道了最强频率分量还会得出辉纹间距(辉纹的波长)。辉纹间距的倒数值就是所搜索的辉纹密度。
如果频率分量与原始输入块中有意义数量的辉纹(例如,最少5条辉纹线)相对应,则可以通过仅考虑这些频率分量来进一步提高该过程的鲁棒性。以这种方式,如果傅里叶频谱中的强频率分量与例如输入块内的仅2条辉纹线相对应,则将忽略该强频率分量(例如,通过将其幅度设置为0)。
在拉东变换的每一列上应用一维FFT允许计算功率谱(傅里叶频谱的幅度平方)。如先前所讨论的,将不相关的频率分量设置为0。在FFT之后,水平轴线仍然为角度(如在拉东变换中一样),而纵轴现在为空间频率。通过功率谱中良好定位的峰值(例如,通过找到功率谱的最大值的位置),通常可清晰地识别出辉纹的主频率及其对应角度。这允许对辉纹间距和辉纹角度进行鲁棒识别。
如所确定的功率谱的最大值可以进一步充当针对输入块中辉纹的存在的证据度量。该证据度量可以用于通过对SEM图像内的不同位置执行先前所讨论的步骤(即,在不同图像位置处切割出许多不同的块并对其进行分析)来检测完整SEM图像内的辉纹区域。如果辉纹的对应块提供了高于给定阈值的证据度量,则认为在给定图像位置处检测到该辉纹。
输入块的尺寸(即,该块的宽度和高度,以像素数表示)会影响对辉纹密度和辉纹取向的估计质量。所选取的块尺寸太小可能仅包含太少数量的辉纹,因此,对辉纹的空间频率的测定可能会不准确。另一方面,所选取的块尺寸太大可能已经包括了不表示辉纹的断口区域,这可能会将噪声引入密度和取向的估计中。对理想块尺寸的选取可以通过以下方式来实现:分析以SEM图像内同一点为中心的各种不同尺寸的块,并且随后选取具有最高证据度量(例如,功率谱值)的块尺寸。
利用本文所述的方法和装置,可以识别或检测SEM图像内的疲劳辉纹并鲁棒地测定辉纹密度和辉纹取向,这允许高度自动化的辉纹计数系统。可以自动记录大量的具有断口的(例如,较长裂纹扩展路径的)SEM图像。可以自动识别包含疲劳辉纹的SEM图像,并记录其中心位置以及理想的块尺寸。
此外,可以自动测定并记录在所有记录的辉纹位置处的辉纹密度和辉纹取向。
可以基于估计的辉纹取向角度或辉纹密度来自动过滤所记录的与已知的裂纹扩展物理学不一致的测定结果从而去除可能的测定异常值。
此外,可以自动对沿裂纹扩展路径的辉纹密度进行积分以取得并记录最终辉纹计数。对可用的大量测定结果的统计(例如,测得的每个SEM图像的辉纹密度的标准偏差)可以用于将测定误差扩展到针对最终辉纹计数的误差估计中。
这些结果可以(例如,以图形用户界面的形式)呈现给域专家,用于对自动进行的处理步骤进行验证或可能的校正。可以记录域专家作出的所有校正。校正可以包括去除错误的自动测定结果、或在密度和取向的自动估计可以支持的其他相关位置处(例如,在SEM图像内的点击位置处)添加新的测定结果。
此外,可以根据所记录的测得数据自动生成报告。
由域专家执行的验证和校正记录可以用于训练机器学习算法,这可能有助于避免长期进行手动校正(例如,通过将已验证的自动测定结果用作正训练示例并将已校正的自动测定结果用作负训练示例)。
附图说明
随后参照所附示意图更详细地描述本发明的实施例。其中:
图1描绘了用于测定辉纹特征的系统的示例;
图2描绘了用于确定疲劳损伤的存在的方法的实施例;
图3描绘了样本图像和样本图像块的示例;
图4描绘了归一化的图像块的示例;
图5描绘了自相关图像块的示例;
图6描绘了经变换的图像块的示例;以及
图7描绘了功率谱的示例。
具体实施方式
图1描绘了用于测定零件12中疲劳损伤的存在的系统10。
系统10包括成像装置14和评估装置16。
成像装置14优选地包括扫描显微镜装置18,诸如扫描电子显微镜(SEM)。
零件12被定位使得成像装置14可以拍摄零件12的样本表面20的图像。
评估装置16优选地包括数据处理装置22,诸如计算机。应当注意,数据处理装置22可以是单个装置或由多个装置进行组合来执行随后描述的测定方法的步骤。
图2描绘了用于确定零件12中疲劳损伤的存在的方法的示例。
如图2所描绘的,首先,利用成像装置14(例如,扫描显微镜装置18)来执行成像步骤S10。在成像步骤S10期间,对样本表面20进行扫描以获得样本图像24。在图3中描绘了由于执行成像步骤S10而产生的样本图像24的示例。
如图3中可见,样本图像24包含多个疲劳辉纹26。
以通常的方式,从扫描显微镜装置18获得样本图像24作为灰度图像。在后续处理期间,样本图像24可以被认为是布置成行和列的数值矩阵。在该矩阵中,一个单元(cell)通常表示样本图像24的单个像素。因此,如果参考像素的行或列,则还可以认为是表示相应像素的数字的行或列。
将样本图像24传递到图像块选取步骤S12。在该步骤中,使用图像块选取装置选取样本图像块28(例如,样本图像24的一部分)以进行进一步处理。图像块选取步骤S12可以在同一样本图像24上重复若干次,从而选取不同的部分作为另外的样本图像块30。样本图像块28(如图3所例示的)和另外的样本图像块30的选取方式为使得它们以样本图像24的同一像素29为中心。
将样本图像块28、30传递到预处理步骤S14。在预处理步骤S14中,对样本图像块28进行归一化并增强线状规则结构32。预处理步骤S14的结果是图4中所描绘的归一化的图像块34。随后,将这些块描绘为底片(negative),以便更易于以灰度进行说明。
预处理步骤S14是基于本领域本身已知的图像处理技术来执行的。在简单的示例中,可以将高斯滤波器应用于样本图像块28以便减少噪声,并且随后,将样本图像块28的强度值归一化到从0至1的固定范围。
如图4所展示的,规则结构32表现出以一定主频率重复的等距线的图案。窗函数也是可视的,并且使规则结构32随着从中心朝向归一化的图像块34的边缘的径向间距变大而消退。
将归一化的图像块34传递到自相关步骤S16。在自相关步骤S16中,计算归一化的图像块34的自相关。换句话说,计算归一化的图像块与其本身的相关性。自相关步骤S16的结果是如图5中所描绘的自相关图像块36。由于自相关,特征的周期性得到进一步增强并由条状特征35指示。
将自相关的图像块36传递到拉东变换步骤S18。在拉东变换步骤S18中,对自相关图像块36执行拉东变换,以产生变换图像块38。可以执行拉东变换,以使得水平轴线对应于拉东投影角,并且竖直轴线对应于拉东投影的径向分量。如图6中所描绘的,在本示例中,存在重复结构40并且这些重复结构形成接近经变换的图像块38的中心的竖直线。成对的竖直线是为了辅助识别重复结构40而人为添加的,而不是由该方法的任何步骤引起的。
将经变换的图像块38传递到频率分析步骤S20。其中,对经变换的图像块38执行频谱分析以获得功率谱42。例如,对经变换的图像块38、经变换的图像块38的每一列执行傅里叶变换、优选为快速傅里叶变换或FFT。
因此,获得如图7中所描绘的功率谱42。功率谱42在其水平轴线上再次为拉东投影角。然而,由于当前样本表面20中仅存在一个周期性,因此将竖直轴线从空间域变换到空间频域,由此在这种情况下产生了单个峰值43。
将功率谱42传递到辉纹特征确定步骤S22。在该步骤中,从功率谱42获得疲劳辉纹26的辉纹特征。如前所述,功率谱42的峰值43的位置包括相关辉纹特征。峰值43从原点开始的水平位置与疲劳辉纹26对准的角度相对应。
此外,功率谱42的峰值43沿竖直轴线的位置与空间频率或“每单位长度的辉纹”相对应,并且被称作辉纹密度。此外,在辉纹特征确定步骤S22中,可以对另外的样本图像块30的结果进行处理以便获得对根据样本图像块28确定的辉纹特征误差的估计。
可选地,可以执行闭运算步骤S24,该步骤可以选择沿裂纹路径、沿零件12中的裂纹44来重复该方法。
应当注意,步骤S10至S22、以及可选地步骤S24形成用于测定辉纹特征的方法。
用于确定疲劳损伤的存在的方法进一步包括疲劳损伤确定步骤S26。在该步骤中,对测定方法的S10至S24的结果进行处理。基本上,在疲劳损伤确定步骤S26中,如果功率谱的峰值超过了预定阈值,则确定零件12遭受了疲劳损伤。如果峰值未超过预定阈值,则确定零件12未遭受疲劳损伤。此外,在步骤S26中,丢弃了与已知的裂纹扩展物理学不一致的测定异常值或测定结果。此外,如果由于所丢弃的测定数据而留下了“缝隙”,则步骤S26可以促使重复测定方法以填补这些“缝隙”。
为了改进对零件的疲劳损伤的测定或评估,提出了一种计算机实施的用于测定零件(12)的样本表面上的疲劳辉纹(26)的辉纹特征的方法。使用扫描电子显微镜对样本表面(20)进行成像以获得可能包含所述疲劳辉纹(26)的样本图像(24)。从所述样本图像(24)中选取可能包含所述疲劳辉纹(26)的样本图像块(28)以用于进一步处理。在对所述样本图像块(28)进行归一化并增强包含在所述样本图像块(28)中的线状规则结构之后,对所得的归一化的图像块(34)进行自相关、拉东变换以及频谱分析。如果存在任何疲劳辉纹(26),则所述经变换的图像块(38)的所得功率谱(42)包含关于包含在所述样本图像(24)中的疲劳辉纹(26)的辉纹特征的信息。此外,提出了一种用于执行所述方法的系统。
附图标记清单
10 系统
12 零件
14 成像装置
16 评估装置
18 扫描显微镜装置
20 样本表面
22 数据处理装置
24 样本图像
26 疲劳辉纹
28 样本图像块
29 像素
30 另一样本图像块
32 规则结构
34 归一化的图像块
35 条状特征
36 自相关图像块
38 经变换的图像块
40 重复结构
42 功率谱
43 峰值
44 裂纹
S10 成像步骤
S12 图像块选取步骤
S14 预处理步骤
S16 自相关步骤
S18 拉东变换步骤
S20 频率分析步骤
S22 辉纹特征确定步骤
S24 闭运算步骤
S26 疲劳损伤确定步骤
Claims (12)
1.一种计算机实施的用于确定零件(12)的样本表面上的疲劳辉纹(26)的辉纹特征的方法,所述方法包括:
步骤1.1利用扫描显微镜装置(18),对所述样本表面(20)进行成像以获得可能包含所述疲劳辉纹(26)的样本图像(24);
步骤1.2利用图像块选取装置,从所述样本图像(24)中选取可能包含所述疲劳辉纹(26)的样本图像块(28)以用于进一步处理;
步骤1.3利用预处理装置,对所述样本图像块(28)进行归一化并增强包含在所述样本图像块(28)中的线状规则结构以获得归一化的图像块(34);
步骤1.4利用自相关装置,确定所述归一化的图像块(34)的自相关以获得自相关图像块(36);
步骤1.5利用拉东变换装置,对所述自相关图像块(36)执行拉东变换以获得经变换的图像块(38);
步骤1.6利用频率分析装置,对所述经变换的图像块(38)执行频谱分析并确定所述经变换的图像块(38)的功率谱(42);
步骤1.7利用辉纹特征确定装置,根据所述功率谱(42)确定适用于指示所述样本图像块(28)中疲劳辉纹(26)的存在的至少一个辉纹特征。
2.根据权利要求1所述的方法,其中,在所述步骤1.1中,所述扫描显微镜装置(18)选自包括扫描电子显微镜或扫描探针显微镜的组。
3.根据权利要求1所述的方法,其中,在所述步骤1.2中,选取多个不同尺寸的样本图像块(28),并且所述样本图像块(28)以所述样本图像(24)的同一个点为中心,并且对所述样本图像块(28)中的每一个执行所述步骤1.3至1.7。
4.根据权利要求1所述的方法,其中,在所述步骤1.3中,对所述样本图像块(28)执行下列操作中的任一操作以获得所述归一化的图像块(34):
步骤4.1高斯滤波操作;和/或
步骤4.2直方图均衡化;和/或
步骤4.3图像二值化和后续形态学操作,诸如腐蚀、膨胀或骨架操作;和/或
步骤4.4频域自滤波操作;和/或
步骤4.5窗操作,诸如应用汉明窗;和/或
步骤4.6归一化操作,用于将强度值归一化到固定范围。
5.根据权利要求1所述的方法,其中,在所述步骤1.4中,所述自相关是经由频域并使用零填充输入图像块来确定的。
6.根据权利要求1所述的方法,其中,在所述步骤1.6中,所述频谱分析是通过沿与所述经变换的图像块(38)的各列相对应的每个径向坐标进行一维频谱分析来执行的。
7.根据权利要求1所述的方法,其中,在所述步骤1.7中,辉纹角度和/或辉纹间距和/或辉纹密度是根据所述功率谱(42)的最强频率分量来确定的。
8.根据权利要求1所述的方法,所述方法进一步包括沿断口和/或沿裂纹扩展路径重复所述步骤1.1至1.7的步骤。
9.根据权利要求8所述的方法,其中,对沿所述断口和/或裂纹扩展路径的辉纹特征进行积分,并从而确定经积分的辉纹特征和/或所述经积分的辉纹特征的误差。
10.一种计算机实施的用于确定零件是否遭受疲劳损伤的方法,所述方法包括:
步骤10.1执行根据前述权利要求中任一项所述的方法;以及
步骤10.2利用疲劳损伤确定装置,在所述功率谱(24)的峰值(43)超过预定阈值时确定所述零件遭受了疲劳损伤,并在所述峰值(43)未超过所述预定阈值时确定所述零件未遭受疲劳损伤。
11.一种被配置用于执行根据权利要求1-10中任一项所述的方法的系统,所述系统包括:扫描显微镜装置,所述扫描显微镜装置被适配用于对所述样本表面(20)进行成像以获得可能包含所述疲劳辉纹(26)的样本图像(24);以及数据处理设备,所述数据处理设备具有:
-图像块选取装置,所述图像块选取装置被适配用于从所述样本图像(24)中选取可能包含所述疲劳辉纹(26)的样本图像(24)块;
-预处理装置,所述预处理装置被适配用于对所述样本图像(24)块进行归一化并增强包含在所述样本图像块(28)中的线状规则结构(32)以获得归一化的图像块;
-自相关装置,所述自相关装置被适配用于确定所述归一化的图像块的自相关以获得自相关图像块(36);
-拉东变换装置,所述拉东变换装置被适配用于对所述自相关图像块(36)执行拉东变换以获得经变换的图像块(38);
-频率分析装置,所述频率分析装置被适配用于对所述经变换的图像块(38)执行频谱分析并确定所述经变换的图像块(38)的功率谱(42);
-辉纹特征确定装置,所述辉纹特征确定装置被适配用于根据所述功率谱(42)确定适用于指示所述样本图像块(28)中疲劳辉纹(26)的存在的至少一个辉纹特征;并且
-所述数据处理设备具有疲劳损伤确定装置,所述疲劳损伤确定装置被适配用于在所述功率谱(24)的峰值(43)超过预定阈值时确定所述零件遭受了疲劳损伤,并在所述峰值(43)未超过所述预定阈值时确定所述零件未遭受疲劳损伤。
12.一种计算机可读数据存储介质,其上存储有包括指令的计算机程序,当所述计算机程序由计算机执行时,所述指令使所述计算机执行根据权利要求1至10中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20315262.4 | 2020-05-26 | ||
EP20315262.4A EP3916673A1 (en) | 2020-05-26 | 2020-05-26 | Method for determining striation properties of fatigue striations and for determining the presence of fatigue damage |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113721042A true CN113721042A (zh) | 2021-11-30 |
Family
ID=71575312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563760.3A Pending CN113721042A (zh) | 2020-05-26 | 2021-05-24 | 确定疲劳辉纹的特征和疲劳损伤存在的方法,系统和载体 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11954845B2 (zh) |
EP (1) | EP3916673A1 (zh) |
CN (1) | CN113721042A (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007008768A1 (de) * | 2007-02-22 | 2008-08-28 | Breitmeier Messtechnik Gmbh | Verfahren zum Erfassen periodischer Strukturen in der Oberfläche eines Werkstückes |
US20120004849A1 (en) * | 2010-03-22 | 2012-01-05 | Schlumberger Technology Corporation | Efficient windowed radon transform |
US9355440B1 (en) * | 2012-10-10 | 2016-05-31 | Kla-Tencor Corp. | Detection of selected defects in relatively noisy inspection data |
WO2015195074A1 (en) * | 2014-06-16 | 2015-12-23 | Halliburton Energy Services, Inc. | Distributed nondestructive structural defects detection in slickline cables |
CN110298835B (zh) * | 2019-07-02 | 2023-07-18 | 广东工业大学 | 一种皮革表面破损检测方法、系统及相关装置 |
CN111260640B (zh) * | 2020-01-13 | 2023-03-31 | 重庆大学 | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 |
-
2020
- 2020-05-26 EP EP20315262.4A patent/EP3916673A1/en active Pending
-
2021
- 2021-05-24 CN CN202110563760.3A patent/CN113721042A/zh active Pending
- 2021-05-26 US US17/330,573 patent/US11954845B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20210374929A1 (en) | 2021-12-02 |
EP3916673A1 (en) | 2021-12-01 |
US11954845B2 (en) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
US9002093B2 (en) | Method of monitoring the appearance of the surface of a tire | |
US10546213B2 (en) | Method for evaluating the authenticity of a painting as well as a corresponding use | |
CN106934795A (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN113850749B (zh) | 训练缺陷侦测器的方法 | |
CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN102214290B (zh) | 车牌定位方法及车牌定位模板训练方法 | |
US20140050411A1 (en) | Apparatus and method for generating image feature data | |
CN103400357A (zh) | 一种去除图像椒盐噪声的方法 | |
CN106682278A (zh) | 基于图像处理的超声速流场预测准确度判定装置及方法 | |
CN106407959A (zh) | 基于小波变换和svm的低照度的复杂背景车牌定位方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN102254185B (zh) | 基于对比度敏感函数的背景杂波量化方法 | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
CN112884697A (zh) | 晶圆图的辨识方法与计算机可读取记录介质 | |
CN104239895B (zh) | 基于特征降维的sar目标鉴别方法 | |
CN111275687B (zh) | 一种基于连通区域标记的细粒度图像拼接检测方法 | |
CN113721042A (zh) | 确定疲劳辉纹的特征和疲劳损伤存在的方法,系统和载体 | |
CN113516608A (zh) | 轮胎的缺陷检测方法和检测装置、轮胎检测设备 | |
CN116523871A (zh) | 一种加工件缺陷检测方法、装置、电子设备及存储介质 | |
KR101548455B1 (ko) | 객체 영역 추출 방법 및 그 장치 | |
WO2010113217A1 (ja) | 文字認識装置及び文字認識方法 | |
EP2380110B1 (en) | A method for evaluating quality of image representing a fingerprint pattern | |
CN116168020B (zh) | 一种皮革缺陷检测方法 | |
KR102554353B1 (ko) | 용접 비드의 비전 검사 장치 및 방법 |
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 |